基于图像处理的织物起毛起球分级研究

董康乐，陈 姗，安少元，高 鑫

（1．西安工程大学，西安 710048；2．陕西长岭纺织机电科技有限公司，陕西 宝鸡 721013）

0 引言

织物起毛起球不仅会降低织物使用性能，还会影响织物外观［1］。对于织物抗起毛起球测试，传统的标准样照对比法依赖人工操作，由于个体差异，有很大的主观性，不能对织物起毛起球做出客观、准确、定量的分析［2］。因此，采用先进的计算机技术和图像处理技术实现织物起毛起球等级的自动评定对纺织品检验具有深远意义。织物起毛起球等级评定中，织物起毛起球信息的分割及特征提取是等级评定指标的依据，而对光照不均匀、噪声干扰以及织物背景纹理的有效滤除是织物起毛起球信息提取和分级的关键。

首先，对采集到的起毛起球图像进行光照均匀化、直方图均衡化和边缘算子等联合操作，以增强毛球特征；其次，通过二值化处理与数学形态学相结合的方法，有效提取起毛起球图像；最后，以起毛起球面积比作为分级特征值，实现1～5级织物起毛起球等级的准确评定。

1 起毛起球分级算法

织物表面具有规则交织的明显纹理特征，而起毛起球会破坏这种特征。经过图像处理后，起毛起球的特征会被凸显出来，且起毛起球的面积会大于纹理和噪声的面积。因此，基于这种差异，提出起毛起球的检测和分级方法。起毛起球分级检测过程包括图像采集、图像预处理、图像分析和特征值提取，其流程为：初始化相机参数→启动相机采集毛球图像→图像预处理→图像二值化→图像形态学处理→轮廓提取→计算毛球粒数和面积比→分级。

1．1 图像采集

初始化相机参数，启动面阵CCD 相机采集图像，并裁剪出中间完整的起毛起球图像，见图1。

图1 原始图像

1．2 图像预处理

实际采集到的起毛起球图像必然含有大量的背景噪声，且受到光照不匀等各种因素影响。起毛起球算法的难点不仅在于光照不均匀、噪声干扰，还在于织物背景纹理对起毛起球分割的影响。

因此，滤除噪声、消除光照不匀和实现毛球与背景纹理的有效分离，是实现提取分级特征的关键和难点。此外，由于实际采集的图像比较复杂，必须进行系列图像预处理，通过图像均衡化、去噪、边缘检测等方法，衰减不需要的干扰信息，突出毛球信息。

1．2．1 光照均匀化处理

由于面阵相机的局限性以及光源的不均匀性，采集到的织物图像会出现四角暗、中间亮、光照不均匀问题。假设直接对图1进行直方图均衡化处理，处理结果如图2所示，图像4个角明显发黑，后期进行二值化处理定会把织物背景纹理分割为毛球信息。因此，必须对原始图像进行图像光照均匀化处理，以消除光照不均匀对检测的干扰。

图2 未经过光照均匀化处理的直方图均衡化图像

采用图像光照均匀化处理的图像如图3所示，通过与图1对比，可明显看出整幅图像灰度值比较均匀。起毛起球分级算法的主要思路如下。

图3 光照均匀化处理图像

a） 对原始图像进行最大（最小）值滤波，初步得到光照图；

b） 对光照图进行均值（或高斯）滤波，得到整幅图像的光亮度分布图；

c） 用原始图像减去最终的光照分布图，得到前景目标，即光照均匀化后图像。

1．2．2 直方图均衡化处理

图像直方图［3］包含图像细节信息，反映图像像素点的概率分布。由图3的直方图分布图4可知，图像的灰度分布极不均匀，集中分布在左侧，图像整体偏暗，清晰度低，难以观察出毛球信息。

图4 图像光照均匀化处理后直方图分布

因此，对图3进行直方图均衡化，拉伸各像素分布使图像灰度阶分布尽量均匀，进而增强图像细节信息，突出毛球形态。图5为进行直方图均衡化处理后的图像，毛球特征被显著加强，黑色颗粒代表毛球。直方图均衡化处理后的图像直方图分布见图6。

