應用顯著性算法的紗線條干均勻度檢測

景軍鋒， 張婉婉， 李鵬飛

(西安工程大學 電子信息學院， 陜西 西安 710048)

應用顯著性算法的紗線條干均勻度檢測

景軍鋒， 張婉婉， 李鵬飛

(西安工程大學 電子信息學院， 陜西 西安 710048)

針對運用圖像方法進行紗線條干均勻度檢測時，背景黑板、紗線毛羽以及圖像噪聲等對檢測結果影響較大的問題，借鑒人的視覺感知機制，提出一種應用顯著性算法檢測紗線條干均勻度的方法。對采集到的紗線圖像提取顏色和亮度特征，進行顯著性分析，突出紗線條干區(qū)域，然后利用迭代閾值分割算法和區(qū)域濾波，得到準確清晰的紗線條干二值圖像，基于此進行直徑計算、均勻度分析和紗線疵點判定。通過邊緣準確性評價可知，采用所提方法分割得到的紗線條干二值圖像有著較高的分割精度。通過與 Uster Classimat 5的均勻度檢測結果進行比較，證明這種方法可得到準確的結果，與 Uster Classimat 5 的測量結果有著較好的一致性。

紗線條干均勻度； 顯著性分析； 迭代閾值分割； 區(qū)域濾波

紗線條干是評價紗線質(zhì)量的主要性能指標[1]。紗線直徑是表征紗線不勻的直接指標，如何準確、快速測定紗線的直徑對于紡織行業(yè)有著重大的意義[2-4]。傳統(tǒng)檢測紗線條干均勻度的方法主要有人工目測法、光電法和電容法等，檢測結果受人主觀因素和環(huán)境因素影響較大。機器視覺和圖像處理技術的發(fā)展，為提高紗線質(zhì)量檢測水平提供了新的方向。

紗線圖像與普通圖像相比，背景黑板的亮度與平整度、紗線毛羽和圖像噪聲等因素都會對紗線條干的分析造成較大的影響。針對此問題，本文提出了一種應用顯著性檢測的方法對紗線條干均勻度進行檢測。人類的視覺機制可以幫助人們迅速摒棄冗余的信息，只關心感興趣的目標。顯著性檢測就是模擬人眼視覺感知機制，提取圖像中顯著性高即感興趣的目標。近年來，顯著性檢測已應用于許多基于圖像處理技術的實例中，如織物疵點檢測[5]、圖像分割、圖像檢索和視頻壓縮等[6]。

本文將顯著性算法應用到紗線條干均勻度的檢測中，通過對紗線圖像的顏色和亮度特征進行顯著性分析，突出紗線條干部分；然后運用迭代閾值分割算法對其進行二值化處理；最后基于處理后的圖像計算紗線直徑，根據(jù)直徑變化分析紗線條干均勻度，判定紗線疵點。分別將均勻度的檢測結果與Uster Classimat 5的檢測結果進行比較，將疵點判定結果與人工目測方法進行比較，結果表明，該方法可得到比較準確的結果，有一定的可行性。

1 紗線的相關理論

1.1 紗線結構

圖1 紗線結構示意圖Fig.1 Diagrammatic sketch of yarn structure

紗線一般由紗線條干和毛羽部分組成。線密度、結構特征和纖維組成是表征紗線質(zhì)量特性的常用參數(shù)。紗線疵點的類型及其分類對于紗線質(zhì)量的檢測也有著重要的意義，是表征紗線條干均勻度的主要指標[7]。圖1示出紗線結構的示意圖。1.2 紗線疵點分類

