王延蒙，孟凡文，張文國(guó)

(1.濟(jì)寧職業(yè)技術(shù)學(xué)院 機(jī)電工程系，山東 濟(jì)寧 272000； 2.濟(jì)寧市機(jī)械系統(tǒng)智能化研究所，山東 濟(jì)寧 272000)

紗線條干均勻性是衡量紗線質(zhì)量和織物結(jié)構(gòu)的重要參數(shù)[1]。紗線毛羽具有復(fù)雜的外觀特征,直接影響紗線條干均勻性的檢測(cè)[2-3]。目前，基于圖像法的紗線直徑檢測(cè)得到廣泛應(yīng)用，部分學(xué)者對(duì)紗線直徑圖像處理進(jìn)行了基礎(chǔ)性論述，由于紗線毛羽分布極不規(guī)則，傳統(tǒng)濾波與閾值分割方法難以達(dá)到最佳分割效果[4-6]。因此,有學(xué)者針對(duì)傳統(tǒng)方法進(jìn)行了改進(jìn)優(yōu)化，以期獲得更高的精度。M.ELDESSOUKI等[7]利用高速攝像機(jī)對(duì)紗線圖像進(jìn)行采集，并提出了一種新的魯棒方法，在合理的時(shí)間內(nèi)分析大量的紗線圖像，實(shí)現(xiàn)了紗線直徑的連續(xù)測(cè)量。V.CARVALHO等[8]開(kāi)發(fā)一套完整的紗線自動(dòng)表征系統(tǒng)，利用相干光學(xué)技術(shù)進(jìn)行毛羽分析，通過(guò)傅里葉空間濾波器進(jìn)行紗線圖像處理，該系統(tǒng)操作復(fù)雜，計(jì)算量大。D.YUVARAJ等[9]利用靜電解決毛羽對(duì)紗線直徑的影響，但是紗線條干邊緣毛羽的靜電作用對(duì)測(cè)量直徑影響較大。WANG R W等[10]基于圖像融合原理，獲取紗線條干圖像邊緣，但是該方法需要在顯微鏡下獲得聚焦的紗線毛羽圖像，檢測(cè)效率低。A.FABIJANSKA等[11]對(duì)紗線數(shù)字圖像采取圖割法提取紗線核心，基于高通濾波進(jìn)行紗線分割和纖維提取，并驗(yàn)證了該方法的普適性。李東潔等[12]改進(jìn)雙邊濾波方法獲取紗線條干邊緣，從濾波圖像觀察該方法仍然不能完全去除紗線毛羽。景軍鋒等[13]應(yīng)用顯著性方法檢測(cè)紗線條干均勻度，其測(cè)量結(jié)果與烏斯特紗疵儀的測(cè)量結(jié)果有較好的一致性。

為了解決紗線條干檢測(cè)中毛羽干擾、邊緣不清晰等問(wèn)題，作者提出一種基于改進(jìn)形態(tài)學(xué)的紗線條干邊緣檢測(cè)方法。該方法首先使用圖像采集裝置獲取紗線圖像，在不破壞紗線條干輪廓及邊緣的前提下，利用全變分方法對(duì)紗線條干去噪，并進(jìn)一步改進(jìn)形態(tài)學(xué)濾波方法去除紗線毛羽獲取紗線條干。

1 實(shí)驗(yàn)

1.1 紗線的制備

選取棉、麻、滌綸3種紗線原料，在線密度上選取多種規(guī)格，紡紗方式選擇環(huán)錠紡和緊密紡。將紡紗所得紗線試樣進(jìn)行編號(hào)，不同品類的紗線共計(jì)15種，試樣相關(guān)參數(shù)見(jiàn)表1。

表1 紗線試樣的相關(guān)參數(shù)Tab.1 Relevant parameters of yarn samples

1.2 紗線圖像采集

紗線圖像采集系統(tǒng)由支撐架、傳動(dòng)輥、工業(yè)相機(jī)、LED光源、背景黑板和計(jì)算機(jī)組成。紗線通過(guò)支撐架、傳動(dòng)輥勻速運(yùn)動(dòng)，并保持一定的張力，其示意圖如圖1所示。工業(yè)相機(jī)采用Basler acA2500-14gc面陣相機(jī)，該面陣相機(jī)每秒14幀圖像，500萬(wàn)像素分辨率，具體參數(shù)見(jiàn)表2。

