任維佳, 杜玉紅, 左恒力, 袁汝旺
(1. 天津工業(yè)大學(xué) 機(jī)械工程學(xué)院, 天津 300387; 2. 天津工業(yè)大學(xué) 天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室, 天津 300387)
棉花中的異性纖維是影響棉花質(zhì)量及棉紡織品質(zhì)量的主要因素之一[1],世界棉花貿(mào)易組織稱其為纖維性外來雜質(zhì),常見的有人類頭發(fā)、動(dòng)物毛發(fā)、絲線、布?jí)K、丙綸絲、黃麻纖維、塑料繩、樹皮、野草、羽毛等[2]。異性纖維來源廣泛且種類繁多,若不及時(shí)剔除,則會(huì)造成紗線斷裂或出現(xiàn)疵點(diǎn)的現(xiàn)象,降低紗線和紡織質(zhì)量,影響企業(yè)效益[3]。如何高效、準(zhǔn)確地檢測剔除棉花中異性纖維已經(jīng)成為當(dāng)今紡織行業(yè)的重要研究課題。
目前,國內(nèi)外主要采用圖像處理的方法[4-6]實(shí)現(xiàn)棉花中異性纖維的檢測和剔除,將CCD相機(jī)采集到的圖像進(jìn)行圖像增強(qiáng)、邊緣檢測、圖像分割等算法處理[7],找出異性纖維與棉纖維的差異,實(shí)現(xiàn)棉花中異性纖維的識(shí)別和剔除。本文主要針對(duì)國內(nèi)外異性纖維圖像處理算法中的邊緣檢測和圖像分割進(jìn)行總結(jié),分析各邊緣檢測算子的優(yōu)缺點(diǎn),研究不同分割方法的分割效果,為棉花中異性纖維的在線檢測及其系統(tǒng)提供技術(shù)理論基礎(chǔ)。
異性纖維檢測技術(shù)主要由圖像采集系統(tǒng)、圖像處理系統(tǒng)、控制單元以及異性纖維剔除系統(tǒng)組成。其檢測原理是在棉花通道上配備工業(yè)級(jí)圖像采集系統(tǒng),利用CCD相機(jī)對(duì)輸送設(shè)備上移動(dòng)的棉花進(jìn)行掃描,將采集到的圖片信息送到計(jì)算機(jī),反饋棉花中是否存在異性纖維及其位置等信息,利用工控機(jī)驅(qū)動(dòng)對(duì)應(yīng)位置電磁閥,控制噴嘴開通,實(shí)現(xiàn)棉花異性纖維的剔除。異性纖維圖像處理檢測方法示意圖如圖1所示。
圖1 異性纖維檢測方法示意圖Fig.1 Diagram of foreign fiber detection method
由圖1可知,在異性纖維圖像處理過程中,欲取得優(yōu)質(zhì)的圖像,除提升硬件設(shè)備性能以外,選擇合適的圖像色彩修正和圖像處理方法至關(guān)重要。適合的圖像彩色修正方法可極大限度地提高圖像質(zhì)量,而針對(duì)不同異性纖維的物理特性選擇恰當(dāng)?shù)膱D像處理算法并進(jìn)行優(yōu)化,有利于提高異性纖維的檢出率。算法是否恰當(dāng)直接影響異性纖維檢測結(jié)果的準(zhǔn)確性與可靠性[8]。
圖像的邊緣是圖像的基本特征,圖像中具有不同灰度等級(jí)的2個(gè)區(qū)域邊界分割位,其目的是標(biāo)識(shí)圖像中亮度差異性較大的像素點(diǎn)。異性纖維邊緣檢測是實(shí)現(xiàn)異性纖維圖像分割、特征提取和圖像分析的前提,是圖像處理算法的重要組成部分。圖像的邊緣位于區(qū)域?qū)傩园l(fā)生突變的地方,在圖像中具有最大的不確定性,也是圖像信息最集中處,所以總結(jié)異性纖維圖像邊緣檢測的相關(guān)研究非常重要。
