王文帝， 辛斌杰， 鄧 娜， 李佳平， 劉寧娟

(上海工程技術(shù)大學(xué) 服裝學(xué)院， 上海 201620)

近年來隨著紡織業(yè)的技術(shù)創(chuàng)新和進(jìn)步,對(duì)紡織品的質(zhì)量檢測提出了更高的要求。在紗線質(zhì)量檢測中毛羽是衡量紗線質(zhì)量好壞的重要指標(biāo)之一,紗線毛羽對(duì)紗線的性能、質(zhì)量和后序加工過程影響顯著[1]。紗線毛羽具有復(fù)雜的外觀特征,伸出紗線主體的外層纖維是構(gòu)成毛羽的主要部分，因此，通常是用伸出紗線主體的端毛羽或圈毛羽來表征紗線的起毛程度，并對(duì)其外觀特征進(jìn)行測量包括毛羽的數(shù)量、長度和形狀等。

光電法是當(dāng)前應(yīng)用最廣且發(fā)展較成熟的方法之一，主要通過投影計(jì)數(shù)或全毛羽計(jì)算實(shí)現(xiàn)紗線毛羽的自動(dòng)檢測[2]。隨著計(jì)算機(jī)視覺系統(tǒng)和數(shù)字圖像處理的快速發(fā)展，國內(nèi)外專家和學(xué)者提出很多的數(shù)字化圖像分析方法來檢測紗線毛羽的參數(shù)，從而實(shí)現(xiàn)對(duì)紗線毛羽的數(shù)字化檢測[3-5]。孫銀銀等[6]使用MOTIC視頻顯微鏡捕獲紗線靜態(tài)圖像，對(duì)所得紗線圖像進(jìn)行圖像處理，得到紗線毛羽長度和數(shù)量參數(shù)。然而，顯微鏡景深較小，紗線毛羽超出顯微鏡的景深時(shí)就會(huì)變得模糊，從而使得圖像處理變得困難。Nateri等[7]用黑板掃描法獲得紗線圖像，結(jié)合圖像處理實(shí)現(xiàn)紗線毛羽參數(shù)的檢測。然而，紗線纏繞在黑板上會(huì)使得紗線毛羽形態(tài)發(fā)生變化，從而使得圖像處理方法檢測得到的結(jié)果不夠準(zhǔn)確。Fabijańska等[8]用CCD相機(jī)采集紗線圖像，運(yùn)用圖像處理方法計(jì)算出紗線毛羽參數(shù)信息。工業(yè)相機(jī)具有采集圖像穩(wěn)定，可動(dòng)態(tài)連續(xù)采集的優(yōu)點(diǎn)，有利于開發(fā)動(dòng)態(tài)紗線圖像采集系統(tǒng)。目前數(shù)字化圖像處理檢測紗線參數(shù)主要使用顯微鏡、掃描儀和相機(jī)等來獲得紗線圖像，并進(jìn)行圖像處理,進(jìn)而得到紗線參數(shù)信息，但是結(jié)果與傳統(tǒng)方法測得的結(jié)果還存在一定誤差。

本文研制開發(fā)可用于單一視角背光源紗線毛羽圖像動(dòng)態(tài)采集的硬件系統(tǒng)，提出可實(shí)現(xiàn)紗線毛羽圖像數(shù)字化分析的新方法，該方法包括自適應(yīng)灰度增強(qiáng)、線性區(qū)域閾值分割等關(guān)鍵技術(shù)。用本文提出的圖像處理算法處理采集的紗線毛羽圖像，提取紗線的外觀參數(shù)并將所用方法檢測的結(jié)果與傳統(tǒng)紗線毛羽檢測的結(jié)果進(jìn)行相關(guān)性分析，結(jié)果證明本文方法與傳統(tǒng)方法具有較好的一致性，采用的算法具有很好的魯棒性，設(shè)計(jì)開發(fā)的單一視角下紗線外觀檢測系統(tǒng)具有良好的應(yīng)用前景。

1 紗線毛羽圖像采集系統(tǒng)

圖1示出紗線毛羽的采集系統(tǒng)。該系統(tǒng)由以下部分組成：背光源、暗箱、步進(jìn)電動(dòng)機(jī)、數(shù)字CCD面陣相機(jī)和PC計(jì)算機(jī)。

圖1 紗線毛羽圖像采集系統(tǒng)Fig.1 Yarn hairiness image acquisition system. (a) Schematic diagram of yarn image acquisition system; (b) Dark box structures