图5 直方图均衡化图像

图6 均衡化处理后的图像直方图分布

1．2．3 边缘检测

为了进一步突出毛球的特征，采用Prewitt边缘检测算子［4］抑制噪声干扰。Prewitt边缘检测是在图像空间利用2个方向模板与图像进行邻域卷积来完成，分别对水平与垂直方向的边缘进行检测。对于原始图像f（x，y），Prewitt边缘检测输出图像G，图像的Prewitt边缘检测可由下式表示：

对于最后输出的边缘图像，可以根据G＝max（Gx，Gy）或G＝Gx＋Gy得到，凡灰度新值不小于阈值的像素点则认为是边缘点，即选择适当的阈值T，若G≥T，则对应像素点为边缘点。

该处理过程是起毛起球分级算法的核心，图7为Prewitt边缘算子处理后的图像。通过详细对比图7与图5，可知该算子能更好地加强毛球特征，抑制背景纹理的干扰。

图7 毛球特征加强处理

织物的背景纹理为规则的纹理特征，而起毛起球破坏了织物的规则性纹理；起球处的纤维团紧蹙，光不易穿过，在采集图像表面会呈现近似圆形的黑点，灰度值最小；起毛没有特定的形状，随机分布，其灰度值处于正常纹理和毛球之间。

1．3 图像二值化

为了从背景区域分离出目标起毛起球信息，选定固定阈值110（该阈值是经大量实验模拟出来的数值）对边缘算子处理的图像进行二值化分割，如图8所示，其中，面积较大的白色状为毛球信息。

1．4 获取起球图像和毛球特征

经二值化处理的图像仍存在纹理信息和噪声。为提取更清晰、准确的毛球图像，首先自行构造椭圆结构体元素，对二值化图像进行腐蚀操作，滤除细小的纹理干扰，见图9。腐蚀操作后图像仍有细小白色噪声干扰，运用漫水填充法［5］，用指定的黑色像素点替换面积小于22像素（实验模拟参数值）的干扰白色点，即删除小于22像素的干扰点，最终得到只有球粒的图像，见图10。

图8 二值化图像

图9 腐蚀后的织物图像

图10 起球图像

图像中目标物体的形状检测是图像识别的重要技术之一，对目标物体进行检测并提取特征首先需要提取物体的轮廓信息。

a） 起球粒数：通过对图10起球图像进行轮廓提取，并计算白色轮廓的个数，即可求取出起球粒数。因为起球粒数与白色轮廓个数相同，即：起球粒数等于起球图像中的白色轮廓个数。

b） 起球面积比：通过求取图10起球图像中每个轮廓的面积并相加，获得起球的总面积，最后用起球总面积除以图像总面积，就可获取起球面积比。即：起球面积比＝起球总面积／图像总面积，其中，图像总面积＝图像宽度×图像高度。

1．5 获取起毛起球图像和起毛起球特征

对腐蚀操作后的图像（图9）进行膨胀操作后，背景纹理得到较好滤除，使起毛起球信息得到有效增强，如图11所示。依照同样的漫水填充法去除膨胀图像中面积小于28像素的干扰点、噪点和背景纹理，便可得到起毛起球的图像，如图12所示。

图11 膨胀后的织物图像

图12 起毛起球图像

运用与求取毛球特征相同的方法，对图12起毛起球图像进行轮廓提取，计算起毛起球粒数和起毛起球面积比。起毛起球粒数等于起毛起球图像中的白色轮廓个数。起毛起球面积比＝起毛起球总面积／图像总面积。

2 实验

为了验证笔者提出的起毛起球分级算法设计的有效性，选用河北省纤维检验局提供的起毛起球织物样本进行研究。样本直径为15cm，等级为1～5级（其中，1级起毛起球最严重，5级最不严重），每一个等级样本3幅，共计15幅。