圖像邊緣檢測方法有一階微分算子Roberts、Prewitt、Sobel、Canny、Kirsch等和二階微分算子Laplacian、LOG等,利用導(dǎo)數(shù)極值點(diǎn)或零點(diǎn)進(jìn)行目標(biāo)圖像的邊緣檢測[9-10]。
Roberts算子是一種利用局部差分算子尋找異性纖維邊緣的算法,Roberts算子為2×2算子模板。王飛等[11]為快速識(shí)別帶有異性纖維原棉圖像的邊緣,利用Roberts算子直接通過局部差分法尋找圖像邊緣,較好地實(shí)現(xiàn)了對(duì)水平和垂直方向邊緣的檢測,但由于缺少對(duì)圖像的平滑處理,Roberts算子對(duì)噪聲敏感,因此,其適合噪聲少且邊緣明顯的圖像檢測。Roberts算子是一種一階微分算子,提出較早且算子較為簡單,該算子對(duì)目標(biāo)與背景差異性大,且噪聲較少的圖像處理效果較好,但邊緣定位效果不理想。異性纖維大都比較細(xì)小,對(duì)圖像細(xì)節(jié)要求比較高,Roberts算子大都用于檢測噪點(diǎn)少,與棉花有鮮明對(duì)比的異性纖維。
Prewitt算子是將2×2模板擴(kuò)大到3×3模板計(jì)算圖像的差分算子,將方向差分運(yùn)算與局部平均相結(jié)合,取最大值作為像素點(diǎn)的輸出值,去掉圖像的部分偽邊緣,對(duì)噪聲有抑制效果。
Lu等[12]通過Prewitt算子進(jìn)行邊緣檢測獲得纖維的形狀特征,驗(yàn)證了數(shù)字分析方法對(duì)滌/棉混紡纖維測量的可行性,但需進(jìn)行一系列灰度反演、中值濾波去噪和二值化,運(yùn)算量較大。王冬等[13]利用Prewitt算子邊緣檢測法進(jìn)行邊緣檢測,對(duì)12種典型白色異性纖維樣本的正確識(shí)別率達(dá)到93.7%,為異性纖維分揀機(jī)的設(shè)計(jì)提供了新途徑。Chen等[14]基于Prewitt算子提出了一種空間域圖像和S信道增強(qiáng)的疊加圖像檢測算法,利用2種增強(qiáng)方法優(yōu)勢(shì)互補(bǔ)的特點(diǎn),有效地分離目標(biāo)和背景,實(shí)現(xiàn)棉花的相關(guān)檢測。Prewitt算子的邊緣檢測結(jié)果在水平和垂直方向較明顯,適用于噪聲較多、灰度漸變的異性纖維圖像。由于檢測邊緣較粗,Prewitt算子適合于檢測異性纖維與棉花背景有較大差異的圖像。
Sobel邊緣檢測算子是離散微分算子,通過計(jì)算出某2個(gè)方梯度值Gx和Gy,梯度越大越有可能是邊緣。另外,Sobel算子在Prewitt算子基礎(chǔ)上加以改進(jìn),有較好的平滑效果。Chen等[15]為去除棉紗異物纖維圖像中的條紋,采用方向圖和Sobel算子計(jì)算粗糙集的粗糙度,對(duì)異性纖維圖像進(jìn)行去噪,取得了較好的去噪效果。Wang等[16]基于Sobel算子提出用于檢測棉絨中異性纖維的快速圖像分割算法,對(duì)110幅含有偽異物的圖像進(jìn)行測試,其算法平均速度為每幅圖像0.67 s。夏彬等[17]使用Sobel算子進(jìn)行圖像平滑處理時(shí),雖然在一定程度上可去除噪聲,但產(chǎn)生的邊緣較粗。Sobel算子對(duì)灰度漸變和噪聲較多的圖像處理效果較好,但對(duì)邊緣定位不是很準(zhǔn)確,因此,在改進(jìn)邊緣定位的情況下,Sobel算子常用于異性纖維檢測。