該圖像采集系統(tǒng)使用均勻平板光源以背面投射方式光照，其產(chǎn)生的平行光線不會(huì)改變紗線的投影形狀，光線遇到紗線的反射光和散射光被暗箱上的黑紙板吸收，有利于數(shù)字CCD相機(jī)采集高質(zhì)量的紗線圖像。步進(jìn)電動(dòng)機(jī)控制紗線運(yùn)動(dòng)或停止，CCD相機(jī)同步可獲得紗線動(dòng)態(tài)或靜態(tài)圖像。

2 紗線圖像采集

本文選用6種紗線來驗(yàn)證所提出的新方法，每種紗線無規(guī)律移動(dòng)并采集10張圖片，以避免偶然因素帶來實(shí)驗(yàn)誤差。數(shù)字CCD相機(jī)獲得的圖像存儲(chǔ)為空間分辨率為500像素×1 696像素的單色圖像。本文選用的紗線的規(guī)格參數(shù)如表1所示。

表1 紗線樣本的基本參數(shù)Tab.1 Basic parameters of yarn sample

3 紗線圖像處理

紗線圖像處理的目的是從采集到的圖像中提取紗線主體和毛羽信息，為進(jìn)一步的圖像分析提供數(shù)據(jù)。紗線圖像處理分為3個(gè)主要步驟。首先是圖像預(yù)處理，然后是閾值分割，最后是紗線主體和毛羽分割。圖2示出利用自行搭建的紗線數(shù)字化成像系統(tǒng)采集的6種紗線樣本的原始圖像(灰度圖像)。

圖2 紗線原始圖像Fig.2 Original yarn images

3.1 圖像預(yù)處理

圖像預(yù)處理的主要目的是消除圖像中無關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而改進(jìn)特征抽取、圖像分割、匹配和識(shí)別的可靠性[9]。在圖像采集系統(tǒng)中，相機(jī)鏡頭上不可避免的灰塵以及背光光源的亮度不均等因素，都會(huì)導(dǎo)致采集到的圖像背景不均勻。對(duì)比背景均衡處理和直方圖均衡化等背景處理方法，背景查分處理法具有簡便、快捷、效果好等優(yōu)點(diǎn)[10]，但是圖像查分處理后形成的新背景灰度級(jí)與紗線灰度級(jí)比較接近，不易進(jìn)行紗線與背景分割及后續(xù)的圖像處理。本文以1#試樣的處理過程圖為例，如圖3所示。

圖3 圖像差分處理Fig.3 Image difference processing. (a) Background image; (b) Partial enlargement of image after image differential processing; (c) Gray value histogram after image difference processing; (d) Local gray value matrix of image after image difference processing

圖3 (a)為1#試樣圖像的背景圖像，將含有紗線的圖像與不含紗線的圖像做差分處理，得到去除背景的紗線圖像。1#試樣圖像去除背景后局部放大圖如圖3(b)所示。圖3(c)中沒有明顯的灰度級(jí)雙峰出現(xiàn)，因?yàn)樵诨叶冉y(tǒng)計(jì)曲線中沒有明顯的雙峰出現(xiàn)，所以難以使用閾值分割方法將紗線從圖像中分割出來。圖3 (d)中灰色標(biāo)出的是灰度級(jí)大于9的像素點(diǎn)，可以看出灰色像素點(diǎn)周圍的灰度級(jí)與之比較接近。這是紗線統(tǒng)計(jì)曲線中沒有出現(xiàn)明顯雙峰的原因，也是直接使用閾值分割法分割圖像導(dǎo)致信息損失嚴(yán)重的原因。

紗線與背景灰度對(duì)比度增強(qiáng)有利于后續(xù)的圖像處理，本文提出一種自適應(yīng)灰度增強(qiáng)算法，該方法對(duì)紗線圖像處理結(jié)果明顯優(yōu)于灰度拉伸變換增強(qiáng)方法。其原理如下：紗線圖像去除背景后，紗線與新背景灰度級(jí)差別小，采集的紗線圖像邊緣沒有紗線毛羽，取圖像上下邊緣所有元素求其平均值，此均值視為背景去除后新背景的灰度級(jí)。首先讓圖像矩陣乘以系數(shù)k，擴(kuò)大紗線與背景的灰度級(jí)，然后圖像矩陣減去求得均值的k倍，相當(dāng)于對(duì)圖像再次去除背景。最后將得到的灰度值小于0的像素賦值為0，大于255的像素賦值為255。式(1)描述了圖像中像素點(diǎn)灰度變化，式中變量均為標(biāo)量

g(x,y)=T[f(x,y)]

(1)

式中：f(x,y)為輸入圖像；g(x,y)為輸出(處理后的)圖像；T為對(duì)圖像f的算子；作用于點(diǎn)(x,y)定義的值。

s=T(r)

(2)

