基于圖像處理的羊毛/山羊絨鑒別方法研究進展

王軍慶,馬佩佩,李保榮,朱樂樂

(西安工程大學 紡織科學與工程學院,陜西 西安710048)

山羊絨是名貴的特種動物纖維之一,在當今國際市場上統(tǒng)稱為“開士米”(Cashmere),被人們譽為“纖維寶石”、“軟黃金”。其制品集輕、暖、寬松、手感柔軟等其他動物纖維的優(yōu)點于一體,深受消費者喜愛[1-3]。由于羊毛與山羊絨價格相差較大,市場上經(jīng)常出現(xiàn)羊毛混入山羊絨的現(xiàn)象,損害了消費者的利益,因此能夠快速正確地區(qū)分羊毛和山羊絨纖維是非常必要的。目前纖維識別方法主要有光學顯微鏡法[4]、掃描電子顯微鏡法[5]、近紅外光譜法[6]、力學性能分析法[7]、溶液法[8]、染色法[9]、DNA 鑒別法[10]、生物芯片技術(shù)[11-12]等。

近年來,數(shù)字圖像處理、計算機視覺和機器學習等技術(shù)發(fā)展迅速。許多研究人員開始利用光學顯微鏡和掃描電鏡采集圖像,使用相關(guān)算法對山羊絨和羊毛纖維的紋理或形態(tài)特征進行分析,以更好地識別羊毛和山羊絨纖維。綜述了近幾年基于圖像處理的羊毛/山羊絨鑒別方法研究現(xiàn)狀,重點介紹了利用數(shù)字圖像處理和計算機視覺結(jié)合不同的識別分類器(支持向量機、貝葉斯模型、決策樹和人工神經(jīng)網(wǎng)絡(luò)等)對羊毛/山羊絨纖維進行鑒別。

1 支持向量機法

支持向量機(SVM)的基本原則是最小化其訓練經(jīng)驗風險,訓練樣本數(shù)越大其經(jīng)驗風險越小。通過纖維圖像預處理、纖維識別特征提取等處理,可獲取羊毛羊絨纖維的特征數(shù)據(jù),建立合適的纖維特征樣本,進行SVM 訓練從而得到識別羊毛羊絨纖維的SVM 分類模型。

沈巍等[13]將在HSV 顏色模型下的山羊絨與羊毛混紡紗線的切片圖進行初步的背景分離,通過特征數(shù)據(jù)取樣,應(yīng)用SVM 對圖片進一步精確分離,從而使提取目標完整地從原圖中分離出來,這種支持向量提取的方法為應(yīng)用圖像處理方法測試山羊絨羊毛混紡比提供了可行性。馬彩霞等[14]測量了羊毛和山羊絨纖維的8個特征參數(shù),選擇SVM 作為監(jiān)督分類的分類器,該方法的識別精度接近89.0%。Zhong等[15]將羊毛和山羊絨纖維的顯微圖像轉(zhuǎn)化為投影曲線。為了揭示投影曲線的數(shù)值特征,比較了3種不同的方法,包括離散小波變換、直接幾何描述和遞歸量化分析。將數(shù)值特征輸入ANN、SVM 和核嶺回歸3種分類器,進行有監(jiān)督分類。試驗表明,遞歸量化分析和SVM 的結(jié)合達到了最佳的精度。焦明艷等[16]將纖維圖像中的鱗片模式看作一種紋理,并使用灰度共生矩陣描述圖像中的紋理特征。從每副纖維圖像的灰度共生矩陣中提取了5個特征并使用SVM 作為分類器進行有監(jiān)督的分類識別。使用澳洲細羊毛和山羊絨作為樣本進行試驗,識別率超過90%。

