纤维识别中图像处理技术的研究与应用

陆馨平，许颖琦，覃于桐，许伟军，甘昊文

(上海工程技术大学，上海 201620)

纤维识别中图像处理技术的研究与应用

陆馨平，许颖琦，覃于桐，许伟军，甘昊文

(上海工程技术大学，上海 201620)

文章介绍了图像处理技术在纤维识别中的各项流程，阐述了图像处理技术在常规混纺纱纤维识别中的具体应用，为纺织行业利用计算机技术快速准确地鉴别纤维材料提供了参考。

纤维；识别；图像处理；应用

1 前言

纺织品纤维的成分鉴定在纺织工业中占有极其重要的地位，纤维成分标签是国际贸易、市场准入的必要技术要求。传统的纤维鉴别方法效率低、耗时长、准确性低，且需多种方法综合运用、反复检验。随着新型纺织纤维的研发与应用，传统的方法已不能满足当下检测工作的需要，如何快速准确地鉴别纤维材料，在如今大批量的纺织品检测中，有着重要的意义。计算机图像处理技术可以快速、高效、准确地完成部分纤维的批量识别，且操作简便，在纤维鉴别方面有很好的应用前景。

2 图像处理技术

图像处理技术是借助显微镜，利用计算机对图像进行分析，将纤维图像信号转换成数字格式，通过特定算法实现对纤维的一种非接触检测。图像处理的一般步骤：试样获取→图像采集→图像预处理(图像校正)→图像分割→图像的边缘修补→特征提取→分类识别→数据输出。

2.1 试样获取

试样获取一般使用切片法，切片的好坏会直接影响纤维的成像质量，导致实验结果出现偏差。传统切片技术可分为手工切片和机械切片。手工切片主要有铜板或不锈钢切片法、软木塞切片法和哈氏切片法，方便、快捷；机械切片，即采用切片机代替手工操作，其产量大、效率高且切片更薄，主要应用回转式切片法。周胜飞[1]研制了便于操作、可靠、高效的自动切片仪，可用于大批量纺织品检测。

2.2 图像采集

纤维切片获取之后，依靠光学显微镜或者电子显微镜和显微数码成像系统拍摄图像，拍摄效果会直接影响图像的预处理。

郑敏[2]根据棉花纤维的光学特性，对普通反射式棉花纤维图像采集系统进行了改进，改进后采集到的棉纤维图像的边缘清晰度及连续性都得到了显著的改善；李维芳[3]等根据皮芯型复合纤维细度不匀率的测试原理，采用“像素法”提取纤维横截面形态图像，通过计算芯层和皮层所包含的像素，得到图像中芯层和皮层横截面面积；吴琼[4]采用了微分干涉相差显微成像系统采集羊绒和羊毛纤维切片的纵横向图像，获得了分辨率高、轮廓特征清晰的纤维图像，便于纤维图像自动识别的实现。

2.3 图像预处理

图像预处理是图像处理过程中的一个非常重要的环节。输入图像由于设备性能优劣或光照明暗程度等采集环境的不同，不可避免地存在对比度不够、噪声大等缺点。焦距调节、拍摄距离等又会造成纤维图像位置的不确定，为了使目标和背景之间形成明显灰度差异，并保证图像的一致性，需要对图像进行预处理。

图像预处理的一般步骤(可作适当的顺序调整，但图像灰度化应先于图像二值化)：图像灰度化→图像增强→图像滤波去噪→图像二值化。

2.3.1 图像灰度化

由于彩色图像数据量大，是灰度图像的3倍，会导致数字图像的运算量与图像数据存储量成指数上升，处理困难。为提高系统的运行效率，需要先转化为灰度图像。图像灰度化的处理方法主要有以下三种：最大值法、平均值法和加权平均值法。最大值法会得到亮度很高的灰度图像；平均值法直接得到的图像是比较柔和的灰度图像；加权平均值法处理的图像效果较好。

周金和[5]等提出了一种对彩色图像进行有选择灰度化的方法，该方法能够按需要选出特定颜色作为突出色，将选中的任意颜色灰度化为黑色，而与该颜色距离越远的颜色，其灰度值越高。利用该方法可以较好地提取出彩色图像中不同颜色所反映的信息。