式中：r為圖像f中的灰度值；s為圖像g中的灰度值。二者在圖像中處于相同的坐標(biāo)(x,y)處。式(2)可簡單表達(dá)為

(3)

(4)

式中：M為圖像矩陣共M行；N為圖像矩陣共N列；xi,:為第i行所有列的元素。

為便于描述圖像處理后圖像的變化，用IA、IB、IC，…來表示不同圖像處理步驟得到的結(jié)果如圖4所示。從中可看出自適應(yīng)灰度增強(qiáng)方法處理后紗線和背景灰度對(duì)比度明顯度增強(qiáng)，毛羽清晰。圖5示出圖像處理后圖像局部灰度值矩陣圖?？煽闯觯瑘D5(b)中紗線毛羽的灰度值與背景灰度值對(duì)比度更大，并且本文提出的灰度增強(qiáng)方法在保證毛羽信息完整的情況下減少背景噪聲。

圖4 背景去除后圖像灰度增強(qiáng)對(duì)比Fig.4 Image grayscale contrast after background removal. (a) Background removal image IA; (b) Gray stretched enhanced image IB; (c) Adaptive grayscale enhancement image IC

噪聲是圖像干擾的重要原因，濾波能有效減少噪聲的干擾。本文對(duì)比了中值濾波、均勻?yàn)V波、高斯低通濾波和維納濾波等濾波器對(duì)紗線圖像去除噪聲的結(jié)果，維納濾波在去除紗線圖像噪聲方面優(yōu)于其他濾波器[8,12-13]。采用維納濾波器分別對(duì)灰度增強(qiáng)后的圖像進(jìn)行濾波處理，結(jié)果見圖6所示。

3.2 閾值分割

圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過程,它是由圖像處理到圖像分析的關(guān)鍵步驟。閾值分割算法是經(jīng)典的圖像分割算法之一，因其計(jì)算量小，實(shí)現(xiàn)簡單并且分割性能穩(wěn)定在圖像分割領(lǐng)域中得到了廣泛的應(yīng)用[13]。OTSU(最大類間方差)閾值分割算法[14]主要是利用圖像前景和背景的灰度差異來尋找最佳的閾值，前景和背景兩類之間的差別越大，閾值分割效果就越好。類間方差公式為

(5)

式中：p1(k)為灰度級(jí)為[0,1,2,…,k]的像素發(fā)生的概率；mk為灰度級(jí)為[0,1,2,…,k]像素的平均灰度值；mG為全部像素平均灰度值。

圖7 OTSU閾值分割后圖像對(duì)比Fig.7 Image comparison after OTSU threshold segmentation. (a) Image ID after processing (IF); (b) Image IE after processing (IG)

實(shí)驗(yàn)發(fā)現(xiàn)，圖像用灰度拉伸變換增強(qiáng)然后經(jīng)維納濾波處理，循環(huán)多次處理與僅一次處理同一張圖像，發(fā)現(xiàn)二者處理結(jié)果變化很小，用OTSU閾值分割處理后結(jié)果相同。用本文提出的自適應(yīng)灰度增強(qiáng)方法多次處理同一張圖像，每次處理圖像中紗線與背景灰度對(duì)比度都增大，紗線及紗線毛羽顯示更清晰，同時(shí)圖像中噪聲點(diǎn)也增多。增強(qiáng)3次時(shí)，OTSU閾值分割后效果最好，結(jié)果見圖8所示。

圖8 OTSU閾值分割后圖像對(duì)比Fig.8 Image comparison after OTSU threshold segmentation. (a) Image ID after grayscale processing and wiener filter treatment for two times (IH); (b) Image (IE) after grayscale processing and wiener filter treatment for three times (IK)

圖8(b)中紗線主體和毛羽更清晰，毛羽斷裂數(shù)目減少，但是背景的噪聲點(diǎn)增多。通過圖像形態(tài)學(xué)處理連接斷開的毛羽并去除孤立噪聲點(diǎn)。

OTSU閾值分割應(yīng)用于整張圖像時(shí)，會(huì)因?yàn)閳D像中某一部分的背景噪聲影響整張圖片的分割結(jié)果。本文提出線性區(qū)域閾值分割方法避免圖像中區(qū)域噪聲影響整張圖片的分割結(jié)果，同時(shí)以圖像每列為區(qū)域進(jìn)行OTSU閾值分割，減少了毛羽信息損失。

類間方差公式為

(6)

式中：p1(t)為每列灰度級(jí)為[0,1,2,…,t]的像素發(fā)生的概率；mt為每列灰度級(jí)為[0,1,2,…,t]像素的平均灰度值；mG為每列全部像素平均灰度值。