類似于Sobel算子,Kirsch算子也是利用圖像中某點(diǎn)的梯度幅值作為像素的灰度值。Kirsch算子由8個(gè)卷積模板組成,方向依次以步長為45°為間隔(從 0°~315°),其中0°對(duì)應(yīng)的是垂直邊緣,如圖2所示。數(shù)字0~7代表8個(gè)卷積模板。對(duì)每個(gè)像素點(diǎn)都用8個(gè)模板進(jìn)行卷積,每個(gè)卷積值取絕對(duì)值,再利用max{temp0,temp1,temp2,temp3,temp4,temp5,temp6,temp7}求出最大卷積值,并以該值作為點(diǎn)的灰度值。Kirsch算子需要從8個(gè)方向進(jìn)行卷積運(yùn)算,并進(jìn)行最值比較,運(yùn)算量比較大。
圖2 Kirsch算子卷積模板方向Fig.2 Kirsch operator convolution template direction
王小東等[10]利用現(xiàn)場可編程邏輯門陣列(FPGA) 器件的并行處理能力,優(yōu)化Kirsch算子的運(yùn)算過程,并采用分步比較的方式節(jié)省了運(yùn)算量,提高了運(yùn)算速度。Huang等[18]針對(duì)圖像噪聲、邊緣不清晰等問題,提出了一種基于灰度關(guān)聯(lián)度和Kirsch算子的邊緣檢測算法,更準(zhǔn)確地檢測出邊緣信息,并具有一定的抗噪性。Kirsch算子使用8個(gè)核進(jìn)行卷積運(yùn)算,使輸出最大的卷積核序號(hào)即是邊緣方向的編碼,該算子可適用于噪聲多、邊緣連續(xù)性較好的異性纖維圖像檢測。
Canny邊緣檢測算子是John F. Canny于1986年開發(fā)出來的多級(jí)邊緣檢測算法,是邊緣檢測的一種標(biāo)準(zhǔn)算法,目標(biāo)是找到最優(yōu)的圖像邊緣。
Chen等[19]為有效地將棉花中的異性纖維檢測出來,開發(fā)了一種改進(jìn)的Canny檢測器來分割原棉中的絲狀異物纖維,可檢測出棉花中丙綸絲等白色透明異性纖維。向軍等[20]為提取出高精度的印花圖案邊緣信息,利用Canny算子檢測圖案邊緣,并比較了其他邊緣檢測算子分割印花織物圖案的效果發(fā)現(xiàn),Canny算子分割效果最好。Canny算子不易受噪聲干擾,能夠檢測到真正的弱邊緣。該算子有利于檢測細(xì)小的異性纖維,較廣泛用于異性纖維檢測。
Laplacian算子是一種二階微分算子,其物理意義可理解為梯度的散度,該算子隨坐標(biāo)軸的旋轉(zhuǎn)其梯度結(jié)果保持不變,根據(jù)產(chǎn)生的陡峭交叉點(diǎn)來識(shí)別目標(biāo)圖像邊緣。
王欣[21]使用Laplacian算子進(jìn)行邊緣增強(qiáng),有助于減少一些線狀的偽異性纖維(草葉等)分割后產(chǎn)生斷裂的現(xiàn)象,提出Laplacian邊緣銳化和改進(jìn)中值濾波結(jié)合的圖像增強(qiáng)算法。陳銘明[22]研究了基于一階差分與二階差分的Sobel算子與Laplacian算子對(duì)棉花異性纖維提取的效果發(fā)現(xiàn),Laplacian算子并未擴(kuò)大棉花與背景之間的邊緣,且異性纖維更為突出。Zheng等[23]設(shè)計(jì)了一種基于拉普拉斯特征映射算法的迭代缺陷檢測方法,其以碳纖維增強(qiáng)塑料(CFRP)為研究對(duì)象進(jìn)行迭代分割,實(shí)現(xiàn)了圖像無損傷自動(dòng)識(shí)別。當(dāng)關(guān)注邊緣點(diǎn)的位置而忽略其周圍實(shí)際灰度差時(shí),一般選用Laplacian算子提取圖像的邊緣。
