王文帝， 辛斌杰， 鄧 娜， 李佳平， 劉寧娟

(上海工程技術大學 服裝學院， 上海 201620)

近年來隨著紡織業(yè)的技術創(chuàng)新和進步,對紡織品的質量檢測提出了更高的要求。在紗線質量檢測中毛羽是衡量紗線質量好壞的重要指標之一,紗線毛羽對紗線的性能、質量和后序加工過程影響顯著[1]。紗線毛羽具有復雜的外觀特征,伸出紗線主體的外層纖維是構成毛羽的主要部分，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，并對其外觀特征進行測量包括毛羽的數(shù)量、長度和形狀等。

光電法是當前應用最廣且發(fā)展較成熟的方法之一，主要通過投影計數(shù)或全毛羽計算實現(xiàn)紗線毛羽的自動檢測[2]。隨著計算機視覺系統(tǒng)和數(shù)字圖像處理的快速發(fā)展，國內外專家和學者提出很多的數(shù)字化圖像分析方法來檢測紗線毛羽的參數(shù)，從而實現(xiàn)對紗線毛羽的數(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，對所得紗線圖像進行圖像處理，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就會變得模糊，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，結合圖像處理實現(xiàn)紗線毛羽參數(shù)的檢測。然而，紗線纏繞在黑板上會使得紗線毛羽形態(tài)發(fā)生變化，從而使得圖像處理方法檢測得到的結果不夠準確。Fabijańska等[8]用CCD相機采集紗線圖像，運用圖像處理方法計算出紗線毛羽參數(shù)信息。工業(yè)相機具有采集圖像穩(wěn)定，可動態(tài)連續(xù)采集的優(yōu)點，有利于開發(fā)動態(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、掃描儀和相機等來獲得紗線圖像，并進行圖像處理,進而得到紗線參數(shù)信息，但是結果與傳統(tǒng)方法測得的結果還存在一定誤差。

本文研制開發(fā)可用于單一視角背光源紗線毛羽圖像動態(tài)采集的硬件系統(tǒng)，提出可實現(xiàn)紗線毛羽圖像數(shù)字化分析的新方法，該方法包括自適應灰度增強、線性區(qū)域閾值分割等關鍵技術。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果與傳統(tǒng)紗線毛羽檢測的結果進行相關性分析，結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，設計開發(fā)的單一視角下紗線外觀檢測系統(tǒng)具有良好的應用前景。

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、步進電動機、數(shù)字CCD面陣相機和PC計算機。

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，其產生的平行光線不會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相機采集高質量的紗線圖像。步進電動機控制紗線運動或停止，CCD相機同步可獲得紗線動態(tài)或靜態(tài)圖像。

2 紗線圖像采集

本文選用6種紗線來驗證所提出的新方法，每種紗線無規(guī)律移動并采集10張圖片，以避免偶然因素帶來實驗誤差。數(shù)字CCD相機獲得的圖像存儲為空間分辨率為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，為進一步的圖像分析提供數(shù)據。紗線圖像處理分為3個主要步驟。首先是圖像預處理，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 圖像預處理

圖像預處理的主要目的是消除圖像中無關的信息，恢復有用的真實信息，增強有關信息的可檢測性和最大限度地簡化數(shù)據，從而改進特征抽取、圖像分割、匹配和識別的可靠性[9]。在圖像采集系統(tǒng)中，相機鏡頭上不可避免的灰塵以及背光光源的亮度不均等因素，都會導致采集到的圖像背景不均勻。對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[10]，但是圖像查分處理后形成的新背景灰度級與紗線灰度級比較接近，不易進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雙峰出現(xiàn)，因為在灰度統(tǒng)計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)中灰色標出的是灰度級大于9的像素點，可以看出灰色像素點周圍的灰度級與之比較接近。這是紗線統(tǒng)計曲線中沒有出現(xiàn)明顯雙峰的原因，也是直接使用閾值分割法分割圖像導致信息損失嚴重的原因。