紗線的不均勻與紗線疵點的存在直接相關，常見的紗線疵點有棉結、粗節(jié)和細節(jié)3種，如圖1所示。

棉結：紗疵截面比正常紗粗100%以上，長度較短(一般為1～4 mm)。

粗節(jié)：紗疵截面比正常紗粗40%～100%，通常設定為50%，且長度大于4 mm。

細節(jié)：紗疵截面比正常紗細30%以上，且長度大于4 mm。

因此根據(jù)紗線直徑變化，參考上述閾值設定準則，擬定如圖2所示的紗線疵點判定算法。

圖2 紗線疵點判定算法Fig.2 Determination algorithm of yarn defect

2 前期準備

2.1 圖像采集

實驗中采用3種不同規(guī)格的環(huán)錠紡純棉筒紗，分別為14.5、18.2 tex精梳紗線和18.2 tex普梳紗線。紗線圖像采用CanoScan 9000F 型掃描儀采集，分辨率是600 dpi，滿足紗線黑板圖像分辨率不應低于181.948 dpi的要求[8]。

2.2 圖像預處理

圖3示出采集到的紗線原始圖像及其傾斜校正后的圖像。圖像在采集的過程中，由于試樣擺放等原因，傾斜是不可避免的，后續(xù)直徑計算時需要沿垂直方向進行逐像素掃描，紗線傾斜角度的存在會對直徑的計算結果造成較大的誤差，因此，需要首先對圖像進行傾斜校正。

圖3 紗線圖像傾斜校正Fig.3 Yarn image tilt correction. (a) Original yarn image; (b) Tilt corrected image

本文采用PCA算法求取坐標變換矩陣以進行圖像傾斜校正，原始的像素坐標矩陣經(jīng)中心化后轉換為二維協(xié)方差矩陣，再經(jīng)奇異值分解為能夠反映圖像傾斜方向的二維對角矩陣和坐標變換矩陣，從而實現(xiàn)圖像校正。該方法將搜索圖像傾斜角度問題轉換為求取圖像協(xié)方差矩陣的特征值和特征向量，因此求取傾斜角度的速度比常規(guī)搜索方法可提高1～2個數(shù)量級[9]。傾斜校正的結果如圖3(b)所示。

3 紗線圖像分割

3.1 顯著性檢測

3.1.1 組合DoG帶通濾波器的設計

Hemami等[10]提出了顯著性檢測的標準：1) 強調(diào)最大顯著物；2) 均勻突出整個顯著區(qū)域；3) 明確顯著物體邊界；4) 忽略紋理、噪聲和塊效應所產(chǎn)生的高頻；5) 有效輸出全分辨率顯著圖。

標準1和2表明需要保留原圖像中的低頻部分；標準3表明需要保留原圖像中的高頻部分；而標準4表明原圖像中的最高頻率需要被消除，因此，顯著性檢測需要選取一個合適的通頻帶寬，使之能夠保留原始圖像的理想空間頻率。

由于顯著圖包含的頻率范圍很寬，本文選擇將幾個通頻帶較窄的DoG(difference of Gaussian)濾波器組合使用。DoG濾波器，即高斯函數(shù)的差分，通過將圖像與高斯函數(shù)進行卷積得到一幅圖像的濾波結果，如式(1)所示。檢測強度變化時，最佳的高斯標準偏差的比例是1∶1.6[11]。

(1)

式中：σ1和σ2是高斯標準偏差(σ1>σ2)。

DoG濾波器的通頻帶寬度為σ1∶σ2。濾波器組合使用時，假設σ1=ρσ，σ2=σ，則ρ=σ1/σ2，標準偏差比例為ρ的組合DoG濾波器為

(2)

當整數(shù)N≥0時，除第1項和最后1項外其他項的累加和為0，結果為標準偏差比例為K=ρN的高斯差分。保證ρ為常數(shù)1.6，σ1和σ2以上述規(guī)則變化，通過增加DoG帶通濾波器組合獲得較大的K值。

為減小計算量，使用一個小的高斯內(nèi)核移除高頻噪聲和紋理[12]。在離散的情況下，小內(nèi)核高斯濾波的二項式逼近效果非常好。

3.1.2 顯著性計算

尺寸為W像素×H像素的圖像I的顯著圖S可被定義為

(3)

