應用自適應濾波與閾值迭代的原棉雜質視覺檢測方法

齊英蘭

(河南輕工職業學院信息工程系，河南鄭州 450002)

棉花雜質是指原棉中含有的非棉纖維性物質及其著生的纖維，如沙土、枝葉、鈴殼、破籽、不孕籽、帶纖維籽屑、軟籽表皮等。近年來，隨著機采棉技術的廣泛應用，籽棉被快速收割的同時，大量的雜質也一并混入其中，即使經過籽清、皮清以及軋花，原棉中仍然維持了較高的含雜率。如果這些雜質在紡紗過程中不能被有效清除，將會造成條干不均、染色不勻、棉紗斷頭、損耗過大，嚴重時還會造成紡織成品的廢品、次品率過高，給國家和企業造成經濟損失[1]。目前，根據GB/T 6499—2012《原棉含雜率試驗方法》[2]，原棉雜質主要通過采用雜質分析機結合人工挑揀、稱重的方式進行，該方式耗時長，勞動強度大，不能實現雜質快速自動化檢測，檢測效率與效果亦難以保證，同時，這也不利于實現我國棉纖維質量快速儀器化檢驗的目標。

由于原棉雜質圖像邊緣中包含了豐富的雜質自身物理特性、雜質與圖像背景等信息，因此，在原棉雜質檢測中采用邊緣檢測圖像技術是較為有效的方法[3－4]。當前常用的邊緣檢測算子有Canny算子、Sobel算子、Roberts算子、Prewitt算子、Laplacian算子等[5－6]，與上述邊緣檢測算子相比較，Canny算子邊緣檢測具有檢測精度高、信噪比大等特點，在數字圖像處理技術中得到廣泛應用[7]。但由于Canny方法采用頻譜分析進行檢測，其高斯濾波方程方差以及閾值需要人工設定，造成原棉雜質邊緣識別不完整、偽邊緣增多的情況，進而影響算子的自適應性和實時性[8－9]。

本文在現有Canny方法的基礎上進行優化分析，提出一種基于改進Canny算子的原棉雜質檢測方法。本文改進方法采用自適應平滑濾波代替高斯濾波對原棉圖像進行平滑，以一種小尺寸平均加權濾波模板與原圖像迭代卷積，并在每次迭代過程中自適應地調整各像素的加權系數。同時，采用最大類間方差法自適應地確定高低閾值，增強了Canny算子的自適應性，同時，仿真實驗進一步驗證了本文改進方法的有效性。

1 Canny算子改進思路

Canny邊緣檢測算子主要通過定位準則、信噪比準則、單邊響應準則[10]來獲取較好的檢測效果。對于原棉雜質圖像處理而言，若要實現準確的雜質定位以及虛假邊緣的抑制，就需要從Canny算子的關鍵環節出發，提出改進思路。

首先，Canny算子濾波采用二維高斯濾波對進行圖像噪聲濾波，高斯函數如式(1)所示:

式中σ為高斯濾波器模板參數。邊緣檢測精度隨σ的增大而降低，信噪比隨σ的增大而增強。同時，由式(1)可知，作為高斯函數濾波參數σ，其取值將很大程度上影響著圖像濾波與平滑的效果，對圖像平滑效果具有決定性作用。而σ的取值是由人為設定，這也使得不同圖像需要根據圖像的特征人工設定不同的σ值，不能實現σ值的自動確定，影響圖像中雜質邊緣的提取效果。因此，可以從圖像濾波方法上進行優化，提高濾波的適應性。

其次，Canny算子在邊緣檢測前需要人工設定高低閾值，而根據主觀經驗設定高低閾值的方法，極易受到人為因素影響，使得邊緣和偽邊緣的連續性存在矛盾。此外，同樣一組高低閾值對于不同的圖像，其邊緣檢測效果差異較大，閾值設置不具有自適應性。因此，圖像自身所需的高低閾值的自適應獲取，也將有利于提高Canny算子的性能。

2 基于適應濾波與閾值迭代的原棉雜質檢測

根據Canny算子的改進思路，本文將從圖像濾波方法、高低閾值設置等方面進行優化，通過改善Canny算子參數設置的自適應性來進一步提高算子的邊緣檢測性能。

2.1 自適應平滑濾波

在圖像濾波環節，針對Canny算子高斯函數濾波參數需要人工設定的問題，采用自適應平滑濾波代替高斯濾波對原棉圖像進行平滑。通過一種小尺寸平均加權濾波模板與原圖像迭代卷積，在每次迭代過程中自適應地調整各像素的加權系數。假設f(x，y)為原棉輸入圖像，那么迭代計算方法如下:

①通過式(2)、(3)，確定原棉圖像梯度分量Gx(x，y)、Gy(x，y) ；

②通過式(4)確定濾波模板參數。其中，k的取值大小能夠約束保留的突變圖像邊緣幅值；

③通過式(5)對圖像f(n)(x，y)進行加權平均。其中，f(n)(x，y)表示第n次迭代后的圖像。

④當前迭代次數n小于迭代總次數時，則繼續步驟①；當前迭代次數n大于迭代總次數時，迭代完成。

這種迭代運算方法能夠在抑制圖像噪聲的同時，進一步銳化圖像邊緣，對原棉雜質邊緣檢測的后續環節產生積極作用。

2.2 高低閾值自適應選取

當圖像濾波方法確定后，面臨Canny算子高低閾值的設定問題。為此，本文提出采用最大類間方差法自適應地確定高低閾值，根據圖像灰度信息，把原棉圖像分為背景和目標2部分，背景和目標間的類間方差越大，則分類越準確。當背景和目標存在錯分時，相應的類間方差會變小，因此當類間方差最大時，就意味著背景和目標錯分的概率最小。

假設設定 1 個閾值 Tk，0＜Tk＜L－1，L 為圖像中灰度級數目，那么該閾值將圖像劃分成I1和I22部分，其中I1由圖像灰度值在[0，Tk]范圍內的像素組成，I2由圖像灰度值在[Tk＋1，L－1]范圍內的像素組成。

根據閾值Tk，分配到I1的像素的平均灰度值G1(Tk)由式(6)獲得；分配到I2的像素的平均灰度值G2(Tk)由式(7)獲得。其中，P1(Tk)表示像素被分到類I1中的概率；P2(Tk)表示像素被分到類I2中的概率。

最佳閾值就是類間方差最大時的Tk值。若使得類間方差最大值時的Tk值不唯一，則將類間方差取最大值時所有Tk值的平均值作為最佳閾值。同時，將最佳閾值設定為高閾值Th，再根據高閾值是低閾值2倍的關系求得低閾值Tl。這樣就避免了人為設定高低閾值的主觀性，增強了自適應能力。

2.3 檢測方法梗概

通過上述對Canny算子在濾波方法以及高低閾值設置方面的優化，改進后的原棉雜質檢測方法主要流程如圖1所示。

圖1 本文雜質檢測方法流程

3 實驗仿真與結果討論

3.1 實驗準備

為進一步驗證本文方法的可行性和有效性，實驗選取含有雜質的原棉樣本100份，每份500 g，同時，建立了包含高分辨率工業相機、工控機在內的棉樣圖像采集平臺，在Windows 7系統基礎上，采用VC＋＋開發工具與Open CV圖像處理庫編寫了實驗仿真程序。

此外，在實驗參數設置方面，Canny方法高斯濾波器模板參數σ設置為5，高閾值為350，低閾值為180；Sobel方法分割閾值為1.2；本文方法濾波模板參數K因子設置為8，迭代次數為6次，最大類間方差法中的閾值Tk為200。

3.2 檢測效果

通過圖像采集平臺，實驗獲取了棉花樣本圖像如圖 2(a)所示，其分辨率為 1 451 pixel×1 451 pixel，位深度24，經過本文方法仿真程序的檢測，得到了原棉樣本圖像對應的雜質識別結果，如圖2(b)所示。

圖2 檢測結果

對比圖2(a)的樣本圖像，通過圖2(b)可以看出，本文方法能夠有效去除圖像噪聲，較好地識別出圖像中的雜質，雜質與圖像背景的界限分明，且雜質邊緣清晰明確。特別是對于有些部分嵌入在棉層中的雜質，本文方法通過增強濾波及高低閾值選取的自適應，避免了淺層棉花中的像素點干擾，使得檢測到的棉花雜質邊緣完整、流暢。

3.3 不同方法檢測結果圖像對比分析

為了更加有效地驗證原棉雜質檢測性能，針對同一原棉雜質圖像(圖3(a))，實驗分別選取Canny方法、Sobel方法與本文方法從檢測結果圖像進行對比分析，3種方法的測試結果如圖3所示。

