董康樂，陳 姍，安少元，高 鑫

（1．西安工程大學，西安 710048；2．陜西長嶺紡織機電科技有限公司，陜西 寶雞 721013）

0 引言

織物起毛起球不僅會降低織物使用性能，還會影響織物外觀［1］。對于織物抗起毛起球測試，傳統(tǒng)的標準樣照對比法依賴人工操作，由于個體差異，有很大的主觀性，不能對織物起毛起球做出客觀、準確、定量的分析［2］。因此，采用先進的計算機技術(shù)和圖像處理技術(shù)實現(xiàn)織物起毛起球等級的自動評定對紡織品檢驗具有深遠意義。織物起毛起球等級評定中，織物起毛起球信息的分割及特征提取是等級評定指標的依據(jù)，而對光照不均勻、噪聲干擾以及織物背景紋理的有效濾除是織物起毛起球信息提取和分級的關(guān)鍵。

首先，對采集到的起毛起球圖像進行光照均勻化、直方圖均衡化和邊緣算子等聯(lián)合操作，以增強毛球特征；其次，通過二值化處理與數(shù)學形態(tài)學相結(jié)合的方法，有效提取起毛起球圖像；最后，以起毛起球面積比作為分級特征值，實現(xiàn)1～5級織物起毛起球等級的準確評定。

1 起毛起球分級算法

織物表面具有規(guī)則交織的明顯紋理特征，而起毛起球會破壞這種特征。經(jīng)過圖像處理后，起毛起球的特征會被凸顯出來，且起毛起球的面積會大于紋理和噪聲的面積。因此，基于這種差異，提出起毛起球的檢測和分級方法。起毛起球分級檢測過程包括圖像采集、圖像預處理、圖像分析和特征值提取，其流程為：初始化相機參數(shù)→啟動相機采集毛球圖像→圖像預處理→圖像二值化→圖像形態(tài)學處理→輪廓提取→計算毛球粒數(shù)和面積比→分級。

1．1 圖像采集

初始化相機參數(shù)，啟動面陣CCD 相機采集圖像，并裁剪出中間完整的起毛起球圖像，見圖1。

圖1 原始圖像

1．2 圖像預處理

實際采集到的起毛起球圖像必然含有大量的背景噪聲，且受到光照不勻等各種因素影響。起毛起球算法的難點不僅在于光照不均勻、噪聲干擾，還在于織物背景紋理對起毛起球分割的影響。

因此，濾除噪聲、消除光照不勻和實現(xiàn)毛球與背景紋理的有效分離，是實現(xiàn)提取分級特征的關(guān)鍵和難點。此外，由于實際采集的圖像比較復雜，必須進行系列圖像預處理，通過圖像均衡化、去噪、邊緣檢測等方法，衰減不需要的干擾信息，突出毛球信息。

1．2．1 光照均勻化處理

由于面陣相機的局限性以及光源的不均勻性，采集到的織物圖像會出現(xiàn)四角暗、中間亮、光照不均勻問題。假設直接對圖1進行直方圖均衡化處理，處理結(jié)果如圖2所示，圖像4個角明顯發(fā)黑，后期進行二值化處理定會把織物背景紋理分割為毛球信息。因此，必須對原始圖像進行圖像光照均勻化處理，以消除光照不均勻?qū)z測的干擾。

圖2 未經(jīng)過光照均勻化處理的直方圖均衡化圖像

采用圖像光照均勻化處理的圖像如圖3所示，通過與圖1對比，可明顯看出整幅圖像灰度值比較均勻。起毛起球分級算法的主要思路如下。

圖3 光照均勻化處理圖像

a） 對原始圖像進行最大（最小）值濾波，初步得到光照圖；

b） 對光照圖進行均值（或高斯）濾波，得到整幅圖像的光亮度分布圖；

c） 用原始圖像減去最終的光照分布圖，得到前景目標，即光照均勻化后圖像。

1．2．2 直方圖均衡化處理

圖像直方圖［3］包含圖像細節(jié)信息，反映圖像像素點的概率分布。由圖3的直方圖分布圖4可知，圖像的灰度分布極不均勻，集中分布在左側(cè)，圖像整體偏暗，清晰度低，難以觀察出毛球信息。

圖4 圖像光照均勻化處理后直方圖分布

因此，對圖3進行直方圖均衡化，拉伸各像素分布使圖像灰度階分布盡量均勻，進而增強圖像細節(jié)信息，突出毛球形態(tài)。圖5為進行直方圖均衡化處理后的圖像，毛球特征被顯著加強，黑色顆粒代表毛球。直方圖均衡化處理后的圖像直方圖分布見圖6。