式中：Iμ表示圖像I的算術平均灰度值；Iω(x,y)是原圖像濾除紋理細節(jié)、噪聲和編碼效應之后的高斯模糊圖像的值；ω為相應高斯濾波器的截止頻率。由于直接對原圖像進行操作，因此得到的是全分辨率的顯著圖(標準5)。

用顏色和亮度特征擴展上式，如式(4)所示：

(4)

圖4 紗線圖像顯著性分析過程Fig.4 Process of saliency analysis of yarn image.(a) Saliency map; (b) Saliency values

對紗線顯著圖像進行二值化，顯著物體如紗線條干表示為白色像素1，背景黑板部分表示為黑色像素0。對于一個給定的顯著圖，其顯著值的范圍為[0,255]，最簡單的獲得二值圖像的方法是在[0,255]的范圍內(nèi)先選定一個閾值，再采用迭代閾值算法計算顯著圖像的最佳閾值，可以節(jié)省計算時間，降低計算復雜度，并大幅減少計算所需的存儲空間。采用迭代閾值算法對紗線條干進行分割的結果如圖5所示。

圖5 紗線二值圖像Fig.5 Yarn binary image

3.3 濾 波

大多數(shù)情況下，在迭代分割之后能夠得到清晰無噪聲的紗線條干圖像。然而某些纖維末端嚴重纏結，該區(qū)域遠離紗線條干，但有較高的顯著值，在分割的過程中不能完全除去，這種現(xiàn)象會對直徑計算造成較大的影響。由于這些離散的噪點所包含的像素數(shù)目有限，本文采用區(qū)域濾波算法消除像素數(shù)目小于某一閾值的離散點，濾波效果如圖6所示。

圖6 含有離散噪點的紗線圖像處理過程Fig.6 Yarn image processing with discrete noise.(a) Original image; (b) Saliency map; (c) Saliency values; (d) Segmented image; (e) Filtered image

3.4 紗線圖像分割結果評價

為了判斷得到的紗線條干圖像是否存在明顯的過分割或欠分割現(xiàn)象，將圖3(b)與圖5進行減運算后再加上圖7所示紗線條干二值圖像的邊緣，得到分割的結果如圖8所示。邊緣準確性是基于圖像目測衡量算法分割效果常用的一項評價指標[13]。從圖8可看出，文中方法對紗線條干圖像分割精確，無過分割或欠分割現(xiàn)象出現(xiàn)，分割后紗線圖像邊緣連續(xù)且輪廓清晰，為后續(xù)紗線直徑測量和均勻度分析奠定了基礎。

圖7 邊緣圖像Fig.7 Edge image

圖8 分割結果檢驗Fig.8 Test of segmentation

4 實驗結果

在每幅紗線圖像中，實際直徑(以像素計算)的計算過程：沿圖像矩陣各列自上而下掃描，找到多個連續(xù)白點，則白色像素點的數(shù)目即為該列直徑。各列直徑的平均值即為圖像中的紗線直徑，所有圖像紗線直徑的平均值就是實驗測得紗線直徑。

(5)

式中：xi是實驗所得各圖像的平均直徑，n是樣本的圖像數(shù)目，即求取各圖像平均直徑之間的變異系數(shù)作為紗線的條干不勻率。

表1示出測量直徑、理論直徑、相對誤差和變異系數(shù)CV值的計算結果。由表中數(shù)據(jù)可見，測量直徑與理論直徑的最大誤差保證在3%以內(nèi)，測量值與理論值很接近，充分說明該計算方法是可行的，有較高的準確率。用UsterClassimat5測得3種樣本的CV值結果為18.2tex精梳紗線(12.3%～14.3%)，14.5tex精梳紗線(11.6%～13.9%)，14.5tex普梳紗線(13.3%～16.4%)，說明該算法計算的測量結果比較準確，與UsterClassimat5具有較好的一致性。

