纖維識別中圖像處理技術(shù)的研究與應用

陸馨平，許穎琦，覃于桐，許偉軍，甘昊文

(上海工程技術(shù)大學，上海 201620)

纖維識別中圖像處理技術(shù)的研究與應用

陸馨平，許穎琦，覃于桐，許偉軍，甘昊文

(上海工程技術(shù)大學，上海 201620)

文章介紹了圖像處理技術(shù)在纖維識別中的各項流程，闡述了圖像處理技術(shù)在常規(guī)混紡紗纖維識別中的具體應用，為紡織行業(yè)利用計算機技術(shù)快速準確地鑒別纖維材料提供了參考。

纖維；識別；圖像處理；應用

1 前言

紡織品纖維的成分鑒定在紡織工業(yè)中占有極其重要的地位，纖維成分標簽是國際貿(mào)易、市場準入的必要技術(shù)要求。傳統(tǒng)的纖維鑒別方法效率低、耗時長、準確性低，且需多種方法綜合運用、反復檢驗。隨著新型紡織纖維的研發(fā)與應用，傳統(tǒng)的方法已不能滿足當下檢測工作的需要，如何快速準確地鑒別纖維材料，在如今大批量的紡織品檢測中，有著重要的意義。計算機圖像處理技術(shù)可以快速、高效、準確地完成部分纖維的批量識別，且操作簡便，在纖維鑒別方面有很好的應用前景。

2 圖像處理技術(shù)

圖像處理技術(shù)是借助顯微鏡，利用計算機對圖像進行分析，將纖維圖像信號轉(zhuǎn)換成數(shù)字格式，通過特定算法實現(xiàn)對纖維的一種非接觸檢測。圖像處理的一般步驟：試樣獲取→圖像采集→圖像預處理(圖像校正)→圖像分割→圖像的邊緣修補→特征提取→分類識別→數(shù)據(jù)輸出。

2.1 試樣獲取

試樣獲取一般使用切片法，切片的好壞會直接影響纖維的成像質(zhì)量，導致實驗結(jié)果出現(xiàn)偏差。傳統(tǒng)切片技術(shù)可分為手工切片和機械切片。手工切片主要有銅板或不銹鋼切片法、軟木塞切片法和哈氏切片法，方便、快捷；機械切片，即采用切片機代替手工操作，其產(chǎn)量大、效率高且切片更薄，主要應用回轉(zhuǎn)式切片法。周勝飛[1]研制了便于操作、可靠、高效的自動切片儀，可用于大批量紡織品檢測。

2.2 圖像采集

纖維切片獲取之后，依靠光學顯微鏡或者電子顯微鏡和顯微數(shù)碼成像系統(tǒng)拍攝圖像，拍攝效果會直接影響圖像的預處理。

鄭敏[2]根據(jù)棉花纖維的光學特性，對普通反射式棉花纖維圖像采集系統(tǒng)進行了改進，改進后采集到的棉纖維圖像的邊緣清晰度及連續(xù)性都得到了顯著的改善；李維芳[3]等根據(jù)皮芯型復合纖維細度不勻率的測試原理，采用“像素法”提取纖維橫截面形態(tài)圖像，通過計算芯層和皮層所包含的像素，得到圖像中芯層和皮層橫截面面積；吳瓊[4]采用了微分干涉相差顯微成像系統(tǒng)采集羊絨和羊毛纖維切片的縱橫向圖像，獲得了分辨率高、輪廓特征清晰的纖維圖像，便于纖維圖像自動識別的實現(xiàn)。

2.3 圖像預處理

圖像預處理是圖像處理過程中的一個非常重要的環(huán)節(jié)。輸入圖像由于設(shè)備性能優(yōu)劣或光照明暗程度等采集環(huán)境的不同，不可避免地存在對比度不夠、噪聲大等缺點。焦距調(diào)節(jié)、拍攝距離等又會造成纖維圖像位置的不確定，為了使目標和背景之間形成明顯灰度差異，并保證圖像的一致性，需要對圖像進行預處理。

圖像預處理的一般步驟(可作適當?shù)捻樞蛘{(diào)整，但圖像灰度化應先于圖像二值化)：圖像灰度化→圖像增強→圖像濾波去噪→圖像二值化。

2.3.1 圖像灰度化

由于彩色圖像數(shù)據(jù)量大，是灰度圖像的3倍，會導致數(shù)字圖像的運算量與圖像數(shù)據(jù)存儲量成指數(shù)上升，處理困難。為提高系統(tǒng)的運行效率，需要先轉(zhuǎn)化為灰度圖像。圖像灰度化的處理方法主要有以下三種：最大值法、平均值法和加權(quán)平均值法。最大值法會得到亮度很高的灰度圖像；平均值法直接得到的圖像是比較柔和的灰度圖像；加權(quán)平均值法處理的圖像效果較好。

