應(yīng)用顯著性算法的紗線條干均勻度檢測(cè)

景軍鋒， 張婉婉， 李鵬飛

(西安工程大學(xué) 電子信息學(xué)院， 陜西 西安 710048)

應(yīng)用顯著性算法的紗線條干均勻度檢測(cè)

景軍鋒， 張婉婉， 李鵬飛

(西安工程大學(xué) 電子信息學(xué)院， 陜西 西安 710048)

針對(duì)運(yùn)用圖像方法進(jìn)行紗線條干均勻度檢測(cè)時(shí)，背景黑板、紗線毛羽以及圖像噪聲等對(duì)檢測(cè)結(jié)果影響較大的問(wèn)題，借鑒人的視覺(jué)感知機(jī)制，提出一種應(yīng)用顯著性算法檢測(cè)紗線條干均勻度的方法。對(duì)采集到的紗線圖像提取顏色和亮度特征，進(jìn)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?yàn)V波，得到準(zhǔn)確清晰的紗線條干二值圖像，基于此進(jìn)行直徑計(jì)算、均勻度分析和紗線疵點(diǎn)判定。通過(guò)邊緣準(zhǔn)確性評(píng)價(jià)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(guò)與 Uster Classimat 5的均勻度檢測(cè)結(jié)果進(jìn)行比較，證明這種方法可得到準(zhǔn)確的結(jié)果，與 Uster Classimat 5 的測(cè)量結(jié)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?yàn)V波

紗線條干是評(píng)價(jià)紗線質(zhì)量的主要性能指標(biāo)[1]。紗線直徑是表征紗線不勻的直接指標(biāo)，如何準(zhǔn)確、快速測(cè)定紗線的直徑對(duì)于紡織行業(yè)有著重大的意義[2-4]。傳統(tǒng)檢測(cè)紗線條干均勻度的方法主要有人工目測(cè)法、光電法和電容法等，檢測(cè)結(jié)果受人主觀因素和環(huán)境因素影響較大。機(jī)器視覺(jué)和圖像處理技術(shù)的發(fā)展，為提高紗線質(zhì)量檢測(cè)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(huì)對(duì)紗線條干的分析造成較大的影響。針對(duì)此問(wèn)題，本文提出了一種應(yīng)用顯著性檢測(cè)的方法對(duì)紗線條干均勻度進(jìn)行檢測(cè)。人類的視覺(jué)機(jī)制可以幫助人們迅速摒棄冗余的信息，只關(guān)心感興趣的目標(biāo)。顯著性檢測(cè)就是模擬人眼視覺(jué)感知機(jī)制，提取圖像中顯著性高即感興趣的目標(biāo)。近年來(lái)，顯著性檢測(cè)已應(yīng)用于許多基于圖像處理技術(shù)的實(shí)例中，如織物疵點(diǎn)檢測(cè)[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(yīng)用到紗線條干均勻度的檢測(cè)中，通過(guò)對(duì)紗線圖像的顏色和亮度特征進(jìn)行顯著性分析，突出紗線條干部分；然后運(yùn)用迭代閾值分割算法對(duì)其進(jìn)行二值化處理；最后基于處理后的圖像計(jì)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(diǎn)。分別將均勻度的檢測(cè)結(jié)果與Uster Classimat 5的檢測(cè)結(jié)果進(jìn)行比較，將疵點(diǎn)判定結(jié)果與人工目測(cè)方法進(jìn)行比較，結(jié)果表明，該方法可得到比較準(zhǔn)確的結(jié)果，有一定的可行性。

1 紗線的相關(guān)理論

1.1 紗線結(jié)構(gòu)

圖1 紗線結(jié)構(gòu)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(jié)構(gòu)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(diǎn)的類型及其分類對(duì)于紗線質(zhì)量的檢測(cè)也有著重要的意義，是表征紗線條干均勻度的主要指標(biāo)[7]。圖1示出紗線結(jié)構(gòu)的示意圖。1.2 紗線疵點(diǎn)分類

紗線的不均勻與紗線疵點(diǎn)的存在直接相關(guān)，常見(jiàn)的紗線疵點(diǎn)有棉結(jié)、粗節(jié)和細(xì)節(jié)3種，如圖1所示。

棉結(jié)：紗疵截面比正常紗粗100%以上，長(zhǎng)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(shè)定為50%，且長(zhǎng)度大于4 mm。

細(xì)節(jié)：紗疵截面比正常紗細(xì)30%以上，且長(zhǎng)度大于4 mm。

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

圖2 紗線疵點(diǎn)判定算法Fig.2 Determination algorithm of yarn defect

2 前期準(zhǔn)備

2.1 圖像采集

實(shí)驗(yàn)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(yīng)低于181.948 dpi的要求[8]。