Laplacian算子對(duì)圖像進(jìn)行操作實(shí)現(xiàn)邊緣檢測時(shí),對(duì)離散點(diǎn)和噪聲比較敏感。LOG算子的原理是對(duì)圖像進(jìn)行高斯卷積濾波降噪處理,再采用Laplacian算子進(jìn)行邊緣檢測,提高算子對(duì)噪聲和離散點(diǎn)的魯棒性,典型的為5×5模板。
王飛等[11]針對(duì)高效識(shí)別原棉圖像與含雜分析的問題,利用LOG算子進(jìn)行適用性分析,記錄檢測效果、檢測耗時(shí)、檢測概率3個(gè)方面的變化發(fā)現(xiàn),當(dāng)圖像分辨率達(dá)到1 642像素× 1 800像素時(shí)耗時(shí)增幅達(dá)到1 s左右。李曉慧等[24]采用LOG算子對(duì)棉纖維圖像進(jìn)行分割,得到差值的標(biāo)準(zhǔn)差為1.173 787, 差值的整體離散性小,驗(yàn)證了LOG算子在棉纖維圖像分割中的有效性。馬永杰等[25]利用改進(jìn)的LOG算子提取檢測目標(biāo)的輪廓邊緣和前景目標(biāo)邊緣,有效地消除了圖像陰影,提高了算法的魯棒性。LOG算子綜合考慮了邊緣的檢測以及噪聲的抑制,對(duì)包含陰影部分的異性纖維圖像處理效果較好。
邊緣檢測后的圖像為二值圖像,需對(duì)二值圖像運(yùn)用形態(tài)學(xué)操作來分割目標(biāo),所以可將邊緣檢測看作是圖像分割的一個(gè)前提,但圖像分割不一定非要用邊緣檢測。本文對(duì)所列各邊緣檢測方法的優(yōu)缺點(diǎn)進(jìn)行歸納總結(jié)如表1所示。
表1 各邊緣檢測算子的優(yōu)缺點(diǎn)Tab.1 Advantages and disadvantages of edge detectionalgorithms
異性纖維圖像分割是根據(jù)異性纖維圖像的灰度、顏色、紋理和形狀等特征,將圖像劃分為若干特定的差異性區(qū)域,要求同一區(qū)域內(nèi)特征的相似性較高,不同區(qū)域間的差異性明顯[26]。每種圖像特征的提取方法都有多種,例如提取形狀特征的一系列邊緣檢測方法和提取顏色特征的直方圖法等。常見的有基于閾值、基于邊緣和基于區(qū)域的分割方法。
閾值法是基于異性纖維圖像的灰度特征來計(jì)算閾值,根據(jù)圖像中像素灰度值與域值的差值大小將目標(biāo)像素分到相應(yīng)的類別中。選擇合適的準(zhǔn)則函數(shù)求解最佳灰度閾值是基于閾值分割檢測方法的關(guān)鍵步驟。閾值的選取通常有經(jīng)驗(yàn)閾值和自適應(yīng)閾值。在實(shí)際應(yīng)用中,經(jīng)驗(yàn)閾值較為常用;自適應(yīng)閾值在自動(dòng)化過程中常用,自適應(yīng)算法需要選擇自適應(yīng)閾值。
3.1.1 基于Otsu閾值分割的檢測方法
Otsu方法是一種常用的全局自適應(yīng)閾值處理方法,針對(duì)灰度圖像進(jìn)行運(yùn)算,首先為圖像選擇1個(gè)初始閾值將圖像中灰度等級(jí)分為2類,計(jì)算2類灰度值的類間方差,通過不斷調(diào)整分割閾值使其類間方差達(dá)到最大,此時(shí)得到最佳全局分割閾值。