圖5 直方圖均衡化圖像

圖6 均衡化處理后的圖像直方圖分布

1．2．3 邊緣檢測

為了進一步突出毛球的特征，采用Prewitt邊緣檢測算子［4］抑制噪聲干擾。Prewitt邊緣檢測是在圖像空間利用2個方向模板與圖像進行鄰域卷積來完成，分別對水平與垂直方向的邊緣進行檢測。對于原始圖像f（x，y），Prewitt邊緣檢測輸出圖像G，圖像的Prewitt邊緣檢測可由下式表示：

對于最后輸出的邊緣圖像，可以根據(jù)G＝max（Gx，Gy）或G＝Gx＋Gy得到，凡灰度新值不小于閾值的像素點則認為是邊緣點，即選擇適當?shù)拈撝礣，若G≥T，則對應像素點為邊緣點。

該處理過程是起毛起球分級算法的核心，圖7為Prewitt邊緣算子處理后的圖像。通過詳細對比圖7與圖5，可知該算子能更好地加強毛球特征，抑制背景紋理的干擾。

圖7 毛球特征加強處理

織物的背景紋理為規(guī)則的紋理特征，而起毛起球破壞了織物的規(guī)則性紋理；起球處的纖維團緊蹙，光不易穿過，在采集圖像表面會呈現(xiàn)近似圓形的黑點，灰度值最??；起毛沒有特定的形狀，隨機分布，其灰度值處于正常紋理和毛球之間。

1．3 圖像二值化

為了從背景區(qū)域分離出目標起毛起球信息，選定固定閾值110（該閾值是經(jīng)大量實驗模擬出來的數(shù)值）對邊緣算子處理的圖像進行二值化分割，如圖8所示，其中，面積較大的白色狀為毛球信息。

1．4 獲取起球圖像和毛球特征

經(jīng)二值化處理的圖像仍存在紋理信息和噪聲。為提取更清晰、準確的毛球圖像，首先自行構(gòu)造橢圓結(jié)構(gòu)體元素，對二值化圖像進行腐蝕操作，濾除細小的紋理干擾，見圖9。腐蝕操作后圖像仍有細小白色噪聲干擾，運用漫水填充法［5］，用指定的黑色像素點替換面積小于22像素（實驗模擬參數(shù)值）的干擾白色點，即刪除小于22像素的干擾點，最終得到只有球粒的圖像，見圖10。

圖8 二值化圖像

圖9 腐蝕后的織物圖像

圖10 起球圖像

圖像中目標物體的形狀檢測是圖像識別的重要技術(shù)之一，對目標物體進行檢測并提取特征首先需要提取物體的輪廓信息。

a） 起球粒數(shù)：通過對圖10起球圖像進行輪廓提取，并計算白色輪廓的個數(shù)，即可求取出起球粒數(shù)。因為起球粒數(shù)與白色輪廓個數(shù)相同，即：起球粒數(shù)等于起球圖像中的白色輪廓個數(shù)。

b） 起球面積比：通過求取圖10起球圖像中每個輪廓的面積并相加，獲得起球的總面積，最后用起球總面積除以圖像總面積，就可獲取起球面積比。即：起球面積比＝起球總面積／圖像總面積，其中，圖像總面積＝圖像寬度×圖像高度。

1．5 獲取起毛起球圖像和起毛起球特征

對腐蝕操作后的圖像（圖9）進行膨脹操作后，背景紋理得到較好濾除，使起毛起球信息得到有效增強，如圖11所示。依照同樣的漫水填充法去除膨脹圖像中面積小于28像素的干擾點、噪點和背景紋理，便可得到起毛起球的圖像，如圖12所示。

圖11 膨脹后的織物圖像

圖12 起毛起球圖像

運用與求取毛球特征相同的方法，對圖12起毛起球圖像進行輪廓提取，計算起毛起球粒數(shù)和起毛起球面積比。起毛起球粒數(shù)等于起毛起球圖像中的白色輪廓個數(shù)。起毛起球面積比＝起毛起球總面積／圖像總面積。

2 實驗

為了驗證筆者提出的起毛起球分級算法設計的有效性，選用河北省纖維檢驗局提供的起毛起球織物樣本進行研究。樣本直徑為15cm，等級為1～5級（其中，1級起毛起球最嚴重，5級最不嚴重），每一個等級樣本3幅，共計15幅。