圖9 線性區(qū)域閾值分割與全閾值分割對(duì)比Fig.9 Comparison between linear region threshold segmentation and full threshold segmentation. (a) Threshold segmented image of IL; (b) Linear region threshold segmentation image of IM

圖9(a)、(b)比較發(fā)現(xiàn)圖像IM中毛羽連續(xù)性更好，因此線性區(qū)域閾值分割結(jié)果優(yōu)于對(duì)整幅圖使用OTSU閾值分割。

3.3 紗線主體和毛羽分割

提取紗線毛羽參數(shù)信息需要從紗線圖像中分割出紗線毛羽，本文采用開運(yùn)算形態(tài)學(xué)處理對(duì)紗線圖像進(jìn)行處理，消除紗線圖像中的毛羽得到紗線的主體圖像，如圖10所示。其原理是利用結(jié)構(gòu)元素B對(duì)圖像A進(jìn)行開運(yùn)算，算法表達(dá)式為

A°B=(A-B)⊕B

(7)

式中：A°B表示結(jié)構(gòu)元素B對(duì)圖像A作開運(yùn)算；A?B表示結(jié)構(gòu)元素B對(duì)圖像A進(jìn)行腐蝕處理；A⊕B表示結(jié)構(gòu)元素B對(duì)目標(biāo)圖像A進(jìn)行膨脹處理。

圖10 紗線圖像形態(tài)學(xué)處理Fig.10 Yarn image morphology processing. (a) Image IM after morphological processing; (b) Image IOafter morphological processing; (c) Image IP after thinning image IO

公式表示用結(jié)構(gòu)元素B對(duì)圖像A先進(jìn)行一次腐蝕后進(jìn)行一次膨脹處理。本文所采用的結(jié)構(gòu)元素B為半徑為5的圓形結(jié)構(gòu)。

將紗線主體圖像與紗線圖像相消得到紗線的毛羽圖像，算法表達(dá)式為

f(x)=A(x)-B(x)

(8)

式中：A(x)代表紗線主體；B(x)代表紗線主干；f(x)代表紗線毛羽。

紗線毛羽圖像中包含端毛羽和圈毛羽。為便于統(tǒng)計(jì)毛羽數(shù)量，將毛羽細(xì)化并做標(biāo)記處理，從紗芯向兩側(cè)標(biāo)出刻度線，每根水平線之間的距離為1 mm，如圖10(c)所示。

4 實(shí)驗(yàn)結(jié)果與分析

將通過圖像法得到的毛羽長度和數(shù)量信息與目測法測量的結(jié)果對(duì)比。對(duì)比結(jié)果如表2所示。

表2 圖像法與目測法檢測紗線毛羽長度和數(shù)量的對(duì)比Tab.2 Comparison of image method and visual inspection for detecting length and number of yarn hairiness

從表2可看出，在檢測毛羽長度大于2 mm時(shí)圖像法與目測法的結(jié)果完全符合，毛羽長度在1～2 mm時(shí)誤差很小，毛羽長度在0～1 mm范圍內(nèi)時(shí)檢測結(jié)果誤差較大。其原因是紗線存在圈毛羽和粗節(jié)，使用的圖像處理算法計(jì)算毛羽根數(shù)時(shí)會(huì)對(duì)圈毛羽和粗節(jié)進(jìn)行重復(fù)計(jì)算，導(dǎo)致誤差增大。此外毛羽的彎曲度比較大時(shí)也會(huì)導(dǎo)致重復(fù)計(jì)算。

5 結(jié) 論

開發(fā)可用于單一視角下背光源紗線毛羽圖像動(dòng)態(tài)采集的硬件系統(tǒng)，并提出一種可實(shí)現(xiàn)紗線毛羽圖像數(shù)字化分析的新方法，該方法包括自適應(yīng)灰度增強(qiáng)、線性區(qū)域閾值分割等關(guān)鍵技術(shù)，發(fā)現(xiàn)自適應(yīng)灰度增強(qiáng)算法可用于目標(biāo)和背景的對(duì)比度增強(qiáng)，獲得前景與背景對(duì)比度高的圖像；指出的線性區(qū)域閾值分割避免圖像局部缺陷帶來的影響，得到好的閾值分割圖像。在處理紗線圖像時(shí)本文提出的兩種算法有很好的魯棒性，可提高紗線參數(shù)測量精度。

本文提出的2種算法在處理紗線圖像時(shí)有很好的魯棒性，可提高紗線參數(shù)測量精度。本文設(shè)計(jì)開發(fā)的單一視角下檢測毛羽參數(shù)方法為后續(xù)開發(fā)的紗線毛羽檢測系統(tǒng)提供有效的紗線圖像分析算法支撐。

FZXB