若直接使用Otsu方法,在棉花背景雜亂和光照不均的情況下,分割效果會(huì)受到影響。Zhang等[27]基于新型貝葉斯加權(quán)K-Means方法,在光亮度降低或棉花顏色變化的情況下依然能夠準(zhǔn)確識(shí)別棉花中的異性纖維。Peker等[28]采用混合高斯模型和基于像素概率分布的閾值轉(zhuǎn)換模擬棉花顏色的分布,避免了棉層厚度和棉花顏色對(duì)異性纖維檢測的影響。Guo等[29]對(duì)采集的彩色圖像進(jìn)行三通道分解,通過伽馬平差函數(shù)對(duì)圖像的非均勻光照進(jìn)行校正,再采用Otsu方法對(duì)三通道圖像做分割處理,并進(jìn)行信息融合實(shí)現(xiàn)棉花中異性纖維的檢測,但需要預(yù)先解決由于電壓波動(dòng)而造成的棉花照明強(qiáng)度不穩(wěn)定問題。Wang等[30]分解出G通道圖像將其分割成小塊,分析直方圖信息得到包含異性纖維的塊,使用Otsu方法對(duì)每塊進(jìn)行分割,利用形態(tài)學(xué)運(yùn)算消除小噪聲并連接斷開的部分,發(fā)現(xiàn)無論是塊狀異性纖維還是細(xì)長狀異性纖維,都能被清晰地分割出來。Fang等[31]首先利用貝葉斯分類器檢測潛在目標(biāo),然后利用Otsu方法識(shí)別區(qū)域,區(qū)域增強(qiáng)后選取得分最高的區(qū)域?qū)崿F(xiàn)對(duì)棉花中透明薄膜的檢測。
在Otsu的基礎(chǔ)上,劉健莊等[32]在1993年提出了二維Otsu算法,其同時(shí)考慮像素的灰度值分布和鄰域像素的平均灰度值分布,得到1個(gè)二維矢量的域值,并根據(jù)二維測度準(zhǔn)則確定最佳域值,提升了算法的抗噪聲能力,但該算法計(jì)算時(shí)間較長,不適合在線檢測要求。圖3示出Otsu與二維Otsu方法分割對(duì)比圖。
圖3 圖像分割效果對(duì)比Fig.3 Image segmentation effect comparison. (a) Original image; (b) Grayscale image; (c) Otsu method image; (d) Two-dimensional Otsu method
王昊鵬等[33]對(duì)白色異性纖維和皮棉灰度直方圖進(jìn)行分析改進(jìn)了二維Otsu算法,在計(jì)算目標(biāo)和背景的概率和時(shí),考慮了二維灰度直方圖副對(duì)角線區(qū)域的概率和,縮小了二維Otsu算法閾值對(duì)的取值范圍,檢測效果與二維Otsu算法幾乎相同,但運(yùn)算時(shí)間大大減少,滿足在線檢測的精確性與實(shí)時(shí)性要求。
3.1.2 其他閾值分割檢測方法
一些其他的閾值分割方法也有較好的檢測效果。Sahdra等[34]通過將RGB圖像轉(zhuǎn)換為YDbDR顏色空間圖像,識(shí)別RGB圖像中的亮度和色相信息,并采用迭代閾值分割方法對(duì)亮度和色相圖像進(jìn)行二值化,實(shí)現(xiàn)圖像亮度和色度信息的融合。Gulati等[35]將棉花中異性纖維的RGB圖像轉(zhuǎn)換成HIS、YDbDR、YCbCR等相應(yīng)的顏色空間形式,根據(jù)圖像的閾值進(jìn)行分析和融合,并給出一個(gè)基于平均值、方差和時(shí)間等參數(shù)的效果。Kaur等[36]通過將RGB圖像轉(zhuǎn)換為YDbDR顏色空間圖像,對(duì)圖像閾值分析后使用主成分分析法進(jìn)行圖像融合,有利于檢測棉花中的白色異性纖維。