2.3.2 图像增强

图像增强是按特定的需要突出图像中纤维的信息，同时削弱或去除不需要的信息。其主要目的是改善视觉效果，使处理后的纤维图像对几何特征的提取比原来的图像更加有效，以方便计算机对图像的分析。

直方图均衡化的方法因其简单、快速、有效，在图像增强中得到了广泛应用。吴成茂[6]提出的直方图均衡化优化模型相比传统直方图均衡化和可调直方图均衡化方法更具普适性。通过直方图增强纤维图像的边缘，使之更加清晰，极大方便了边缘检测。

2.3.3 图像滤波去噪

纤维的数字图像在转换和传输过程中，不可避免地含有噪声。由于噪声干扰了正常的图像，从而使图像在输出时不能得到正确的信息。通过去噪，纤维的图像信息能够准确、清晰地再现。传统的图像去噪算法有：中值滤波、均值滤波、低通滤波等[7]。

颜兵[8]等提出了均值滤波结合小波变换的图像去噪方法，它在降低图像噪声的同时， 又尽可能地保留图像的细节，且图像更加平滑。

2.3.4 图像二值化

图像的二值化就是将一幅多个灰度级的图像转化为只有两个灰度级的图像，以便数据的压缩、特征的突出以及图形的识别。由于实际问题复杂，几乎无法定义一种通用的二值化方法，所以针对实际问题，很多学者提出了多种在数学表达形式和算法的本质意义上都各不相同的二值化方法。张琪[9]提出了一种结合边缘检测的图像二值化算法，在处理部分图像时取得了比传统算法更好的二值化效果，且运算的效率与传统算法接近。

2.4 图像分割

图像分割是将图像分为若干目标区域的图像处理技术，处理效果直接关系到图像测量与分析的准确度，其实质是对图像各像素特性分类，如像素灰度值、空间特性、纹理特征等。现在图像分割算法较多，主要有阈值法、边缘检测法、区域法和模糊方法等[10-11]。

王思乐[12]等通过颜色特征来检测图像中含有的彩色异性纤维目标，通过亮度特征检测图像中含有的黑白异性纤维目标；通过目标融合形成一幅新的图像[13]，从而实现对全部异性纤维目标的精确分割；王蕊[14]通过小波反变换确定异性纤维轮廓，实现了对异性纤维目标图像精确分割，得到了清晰的棉花异性纤维图像。

2.5 图像边缘修复

纤维图像二值化和分割后，可能会干扰到图像的边缘，纤维边界及内部可能出现断开，经过膨胀处理可将断开的部分连成一条连续的曲线，然后用腐蚀细化处理去掉一些毛刺，使边界曲线变得平滑，获取较好的纤维图像。如果图像前期的处理效果良好，可对此步骤进行选择性的使用。

2.6 特征提取

运用计算机进行图像模式识别的前提是需要从图像中提取有用的数据和信息，得到能够反映图像相关特性的特征(颜色、形状和纹理等)，这个过程就是特征提取。特征提取对于分类识别有着重要意义。

柯薇[15]在分析羊绒与羊毛纤维边缘和鳞片边缘的二值图像的基础上，选择纤维细度、鳞片可见高度以及径高比三个能有效区分羊绒与羊毛纤维的特征指标，进行了提取运算；仲岑然[16]利用纤维边缘形态的差异(羊毛比较光滑，粘胶比较毛糙)，在毛粘混纺纱中，以图形的放射特征(图像外凸规整，则放射性小；图像有较深的锯齿状，则放射性强[17])区分纱线的不同组分；殷士勇[18]等根据棉、亚麻和苎麻纤维的纵横截面形态的不同，进行特征提取，主要参数有:扭曲数、横截面面积、横截面周长、圆整度、延伸度、异形度。

2.7 分类识别

计算机图像识别系统按照特征提取的各类算法(人工神经网络、BP神经网络以及前馈神经网络等)进行各种纤维各类特征的识别。

殷士勇[19]等提出一种基于模糊c均值(FCM)和BP神经网络的棉麻纤维识别方法，在识别方面有明显优势；林森[20]使用BP神经网络应用平均影响值(MIV)法，筛选出图像中的羊毛和粘胶纤维的形态特征指标，然后用概率神经网络、支持向量机、极限学习机这几种前馈神经网络的典型形式分别进行羊毛/粘胶混纺纱横截面的纤维识别，结果表明利用合适的前馈神经网络，能快速、准确地识别纤维。

