基于匹配濾波和多特征融合的羊絨羊毛纖維識別

朱耀麟，穆婉婉，李云紅，武 桐

(1.西安工程大學 電子信息學院，陜西 西安 710048； 2.西北工業大學 電子信息學院，陜西 西安 710072)

羊絨因其獨特的手感和保暖性，常常被用作高檔服飾的原料，深受消費者喜愛。由于羊毛在外觀形態、化學結構和物理性質等方面都與羊絨極其相似[1]，所以市場上使用羊毛摻混羊絨的現象非常普遍，但二者價格和服用性能都相差巨大，因此，建立客觀、準確的羊絨羊毛纖維自動識別模型具有重要的現實意義。

目前常用的羊絨和羊毛纖維識別方法有顯微鏡檢測法[2]、近紅外光譜法[3]、DNA檢測法[4]、基于圖像處理與計算機視覺的方法。其中，基于圖像處理與計算機視覺的方法成本低，易于實現，是目前纖維識別領域的研究熱點[5-6]，這種方法的關鍵是對纖維圖像的處理和特征的提取。沈精虎等[7]對羊絨羊毛纖維掃描電子顯微鏡(scanning electron microscope，SEM)圖像通過邊緣檢測、二值化、膨脹腐蝕等操作提取纖維骨架，接著對損傷、雜質等部分進行人工處理，選取纖維直徑、鱗片厚度、鱗片邊緣傾斜率等11個特征指標進行區分。石先軍等[8]將閾值分割與邊緣檢測結合以分割纖維骨架，測量其18個幾何指標并進行分析，遴選出最優組合，通過貝葉斯模型對羊絨羊毛進行識別。上述方法都直接使用邊緣檢測算子提取纖維骨架，只適用于對比度較好的圖像，易受光照、噪聲的影響，結合其他算法進行處理，增加了時間復雜度和空間復雜度，且都依據纖維幾何特征進行分類，但幾何特征對數據的敏感程度高，近年來羊絨“羊毛化”現象嚴重，這種方法很難再滿足要求。柴新玉等[9]提取了纖維的加速穩健特征(speeded up robust features，SURF)進行聚類，將特征轉換成對應的高維向量，借助支持向量機(support vector machines，SVM)對纖維進行分類。劉偉麗[10]采用局部二值模式(local binary pattern，LBP)特征將纖維圖像轉換成二進制序列，統計編碼的直方圖向量送入SVM進行識別。焦明艷[11]使用灰度共生矩陣(gray-level co-occurrence matrix，GLCM)來描述圖像紋理，并從中提取了5個二次統計量作為特征參數進行分析。單一紋理不能完全表征羊絨羊毛纖維圖像信息，導致識別率不高。

依據以上分析，本文提出一種基于匹配濾波和多特征融合的羊絨羊毛纖維識別方法。該方法針對羊絨羊毛纖維SEM圖像的特點，設計合適的濾波核函數以提取纖維骨架，依據纖維骨架圖像信息的不同提取其幾何特征、紋理特征、邊緣特征，融合成多維向量送入SVM對羊絨與羊毛纖維圖像進行分類。

1 系統模型

通過研究發現，圖像處理技術區分羊絨羊毛纖維的主要依據在于二者的表面形態和鱗片結構不同。羊絨纖維直徑較小，鱗片表面較為平滑，而羊毛纖維相比而言更粗，鱗片間隔小、密度大，且排列不規則。這些信息主要集中在纖維骨架部分，即在羊絨羊毛纖維圖像識別中，纖維邊緣及鱗片邊緣起決定性作用。

依據2種纖維鱗片模式的不同進行分類，圖1給出了本文算法的主要流程。輸入圖像首先經過預處理去除背景，使得提取的特征都能集中在纖維主體部分；其次經過匹配濾波分割纖維骨架，便于提取纖維邊緣和鱗片邊緣信息；然后通過灰度直方圖統計特征表征纖維鱗片密度，GLCM特征表征纖維鱗片均勻度，方向梯度直方圖(histogram of oriented gradient，HOG)特征表征纖維輪廓和形狀，獲得羊絨羊毛纖維圖像完善的特征信息；最后將特征進行融合后送入SVM分類器。

圖1 算法流程圖

2 基于匹配濾波和多特征融合方法

2.1 匹配濾波法分割纖維骨架

匹配濾波器是指濾波器的性能與信號特性達到一致，使得輸出信號有用成分最強，噪聲成分最小，即輸出信噪比最大。本文采用匹配濾波[12]的方式分割纖維骨架。

圖2為截取的一段纖維SEM圖像鱗片邊緣橫截面及其周圍像素的灰度分布圖，橫坐標為截取片段像素值，縱坐標為像素的灰度值。由圖可知，鱗片邊緣橫截面灰度值高，周圍像素灰度值低，符合高斯分布。觀察纖維圖像可以看出羊絨羊毛纖維具有以下特點：①鱗片邊緣具有較小的曲率，可以用分段線性段表示。②鱗片邊緣的細度在小范圍內變化，可基本視為不變。③圖像亮度不勻，傳統方法無法準確提取纖維輪廓。基于以上特點，本文使用高斯曲線來擬合鱗片邊緣橫截面及其周圍像素的灰度變化，設計用于檢測鱗片邊緣和纖維邊緣的濾波器。將纖維鱗片看做是一段一段相連的線段，在一定長度范圍內，如果各鱗片邊緣段寬度與高斯曲線尺度相匹配，就會產生較強的輸出響應，從而識別鱗片邊緣。因此濾波使用的二維高斯核函數定義為：