2.2 圖像預(yù)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(guò)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(jì)算時(shí)需要沿垂直方向進(jìn)行逐像素掃描，紗線傾斜角度的存在會(huì)對(duì)直徑的計(jì)算結(jié)果造成較大的誤差，因此，需要首先對(duì)圖像進(jìn)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(biāo)變換矩陣以進(jìn)行圖像傾斜校正，原始的像素坐標(biāo)矩陣經(jīng)中心化后轉(zhuǎn)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(duì)角矩陣和坐標(biāo)變換矩陣，從而實(shí)現(xiàn)圖像校正。該方法將搜索圖像傾斜角度問(wèn)題轉(zhuǎn)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(gè)數(shù)量級(jí)[9]。傾斜校正的結(jié)果如圖3(b)所示。

3 紗線圖像分割

3.1 顯著性檢測(cè)

3.1.1 組合DoG帶通濾波器的設(shè)計(jì)

Hemami等[10]提出了顯著性檢測(cè)的標(biāo)準(zhǔn)：1) 強(qiáng)調(diào)最大顯著物；2) 均勻突出整個(gè)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(yīng)所產(chǎn)生的高頻；5) 有效輸出全分辨率顯著圖。

標(biāo)準(zhǔn)1和2表明需要保留原圖像中的低頻部分；標(biāo)準(zhǔn)3表明需要保留原圖像中的高頻部分；而標(biāo)準(zhǔn)4表明原圖像中的最高頻率需要被消除，因此，顯著性檢測(cè)需要選取一個(gè)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(gè)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(guò)將圖像與高斯函數(shù)進(jìn)行卷積得到一幅圖像的濾波結(jié)果，如式(1)所示。檢測(cè)強(qiáng)度變化時(shí)，最佳的高斯標(biāo)準(zhǔn)偏差的比例是1∶1.6[11]。

(1)

式中：σ1和σ2是高斯標(biāo)準(zhǔn)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(shí)，假設(shè)σ1=ρσ，σ2=σ，則ρ=σ1/σ2，標(biāo)準(zhǔn)偏差比例為ρ的組合DoG濾波器為

(2)

當(dāng)整數(shù)N≥0時(shí)，除第1項(xiàng)和最后1項(xiàng)外其他項(xiàng)的累加和為0，結(jié)果為標(biāo)準(zhǔn)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(guò)增加DoG帶通濾波器組合獲得較大的K值。

為減小計(jì)算量，使用一個(gè)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(xiàng)式逼近效果非常好。

3.1.2 顯著性計(jì)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(shù)平均灰度值；Iω(x,y)是原圖像濾除紋理細(xì)節(jié)、噪聲和編碼效應(yīng)之后的高斯模糊圖像的值；ω為相應(yīng)高斯濾波器的截止頻率。由于直接對(duì)原圖像進(jìn)行操作，因此得到的是全分辨率的顯著圖(標(biāo)準(zhǔn)5)。

用顏色和亮度特征擴(kuò)展上式，如式(4)所示：

(4)

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

對(duì)紗線顯著圖像進(jìn)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(duì)于一個(gè)給定的顯著圖，其顯著值的范圍為[0,255]，最簡(jiǎn)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(gè)閾值，再采用迭代閾值算法計(jì)算顯著圖像的最佳閾值，可以節(jié)省計(jì)算時(shí)間，降低計(jì)算復(fù)雜度，并大幅減少計(jì)算所需的存儲(chǔ)空間。采用迭代閾值算法對(duì)紗線條干進(jìn)行分割的結(jié)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(wú)噪聲的紗線條干圖像。然而某些纖維末端嚴(yán)重纏結(jié)，該區(qū)域遠(yuǎn)離紗線條干，但有較高的顯著值，在分割的過(guò)程中不能完全除去，這種現(xiàn)象會(huì)對(duì)直徑計(jì)算造成較大的影響。由于這些離散的噪點(diǎn)所包含的像素?cái)?shù)目有限，本文采用區(qū)域?yàn)V波算法消除像素?cái)?shù)目小于某一閾值的離散點(diǎn)，濾波效果如圖6所示。

圖6 含有離散噪點(diǎn)的紗線圖像處理過(guò)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(jié)果評(píng)價(jià)

為了判斷得到的紗線條干圖像是否存在明顯的過(guò)分割或欠分割現(xiàn)象，將圖3(b)與圖5進(jìn)行減運(yùn)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(jié)果如圖8所示。邊緣準(zhǔn)確性是基于圖像目測(cè)衡量算法分割效果常用的一項(xiàng)評(píng)價(jià)指標(biāo)[13]。從圖8可看出，文中方法對(duì)紗線條干圖像分割精確，無(wú)過(guò)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(cè)量和均勻度分析奠定了基礎(chǔ)。