周金和[5]等提出了一種對彩色圖像進行有選擇灰度化的方法，該方法能夠按需要選出特定顏色作為突出色，將選中的任意顏色灰度化為黑色，而與該顏色距離越遠的顏色，其灰度值越高。利用該方法可以較好地提取出彩色圖像中不同顏色所反映的信息。

2.3.2 圖像增強

圖像增強是按特定的需要突出圖像中纖維的信息，同時削弱或去除不需要的信息。其主要目的是改善視覺效果，使處理后的纖維圖像對幾何特征的提取比原來的圖像更加有效，以方便計算機對圖像的分析。

直方圖均衡化的方法因其簡單、快速、有效，在圖像增強中得到了廣泛應用。吳成茂[6]提出的直方圖均衡化優(yōu)化模型相比傳統(tǒng)直方圖均衡化和可調(diào)直方圖均衡化方法更具普適性。通過直方圖增強纖維圖像的邊緣，使之更加清晰，極大方便了邊緣檢測。

2.3.3 圖像濾波去噪

纖維的數(shù)字圖像在轉(zhuǎn)換和傳輸過程中，不可避免地含有噪聲。由于噪聲干擾了正常的圖像，從而使圖像在輸出時不能得到正確的信息。通過去噪，纖維的圖像信息能夠準確、清晰地再現(xiàn)。傳統(tǒng)的圖像去噪算法有：中值濾波、均值濾波、低通濾波等[7]。

顏兵[8]等提出了均值濾波結(jié)合小波變換的圖像去噪方法，它在降低圖像噪聲的同時， 又盡可能地保留圖像的細節(jié)，且圖像更加平滑。

2.3.4 圖像二值化

圖像的二值化就是將一幅多個灰度級的圖像轉(zhuǎn)化為只有兩個灰度級的圖像，以便數(shù)據(jù)的壓縮、特征的突出以及圖形的識別。由于實際問題復雜，幾乎無法定義一種通用的二值化方法，所以針對實際問題，很多學者提出了多種在數(shù)學表達形式和算法的本質(zhì)意義上都各不相同的二值化方法。張琪[9]提出了一種結(jié)合邊緣檢測的圖像二值化算法，在處理部分圖像時取得了比傳統(tǒng)算法更好的二值化效果，且運算的效率與傳統(tǒng)算法接近。

2.4 圖像分割

圖像分割是將圖像分為若干目標區(qū)域的圖像處理技術(shù)，處理效果直接關(guān)系到圖像測量與分析的準確度，其實質(zhì)是對圖像各像素特性分類，如像素灰度值、空間特性、紋理特征等?，F(xiàn)在圖像分割算法較多，主要有閾值法、邊緣檢測法、區(qū)域法和模糊方法等[10-11]。

王思樂[12]等通過顏色特征來檢測圖像中含有的彩色異性纖維目標，通過亮度特征檢測圖像中含有的黑白異性纖維目標；通過目標融合形成一幅新的圖像[13]，從而實現(xiàn)對全部異性纖維目標的精確分割；王蕊[14]通過小波反變換確定異性纖維輪廓，實現(xiàn)了對異性纖維目標圖像精確分割，得到了清晰的棉花異性纖維圖像。

2.5 圖像邊緣修復

纖維圖像二值化和分割后，可能會干擾到圖像的邊緣，纖維邊界及內(nèi)部可能出現(xiàn)斷開，經(jīng)過膨脹處理可將斷開的部分連成一條連續(xù)的曲線，然后用腐蝕細化處理去掉一些毛刺，使邊界曲線變得平滑，獲取較好的纖維圖像。如果圖像前期的處理效果良好，可對此步驟進行選擇性的使用。

2.6 特征提取

運用計算機進行圖像模式識別的前提是需要從圖像中提取有用的數(shù)據(jù)和信息，得到能夠反映圖像相關(guān)特性的特征(顏色、形狀和紋理等)，這個過程就是特征提取。特征提取對于分類識別有著重要意義。

柯薇[15]在分析羊絨與羊毛纖維邊緣和鱗片邊緣的二值圖像的基礎(chǔ)上，選擇纖維細度、鱗片可見高度以及徑高比三個能有效區(qū)分羊絨與羊毛纖維的特征指標，進行了提取運算；仲岑然[16]利用纖維邊緣形態(tài)的差異(羊毛比較光滑，粘膠比較毛糙)，在毛粘混紡紗中，以圖形的放射特征(圖像外凸規(guī)整，則放射性?。粓D像有較深的鋸齒狀，則放射性強[17])區(qū)分紗線的不同組分；殷士勇[18]等根據(jù)棉、亞麻和苧麻纖維的縱橫截面形態(tài)的不同，進行特征提取，主要參數(shù)有:扭曲數(shù)、橫截面面積、橫截面周長、圓整度、延伸度、異形度。

2.7 分類識別

計算機圖像識別系統(tǒng)按照特征提取的各類算法(人工神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)以及前饋神經(jīng)網(wǎng)絡(luò)等)進行各種纖維各類特征的識別。