Kan等[37]提出一種基于背景估計(jì)閾值的圖像分割方法來檢測異性纖維及其數(shù)量,針對(duì)灰度值分布均勻的目標(biāo)圖像,域值法分割效果較好,但對(duì)目標(biāo)與背景相對(duì)復(fù)雜的圖像分割效果不佳,該方法未考慮目標(biāo)的空間信息。王昊鵬等[38]將圖像的像素點(diǎn)按灰度值分類,把所有相鄰類間方差看做一個(gè)粒子種群,基于改進(jìn)的混沌粒子群算法,對(duì)白色異性纖維的識(shí)別準(zhǔn)確率達(dá)到98.6%。師紅宇等[39]通過小波多層分解實(shí)現(xiàn)圖像中不同頻率信息成分的分離,采用最大類間方差法對(duì)多分辨率差分子圖進(jìn)行二值化以分割出異性纖維的信息,最后將分割后的子圖進(jìn)行信息融合,實(shí)現(xiàn)異性纖維的檢測,如圖4所示。
圖4 文獻(xiàn)[39]檢測效果Fig.4 Reference [39] method detection effect. (a) Original image; (b) Approximate difference molecular map; (c) Vertical difference molecular map; (d) Level difference molecular map; (e) Approximate difference molecular map segmentation; (f) Vertical difference molecular map segmentation; (g) Level difference molecular map segmentation; (h) Fusion image
邊緣像素是圖像中灰度突變的一類像素,而邊緣是相連邊緣像素的集合,邊緣兩側(cè)的背景灰度與邊緣差異明顯?;谶吘壧卣鞣指畹臋z測方法首先檢測邊緣像素,再將邊緣像素連接起來構(gòu)成邊界形成分割,從而實(shí)現(xiàn)棉花中異性纖維的檢測。
Agrawal等[40]使用高度改進(jìn)的Chan-vese算法對(duì)棉花圖像進(jìn)行分割,提取棉桿的輪廓特征并確定其位置,實(shí)現(xiàn)了棉花中棉桿的檢測,若初始迭代輪廓定位出現(xiàn)誤差,則最終檢測結(jié)果無法保證。李國輝等[41]通過提取多個(gè)方向的特征向量融合成特征圖進(jìn)行二值分割,再應(yīng)用形態(tài)特征分離目標(biāo)與背景,該方法對(duì)棉花中的白色異性纖維分割效果較好。張馨等[42]通過改進(jìn)數(shù)學(xué)形態(tài)學(xué)的邊緣檢測方法得到灰度梯度圖,選取最佳分割閾值實(shí)現(xiàn)灰度圖的分割,該方法可直接對(duì)高分辨率棉花異性纖維彩色圖像進(jìn)行分割,分割效果較好,且計(jì)算速度提高2倍。由于異性纖維在圖像中的目標(biāo)小,對(duì)細(xì)小異性纖維描述不足,基于邊緣特征分割的檢測方法需要使用高速、高分辨率相機(jī)采集的圖像進(jìn)行邊緣分割處理,對(duì)于顏色和背景相近的異性纖維需結(jié)合特征圖進(jìn)行形態(tài)特征分割。
紋理是一種圖像中同質(zhì)現(xiàn)象的視覺特征,反映的是一個(gè)區(qū)域中像素灰度級(jí)的空間分布屬性,體現(xiàn)了物體表面具有緩慢變化或周期性變化的表面結(jié)構(gòu)組織排列屬性。紋理特征的提取方法分為統(tǒng)計(jì)方法、模型法、信號(hào)處理法和結(jié)構(gòu)方法等。統(tǒng)計(jì)方法中的灰度共生矩陣(GLCM)方法是分析圖像紋理特征的重要方法,其通過獲取角二階矩、相關(guān)性、熵等紋理描述進(jìn)行圖像分析。