2．1 实验结果与分析

实验采用面阵CCD 相机采集织物样本图像，经过系列图像处理算法分别提取出起球图像和起毛起球图像，并分别求取4个特征值：起球粒数、起球面积比、起毛起球粒数和起毛起球面积比。其中，每个样本通过上、下、左、右4个方向各测试4次，即每幅样本测试16次，求取16组数据的均值作为分级特征值，经过多次实验测试及数据统计得出分级标准界限。

大量测试结果表明：起球粒数与起球面积比成正比关系，起毛起球粒数与起毛起球面积比成正比关系，起球粒数与起毛起球粒数也成正比关系。由于起球粒数和起毛起球粒数是基于图像轮廓个数获取的，而在图像处理过程中，会因各参数的设定导致同1个粒数被分成2个或3个的可能性，因此分级应以起球面积比和起毛起球面积比为标准。而据专业起毛起球分级员说，传统的分级标准是基于同时观察起毛起球来分级，因此，最终确定以起毛起球面积比作为最终的分级标准。

本次研究的实验数据即1～5级的起毛起球面积比（为了便于观察和分析数据，每个原始数据乘以比例系数）的折线图如图13所示。

图13 起毛起球分级数据折线

由图13可以看出，除2级和3级存在大量的数据交叉外，其余级别都能通过求取大量起毛起球面积比的实验数据均值实现正确分级。随后，把多次分级结果与已由专业人士标注的分级结果对比，15幅样本中有13幅与人工分级一致，即正确分级率为86．67%。分析误分级的2个样本，是由于其分级特征值恰好处于分级标准界限上，导致分级交叉，把一个2级样本分为3级，而把一个3级样本却分为2级。随后，通过与河北省纤维检验局的专业起毛起球分级员沟通商议，认为人工分级本身存在人为主观性，机器自动分级的样本级别若处于相邻级交叉在可接受范围内。

2．2 实验关键点

本研究方法是基于大量算法尝试和数据统计最终得到设计思路，该算法要有效实现1～5级织物起毛起球等级的准确评定，必须考虑如下5点。

a） 如何采集到起毛起球形态特征清晰的图像；

b） 如何消除相机和光源因素导致采集的图像出现四角暗、中间亮，光照不均匀的问题；

c） 如何采用合理的预处理方法增强起毛起球信息；

d） 如何选取合适的分割阈值、形态学等参数，实现最大的正确分级率；

e） 考虑算法实时性以满足实际应用。

2．3 实验结论

通过大量实验，提出起毛起球分级方法对于提取织物起毛、起球、起毛起球图像的结论。

a） 起球图像可以单独提取。起球在织物表面是疙瘩状，类似小结，光不易穿透，在图像上呈现发黑特征且起球接近球状。因此，在二值化阈值分割和形态学处理后通过限定白色轮廓的面积大小和圆度就可以单独提取出起球图像。

b） 起毛图像无法单独提取。这是由于起毛特征不明显，呈现疏松、模糊状态，而且毛和球是粘合在一起的。

c） 起毛和起球图像混合提取。因为毛和球粘合在一起，只能将起毛起球一起评定，而专业的起毛起球分级员也是以起毛起球整体作为分级的标准。

3 结语

笔者利用面阵CCD 相机采集织物起毛起球图像，以VS2010，OpenCV2．4．11和Matlab 8．3．0作为分析工具实现织物起毛起球的特征提取。采用光照不均匀处理、图像均衡化和边缘检测等方法有效滤除包括织物纹理、光照不匀和织物不平等织物噪声，增强织物起毛起球信息；运用阈值分割和形态学滤波对起毛起球图像信息进行准确、有效提取，计算起毛起球面积比，实现1～5级织物起毛起球等级的准确评定。将大量实验数据结果与专业起毛起球分级员的标注结果进行对比，可知笔者提出的织物起毛起球图像分级方法能准确地提取织物起毛起毛球信息，实现织物起毛起球等级的准确评定。