应用自适应滤波与阈值迭代的原棉杂质视觉检测方法

齐英兰

(河南轻工职业学院信息工程系，河南郑州 450002)

棉花杂质是指原棉中含有的非棉纤维性物质及其着生的纤维，如沙土、枝叶、铃壳、破籽、不孕籽、带纤维籽屑、软籽表皮等。近年来，随着机采棉技术的广泛应用，籽棉被快速收割的同时，大量的杂质也一并混入其中，即使经过籽清、皮清以及轧花，原棉中仍然维持了较高的含杂率。如果这些杂质在纺纱过程中不能被有效清除，将会造成条干不均、染色不匀、棉纱断头、损耗过大，严重时还会造成纺织成品的废品、次品率过高，给国家和企业造成经济损失[1]。目前，根据GB/T 6499—2012《原棉含杂率试验方法》[2]，原棉杂质主要通过采用杂质分析机结合人工挑拣、称重的方式进行，该方式耗时长，劳动强度大，不能实现杂质快速自动化检测，检测效率与效果亦难以保证，同时，这也不利于实现我国棉纤维质量快速仪器化检验的目标。

由于原棉杂质图像边缘中包含了丰富的杂质自身物理特性、杂质与图像背景等信息，因此，在原棉杂质检测中采用边缘检测图像技术是较为有效的方法[3－4]。当前常用的边缘检测算子有Canny算子、Sobel算子、Roberts算子、Prewitt算子、Laplacian算子等[5－6]，与上述边缘检测算子相比较，Canny算子边缘检测具有检测精度高、信噪比大等特点，在数字图像处理技术中得到广泛应用[7]。但由于Canny方法采用频谱分析进行检测，其高斯滤波方程方差以及阈值需要人工设定，造成原棉杂质边缘识别不完整、伪边缘增多的情况，进而影响算子的自适应性和实时性[8－9]。

本文在现有Canny方法的基础上进行优化分析，提出一种基于改进Canny算子的原棉杂质检测方法。本文改进方法采用自适应平滑滤波代替高斯滤波对原棉图像进行平滑，以一种小尺寸平均加权滤波模板与原图像迭代卷积，并在每次迭代过程中自适应地调整各像素的加权系数。同时，采用最大类间方差法自适应地确定高低阈值，增强了Canny算子的自适应性，同时，仿真实验进一步验证了本文改进方法的有效性。

1 Canny算子改进思路

Canny边缘检测算子主要通过定位准则、信噪比准则、单边响应准则[10]来获取较好的检测效果。对于原棉杂质图像处理而言，若要实现准确的杂质定位以及虚假边缘的抑制，就需要从Canny算子的关键环节出发，提出改进思路。

首先，Canny算子滤波采用二维高斯滤波对进行图像噪声滤波，高斯函数如式(1)所示:

式中σ为高斯滤波器模板参数。边缘检测精度随σ的增大而降低，信噪比随σ的增大而增强。同时，由式(1)可知，作为高斯函数滤波参数σ，其取值将很大程度上影响着图像滤波与平滑的效果，对图像平滑效果具有决定性作用。而σ的取值是由人为设定，这也使得不同图像需要根据图像的特征人工设定不同的σ值，不能实现σ值的自动确定，影响图像中杂质边缘的提取效果。因此，可以从图像滤波方法上进行优化，提高滤波的适应性。

其次，Canny算子在边缘检测前需要人工设定高低阈值，而根据主观经验设定高低阈值的方法，极易受到人为因素影响，使得边缘和伪边缘的连续性存在矛盾。此外，同样一组高低阈值对于不同的图像，其边缘检测效果差异较大，阈值设置不具有自适应性。因此，图像自身所需的高低阈值的自适应获取，也将有利于提高Canny算子的性能。

2 基于适应滤波与阈值迭代的原棉杂质检测

根据Canny算子的改进思路，本文将从图像滤波方法、高低阈值设置等方面进行优化，通过改善Canny算子参数设置的自适应性来进一步提高算子的边缘检测性能。

2.1 自适应平滑滤波

在图像滤波环节，针对Canny算子高斯函数滤波参数需要人工设定的问题，采用自适应平滑滤波代替高斯滤波对原棉图像进行平滑。通过一种小尺寸平均加权滤波模板与原图像迭代卷积，在每次迭代过程中自适应地调整各像素的加权系数。假设f(x，y)为原棉输入图像，那么迭代计算方法如下:

①通过式(2)、(3)，确定原棉图像梯度分量Gx(x，y)、Gy(x，y) ；

②通过式(4)确定滤波模板参数。其中，k的取值大小能够约束保留的突变图像边缘幅值；

③通过式(5)对图像f(n)(x，y)进行加权平均。其中，f(n)(x，y)表示第n次迭代后的图像。

④当前迭代次数n小于迭代总次数时，则继续步骤①；当前迭代次数n大于迭代总次数时，迭代完成。

这种迭代运算方法能够在抑制图像噪声的同时，进一步锐化图像边缘，对原棉杂质边缘检测的后续环节产生积极作用。

2.2 高低阈值自适应选取

当图像滤波方法确定后，面临Canny算子高低阈值的设定问题。为此，本文提出采用最大类间方差法自适应地确定高低阈值，根据图像灰度信息，把原棉图像分为背景和目标2部分，背景和目标间的类间方差越大，则分类越准确。当背景和目标存在错分时，相应的类间方差会变小，因此当类间方差最大时，就意味着背景和目标错分的概率最小。

假设设定 1 个阈值 Tk，0＜Tk＜L－1，L 为图像中灰度级数目，那么该阈值将图像划分成I1和I22部分，其中I1由图像灰度值在[0，Tk]范围内的像素组成，I2由图像灰度值在[Tk＋1，L－1]范围内的像素组成。

根据阈值Tk，分配到I1的像素的平均灰度值G1(Tk)由式(6)获得；分配到I2的像素的平均灰度值G2(Tk)由式(7)获得。其中，P1(Tk)表示像素被分到类I1中的概率；P2(Tk)表示像素被分到类I2中的概率。

最佳阈值就是类间方差最大时的Tk值。若使得类间方差最大值时的Tk值不唯一，则将类间方差取最大值时所有Tk值的平均值作为最佳阈值。同时，将最佳阈值设定为高阈值Th，再根据高阈值是低阈值2倍的关系求得低阈值Tl。这样就避免了人为设定高低阈值的主观性，增强了自适应能力。

2.3 检测方法梗概

通过上述对Canny算子在滤波方法以及高低阈值设置方面的优化，改进后的原棉杂质检测方法主要流程如图1所示。

图1 本文杂质检测方法流程

3 实验仿真与结果讨论

3.1 实验准备

为进一步验证本文方法的可行性和有效性，实验选取含有杂质的原棉样本100份，每份500 g，同时，建立了包含高分辨率工业相机、工控机在内的棉样图像采集平台，在Windows 7系统基础上，采用VC＋＋开发工具与Open CV图像处理库编写了实验仿真程序。

此外，在实验参数设置方面，Canny方法高斯滤波器模板参数σ设置为5，高阈值为350，低阈值为180；Sobel方法分割阈值为1.2；本文方法滤波模板参数K因子设置为8，迭代次数为6次，最大类间方差法中的阈值Tk为200。

3.2 检测效果

通过图像采集平台，实验获取了棉花样本图像如图 2(a)所示，其分辨率为 1 451 pixel×1 451 pixel，位深度24，经过本文方法仿真程序的检测，得到了原棉样本图像对应的杂质识别结果，如图2(b)所示。

图2 检测结果

对比图2(a)的样本图像，通过图2(b)可以看出，本文方法能够有效去除图像噪声，较好地识别出图像中的杂质，杂质与图像背景的界限分明，且杂质边缘清晰明确。特别是对于有些部分嵌入在棉层中的杂质，本文方法通过增强滤波及高低阈值选取的自适应，避免了浅层棉花中的像素点干扰，使得检测到的棉花杂质边缘完整、流畅。