朱俊平[17]獲取樣本中山羊絨和羊毛纖維的光學顯微鏡圖像,使用圖像處理和計算機視覺技術(shù)提取圖像特征,使用這些特征描述纖維圖像。選用SVM 作為分類器,提取的特征作為分類器輸入,對圖像進行分類,從而達到纖維鑒別的目的。Lu等[18]采用光學顯微鏡采集圖像,對圖片進行預處理以增強特征提取局部特征并生成視覺單詞,再依據(jù)視覺單詞對纖維圖像進行分類,采用SVM 作為分類器,得到識別結(jié)果。利用掃描電鏡對羊毛和山羊絨纖維進行了圖像分析,提取了快速魯棒的光纖圖像特征,并將每幅光纖圖像視為特征向量的集合。將向量輸入SVM 進行有監(jiān)督學習。掃描電鏡圖像的結(jié)果表明,該方法是有效的,對2種纖維的大范圍混合比例,識別率都在93%以上[19]。柴新玉[20]利用電子顯微鏡采集圖像,用圖像處理技術(shù)對圖片進行預處理,之后進行特征的提取,再將大量SURF特征聚類并轉(zhuǎn)化為直方圖向量的形式,最后使用SVM進行分類鑒別。陶偉森等[21]采用螺旋相位相襯顯微鏡采集并突出羊毛與山羊絨纖維表面紋理特征,利用圖像處理技術(shù)對交叉纖維的處理分割單根纖維,提取纖維形態(tài)特征和紋理特征,結(jié)合SVM 分類鑒別羊毛與山羊絨纖維,正確率達到93.1%。

2 貝葉斯法

貝葉斯分類是一類分類算法的總稱,這類算法均以貝葉斯定理為基礎(chǔ),故統(tǒng)稱為貝葉斯分類,該算法能運用到大型數(shù)據(jù)庫中,而且方法簡單、分類準確率高、速度快。

石先軍等[22]根據(jù)羊毛和山羊絨纖維的形態(tài)結(jié)構(gòu)差異,利用顯微成像系統(tǒng)獲取山羊絨及細羊毛的顯微圖像,采用圖像技術(shù)提取2類纖維的4個特征參數(shù):細度、鱗片高度或密度、鱗片邊界周長和鱗片顯示面積作為比對指標。在樣本數(shù)據(jù)庫上基于4個比對指標的統(tǒng)計假設(shè)建立辨識細羊毛與山羊絨纖維的貝葉斯分類模型。該模型對山羊絨纖維的鑒別準確率達83%,對細羊毛纖維則達90%。Shang等[23]利用圖像處理方法得到最終二值圖像的基礎(chǔ)上提取了纖維直徑、尺度高度、尺度投影寬度等6個特征,并利用貝葉斯模型對纖維圖像進行分類和識別。山羊絨和羊毛的識別效果最好,識別率高達99%;對山羊絨和拉伸羊毛的識別結(jié)果,識別率高達81.06%。

謝瑾仁等[24]利用數(shù)字顯微成像系統(tǒng)在不同照明方式下采集的圖像質(zhì)量存在差別,通過圖像處理和特征提取表征山羊絨和羊毛纖維的5個參數(shù)指標特征參數(shù):直徑、鱗片高度、鱗片周長、鱗片面積、徑高比。對各參數(shù)的相關(guān)系數(shù)分析,構(gòu)建識別山羊絨和羊毛纖維的貝葉斯分類模型。Xing等[25]利用自行研制的光學顯微鏡和數(shù)碼相機系統(tǒng)采集原始光纖圖像,使用圖像處理技術(shù)處理圖片提取鱗片高度、纖維直徑及其比例等3種形態(tài)特征并進行分析,在對3種形態(tài)特征進行統(tǒng)計假設(shè)的基礎(chǔ)上,建立了識別羊毛和山羊絨纖維的貝葉斯分類模型,該方法的識別精度可達94.2%。

3 決策樹法

決策樹是數(shù)據(jù)挖掘中一種簡單、經(jīng)典且廣泛應(yīng)用的分類技術(shù)。它是使用樹結(jié)構(gòu)算法對數(shù)據(jù)進行分類預測的方法。山羊絨與羊毛纖維的識別是利用單根纖維上的多元指標作為分類研究的特征屬性來判斷所測試樣。