圖3 檢測結果圖像對比

從圖3(b)可以看出，Sobel方法在檢測時，邊緣刻畫的比較深刻，但雜質與原棉圖像背景的分離效果不明顯，圖像分割后的結果背景噪聲大，同時，出現了虛假像素點。從圖3(c)看可以看出，Canny方法對原棉雜質的刻畫較簡潔，濾除了相關噪聲，背景噪聲小，有利于對雜質的分析與深度識別，對有些原棉雜質存在“漏檢”的情況。而對于圖3(d)，本文方法檢測結果背景噪聲小，雜質與原棉背景的分離效果好，并且一定程度上避免了虛假像素點與“漏檢”，對雜質邊緣的描述完整，具有較好的檢測效果。

3.4 不同方法雜質邊緣提取效果對比分析

采用4連通域數、8連通域數以及它們間的比值方法進行評價，4連通域數指在它的4鄰域內與之連通的像素數，8連通域數指在它的8鄰域內與之連通的像素數。

假設邊緣點總數為A，4連通域數為B，8連通域數為C。通常情況下，對于邊緣圖像而言，若C/A值越小，說明邊緣檢測的間斷越少，連續性越好；若C/B值越小，說明單像素邊緣所占比例越大，越符合單一邊緣響應準則。因此，可以使用C/A、C/B值評價邊緣提取效果。

根據上述定量評價方法，選取原棉試樣100份，每份質量100 g，通過圖像采集平臺，采集100份原棉試樣圖像，分別采用Canny方法、Sobel方法以及本文方法進行檢測實驗，對結果計算平均值，原棉試樣統計結果均值堆積圖如圖4所示。可以看出，在C/A值方面，本文改進方法較 Canny方法降低16.8%，本文改進方法較Sobel方法降低24.2%；在C/B值方面，本文改進方法較 Canny方法降低18.8%，本文改進方法較Sobel方法降低29.7%。綜合結果表明，本文改進方法在邊緣連續性和邊緣提取方面都具有更優的效果，能有效提高原棉雜質檢測的性能。

圖4 原棉試樣統計結果均值堆積圖

3.5 本文方法與國標檢測方法對比分析

原棉中的雜質主要以棉葉、破籽、帶纖維籽屑、軟籽表皮4類雜質為主，因此，與國標檢測結果對比分析中僅針對這4類雜質展開。

實驗選取試樣原棉100份，每份質量100 g，根據圖像采集平臺并分別采集樣品圖像，分析其雜質檢測結果。同時，通過原棉雜質分析機與天平，根據GB/T 6499—2012《原棉含雜率試驗方法》規定的方法人工檢驗上述4類雜質的結果。本文方法識別結果與國標檢驗結果對比如圖5所示。

圖5 本文方法與國標檢測結果對比

由圖5可知，在4類雜質的識別上，本文方法與國標方法結果差異小，檢測結果平均相符率為92.7%，具有較好的一致性，特別是在破籽與棉葉的識別上，本文方法檢測結果更為優異，相符率達到96.5%。由于原棉雜質中，棉葉和破籽類雜質占比較高，因此，本文方法能夠有效用于原棉雜質的檢測。

4 結束語

邊緣檢測是原棉雜質機器視覺分析中的關鍵環節。針對Canny算子濾波模板參數與高低閾值人為設定而導致的雜質弱邊緣丟失問題，提出一種基于改進Canny算子的原棉雜質檢測方法，該方法采用自適應平滑濾波代替高斯濾波對原棉圖像進行平滑處理，以小尺寸平均加權濾波模板與原圖像迭代卷積，并在每次迭代過程中自適應地調整各像素的加權系數，同時，采用的最大類間方差法能夠自適應地確定高低閾值，實現了濾波模板參數與高低閾值的自動優化，避免了弱邊緣的丟失。仿真實驗結果表明，本文方法檢測到的原棉雜質邊緣完整、流暢，減少了偽邊緣的出現，8連通域數與邊緣點總數比值比Canny方法平均降低16.8%，8連通域數與4連通域數比值比Canny方法平均降低18.8%，能夠有效提高原棉雜質檢測的性能。進一步為原棉雜質圖像邊緣檢測方法的改進提供了參考依據。