2.8 数据输出

计算机图像识别系统分类识别后，按照算法和需要进行数据的输出、处理，为之后的分析讨论做准备。

3 结束语

随着人们的需求提高，纺织纤维品种越来越多，纺织品纤维含量检验中面对的问题也越来越多，图像处理技术在纺织纤维识别上的运用将极大地提高纤维鉴别的效率与精度，同时为纺织纤维的大批量检测提供技术支持。

[1] 周胜飞.棉麻纤维切片仪器设计与自动识别方法的研究[D].武汉：湖北工业大学，2013.

[2] 郑敏.基于显微光学系统的纤维图像采集与处理[D].南京：南京航空航天大学，2009.

[3] 李维芳，周文龙.图像法测定皮芯型复合纤维细度不匀率的研究[J].现代纺织技术，2012，20(1)：3—5，10.

[4] 吴琼.基于数字图像处理的羊绒和羊毛纤维鉴别研究[D]. 武汉：湖北工业大学，2015.

[5] 周金和，彭福堂.一种有选择的图像灰度化方法[J].计算机工程，2006，32(20)：198—200.

[6] 吴成茂.直方图均衡化的数学模型研究[J].电子学报，2013，41(3)：598—602.

[7] 武晋媛.异形纤维图像去噪方法研究[D].上海：东华大学，2009.

[8] 颜兵，王金鹤，赵静.基于均值滤波和小波变换的图像去噪技术研究[J].计算机技术与发展，2011，21(2)：51—53，57.

[9] 张琪.结合边缘检测的图像二值化算法[D].长春：吉林大学，2011.

[10] 许新征，丁世飞，史忠植，等.图像分割的新理论和新方法[J] .电子学报，2010，38(S1)：76—82.

[11] 史晓楠，欧阳震.图像分割常用方法综述[J].科技视界，2014，(33)：33.

[12] 王思乐，范士勇，卢素魁，等.基于视觉显著图的异性纤维彩色图像分割方法[J].计算机工程与设计，2013，34(8)：2783—2787.

[13] 逄浩辰.彩色图像融合客观评价指标研究[D].北京：中国科学院大学，2014.

[14] 王蕊.棉花异性纤维特征提取与计量方法的研究[D].泰安：山东农业大学，2015.

[15] 柯薇.羊绒与羊毛纤维的计算机图像识别方法的研究[D].武汉：武汉纺织大学，2010.

[16] 仲岑然.基于Matlab的混纺纱横截面切片图像客观分析法[J].毛纺科技，2010，38(6)：59—62.

[17] 林森，金春奎，杨志杰.混纺纱线横截面切片图像的形态特征分析实践[J]. 南通纺织职业技术学院学报，2009，9(3)：27—30.

[18] 殷士勇，王文中.核Fisher 判别分析在棉麻纤维识别中的应用[J].天津工业大学学报，2012，31(4)：32—35.

[19] 殷士勇，王文中.基于FCM 和BP 神经网络的棉麻纤维识别方法研究[J].黑龙江大学自然科学学报，2013，30(3)：405—409.

[20] 林森.基于前馈神经网络的毛粘混纺纱线材质识别[J].纺织导报，2015，(6)：112—116.

Research and Application of Image Processing Technology in Fiber Recognition

LuXinping,XuYingqi,QinYutong,XuWeijun,GanHaowen

(Shanghai University of Engineering Science, Shanghai 201620, China)

The various processes of image processing technology in fiber recognition was introduced. The specific application of image processing technique to conventional yarn fiber identification was expounded to provide the reference for the textile industry to use computer technology rapidly and accurately in identifying fiber materials.

fiber; recognition; image processing; application

2016-04-12

上海工程技术大学大学生创新活动计划资助项目(cz1509010)

陆馨平(1994—)，女，上海人，学士。

TS101.8

A

1009-3028(2016)03-0038-03