Wang等[43]利用灰度共生矩陣對(duì)白色異性纖維的紋理特征進(jìn)行分析,采用熵閾值法對(duì)棉花中的白色異性纖維進(jìn)行分割,同時(shí)對(duì)灰度級(jí)進(jìn)行不等距分段壓縮,在保證檢測精度的同時(shí)縮短了計(jì)算時(shí)間。李麗[44]針對(duì)棉花中異性纖維檢測識(shí)別不準(zhǔn)確的問題,基于圖像分割算法以及灰度共生矩陣等,提出了改進(jìn)的二維Otsu算法和基于灰度共生矩陣的二維Otsu算法,實(shí)現(xiàn)了皮棉中異性纖維的檢測,同時(shí)分別提高了異性纖維識(shí)別技術(shù)的實(shí)時(shí)性和精確度。劉加嶺[45]通過改進(jìn)二維Otsu算法,采用紋理特征圖像并以紋理參數(shù)為閾值,識(shí)別閾值與棉花相近的異性纖維,實(shí)現(xiàn)棉花中異性纖維的檢測。汪峰等[46]通過對(duì)棉亞麻纖維紋理特征進(jìn)行預(yù)處理,提取灰度共生矩陣能量、慣性矩、相關(guān)性、熵等4個(gè)特征向量,利用形態(tài)特征和紋理特征相結(jié)合的方式進(jìn)行識(shí)別,準(zhǔn)確率達(dá)到94.4%,發(fā)現(xiàn)利用形態(tài)特征和紋理特征相結(jié)合的方式比使用單一方法的識(shí)別準(zhǔn)確率高。灰度共生矩陣結(jié)合閾值法可實(shí)現(xiàn)棉花中白色異性纖維的分割,另外灰度共生矩陣的熵可用來有效判別皮棉中是否含有白色異性纖維。
研究表明,分割效果越好或特征差異越明顯,檢出率也越高。為提高圖像分割效果,單一特征的提取由單一向著多算法融合的趨勢(shì)發(fā)展。對(duì)異性纖維圖像分割算子進(jìn)行歸納:基于閾值圖像分割包括全局閾值T=T[p(x,y)],局部閾值T=T[f(x,y),p(x,y)], 動(dòng)態(tài)閾值T=T[x,y,f(x,y),p(x,y)],該方法計(jì)算簡單、效率高且抗噪能力強(qiáng),對(duì)目標(biāo)和背景差異性顯著的異性纖維圖像處理效果較好,但域值選取是首要考慮的問題;基于邊緣特征分割方法是最早的一類分割方法之一,基于邊緣的分割依賴于由邊緣檢測算子找到的圖像邊緣,對(duì)邊緣不連續(xù)的圖像必須采用后續(xù)處理將邊緣合并為邊緣鏈,該方法的重點(diǎn)就是盡可能地獲取邊緣信息;基于紋理特征分割方法是將一幅紋理類別不同的圖像分為幾個(gè)區(qū)域,其中每一區(qū)域具有一致性或相似性,根據(jù)紋理特征的不同可以辨別不同物體目標(biāo)。
隨著異性纖維圖像處理技術(shù)的不斷發(fā)展,棉花中異性纖維的檢出率和檢測精度均有明顯提升。本文對(duì)國內(nèi)外棉花異性纖維邊緣檢測方法與圖像分割方法進(jìn)行分析,研究現(xiàn)狀歸納如下。
1) 大多文獻(xiàn)結(jié)論都是在實(shí)驗(yàn)條件下得出的,采集靜止或低速狀態(tài)下的棉花圖像,進(jìn)行特定地異性纖維圖像檢測。而在實(shí)際生產(chǎn)中棉花異性纖維的分布沒有規(guī)律,且不同批次的棉花顏色存在差別。需要根據(jù)實(shí)踐中具體異性纖維的種類、含量、物理特性等選擇適合的檢測算法和參數(shù)設(shè)置,并搭建合理檢測平臺(tái)以滿足實(shí)際生產(chǎn)需要。