圖1 紗線圖像采集示意Fig.1 Schematic diagram of yarn image acquisition1—傳動(dòng)輥1；2—工業(yè)相機(jī)；3—背景黑板；4—傳動(dòng)輥2

表2 面陣相機(jī)參數(shù)Tab.2 Area array camera parameters

2 紗線圖像直徑測(cè)量原理

面陣相機(jī)采集的紗線原始圖像見(jiàn)圖2。

圖2 紗線原始圖像Fig.2 Original yarn image

邊緣檢測(cè)算子的基本原理是計(jì)算二值化圖像的梯度幅值和梯度方向得到邊緣像素。常用的邊緣檢測(cè)算子有Laplacian算子、Roberts算子、Sobel算子和Canny算子等[14]。對(duì)紗線輪廓采用上述4種邊緣算子進(jìn)行檢測(cè)，效果如圖3所示，可以看出傳統(tǒng)邊緣檢測(cè)算子對(duì)紗線提取輪廓存在邊緣不清晰、毛羽難以去除等問(wèn)題。毛羽是客觀存在的物體，不屬于噪聲，因此首先采用圖像分割方法去除毛羽，繼而去除噪聲對(duì)紗線條干的影響，得到紗線條干主體部分的清晰圖像。從圖像第一列從上至下檢測(cè)紗線條干像素?cái)?shù)，同理統(tǒng)計(jì)其余各列的像素?cái)?shù)，可得到紗線直徑測(cè)量值。

圖3 不同算子紗線條干邊緣檢測(cè)效果Fig.3 Effect of different operators on yarn edge detection

3 圖像邊緣區(qū)域的去噪

紗線條干圖像的邊緣及噪聲主要在高頻區(qū)域。對(duì)于經(jīng)改進(jìn)形態(tài)學(xué)得到的紗線條干圖像，為精確實(shí)現(xiàn)像素級(jí)的定位，需進(jìn)一步對(duì)紗線條干邊緣進(jìn)行降噪處理[15]。全變分方法具有良好的邊界保留效果，采用全變分模型對(duì)紗線條干邊緣去噪，紗線條干邊緣去噪的基本原理是紗線條干圖像的能量函數(shù)最小化。

紗線條干邊緣圖像可表示為式(1)：

I0=I+n

(1)

式中：I0為觀察圖像；I為紗線理想圖像；n為隨機(jī)噪聲。

基于全變分圖像降噪可以表示為式(2)：

(2)

式中：TV為紗線圖像的全變分；Ω為圖像定義空間；Ix為紗線圖像在x方向的梯度；Iy為紗線圖像在y方向的梯度。

約束條件如式(3)、(4)所示：

(3)

(4)

式中：|Ω|表示圖像空間的面積；σ為隨機(jī)噪聲。

將式(2)利用拉格朗日乘子法定義成一個(gè)新的能量泛函，如式(5)所示：

(5)

該方程(5)最小值解法可以參考文獻(xiàn)[16]。經(jīng)全變分去噪后的紗線圖像和去噪前的原始圖像對(duì)比如圖4所示，紗線圖像噪聲、細(xì)小毛羽等能夠有效去除。

圖4 全變分去噪前后紗線圖像對(duì)比Fig.4 Comparison of yarn images before and after total variation denoising

4 基于形態(tài)學(xué)邊緣檢測(cè)

4.1 形態(tài)學(xué)基本算子

數(shù)學(xué)形態(tài)學(xué)應(yīng)用到紗線條干邊緣檢測(cè)的原理是利用不同結(jié)構(gòu)元素對(duì)紗線表征像素集合進(jìn)行相關(guān)卷積運(yùn)算，從而去除毛羽的干擾，達(dá)到對(duì)紗線條干邊緣像素精確定位的目的[17]。其基本運(yùn)算有膨脹、腐蝕兩種形式。

設(shè)f(x,y)為紗線二值圖像函數(shù)，s(i,j)為結(jié)構(gòu)元素，則f(x,y)被s(i,j)腐蝕、膨脹可分別用式(6)、(7)表示：

f(x,y)Θs(i,j)=min{f(x-i,y-j)-s(i,j)}

(6)

f(x,y)⊕s(i,j)=max{f(x-i,y-j)+s(i,j)}

(7)