表1 紗線直徑及不勻率參數(shù)測量結果

根據(jù)圖2所示紗線疵點判定準則，可實現(xiàn)對紗線疵點的判定和分類。表2示出對部分紗線樣本圖像片段疵點判定和分類的結果。人機對比實驗表明，棉結類疵點人工比較容易發(fā)現(xiàn)，但是對于粗節(jié)和細節(jié)2類疵點，直徑變化不是特別明顯，人工比較難以發(fā)現(xiàn)，而本文算法在像素尺度上對其進行得精確的度量，得到了相應的結果。

圖9示出3種樣本的直徑變化曲線。對比表1中CV值可知，18.2 tex精梳紗線與14.5 tex精梳紗線相比，14.5 tex精梳紗線的CV值較小，直徑變化曲線波動也比較小。這種情況主要是因為：紗線截面內(nèi)纖維數(shù)目隨紗線直徑的減小而減少，截面內(nèi)纖維分布不勻?qū)喚€直徑影響增大，從而影響紗線的均勻度；14.5 tex精梳紗線與14.5 tex普梳紗線相比，14.5 tex普梳紗線的CV值較大，直徑波動也比較大，這是因為精梳類紗線在紡紗過程中加入了精梳的流程，紗線品質(zhì)比普梳更好。

表2 部分紗線測點判定和分類結果

圖9 樣本直徑變化曲線Fig.9 Sample diameter variation curve. (a) 18.2 tex combed yarn; (b) 14.5 tex combed yarn; (c) 14.5 tex carded yarn

5 結 論

運用圖像處理方法對紗線條干進行分析時，背景黑板的亮度和平整度、紗線的毛羽以及圖像噪聲等因素會對分析結果造成較大影響。但是紗線條干在紗線背景黑板中較為顯著，借鑒人類視覺感知的機制，將顯著性分析應用于紗線條干均勻度的檢測中。為突出紗線條干區(qū)域，利用紗線圖像顏色與亮度特征進行顯著性分析，通過迭代閾值分割及區(qū)域濾波，得到了分割精度較高的紗線條干二值圖像。在此基礎上計算紗線直徑、分析紗線均勻度和判定紗線疵點得到了良好的實驗結果。本文研究為運用圖像處理技術檢測紗線條干均勻度提供了一種簡單有效的處理方法，紗線樣本檢驗時，檢驗人員可提取一定樣本運用該方法進行檢測，操作方便且成本低廉。

FZXB

[ 1] 遲開龍，潘如如，劉基宏，等.基于數(shù)字圖像處理的紗線條干均勻度檢測初探[J].紡織學報，2012，33(12)：19-24. CHI Kailong，PAN Ruru，LIU Jihong， et al. Primary discussion on detection of yarn evenness based on digital image processing[J]. Journal of Textile Research，2012，33(12)：19-24.

[ 2] CARVALHO V， BELSLEY M， VASCONCELOS R M， et al. Yarn hairiness and diameter characterization using a CMOS line array[J]. Measurement， 2008，41(10)：1077-1092.

[ 3] TRESANCHEZ M， PALLEJA T， TEIXIDO M， et al. Measuring yarn diameter using inexpensive optical sensors[J]. Procedia Engineering，2010，5(6)：236-239.

[ 4] ISHTIAQUE S M， DAS A. A new approach of prediction of yarn diameter[J]. Fibers & Polymers，2013，14(5)：838-843.

[ 5] 劉洲峰，趙全軍，李春雷，等.基于局部統(tǒng)計與整體顯著性的織物疵點檢測算法[J].紡織學報，2014，35(11)：62-67. LIU Zhoufeng，ZHAO Quanjun，LI Chunlei， et al. Fabric defect detection algorithm using local statistic features and global saliency analysis[J]. Journal of Textile Research，2014，35(11)：62-67.