2．1 實驗結(jié)果與分析

實驗采用面陣CCD 相機采集織物樣本圖像，經(jīng)過系列圖像處理算法分別提取出起球圖像和起毛起球圖像，并分別求取4個特征值：起球粒數(shù)、起球面積比、起毛起球粒數(shù)和起毛起球面積比。其中，每個樣本通過上、下、左、右4個方向各測試4次，即每幅樣本測試16次，求取16組數(shù)據(jù)的均值作為分級特征值，經(jīng)過多次實驗測試及數(shù)據(jù)統(tǒng)計得出分級標準界限。

大量測試結(jié)果表明：起球粒數(shù)與起球面積比成正比關(guān)系，起毛起球粒數(shù)與起毛起球面積比成正比關(guān)系，起球粒數(shù)與起毛起球粒數(shù)也成正比關(guān)系。由于起球粒數(shù)和起毛起球粒數(shù)是基于圖像輪廓個數(shù)獲取的，而在圖像處理過程中，會因各參數(shù)的設定導致同1個粒數(shù)被分成2個或3個的可能性，因此分級應以起球面積比和起毛起球面積比為標準。而據(jù)專業(yè)起毛起球分級員說，傳統(tǒng)的分級標準是基于同時觀察起毛起球來分級，因此，最終確定以起毛起球面積比作為最終的分級標準。

本次研究的實驗數(shù)據(jù)即1～5級的起毛起球面積比（為了便于觀察和分析數(shù)據(jù)，每個原始數(shù)據(jù)乘以比例系數(shù)）的折線圖如圖13所示。

圖13 起毛起球分級數(shù)據(jù)折線

由圖13可以看出，除2級和3級存在大量的數(shù)據(jù)交叉外，其余級別都能通過求取大量起毛起球面積比的實驗數(shù)據(jù)均值實現(xiàn)正確分級。隨后，把多次分級結(jié)果與已由專業(yè)人士標注的分級結(jié)果對比，15幅樣本中有13幅與人工分級一致，即正確分級率為86．67%。分析誤分級的2個樣本，是由于其分級特征值恰好處于分級標準界限上，導致分級交叉，把一個2級樣本分為3級，而把一個3級樣本卻分為2級。隨后，通過與河北省纖維檢驗局的專業(yè)起毛起球分級員溝通商議，認為人工分級本身存在人為主觀性，機器自動分級的樣本級別若處于相鄰級交叉在可接受范圍內(nèi)。

2．2 實驗關(guān)鍵點

本研究方法是基于大量算法嘗試和數(shù)據(jù)統(tǒng)計最終得到設計思路，該算法要有效實現(xiàn)1～5級織物起毛起球等級的準確評定，必須考慮如下5點。

a） 如何采集到起毛起球形態(tài)特征清晰的圖像；

b） 如何消除相機和光源因素導致采集的圖像出現(xiàn)四角暗、中間亮，光照不均勻的問題；

c） 如何采用合理的預處理方法增強起毛起球信息；

d） 如何選取合適的分割閾值、形態(tài)學等參數(shù)，實現(xiàn)最大的正確分級率；

e） 考慮算法實時性以滿足實際應用。

2．3 實驗結(jié)論

通過大量實驗，提出起毛起球分級方法對于提取織物起毛、起球、起毛起球圖像的結(jié)論。

a） 起球圖像可以單獨提取。起球在織物表面是疙瘩狀，類似小結(jié)，光不易穿透，在圖像上呈現(xiàn)發(fā)黑特征且起球接近球狀。因此，在二值化閾值分割和形態(tài)學處理后通過限定白色輪廓的面積大小和圓度就可以單獨提取出起球圖像。

b） 起毛圖像無法單獨提取。這是由于起毛特征不明顯，呈現(xiàn)疏松、模糊狀態(tài)，而且毛和球是粘合在一起的。

c） 起毛和起球圖像混合提取。因為毛和球粘合在一起，只能將起毛起球一起評定，而專業(yè)的起毛起球分級員也是以起毛起球整體作為分級的標準。

3 結(jié)語

筆者利用面陣CCD 相機采集織物起毛起球圖像，以VS2010，OpenCV2．4．11和Matlab 8．3．0作為分析工具實現(xiàn)織物起毛起球的特征提取。采用光照不均勻處理、圖像均衡化和邊緣檢測等方法有效濾除包括織物紋理、光照不勻和織物不平等織物噪聲，增強織物起毛起球信息；運用閾值分割和形態(tài)學濾波對起毛起球圖像信息進行準確、有效提取，計算起毛起球面積比，實現(xiàn)1～5級織物起毛起球等級的準確評定。將大量實驗數(shù)據(jù)結(jié)果與專業(yè)起毛起球分級員的標注結(jié)果進行對比，可知筆者提出的織物起毛起球圖像分級方法能準確地提取織物起毛起毛球信息，實現(xiàn)織物起毛起球等級的準確評定。