式中：Θ表示腐蝕運(yùn)算；⊕表示膨脹運(yùn)算。

由式(6)可知：腐蝕運(yùn)算可以縮小紗線條干邊緣目標(biāo)區(qū)域像素，對(duì)于細(xì)小毛羽及其他無(wú)關(guān)像素單元可以濾出。由式(7)可知：膨脹運(yùn)算可以放大紗線條干邊緣目標(biāo)區(qū)域像素，可以填補(bǔ)圖像中的空白點(diǎn)，得到連續(xù)完整的紗線條干圖像。

開(kāi)運(yùn)算和閉運(yùn)算是基于膨脹、腐蝕運(yùn)算的兩種濾波器，其運(yùn)算方式可用式(8)、(9)表示:

f(x,y)○s(i,j)={f(x,y)Θs(i,j)}⊕s(i,j)

(8)

f(x,y)□s(i,j)={f(x,y)⊕s(i,j)}Θs(i,j)

(9)

式中：○表示開(kāi)運(yùn)算；□表示閉運(yùn)算。

紗線條干邊緣形狀復(fù)雜多變，使用單一的結(jié)構(gòu)元素及簡(jiǎn)單的形態(tài)學(xué)開(kāi)運(yùn)算、閉運(yùn)算難以準(zhǔn)確得到紗線條干邊緣圖像[18-19]。紗線圖像采用邊長(zhǎng)為5個(gè)像素的結(jié)構(gòu)元素進(jìn)行腐蝕、膨脹、開(kāi)運(yùn)算和閉運(yùn)算，見(jiàn)圖5。

圖5 基于基本形態(tài)學(xué)紗線條干邊緣檢測(cè)效果Fig.5 Yarn edge detection effect based on basic morphology

4.2 基于改進(jìn)形態(tài)學(xué)邊緣檢測(cè)方法

本文引入信息熵加權(quán)系數(shù)，利用雙尺度四方向的形態(tài)結(jié)構(gòu)元素對(duì)紗線條干邊緣形態(tài)學(xué)檢測(cè)方法改進(jìn)。利用小尺寸結(jié)構(gòu)元素獲取紗線條干邊界細(xì)節(jié)、大尺寸結(jié)構(gòu)元素濾除噪聲進(jìn)行組合運(yùn)算，提取紗線條干邊緣[20]。一副紗線二值化圖像具有多方向邊緣信息，該方法為實(shí)現(xiàn)檢測(cè)邊緣信息的完整度，采用4個(gè)方向(0°，45°，90°，135°)的3×3結(jié)構(gòu)元素，得到不同方向下的邊緣信息圖，再利用信息熵加權(quán)對(duì)不同方向下的邊緣圖像進(jìn)行加權(quán)求和，保證得到紗線各方向邊緣圖像。

紗線圖像條干部分灰度分布均勻，毛羽部分灰度分布極不規(guī)則，因此采取2×2的正方形小尺寸結(jié)構(gòu)元素(S1)獲取紗線條干邊界細(xì)節(jié)、5×5的菱形大尺寸結(jié)構(gòu)元素(S2)進(jìn)一步濾除噪聲，結(jié)構(gòu)元素如下：

S3i(i=1，2，3，4)表示0°、45°、90°、135° 4個(gè)方向的結(jié)構(gòu)元素，結(jié)構(gòu)元素如下:

設(shè)f為紗線二值圖像函數(shù)，改進(jìn)之后的形態(tài)學(xué)算子如式(10)所示：

g(f)i=[(f○S1)□S2]⊕S3i-[(f□S1)○S2]ΘS3i

(10)

式中：g(f)i表示改進(jìn)形態(tài)學(xué)算子后得到的某一方向紗線圖像。

邊緣檢測(cè)方法步驟如下：(1)根據(jù)公式(10)分別求出結(jié)構(gòu)元素所對(duì)應(yīng)的4幅不同方向的邊緣圖像；(2)根據(jù)式(11)求出4幅邊緣圖像的信息熵(Hi)；(3)根據(jù)式(12)計(jì)算每幅邊緣圖像的信息熵加權(quán)系數(shù)(hi)；(4)根據(jù)式(13)將圖像邊緣信息熵加權(quán)融合最后得到的圖像邊緣。

