基于邊緣檢測的原棉雜質圖像識別方法適用性分析

王飛 靳向煜

摘 要：針對如何選擇適合原棉圖像的邊緣檢測方法，高效地進行含雜分析與識別的問題，選取Sobel算子、Roberts算子、LoG算子、Canny算子4種邊緣檢測方法進行適用性分析，實驗選取原棉作為樣本，在檢測效果、檢測耗時、檢測概率比3個方面對各算子進行了對比與分析。結果表明，相比其他算子，Canny算子在高閾值為1.5時，低閾值為0.2時雜質邊緣定位準確、背景噪聲小，尤其對于破籽類雜質的識別，檢測概率比達到92.5%，檢測效果優于其他算子，更適用于原棉雜質圖像的分析與識別。

關鍵詞：邊緣檢測;原棉圖像;雜質識別;適用性

中圖分類號：TS1;TP37

文獻標志碼：A

文章編號：1009-265X（2019）05-0039-05

Abstract：Aiming at the problem of selecting suitable edge detection methods for raw cotton images and carrying out the analysis and identification of impurities efficiently， four edge detection methods （Sobel operator， Roberts operator， LoG operator and Canny operator） were selected for the applicability analysis. The raw cotton was chosen as the example in the experiment， and each operator was compared and analyzed from 3 aspects： detection effect， detection time consumption， detection probability. The results showed that， compared with other operators， the Canny operator presented accurate impurity margin positioning and small background noise when the high threshold was 1.5 and low threshold was 0.2. Especially for the recognition of broken seed impurities， the detection probability ratio reached 92.5%. The detection effect was better than other operators， and more suitable for the analysis and recognition of raw cotton impurity images.

Key words：edge detection; raw cotton image; impurity recognition; applicability

原棉雜質指的是存在于棉纖維中的非棉纖維性物質（沙土、毛發、鈴殼、磚石、地膜等）及其著生纖維（棉籽、破籽、不孕籽、帶纖維籽屑等）。近年來，在中國主要植棉區新疆，機采棉技術廣泛應用，籽棉在快速收割的同時，大量雜質也一并混合其中，即使經過清理和軋花，原棉中仍然維持了較高的著生性纖維雜質。根據國家標準GB/T 6499-2012《原棉含雜率試驗方法》[1]，原棉含雜率采用雜質人工檢驗、稱重的方式進行檢驗，該檢驗方式勞動強度大，耗時長，難以保證檢驗效率與效果。隨著計算機視覺檢測技術[2-4]的快速發展，HVI系統[5]、AFIS系統[6]等實現了雜質的自動化檢測，解決了原棉雜質檢驗工作中的勞動強度大、耗時長等諸多問題，提高了檢測效率與效果。在這些視覺檢測系統中，邊緣檢測算法能夠檢測出圖像區域內周圍像素灰度急劇變化像素集合，直接影響著雜質識別的效果，因此，亟需對主流的邊緣檢測算法進行對比分析，討論其在原棉雜質識別中的適用性。

本文針對原棉雜質圖像的邊緣檢測算法進行研究，在采集以白棉為主的原棉圖像的基礎上，采用Sobel算子、Roberts算子、LoG算子、Canny算子進行對比實驗，探討算子的檢測效能，為原棉雜質圖像邊緣檢測方法的選取提供參考依據。

1 研究方法

1.1 Sobel算子原理

Sobel邊緣檢測算子[7]采用的是方向差分與中局部平均結合的方式，它首先對圖像進行平滑處理，然后進行方向差分運算。

1.2 Roberts算子原理

Roberts算子[8]通過對角線方向相鄰像素差近似梯度幅值尋找邊緣，其原理是求取圖像點（x，y）的2×2鄰域上的對角導數，使用在該像素點處的方向差分的均方值取代梯度值G[f（x，y）]：

第3步，對圖像梯度幅值進行“非極大值抑制”處理，并采用雙閾值法獲得邊緣。在非極大值抑制過程中，使用3×3大小、8方向的鄰域對梯度幅值數組中的像素沿梯度方向進行插值。然后采用高、低2個閾值對非極大值抑制后的圖像進行分割，得到高閾值邊緣圖像Th[i，j]以及低閾值邊緣圖像Tl[i，j]，并將Th[i，j]中的邊緣連接成輪廓，當到達輪廓端點時，采用遞歸不斷搜索Tl[i，j]中8鄰域位置能夠連接到輪廓上的邊緣，直至Th[i，j]中所有的間隙都連接起來。