殷士勇[19]等提出一種基于模糊c均值(FCM)和BP神經(jīng)網(wǎng)絡(luò)的棉麻纖維識別方法，在識別方面有明顯優(yōu)勢；林森[20]使用BP神經(jīng)網(wǎng)絡(luò)應用平均影響值(MIV)法，篩選出圖像中的羊毛和粘膠纖維的形態(tài)特征指標，然后用概率神經(jīng)網(wǎng)絡(luò)、支持向量機、極限學習機這幾種前饋神經(jīng)網(wǎng)絡(luò)的典型形式分別進行羊毛/粘膠混紡紗橫截面的纖維識別，結(jié)果表明利用合適的前饋神經(jīng)網(wǎng)絡(luò)，能快速、準確地識別纖維。

2.8 數(shù)據(jù)輸出

計算機圖像識別系統(tǒng)分類識別后，按照算法和需要進行數(shù)據(jù)的輸出、處理，為之后的分析討論做準備。

3 結(jié)束語

隨著人們的需求提高，紡織纖維品種越來越多，紡織品纖維含量檢驗中面對的問題也越來越多，圖像處理技術(shù)在紡織纖維識別上的運用將極大地提高纖維鑒別的效率與精度，同時為紡織纖維的大批量檢測提供技術(shù)支持。

[1] 周勝飛.棉麻纖維切片儀器設(shè)計與自動識別方法的研究[D].武漢：湖北工業(yè)大學，2013.

[2] 鄭敏.基于顯微光學系統(tǒng)的纖維圖像采集與處理[D].南京：南京航空航天大學，2009.

[3] 李維芳，周文龍.圖像法測定皮芯型復合纖維細度不勻率的研究[J].現(xiàn)代紡織技術(shù)，2012，20(1)：3—5，10.

[4] 吳瓊.基于數(shù)字圖像處理的羊絨和羊毛纖維鑒別研究[D]. 武漢：湖北工業(yè)大學，2015.

[5] 周金和，彭福堂.一種有選擇的圖像灰度化方法[J].計算機工程，2006，32(20)：198—200.

[6] 吳成茂.直方圖均衡化的數(shù)學模型研究[J].電子學報，2013，41(3)：598—602.

[7] 武晉媛.異形纖維圖像去噪方法研究[D].上海：東華大學，2009.

[8] 顏兵，王金鶴，趙靜.基于均值濾波和小波變換的圖像去噪技術(shù)研究[J].計算機技術(shù)與發(fā)展，2011，21(2)：51—53，57.

[9] 張琪.結(jié)合邊緣檢測的圖像二值化算法[D].長春：吉林大學，2011.

[10] 許新征，丁世飛，史忠植，等.圖像分割的新理論和新方法[J] .電子學報，2010，38(S1)：76—82.

[11] 史曉楠，歐陽震.圖像分割常用方法綜述[J].科技視界，2014，(33)：33.

[12] 王思樂，范士勇，盧素魁，等.基于視覺顯著圖的異性纖維彩色圖像分割方法[J].計算機工程與設(shè)計，2013，34(8)：2783—2787.

[13] 逄浩辰.彩色圖像融合客觀評價指標研究[D].北京：中國科學院大學，2014.

[14] 王蕊.棉花異性纖維特征提取與計量方法的研究[D].泰安：山東農(nóng)業(yè)大學，2015.

[15] 柯薇.羊絨與羊毛纖維的計算機圖像識別方法的研究[D].武漢：武漢紡織大學，2010.

[16] 仲岑然.基于Matlab的混紡紗橫截面切片圖像客觀分析法[J].毛紡科技，2010，38(6)：59—62.

[17] 林森，金春奎，楊志杰.混紡紗線橫截面切片圖像的形態(tài)特征分析實踐[J]. 南通紡織職業(yè)技術(shù)學院學報，2009，9(3)：27—30.

[18] 殷士勇，王文中.核Fisher 判別分析在棉麻纖維識別中的應用[J].天津工業(yè)大學學報，2012，31(4)：32—35.

[19] 殷士勇，王文中.基于FCM 和BP 神經(jīng)網(wǎng)絡(luò)的棉麻纖維識別方法研究[J].黑龍江大學自然科學學報，2013，30(3)：405—409.

[20] 林森.基于前饋神經(jīng)網(wǎng)絡(luò)的毛粘混紡紗線材質(zhì)識別[J].紡織導報，2015，(6)：112—116.

Research and Application of Image Processing Technology in Fiber Recognition

LuXinping,XuYingqi,QinYutong,XuWeijun,GanHaowen

(Shanghai University of Engineering Science, Shanghai 201620, China)

The various processes of image processing technology in fiber recognition was introduced. The specific application of image processing technique to conventional yarn fiber identification was expounded to provide the reference for the textile industry to use computer technology rapidly and accurately in identifying fiber materials.

fiber; recognition; image processing; application

2016-04-12

上海工程技術(shù)大學大學生創(chuàng)新活動計劃資助項目(cz1509010)

陸馨平(1994—)，女，上海人，學士。

TS101.8

A

1009-3028(2016)03-0038-03