圖2 纖維鱗片橫截面灰度分布

K(x,y)=exp(-x2/2σ2),|y|≤L/2

(1)

式中：σ是高斯函數的尺度大小即鱗片邊緣寬度，L代表分段鱗片的長度，大小均以像素衡量。

纖維鱗片邊緣的方向是任意的，為了匹配不同方向的鱗片邊緣，需要將高斯核矩陣旋轉不同的角度。旋轉矩陣為：

(2)

由于高斯曲線沿x軸方向無線延長，又因3倍標準差(σ)的尺度包含了99%的信息，對其進行截斷，則第i個高斯核矩陣中的系數為：

ki(x,y)=exp(-u2/2σ2),?pi∈N

(3)

式中：N={[u,v]||u|≤3σ,|v|≤L/2}。為了不改變纖維圖像均勻背景區域的灰度特性，需要將高斯核減去其均值使其平均值為零，則匹配濾波高斯核矩陣系數為：

(4)

式中：A為域N的點數。

當濾波輸出大小超過某個閾值T，則將該點標記為鱗片邊緣的一部分，達到獲取纖維骨架的目的。上述過程減小了非理想環境下錯誤檢測纖維邊緣和鱗片邊緣的可能性，同時其可以顯著抑制噪聲引起的響應。

2.2 骨架圖像特征參數提取

2.2.1 幾何特征

本文通過統計纖維骨架圖中黑色像素占全部像素的比例P作為纖維圖像的灰度直方圖統計特征，計算公式如下：

(5)

式中：p為黑色像素個數，圖像大小為M像素×N像素。該特征在一定程度上反映了纖維鱗片密度，一般地，羊絨鱗片密度范圍為57～64個/mm，羊毛鱗片密度范圍為80～110個/mm[13]，對應的羊絨纖維黑色像素占全部像素的比例比羊毛纖維黑色像素占全部像素的比例要小。

2.2.2 紋理特征

對比羊絨羊毛纖維骨架圖像發現羊毛纖維紋理相對復雜，這是由于羊絨鱗片多為規則的環狀分布，間距較為均勻，周期性更強。Haralick等[14]提出，用來評估圖像紋理粗糙程度，適宜提取纖維紋理特征。該方法通過統計圖像中指定距離和方向的2個灰度值組成的像素對出現的概率，來表征圖像像素的分布規律。

本文采用能量、相關性、熵、方差和4個二次統計量來描述纖維骨架圖像的紋理特征。①能量：體現了圖像灰度分布均勻性，羊絨纖維鱗片分布規律性更強，其能量更大。②相關性：用來衡量圖像灰度在水平或垂直方向的相似度，圖像局部灰度分布越均勻，相關性越大。③熵：描述紋理的復雜程度，羊毛纖維圖像熵值更大，因其紋理相對雜亂。④方差和：表明了圖像紋理的周期性，相比羊毛而言，羊絨纖維紋理周期性更強，其方差和更大。

2.2.3 邊緣特征

HOG特征描述子[15]對梯度和方向比較敏感，圖像邊緣特征主要由梯度大小和方向決定，因此HOG可以很好的描述圖像輪廓。基本原理：將圖像劃分成多個小單元格(cell)，相鄰2×2個cell的梯度方向直方圖作為這個小塊的特征，然后進行歸一化抑制噪聲的影響，合并整幅圖像所有區塊的特征作為該圖像的HOG特征。梯度的幅值和方向為：

(6)

(7)

式中：Gx(x,y)、Gy(x,y)分別為像素點x方向和y方向上的梯度。計算式見式(8)(9)：

Gx(x,y)=H(x+1,y)-H(x-1,y)

(8)

Gy(x,y)=H(x,y+1)-H(x,y-1)

(9)

式中：H(x,y)為點(x,y)處的像素值。

羊絨和羊毛纖維的邊緣輪廓不同，羊絨鱗片結構多呈環狀，而羊毛呈瓦狀結構。纖維骨架圖像的邊緣輪廓特征比原始羊絨羊毛纖維SEM圖像清晰，基于骨架圖像提取HOG特征能夠很好地描繪圖像的形狀信息。圖3分別展示了羊絨和羊毛纖維骨架圖像提取HOG特征的可視化圖像。