[ 6] 吳一全，宋昱，周懷春．基于各向異性數(shù)學形態(tài)學的火焰圖像邊緣檢測[J]．儀器儀表學報，2013，34(8)：1818-1825． WU Yiquan，SONG Yu，ZHOU Huaichun． Edge detection of combustion flame images based on anisotropic mathematic-calmorphology[J]． Chinese Journal of Scientific Instrument，2013，34(8)：1818-1825．

[ 7] KUZARISKI M， LACKOWSKA-STRUMILLO L. Yarn hairiness determination the algorithms of computer measurement methods[C]// International Conference on Perspective Technologies and Methods in Mems Design，2007. Ukraine：Memstech，2007：155-158.

[ 8] 劉麗杰. 基于計算機圖像處理技術的紗線質(zhì)量檢測的研究[D]. 天津：天津工業(yè)大學，2007：20. LIU Lijie.Research of quality detection based on computer image processing[D].Tianjin: Tianjin Polytechnic University，2007：20.

[ 9] 吳德會， 朱程輝. 基于主元分析的車牌圖像傾斜校正新方法[J]. 公路交通科技，2006，23(8)：143-146. WU Dehui，ZHU Chenghui. A novel license plate slant correction method based on principal component analy-sis[J]. Journal of Highway and Transportation Research and Development，2006，23(8)：143-146.

[10] HEMAMI S， ESTRADA F， SUSSTRUNK S. Frequency-tuned salient region detection[C]// IEEE International Conference on Computer Vision and Pattern Recogni-tion (CVPR 2009). Switzerlan：Ecole Polytechnique F′ed erale de Lausanne (EPFL)，2009：1597-1604.

[11] OLSHAUSEN B A， ANDERSON C H， ESSEN D V. A neurobiological model of visual attention and invariant pattern recognition based on dynamic routing of information[J]. The Journal of Neuroscience，1993，13(11)： 4700-4719.

[12] 周慧，張華熊，胡潔，等.基于平滑濾波和分水嶺算法的重組織織物圖像分割[J].紡織學報，2015，36(8)：38-42. ZHOU Hui，ZHANG Huaxiong，HU Jie， et al. Backed weave image segmentation based on smoothing filter and watershed algorithm[J]. Journal of Textile Research， 2015，36(8)：38-42.

[13] 張學麗，樊瑜瑾，翁家慶，等.用閾值法自動分割某內(nèi)燃機鐵譜磨粒圖像[J].機械工程與自動化，2007(3)：99-101. ZHANG Xueli， FAN Yujin， WENG Jiaqing，et al. Automatic segmentation of an internal combustion engine iron spectrum grinding particle image using threshold method[J].Mechanical Engineering & Automation，2007(3)：99-101.

Yarn evenness detection based on saliency algorithm

JING Junfeng, ZHANG Wanwan, LI Pengfei

(SchoolofElectronicandInformation,Xi′anPolytechnicUniversity,Xi′an,Shaanxi710048,China)

When the image processing method is used to detect the yarn evenness, the background blackboard as well as the yarn hairiness and the image noise would have great influence on the detection results. To solve this problem, a method referring to the human visual perception mechanism for detecting yarn evenness based on saliency algorithm was proposed. Firstly, the color and brightness features were extracted from the collected yarn images saliency of for saliency analysis to highlight the yarn evenness area. Then the iterative threshold segmentation algorithm and the area filtering were adopted to obtain accurate and clear yarn evenness binary images. Based on the binary images, the diameter and yarn evenness were calculated, and the yarn defect was determined. The edge accuracy evaluation shows that the proposed method of saliency analysis can obtain the yarn evenness binary images with better segmentation. Compared with the evenness detection result of the Uster Classimat 5, the results obtained by the method are accurate and have a good consistency with those of the Uster Classimat 5.

yarn evenness; saliency analysis; iterative threshold segmentation; area filtering

10.13475/j.fzxb.20160606306

2016-06-23

2017-03-11

國家自然科學基金項目(61301276)；陜西省工業(yè)科技攻關項目(2015GY034)

景軍鋒(1978—)，男，副教授，博士。主要研究方向為機器視覺與圖像處理。E-mail：413066458@qq.com。

TP 391; TS 101.922

A