蔣高平等[26]先通過光學顯微鏡獲得羊毛與山羊絨的圖像,然后經(jīng)過圖像處理得到羊毛與山羊絨的表面信息,獲得羊毛與山羊絨表面所對應(yīng)的譜線并對其進行分割和特征提取,對其單元寬度值、單元峰值及離散系數(shù)等參數(shù)分析并確定判別界限,利用決策樹方法對其進行鑒別。季益萍等[27]提出采用圖像處理技術(shù)提取單根纖維上的多個指標(細度、鱗片高度和徑高比)作為分類研究的特征屬性,利用4種不同的決策樹算法對羊毛和山羊絨纖維之間進行分類和識別,試驗發(fā)現(xiàn)每種算法的平均相對誤差都小于6%,且C5.0算法比其他算法更為精準和穩(wěn)定。

4 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)是微觀結(jié)構(gòu)與功能上對人腦神經(jīng)系統(tǒng)模擬而建起來的一類模型,其數(shù)學理論的本質(zhì)是非線性的。它處理和解決問題時,不需要精確的數(shù)學模型,而是通過自學習能力和結(jié)構(gòu)的可變性,逐步適應(yīng)外部環(huán)境各因素的作用,不斷修改自身行為,以達到最終解決問題的目的。

Zhang等[28]從纖維表面提取紋理特征,對羊毛/山羊絨纖維進行分類。然后構(gòu)造了一個人工神經(jīng)網(wǎng)絡(luò)對這2種纖維進行分類。Yuan等[29]將CCD 數(shù)碼相機采集的顯微圖像作為紋理圖像進行預處理,利用改進的Tamura紋理特征對最終的紋理圖像進行分析得到的6個紋理特征參數(shù)。通過大量的樣本,利用神經(jīng)網(wǎng)絡(luò)進行數(shù)學建模,并用該模型自動進行識別。邢文宇等[30]通過光學顯微鏡及數(shù)碼相機進行圖像采集,利用灰度共生矩陣算法與水平集中軸線算法相結(jié)合的方法提取纖維的紋理(能量、熵、慣性矩、相關(guān))與形態(tài)(直徑)特征,最后將紋理及形態(tài)特征參數(shù)融合成多維數(shù)組并通過K 均值算法進行聚類識別,該算法平均識別率可達到95.25%。

5 其他方法

石先軍等[31]用偏光顯微鏡和海鷗CDD 獲取圖像,用測量軟件進行圖像處理并提取鱗片紋圖參數(shù)。山羊絨鱗片紋圖基因碼的數(shù)字特征表明其鱗片更似方形或窄矩形,而細羊毛的則更似寬矩形。2類纖維其他紋圖基因碼部分重疊,據(jù)此可建立具有最小識別誤差的纖維辨識標準,獲得了山羊絨纖維最大識別概率為88.8%,羊毛最大識別概率為92%。

李桂萍等[32]利用圖像處理技術(shù)把光學顯微鏡圖片轉(zhuǎn)化為紋理灰度圖像繼而投影為譜線圖。通過分析羊毛和山羊絨譜線圖并在其上提取6項參數(shù)指標,分析6個特征參數(shù)的特征值概率分布圖以及相關(guān)性,用橫向平均值和縱向離散度特征建立識別函數(shù),識別山羊絨和羊毛的混合樣本。

王飛等[33]使用山羊絨與羊毛的光學顯微鏡圖像,借助計算機卷積網(wǎng)絡(luò)技術(shù)中的特征提取及特征描述方法,將纖維鑒別問題轉(zhuǎn)化為圖像分類問題。通過改進采用低維度的CW-Net提取纖維圖像表面特征,采用sigmoid分類器分類圖像鑒別山羊絨與羊毛,得到的最優(yōu)準確率達92.1%。

6 結(jié)語

目前利用數(shù)字圖像處理和計算機視覺結(jié)合不同的識別分類器(支持向量機、貝葉斯模型、決策樹和人工神經(jīng)網(wǎng)絡(luò)等)對羊毛/山羊絨纖維鑒別進行了大量的研究,并取得了一定的研究成果,但仍然存在很多問題需要研究者去解決,例如圖片的采集方式和質(zhì)量、圖像處理的方案、識別特征的提取、識別的分類器選擇和成本等。未來基于圖像處理的羊毛/山羊絨鑒別的可能主要是向著高效、高準確率和低成本的方向發(fā)展,使其能夠快速應(yīng)用到人們的實際生活中,為人們的生活提供便利。