2) 邊緣檢測是數(shù)字圖像處理中的重要內(nèi)容之一,也是實(shí)現(xiàn)圖像分割和特征提取的基礎(chǔ)。Roberts算子是最古老的一種,也是最簡單的一種,因?yàn)樵诓糠止δ苌系南拗?,該算子的使用明顯少于其他幾種算子。Laplacian算子定位精度高,適合用于檢測彩色和細(xì)小的異性纖維,而Roberts算子對(duì)目標(biāo)與背景差異性大且噪聲較少的異性纖維圖像處理效果較好。其中LOG算子是對(duì)Laplacian算子的一種升級(jí),經(jīng)高斯處理降低了噪聲對(duì)算子的影響,對(duì)包含陰影部分的異性纖維圖像處理效果較好。Prewitt算子、Sobel算子都具有較好的平滑效果,對(duì)白色、近棉色和透明薄膜類異性纖維的檢測效果較好。Canny算子不易受噪聲干擾,能夠檢測到真正的弱邊緣,對(duì)檢測白色且邊緣模糊的異性纖維效果較好。Kirsch算子雖然抑制噪聲效果良好,但得到的異性纖維檢測邊緣較粗,在棉花與異性纖維有明顯差異的情況下常用該算法。
3) 圖像分割是圖像分析的重要組成部分?;陂撝档姆指罘椒ㄓ?jì)算簡單、效率高,不考慮空間特征,對(duì)噪聲比較敏感,其中Otsu閾值分割方法在棉花異性纖維圖像處理上得到了廣泛的應(yīng)用,對(duì)彩色異性纖維分割效果較好,另外對(duì)隱藏的異性纖維的邊緣也有較好的分割效果。基于邊緣檢測的分割方法是最早一類分割方法之一,該方法需要盡可能地獲取圖像的邊緣信息,對(duì)邊緣不連續(xù)的圖像需采取邊緣合并等處理,對(duì)邊緣明顯且連續(xù)的異性纖維圖像分割效果較好。與異性纖維的形態(tài)特征不同,紋理特征反映的是一個(gè)區(qū)域中像素灰度級(jí)的空間分布,基于紋理特征分割是根據(jù)紋理特征的不同,辨別不同物體目標(biāo),對(duì)白色異性纖維有較好的分割效果,且形態(tài)特征和紋理特征相結(jié)合的方法可提高異性纖維識(shí)別的準(zhǔn)確率。
4) 為提高棉花中異性纖維的檢出率,文獻(xiàn)中多采用邊緣檢測算子和分割算子相結(jié)合的方法,改進(jìn)單一算子的缺陷,從圖像細(xì)節(jié)信息、邊緣與背景的模糊程度、邊緣定位、多參數(shù)、高精度等方面提高異性纖維檢測效果。
棉花異性纖維檢測中將來可開展的研究工作有:1)提高檢測算法的普適性,無論是單一邊緣檢測算法還是單一分割檢測算法,均存在不足,尚未出現(xiàn)可檢測出棉花中全部異性纖維的檢測算法,開發(fā)普適性好的算法以降低成本和減少計(jì)算量,可從依據(jù)邊緣檢測算法進(jìn)行多特征共同提取,滿足不同異性纖維分割入手;2)提高檢測精度,以圖像邊緣檢測算法和圖像分割算法為研究手段,從圖像邊緣定位、圖像細(xì)節(jié)、背景信息以及抗噪能力等方面研究圖像處理效果,同時(shí)要在保證精度的前提下提升檢測速度;3)提高圖像采集質(zhì)量,高質(zhì)量圖像是獲得良好異性纖維分割效果的前提,在滿足計(jì)算量的要求下,應(yīng)使用高速、高分辨率相機(jī)采集異性纖維圖像;4)優(yōu)化檢測方法,深度學(xué)習(xí)網(wǎng)絡(luò)模型和框架不斷迭代更新,可通過大量異性纖維圖像信息對(duì)檢測模型進(jìn)行大量訓(xùn)練和參數(shù)調(diào)優(yōu),以保證異性纖維檢測精度。