圖3 纖維骨架圖像HOG特征

3 實驗結果與分析

試樣由榆林科技局提供，依據GB/T 14593—2008《山羊絨、綿羊毛及其混合纖維定量分析方法 掃描電鏡法》中的制樣方法，采集羊絨羊毛纖維圖像各400張。拍攝儀器為Quanta 450FEG掃描電子顯微鏡(美國FEI公司)，放大倍數為1 000倍，圖像大小為256像素×256像素。

羊絨羊毛纖維識別實質上是一個二分類問題，可通過計算準確率At來衡量識別效果。其定義為：

(10)

(11)

(12)

式中：Ac、Aw分別為羊絨、羊毛的識別率，%；Rc、Rw分別為正確識別羊絨、羊毛的圖片數量；Tc、Tw分別為羊絨、羊毛樣本圖片的數量。實驗過程中訓練集和測試集比例設置為7∶3，SVM核函數選擇徑向基核函數。

3.1 特征維數選取

HOG特征維數與圖像大小和cell大小的關系為：

(13)

式中：M、N分別為圖像長和寬，像素；n為單元格像素大小。本文選用16像素×16像素大小的cell，由上式計算可得256像素×256像素大小的纖維圖像HOG特征維數為2 304維。高維數據表述性更強但同時也存在大量的冗余信息，直接與纖維幾何和紋理特征串聯融合不僅會給分類速度帶來極大的負擔，且存在高維特征淹沒低維特征的風險，因此需要對纖維輪廓特征進行降維。

本文利用主成分分析(principal component analysis，PCA)對HOG特征向量進行降維。通過設置不同維數大小的參數，經實驗分析比較選擇最佳維度。考慮到特征維數越高，纖維分類需要消耗的時間越長，因此選擇在滿足較高識別率的情況下所用時間最短的特征維數。表1為HOG特征降維維度與識別率、消耗時間的關系，可知最佳維度為30維，當特征維度為80維時，分類識別率更高，但花費的時間代價卻大大提高。最終選擇維度為30維HOG特征向量進行融合。

本文實驗環境為：Intel(R) Core i7-8750H 2.20 GHz，內存為8 GB，軟件為matlab R2018b。

3.2 濾波結果分析

圖4為羊絨和羊毛纖維獲取鱗片骨架時匹配濾波和傳統方法對比圖，這里傳統方法采用文獻[8]中方法，經邊緣檢測、圖像增強后進行閾值分割。圖4(a)為羊絨與羊毛纖維去除背景后的SEM圖像，圖4(b)是經圖像增強，邊緣檢測、二值化傳統方法處理后的纖維骨架圖像，圖4(c)為匹配濾波后的纖維骨架圖像。對比圖4(b)(c)可以看出，匹配濾波在獲取羊絨羊毛纖維鱗片骨架中表現良好，抗干擾能力強，而傳統方法易受到噪聲、亮度的影響。纖維SEM圖像在拍攝過程中，不可避免會受到拍攝條件、光照不勻等的影響，匹配濾波魯棒性更強。本文取σ為2，經試驗，L=9、T=100時濾波效果最好。

圖4 匹配濾波和傳統方法對比圖

為了比較匹配濾波前后對纖維圖像分類性能的影響，分別提取濾波前后羊絨和羊毛纖維GLCM、HOG特征向量，送入SVM分類器進行分類。測試結果如表2所示，可以看出濾波后纖維分類正確率有所提升，表明匹配濾波后的纖維骨架圖像紋理信息更清晰，特征表述更準確。

表2 濾波前后分類正確率比較 %

3.3 不同方法比較

目前，基于圖像處理與計算機視覺的羊絨羊毛纖維識別方法有很多。如文獻[9]利用SURF特征算子進行纖維分類識別，通過構建碼本將圖像映射為關于視覺單詞的直方圖，最后采用SVM分類，在小樣本情況下有較高的識別率。文獻[10]使用LBP將圖像轉變為二進制編碼，送入SVM進行分類，通過實驗表明了該方法的可行性。文獻[11]從每幅圖像的GLCM中提取了5個二次統計量，使用SVM作為分類器，取得了不錯的效果。圖5為本文方法與文獻[9-11]不同特征方法識別率對比圖，比較可知本文使用方法能夠達到更高的識別率，此外，識別效率也優于文獻[9]。

圖5 不同特征提取方法識別率對比圖

4 結束語

本文提出一種基于匹配濾波和多特征融合的方法，對羊絨羊毛纖維電子顯微鏡圖像進行分類來達到纖維識別的目的。該方法對采集的原始纖維圖像去除背景后經匹配濾波法分割纖維骨架，針對纖維骨架圖像的幾何特征、紋理特征和邊緣特征，提取其灰度直方圖統計特征、GLCM特征及HOG特征，多特征融合特征共同描述纖維圖像信息，最后借助SVM分類器進行分類訓練。實驗結果表明，相比于其他鑒別方法，本文使用方法準確度更高，且在確保識別率的情況下兼顧識別速率。此外，該方法還可應用于兔毛、牦牛絨等其他動物纖維的檢測。