王昊鵬，馮顯英，李 麗

1)山東大學高效潔凈機械制造教育部重點實驗室，機械工程學院，濟南250061;2)山東省經(jīng)濟管理干部學院計算機系，濟南250061

棉花在采摘、晾曬、收購、運輸、儲存和加工過程中，易混入異性纖維，主要包括編織袋絲、毛發(fā)、麻繩、塑料繩、布條、地膜和染色線等. 雖然異性纖維的含量很少，但其對棉紡織品的質(zhì)量有嚴重影響［1］. 因此，棉花中異性纖維的檢測方法成為近期的研究熱點［2-5］. 異性纖維分為有色異性纖維和白色異性纖維，灰度圖像中有色異性纖維像素點的灰度值與棉花像素點的灰度值差異較大，容易識別，而白色異性纖維像素點的灰度值與棉花像素點的灰度值十分接近，甚至重疊，用圖像處理方法不好識別. 為此，本研究著重探討白色異性纖維的識別.

紋理是一種重要的視覺線索，是圖像中普遍存在而又難以描述的特征，包含了物體表面結構組織排列的重要信息及其與周圍環(huán)境的聯(lián)系［6-12］. 一般來說，不同物質(zhì)的紋理也不同，多數(shù)學者通過灰度共生矩陣的方法來研究紋理，并對灰度共生矩陣的方法做出改進［13-15］. 而利用灰度共生矩陣 (gray level co-occurrence matrix，GLCM)分析識別皮棉中的異性纖維一直還是空白，本研究通過分析紋理判斷皮棉中是否含有白色異性纖維.

1 異性纖維檢測方法與直方圖分析

1.1 檢測裝置

檢測裝置的關鍵是圖像采集系統(tǒng)，圖像采集質(zhì)量在很大程度上決定試驗的成功與否. 圖像采集系統(tǒng)主要由面陣CCD 相機、LED 光源和數(shù)據(jù)采集卡組成.

本試驗采用德國BASLER acA1300-30gc 型號彩色面陣CCD 相機，其最高幀率為30 幀/s，最大分辨率為1 296 × 966 像素，配合日本Computar 的M0814 鏡頭. 光源是影響圖像采集的重要因素.LED 采用電場發(fā)光和低壓直流供電，無頻閃現(xiàn)象，且具有光效好、穩(wěn)定性強、能耗低、壽命長及抗震等優(yōu)點. 試驗中使用日本CCS 公司的HLV-24-1220光源，研祥PCI-8ADPF 數(shù)據(jù)采集卡. 該采集卡的分辨率、采樣頻率和傳輸速率均能達到本試驗對準確性和實時性的要求.

異性纖維檢測裝置的工作原理為:皮棉經(jīng)開松機充分開松后，隨氣流均勻地經(jīng)過皮棉管道(為滿足軋花廠生產(chǎn)需要，皮棉檢測量為3 t/h)，利用CCD 相機對其進行拍照，并將圖像上傳至上位機，上位機根據(jù)編好的程序?qū)D像進行處理和分析. 異性纖維檢測裝置如圖1.

圖1 異性纖維檢測裝置示意圖Fig.1 The schema of foreign fibers detection device

1.2 試驗材料

本試驗選取塑料繩、編織袋絲、滌綸線、棉線、頭發(fā)絲、羊毛、腈綸棉、雞毛、衛(wèi)生紙和塑料袋等10 種常見的白色異性纖維，每種異性纖維各取3 個樣本組成異性纖維樣本集;對于皮棉選擇3份樣本組成皮棉樣本集. 試驗時依次將異性纖維摻入皮棉進行拍照，最終生成90 幅150 ×250 像素的24 位真色彩圖片.

1.3 試驗材料的灰度范圍

分析皮棉和10 種白色異性纖維直方圖，得到所有試驗材料的灰度值范圍，如表1.

表1 試驗材料的灰度值范圍Table 1 Gray value ranges of the experiment materials

由表1 可見，皮棉的灰度值處于［174，195］范圍內(nèi)，異性纖維的灰度值處于［180，243］范圍內(nèi)，兩者的重疊區(qū)間為［180，195］. 重疊區(qū)間的存在正是分割白色異性纖維的困難之處，因為在這個區(qū)間內(nèi)僅靠灰度值作為閾值無法區(qū)分皮棉和白色異性纖維. 因此需要考慮對圖像進行紋理分析，按紋理不同進行分割.

2 皮棉異性纖維圖像的GLCM 及改進

2.1 灰度共生矩陣

灰度共生矩陣可定義為，用f(x，y)表示灰度圖像在像素點(x，y)處的灰度值，則其灰度共生矩陣為

其中，x 和y 是像素坐標，對于一幅M×N 的圖像，1≤x ≤M，1 ≤y ≤N，且x 和y 均為整數(shù);Δx =dcosθ，Δy = dsinθ;i 和j 為像素點的灰度值;d 為灰度共生矩陣的生成步長，一般可取1、2、3 和4 等值;θ 為灰度共生矩陣的生成方向，一般取0°、45°、90°和135°. 灰度共生矩陣的元素為f(x，y)=i，且f(x + dcosθ，y + dsinθ)條件的像素對出現(xiàn)次數(shù).