(11)

(12)

(13)

式中：L為灰度等級(jí)；Pi為第i級(jí)灰度值在紗線圖像發(fā)生的概率值；g(f)表示加權(quán)融合后得到的紗線圖像。

采取雙結(jié)構(gòu)4方向的形態(tài)學(xué)改進(jìn)方法得到紗線條干邊緣如圖6所示，紗線條干邊緣清晰，紗線毛羽完全去除，且有效保留紗線條干粗節(jié)、細(xì)節(jié)等疵點(diǎn)。

圖6 基于改進(jìn)方法得到的紗線條干邊緣示意Fig.6 Diagram of yarn edge observed by improved morphological method

5 檢測(cè)方法的驗(yàn)證

5.1 紗線直徑測(cè)量結(jié)果分析

為驗(yàn)證改進(jìn)方法的有效性，選取15種紗線樣本，使用 MatLab 軟件R2018a版對(duì)所采集的圖像進(jìn)行分析計(jì)算。改進(jìn)方法得到的紗線測(cè)量直徑與理論直徑對(duì)比見(jiàn)表3。從表3可知，隨著紗線線密度增加，測(cè)量直徑隨之增加，且均大于理論直徑。由于該方法對(duì)紗線毛羽去除效果較好，因此獲取直徑誤差低于2%。一般而言，紗線線密度較高的情況下，紗線毛羽也會(huì)隨之增多，USTER公報(bào)數(shù)據(jù)測(cè)量的誤差也會(huì)增加，但改進(jìn)方法誤差率沒(méi)有明顯增加，進(jìn)一步驗(yàn)證了該方法能夠有效提取紗線條干的特點(diǎn)。

表3 紗線直徑測(cè)量結(jié)果Tab.3 Yarn diameter measurement results

5.2 檢測(cè)方法評(píng)價(jià)指標(biāo)

均方誤差(MSE)可以衡量不同邊緣檢測(cè)方法在同一圖像模型的精確度，峰值信噪比(PSNR)可以衡量不同邊緣檢測(cè)方法獲取的圖像質(zhì)量的好壞。MSE數(shù)值越小，則表示獲取像素誤差越?。籔SNR數(shù)值越大，則表明圖像失真小，圖像質(zhì)量效果越好。

為了比較改進(jìn)方法在紗線條干直徑檢測(cè)的優(yōu)越性，同傳統(tǒng)邊緣檢測(cè)算子Canny算子、Sobel算子、參考文獻(xiàn)[12]提到的改進(jìn) Otsu 閾值分割方法、參考文獻(xiàn)[13]提到的基于顯著性檢測(cè)圖像分割方法模型進(jìn)行比較。從表4可知：改進(jìn)方法提取紗線條干的MSE值低于傳統(tǒng)形態(tài)學(xué)方法、文獻(xiàn)[12]及文獻(xiàn)[13]的方法，證明改進(jìn)方法提取紗線條干邊緣的誤差低；改進(jìn)方法的PSNR數(shù)值大于傳統(tǒng)形態(tài)學(xué)方法、文獻(xiàn)[12]及文獻(xiàn)[13]的方法，說(shuō)明改進(jìn)方法提取的紗線條干邊緣質(zhì)量好。

表4 檢測(cè)方法的評(píng)價(jià)指標(biāo)對(duì)比Tab.4 Comparison of evaluation indexes of detection methods

6 結(jié)論

a.傳統(tǒng)邊緣檢測(cè)算子對(duì)紗線條干邊緣的提取存在邊緣不清晰、毛羽難以去除等問(wèn)題。使用全變分模型對(duì)紗線圖像去噪，能夠有效去除圖像噪聲、紗線細(xì)小毛羽等干擾因素。

b.該方法得到的紗線條干邊緣清晰，毛羽完全去除，且有效保留紗線條干粗節(jié)、細(xì)節(jié)等疵點(diǎn)。

c.選取15種不同規(guī)格的紗線，采用基于改進(jìn)形態(tài)學(xué)邊緣檢測(cè)方法對(duì)紗線直徑進(jìn)行測(cè)試，測(cè)試直徑與理論直徑誤差均低于2%。該方法的評(píng)價(jià)指標(biāo)PSNR及MSE均優(yōu)于其他方法。