圖7 邊緣圖像Fig.7 Edge image

圖8 分割結(jié)果檢驗(yàn)Fig.8 Test of segmentation

4 實(shí)驗(yàn)結(jié)果

在每幅紗線圖像中，實(shí)際直徑(以像素計(jì)算)的計(jì)算過(guò)程：沿圖像矩陣各列自上而下掃描，找到多個(gè)連續(xù)白點(diǎn)，則白色像素點(diǎn)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(shí)驗(yàn)測(cè)得紗線直徑。

(5)

式中：xi是實(shí)驗(yàn)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(cè)量直徑、理論直徑、相對(duì)誤差和變異系數(shù)CV值的計(jì)算結(jié)果。由表中數(shù)據(jù)可見(jiàn)，測(cè)量直徑與理論直徑的最大誤差保證在3%以內(nèi)，測(cè)量值與理論值很接近，充分說(shuō)明該計(jì)算方法是可行的，有較高的準(zhǔn)確率。用UsterClassimat5測(cè)得3種樣本的CV值結(jié)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(shuō)明該算法計(jì)算的測(cè)量結(jié)果比較準(zhǔn)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(cè)量結(jié)果

根據(jù)圖2所示紗線疵點(diǎn)判定準(zhǔn)則，可實(shí)現(xiàn)對(duì)紗線疵點(diǎn)的判定和分類。表2示出對(duì)部分紗線樣本圖像片段疵點(diǎn)判定和分類的結(jié)果。人機(jī)對(duì)比實(shí)驗(yàn)表明，棉結(jié)類疵點(diǎn)人工比較容易發(fā)現(xiàn)，但是對(duì)于粗節(jié)和細(xì)節(jié)2類疵點(diǎn)，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(duì)其進(jìn)行得精確的度量，得到了相應(yīng)的結(jié)果。

圖9示出3種樣本的直徑變化曲線。對(duì)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(dòng)也比較小。這種情況主要是因?yàn)椋杭喚€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(dòng)也比較大，這是因?yàn)榫犷惣喚€在紡紗過(guò)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(cè)點(diǎn)判定和分類結(jié)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(jié) 論

運(yùn)用圖像處理方法對(duì)紗線條干進(jìn)行分析時(shí)，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(huì)對(duì)分析結(jié)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(jué)感知的機(jī)制，將顯著性分析應(yīng)用于紗線條干均勻度的檢測(cè)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(jìn)行顯著性分析，通過(guò)迭代閾值分割及區(qū)域?yàn)V波，得到了分割精度較高的紗線條干二值圖像。在此基礎(chǔ)上計(jì)算紗線直徑、分析紗線均勻度和判定紗線疵點(diǎn)得到了良好的實(shí)驗(yàn)結(jié)果。本文研究為運(yùn)用圖像處理技術(shù)檢測(cè)紗線條干均勻度提供了一種簡(jiǎn)單有效的處理方法，紗線樣本檢驗(yàn)時(shí)，檢驗(yàn)人員可提取一定樣本運(yùn)用該方法進(jìn)行檢測(cè)，操作方便且成本低廉。

FZXB

[ 1] 遲開(kāi)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(cè)初探[J].紡織學(xué)報(bào)，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(jì)與整體顯著性的織物疵點(diǎn)檢測(cè)算法[J].紡織學(xué)報(bào)，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(xué)形態(tài)學(xué)的火焰圖像邊緣檢測(cè)[J]．儀器儀表學(xué)報(bào)，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(jì)算機(jī)圖像處理技術(shù)的紗線質(zhì)量檢測(cè)的研究[D]. 天津：天津工業(yè)大學(xué)，2007：20. LIU Lijie.Research of quality detection based on computer image processing[D].Tianjin: Tianjin Polytechnic University，2007：20.

[ 9] 吳德會(huì)， 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(xué)報(bào)，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(xué)麗，樊瑜瑾，翁家慶，等.用閾值法自動(dòng)分割某內(nèi)燃機(jī)鐵譜磨粒圖像[J].機(jī)械工程與自動(dòng)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(guó)家自然科學(xué)基金項(xiàng)目(61301276)；陜西省工業(yè)科技攻關(guān)項(xiàng)目(2015GY034)

景軍鋒(1978—)，男，副教授，博士。主要研究方向?yàn)闄C(jī)器視覺(jué)與圖像處理。E-mail：413066458@qq.com。

TP 391; TS 101.922

A