文/陸世棟 張朝暉 王揚 趙倚天 熊宗偉

1 引言

在不同軋工等級的棉花中存在不同程度的非纖維性物質(zhì)以及附生雜質(zhì)，如棉籽、破籽、帶纖維籽屑、軟籽表皮等。這些非纖維性物質(zhì)或雜質(zhì)在棉花樣本的成像結(jié)果中，通常在形狀規(guī)則、灰度分布上具有局部灰度均值低、灰度方差小、單個區(qū)域覆蓋面積小的特點，并且通常位于圖像的局部暗區(qū)。因此，我們稱之為“深色疵點區(qū)域”。

通常隨著棉花軋工質(zhì)量的下降，深色疵點數(shù)目有增加的趨勢?？梢哉f深色疵點信息的多少是事關(guān)棉花軋工質(zhì)量優(yōu)劣的重要特征之一。但深色疵點的提取面臨兩個主要難點：第一，深色疵點的面積相對于整幅圖像的大小，幾乎可以忽略；第二，不同光照條件下，深色疵點區(qū)域的灰度均值有明顯的不同。

理論分析及試驗經(jīng)驗表明：單純依賴一般的基于灰度統(tǒng)計特性的閾值估計法，提取深色疵點區(qū)域，不具有光照不變性的特點。為此本文提出一種基于圖像局部邊界灰度統(tǒng)計特性的深色疵點特征提取算法。

2 算法描述

由于深色疵點區(qū)域的面積相對于整幅圖像的面積幾乎可以忽略，因此，我們可將深色疵點區(qū)域的提取視為大圖像中“小目標(biāo)區(qū)域”的自適應(yīng)分割問題；而位于疵點區(qū)域邊界附近的像素一般會以近似等概率的方式屬于背景區(qū)、目標(biāo)區(qū)。本文利用該特點，提出了一種基于局部邊緣灰度統(tǒng)計特性的深色疵點特征提取算法，以有效獲取可區(qū)分大背景與小目標(biāo)區(qū)域的灰度閾值。以下是關(guān)于算法的描述。

輸入：棉花樣本的灰度圖像

輸出：深色疵點的數(shù)目

實現(xiàn)步驟：

STEP1.讀取原始圖像。

STEP2.基于Gaussian-Laplacian運算的小目標(biāo)區(qū)域邊緣檢測。

a.對圖像進(jìn)行Gaussian-Laplacian運算，取絕對值，得絕對值圖像；

b.將絕對值圖像取值升序排列，取位于前99.99%位置的值作為閾值；

c.基于閾值，將絕對值圖像二值化，得模板圖像。

其中，與取值1對應(yīng)的輸入圖像位置為邊緣點位置；其他為無效位置。

STEP3.基于邊緣模板圖像局部灰度統(tǒng)計特性的自適應(yīng)閾值估計。

a.以邊緣模板圖像的邊緣信息為指導(dǎo)，取原始圖像中對應(yīng)邊緣點處的歸一化灰度直方圖；

b.基于灰度直方圖，采用OTSU法，得到最優(yōu)閾值估計結(jié)果。

STEP4.基于最優(yōu)閾值，對原始圖像進(jìn)行二值化，得疑似深色疵點區(qū)域的二值圖像。

STEP5.基于形態(tài)學(xué)濾波的完整深色疵點區(qū)域獲取。

考慮到數(shù)字成像只是關(guān)于棉花外觀的圖像獲取，而隱藏在棉花樣本淺層的深色疵點會被淺色的棉花纖維分成多個孤立部分，因此基于數(shù)學(xué)形態(tài)學(xué)的開、閉基本運算，進(jìn)行二值圖像形態(tài)學(xué)濾波，得到可反映輸入圖像完整深色疵點區(qū)域的二值圖像。

STEP6. 對二值圖像進(jìn)行連通區(qū)域標(biāo)記，得到深色疵點數(shù)目統(tǒng)計結(jié)果num及疵點輪廓提取。

3 試驗與分析

為便于視覺上的直觀比較不同光照強(qiáng)度下的深色疵點的檢測結(jié)果，圖1給出了同一棉花樣本在不同光照強(qiáng)度下，檢出的疵點輪廓與檢測前的灰度圖像的融合效果圖。

圖1 相同棉花樣本在不同光照強(qiáng)度下深色疵點的檢測結(jié)果(檢測的疵點以綠色輪廓標(biāo)記)

由圖1觀察得知：本文提出的深色疵點檢測算法具有穩(wěn)定的檢測性能，結(jié)果具有較好的一致性。如圖2所示，給出了基于該算法得到的同一棉花樣本在不同光照強(qiáng)度下疵點特征的提取情況。由該圖可以知道，即使在光照強(qiáng)度差異較大情況下，疵點的檢測仍能取得比較穩(wěn)定的結(jié)果。

為便于直觀比較不同軋工級別的棉花樣品表面深色疵點，我們對人工標(biāo)注的1800個棉花樣本圖像，分別進(jìn)行了深色疵點特征的檢測，并對于同級別的樣本圖像計算了深色疵點數(shù)目的均值(mean)以及標(biāo)準(zhǔn)差(std)的統(tǒng)計指標(biāo)；在此基礎(chǔ)上，分別按照“mean-std(均值-標(biāo)準(zhǔn)差)”“mean(均值)”“mean+std(均值+標(biāo)準(zhǔn)差)”“std(標(biāo)準(zhǔn)差)”4種方式，在圖3得到了棒線圖(bar)。

圖2 相同棉花樣本在不同光照強(qiáng)度下黑色疵點檢測數(shù)目的統(tǒng)計圖

圖3 不同軋工級別的棉花樣本圖像深色疵點檢測數(shù)目的統(tǒng)計棒線圖

由左至右分別為P1、P2、P3級。

為便于橫向比較不同等級棉花樣本的深色疵點特征取值的動態(tài)范圍，圖4還以箱式圖(boxplot)的方式，將各軋工級別的棉花樣本圖像表面深色疵點檢測數(shù)目分布直觀可視化出來。

圖4 不同軋工級別的棉花樣本圖像的深色疵點檢測數(shù)目的分布(其中1、2、3分別對應(yīng)軋工級別的好、中、差)

4 結(jié)論

本文提出一種面向棉花軋工質(zhì)量分級的深色疵點提取算法。

試驗分析表明：本算法具有較好的光照穩(wěn)定性；盡管利用圖像處理的方式檢測得到的深色疵點區(qū)域只能反映棉花樣本表面的深色疵點分布情況，但深色疵點數(shù)目的分布趨勢與評測人員對不同軋工級別的棉花樣本的認(rèn)識是一致的，即：軋工質(zhì)量越好，深色疵點數(shù)目平均值越少、其取值的動態(tài)范圍也更?。卉埞べ|(zhì)量越差，深色疵點數(shù)目的平均值越大、分布的動態(tài)范圍越大；總的趨勢是深色疵點數(shù)目以及取值的動態(tài)范圍隨著軋工質(zhì)量的降低而存在增加的趨勢。