2 仿真實驗與結果分析

2.1 材料與平臺

實驗材料選自于新疆石河子地區棉花加工廠生產的原棉，棉樣共計1 283例，顏色級以白棉3級為主，在此基礎上，通過棉樣圖像采集系統、工控機硬件平臺、仿真實驗程序進行圖像的采集、分析與處理。

圖像采集系統中，采用MV-500UC系列高分辨率工業數字攝像機，最高分辨率達2 592 pixel×1 944 pixel，像素尺寸2.2 μm×2.2 μm，像元大小1/2.5 cm，清晰度1 500線，信噪比大于42 dB。

工控機采用研祥IPC-810系列，性能穩定性優越。仿真程序采用VC++結合OpenCV視覺庫的方式實現，完成原棉圖像拍攝與邊緣檢測算子的性能仿真。

實驗仿真平臺如圖1所示，其中，平臺上方為系統顯示與操控屏，箱體內部是圖像采集裝置與數據處理機，中間窗口為原棉圖像采集窗口。

2.2 結果與分析

2.2.1 檢測結果對比

在上述實驗平臺基礎上，仿真程序通過圖像采集系統獲取了棉樣圖像，其分辨率為1 642 pixel×1 800 pixel，如圖2所示。在此基礎上，針對原棉圖像進行了Sobel算子、Roberts算子、LoG算子、Canny算子的邊緣檢測實驗，并對雜質識別效果與檢測性能進行了對比分析。

選取原棉樣品圖像如圖2，分別使用Sobel算子、Roberts算子、LoG算子、Canny算子對其進行邊緣檢測，獲取的雜質邊緣，同時，為了便于觀察，對結果進行反色處理，結果如圖3所示。

通過圖3算子檢測結果對比可以看出，實驗所采用的邊緣檢測算子都能檢測到雜質的邊緣，但Sobel算子、Roberts算子、LoG算子在計算時不可避免的取得了虛假的像素點，如圖3中（a）、（b）、（c）圓圈內所示皆為棉層擠壓導致深色區，并非實際的雜質。與此同時，沒有能夠消除圖像的背景噪聲，雜質與背景分離效果不佳，給后續的圖像處理帶來了困難;如圖3（d）所示，Canny算子能夠有效消除背景噪聲，且雜散點少、原棉雜質邊緣刻畫流暢、清楚。

2.2.2 檢測耗時對比

在算子的檢測耗時方面，針對實驗材料中選取的原棉樣品，實驗分別采集5種不同分辨率的圖像，采用Sobel算子、Roberts算子、LoG算子、Canny算子分

別進行檢測實驗，進行檢測耗時的對比分析。圖4的檢測結果顯示，當棉樣圖像分辨率低于600 pixel×800 pixel的情況，各檢測算子耗時相當，維持在0.28 s附近;當分辨率高于1 642 pixel×1 800 pixel時，Sobel算子、Roberts算子、LoG算子較Canny算子相對耗時增幅顯著，最大增幅達1.1 s，最小增幅0.2 s。

2.2.3 檢測準確率對比

由于目前對棉花雜質的檢驗采用是人工檢驗方式，因此，在算子的檢測準確率方面，采用本文實驗仿真系統與按照國標人工檢驗相對比的方式進行，選取檢測概率比作為檢測效果的評價準則。其中，在整個樣品數據集中，對于任一類雜質檢測概率比的計算方法是實驗仿真程序檢測的雜質結果數量與按照GB/T 6499—2012人工檢驗結果數量比值的算術平均值。

在此基礎上，選取1 283例原棉樣品并采集其圖像，如圖5所示。

近年來，由于棉花采收、加工設備技術不斷提升，非棉纖維性雜質在成包原棉中已基本杜絕，因此選定棉葉、破籽類、不孕籽、僵片、軟籽表皮5類常見的雜質進行檢測，通過仿真程序逐一計算上述5類雜質的識別結果，同時，根據GB/T 6499—2012規定的人工檢驗方法計算上述5類雜質的檢驗結果，進而分別求得檢測概率比，結果見圖6。

與Sobel算子、Roberts算子、LoG算子相比，Canny算子通過二階微分圖像增強、梯度閾值化取舍、“非極大值抑制”處理、形態學開閉運算，使得提取的圖像邊緣連續性好。其檢測效果明顯優于Sobel算子、Roberts算子、LoG算子，尤其在破籽類雜質的邊緣檢測方面，檢測概率比達到92.5%。