紗線與背景灰度對比度增強有利于后續(xù)的圖像處理，本文提出一種自適應灰度增強算法，該方法對紗線圖像處理結果明顯優(yōu)于灰度拉伸變換增強方法。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。首先讓圖像矩陣乘以系數(shù)k，擴大紗線與背景的灰度級，然后圖像矩陣減去求得均值的k倍，相當于對圖像再次去除背景。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灰度變化，式中變量均為標量

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為對圖像f的算子；作用于點(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(x,y)處。式(2)可簡單表達為

(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果如圖4所示。從中可看出自適應灰度增強方法處理后紗線和背景灰度對比度明顯度增強，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比度更大，并且本文提出的灰度增強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對比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。本文對比了中值濾波、均勻濾波、高斯低通濾波和維納濾波等濾波器對紗線圖像去除噪聲的結果，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灰度增強后的圖像進行濾波處理，結果見圖6所示。

3.2 閾值分割

圖像分割就是把圖像分成若干個特定的、具有獨特性質的區(qū)域并提取感興趣目標的技術和過程,它是由圖像處理到圖像分析的關鍵步驟。閾值分割算法是經典的圖像分割算法之一，因其計算量小，實現(xiàn)簡單并且分割性能穩(wěn)定在圖像分割領域中得到了廣泛的應用[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)為灰度級為[0,1,2,…,k]的像素發(fā)生的概率；mk為灰度級為[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閾值分割后圖像對比Fig.7 Image comparison after OTSU threshold segmentation. (a) Image ID after processing (IF); (b) Image IE after processing (IG)

實驗發(fā)現(xiàn)，圖像用灰度拉伸變換增強然后經維納濾波處理，循環(huán)多次處理與僅一次處理同一張圖像，發(fā)現(xiàn)二者處理結果變化很小，用OTSU閾值分割處理后結果相同。用本文提出的自適應灰度增強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比度都增大，紗線及紗線毛羽顯示更清晰，同時圖像中噪聲點也增多。增強3次時，OTSU閾值分割后效果最好，結果見圖8所示。

圖8 OTSU閾值分割后圖像對比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，但是背景的噪聲點增多。通過圖像形態(tài)學處理連接斷開的毛羽并去除孤立噪聲點。

OTSU閾值分割應用于整張圖像時，會因為圖像中某一部分的背景噪聲影響整張圖片的分割結果。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果，同時以圖像每列為區(qū)域進行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)為每列灰度級為[0,1,2,…,t]的像素發(fā)生的概率；mt為每列灰度級為[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)域閾值分割結果優(yōu)于對整幅圖使用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，本文采用開運算形態(tài)學處理對紗線圖像進行處理，消除紗線圖像中的毛羽得到紗線的主體圖像，如圖10所示。其原理是利用結構元素B對圖像A進行開運算，算法表達式為

A°B=(A-B)⊕B

(7)

式中：A°B表示結構元素B對圖像A作開運算；A?B表示結構元素B對圖像A進行腐蝕處理；A⊕B表示結構元素B對目標圖像A進行膨脹處理。

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

公式表示用結構元素B對圖像A先進行一次腐蝕后進行一次膨脹處理。本文所采用的結構元素B為半徑為5的圓形結構。

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)計毛羽數(shù)量，將毛羽細化并做標記處理，從紗芯向兩側標出刻度線，每根水平線之間的距離為1 mm，如圖10(c)所示。

4 實驗結果與分析

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果對比。對比結果如表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時圖像法與目測法的結果完全符合，毛羽長度在1～2 mm時誤差很小，毛羽長度在0～1 mm范圍內時檢測結果誤差較大。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算毛羽根數(shù)時會對圈毛羽和粗節(jié)進行重復計算，導致誤差增大。此外毛羽的彎曲度比較大時也會導致重復計算。

5 結 論

開發(fā)可用于單一視角下背光源紗線毛羽圖像動態(tài)采集的硬件系統(tǒng)，并提出一種可實現(xiàn)紗線毛羽圖像數(shù)字化分析的新方法，該方法包括自適應灰度增強、線性區(qū)域閾值分割等關鍵技術，發(fā)現(xiàn)自適應灰度增強算法可用于目標和背景的對比度增強，獲得前景與背景對比度高的圖像；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有很好的魯棒性，可提高紗線參數(shù)測量精度。本文設計開發(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