3.3 不同方法检测结果图像对比分析

为了更加有效地验证原棉杂质检测性能，针对同一原棉杂质图像(图3(a))，实验分别选取Canny方法、Sobel方法与本文方法从检测结果图像进行对比分析，3种方法的测试结果如图3所示。

图3 检测结果图像对比

从图3(b)可以看出，Sobel方法在检测时，边缘刻画的比较深刻，但杂质与原棉图像背景的分离效果不明显，图像分割后的结果背景噪声大，同时，出现了虚假像素点。从图3(c)看可以看出，Canny方法对原棉杂质的刻画较简洁，滤除了相关噪声，背景噪声小，有利于对杂质的分析与深度识别，对有些原棉杂质存在“漏检”的情况。而对于图3(d)，本文方法检测结果背景噪声小，杂质与原棉背景的分离效果好，并且一定程度上避免了虚假像素点与“漏检”，对杂质边缘的描述完整，具有较好的检测效果。

3.4 不同方法杂质边缘提取效果对比分析

采用4连通域数、8连通域数以及它们间的比值方法进行评价，4连通域数指在它的4邻域内与之连通的像素数，8连通域数指在它的8邻域内与之连通的像素数。

假设边缘点总数为A，4连通域数为B，8连通域数为C。通常情况下，对于边缘图像而言，若C/A值越小，说明边缘检测的间断越少，连续性越好；若C/B值越小，说明单像素边缘所占比例越大，越符合单一边缘响应准则。因此，可以使用C/A、C/B值评价边缘提取效果。

根据上述定量评价方法，选取原棉试样100份，每份质量100 g，通过图像采集平台，采集100份原棉试样图像，分别采用Canny方法、Sobel方法以及本文方法进行检测实验，对结果计算平均值，原棉试样统计结果均值堆积图如图4所示。可以看出，在C/A值方面，本文改进方法较 Canny方法降低16.8%，本文改进方法较Sobel方法降低24.2%；在C/B值方面，本文改进方法较 Canny方法降低18.8%，本文改进方法较Sobel方法降低29.7%。综合结果表明，本文改进方法在边缘连续性和边缘提取方面都具有更优的效果，能有效提高原棉杂质检测的性能。

图4 原棉试样统计结果均值堆积图

3.5 本文方法与国标检测方法对比分析

原棉中的杂质主要以棉叶、破籽、带纤维籽屑、软籽表皮4类杂质为主，因此，与国标检测结果对比分析中仅针对这4类杂质展开。

实验选取试样原棉100份，每份质量100 g，根据图像采集平台并分别采集样品图像，分析其杂质检测结果。同时，通过原棉杂质分析机与天平，根据GB/T 6499—2012《原棉含杂率试验方法》规定的方法人工检验上述4类杂质的结果。本文方法识别结果与国标检验结果对比如图5所示。

图5 本文方法与国标检测结果对比

由图5可知，在4类杂质的识别上，本文方法与国标方法结果差异小，检测结果平均相符率为92.7%，具有较好的一致性，特别是在破籽与棉叶的识别上，本文方法检测结果更为优异，相符率达到96.5%。由于原棉杂质中，棉叶和破籽类杂质占比较高，因此，本文方法能够有效用于原棉杂质的检测。

4 结束语

边缘检测是原棉杂质机器视觉分析中的关键环节。针对Canny算子滤波模板参数与高低阈值人为设定而导致的杂质弱边缘丢失问题，提出一种基于改进Canny算子的原棉杂质检测方法，该方法采用自适应平滑滤波代替高斯滤波对原棉图像进行平滑处理，以小尺寸平均加权滤波模板与原图像迭代卷积，并在每次迭代过程中自适应地调整各像素的加权系数，同时，采用的最大类间方差法能够自适应地确定高低阈值，实现了滤波模板参数与高低阈值的自动优化，避免了弱边缘的丢失。仿真实验结果表明，本文方法检测到的原棉杂质边缘完整、流畅，减少了伪边缘的出现，8连通域数与边缘点总数比值比Canny方法平均降低16.8%，8连通域数与4连通域数比值比Canny方法平均降低18.8%，能够有效提高原棉杂质检测的性能。进一步为原棉杂质图像边缘检测方法的改进提供了参考依据。