2.2.4 檢測算子適用性分析

由于Sobel算子采用先局部平均然后求差分的方法對圖像進行平滑處理，能夠實現一定程度上的去除噪聲的功能。

Roberts算子采用的是直接通過局部差分法尋找圖像邊緣，然后求取梯度值，圖像中邊緣點的定位精度高，能夠較好的實現對水平和垂直方向邊緣的檢測;但由于缺少對圖像進行相應的平滑處理，容易導致其對噪聲敏感，只適合于噪聲少且邊緣明顯的圖像檢測。

對于LoG算子來講，Gauss函數標準差具有控制平滑的作用，因此σ的取值很關鍵。具體的：σ值越大，用于平滑的Gauss濾波模板越大，圖像中高頻部分的抑制效果增強，有效避免孤立點及虛假邊緣點的檢出，同時，Gauss濾波器的平滑作用會消除一部分邊緣細節，如圖3中（a）、（b）、（c）圓圈內所示皆為棉層擠壓導致深色區，造成一定程度的邊緣點漏檢，造成邊緣定位的偏移，降低了邊緣的定位精度;相反，σ值越小，邊緣定位準確，但平滑、去噪性能降低。

在理論上，Canny算子是一種相對完善的邊緣檢測算法。特別是在二維坐標空間下，由于Canny檢測算子具有方向特性，使其在尋找與定位邊緣的性能上要優于LoG算子。同時，Canny算子能夠產生邊緣的梯度方向和強度2個維度的信息，具有更好的抗噪性能，如圖3（d）所示，Canny算子在高閾值為1.5時，低閾值為0.2時雜質邊緣定位準確，為后續圖像處理提供了便利。但是，Canny算子為了得到較好的邊緣檢測效果，通常需要使用大濾波器，從而容易丟失邊緣的細節信息。

通過對Sobel算子、Roberts算子、LoG算子、Canny算子的原理分析以及針對原棉雜質樣品的仿真實驗結果表明，Canny算子能夠在雜質邊緣定位、背景噪聲消除方面都具有優良的性能，檢測到的邊緣連續性好、背景噪聲小，尤其適用于原棉中破籽類雜質的分析與識別。

3 結 語

邊緣檢測算法的研究是圖像處理領域的重要課題，現有的圖像邊緣檢測算法多數是基于特定條件、特定圖像類型進行檢測，由于數字圖像的多樣性和復雜性，尚不能做到普遍適用性。原棉作為大宗紡織原料，如何為原棉圖像選擇合適邊緣檢測方法，高效地進行含雜狀況的分析與識別，已成為亟待解決的難題。本文選取常用的Sobel算子、Roberts算子、LoG算子、Canny算子4種邊緣檢測算子，在以原棉為樣本的仿真實驗結果顯示，Canny算子在雜質邊緣定位、背景噪聲消除方面都具有優良的性能，檢測到的邊緣連續性好、背景噪聲小，尤其適用于原棉中破籽類雜質的分析與識別。同時，通過邊緣檢測算子的檢測效能對比，也為原棉雜質圖像邊緣檢測方法的選取提供了參考依據。

參考文獻：

[1] 中華人民共和國國家質量監督檢驗檢疫總局.GB/T 6499—2012原棉含雜率試驗方法[S].北京：中國標準出版社，2012.

[2] 周航，杜志，龍武，等.機器視覺技術在現代農業裝備領域的應用進展[J].中國農機化學報，2017，11（38）：86-92.

[3] 輔小榮.基于機器視覺的品質檢測系統設計[J].產業與科技論壇，2018，17（2）：38-39.

[4] 周航，杜志龍，武占元，等.機器視覺技術在現代農業裝備領域的應用進展[J].中國農機化學報，2017，38（11）：86-92.

[5] 王銘，耿向陽，曲京武，等.棉花品級檢測中HVI與人工檢測法相關度分析[J].中國纖檢，2012（5）：52-55.

[6] 韋京艷，唐淑榮，褚平侯，等.基于AFIS測試的機采棉和手采棉纖維品質分析[J].中國棉花，2015，12（42）：29-32.

[7] 張豐收，李斯文，胡志剛，等.一種改進的Sobel梯度函數自動對焦評價算法[J].光學技術，2017，43（3）：234-238.

[8] 文永革，何紅洲，李海洋.一種改進的Roberts和灰色關聯分析的邊緣檢測算法[J].圖學學報，2014，35（4）：637-642.

[9] 董雪，林志賢，郭太良.基于LoG算子改進的自適應閾值小波去噪算法[J].液晶與顯示，2014，29（2）：275-280.

[10] 許宏科，秦嚴嚴，陳會茹.一種基于改進Canny的邊緣檢測算法[J].紅外技術，2014，36（3）：210-214.