2.2 灰度共生矩陣的特征參數(shù)選擇

根據(jù)圖像的灰度共生矩陣可定義大量紋理特征，例如，Haralick［6］從中導出14 個特征. 但其計算量大，并存在重復表述的問題，因此需要從中找出代表性強和獨立性好的特征. 綜合Ulaby［16］、Baraldi［17］和薄華［18］等研究成果，本研究采取角二階矩、對比度、相關性和熵作為特征參數(shù)提取圖像紋理. 在提取灰度共生矩陣的特征之前，需要對其做歸一化處理，使其元素和等于1.

2.3 改進的灰度級壓縮方法

一般來說，圖像的灰度級為256 級，在實際應用中計算量大、實時性差. 因此，在將灰度圖像轉化為灰度共生矩陣之前，一般會將灰度級壓縮. 具體方法是將256 級等間距壓縮，最終壓縮為16 級.雖然能減小計算量、改善實時性，但容易將目標區(qū)域和背景區(qū)域中的像素點錯劃，造成圖像輪廓模糊，精確度低.

本研究提出一種新的灰度級壓縮方法. 通過分析試驗材料灰度直方圖可知，含有白色異性纖維的皮棉圖像灰度值可分成3 個區(qū)間，即皮棉區(qū)間［174，179］、皮棉與白色異性纖維的重疊區(qū)間［180，195］及白色異性纖維區(qū)間［196，243］. 當像素點的灰度值處于前兩個區(qū)間時顯然是皮棉或白色異性纖維，因此可以將這兩個區(qū)間分別壓縮為1個灰度級. 而當像素點的灰度值處于［180，195］時既可能是皮棉，又可能是白色異性纖維，為提高精度，該區(qū)間需壓縮為多級. 根據(jù)現(xiàn)有的灰度共生矩陣算法應用實例［16-18］，本研究將［180，195］等間距壓縮為4 級. 最終將圖像的灰度級壓縮為6級，其中， ［174，179］ 壓縮為第0 級， ［180，183］為第1 級， ［184，187］為第2 級， ［188，191］為第3 級， ［192，195］為第4 級， ［196，243］為第5 級.

雖然這樣壓縮后僅有6 級灰度級，但在皮棉與白色異性纖維灰度值重疊區(qū)域，只是將原始的4 級灰度級壓縮為1 個新灰度級，所取得的分割精度近似等同于傳統(tǒng)壓縮方式中64 級的分割精度，而計算量卻大幅減少.

2.4 θ 和d 對紋理特征參數(shù)的影響

若圖像具有明顯的方向性，則當θ 取不同值時，紋理特征參數(shù)會存在一定差異. 而皮棉中異性纖維的出現(xiàn)是隨機、無方向性的，因此，為消除方向的影響，本研究取θ 在0°、45°、90°和135°的平均值作為紋理特征參數(shù).

圖2 四個紋理特征隨d 的變化趨勢Fig.2 Change trends of the four texture features with d

d 的取值影響紋理特征參數(shù)的準確性. d 取值太小，無法反映物質(zhì)的紋理特性;d 取值太大，無法識別微小的異性纖維. 圖2 為含有各種不同白色異性纖維皮棉圖像的紋理特征參數(shù)隨著d 的變化趨勢. 由圖2 可見，采用對比度和相關性區(qū)分白色異性纖維的總體效果并不好，尤其是相關性，存在很多交叉點. 角二階距和熵均能區(qū)分是否含有異性纖維的圖像，含有異性纖維圖像的角二階距最大不超過0.6，不含異性纖維圖像的角二階距不小于0.8，其間距小于0.3;而對于熵來說，這個距離超過0.5，因此熵的區(qū)分性要好于角二階距，且隨d 增大，各條熵曲線的間距有漸增趨勢，當d ＞3 后，其增大趨勢不很明顯. 因此，考慮到熵的區(qū)分性能以及對微小纖維的識別精度，本研究采用熵閥值法，d 取值為3.

3 結果及分析

本試驗采用C#編程，分別按照一般的灰度級壓縮方法(等距壓縮為16 級)和本研究提出的灰度級壓縮方法，對93 幅圖像(90 幅皮棉中混入異性纖維的圖像和3 幅不含異性纖維的皮棉圖像)進行處理. 以3 幅不含異性纖維的皮棉圖像為例，首先分別按照兩種方法對圖像進行壓縮，設d = 3，求取每幅圖像的灰度共生矩陣和4 個生成方向的4 個特征參數(shù)平均值;對每組圖像的每個特征參數(shù)，再求平均值，并將這些數(shù)值保留到小數(shù)點后3 位，統(tǒng)計整理，結果見表2 和表3.

表2 等距壓縮為16 級得到的灰度共生矩陣的特征參數(shù)Table 2 The feature parameters of GLCM after the gray level is compressed to 16

表3 本研究得到灰度共生矩陣的特征參數(shù)Table 3 The feature parameters of GLCM with the method proposed in this paper

由表2 可見，無異性纖維的皮棉圖像與含異性纖維的皮棉圖像的4 個特征參數(shù)值差異較大，可以通過灰度共生矩陣特征參數(shù)的閥值，對含有白色異性纖維的皮棉圖像進行分割.

從表3 也可得到與表2 相同的結論，不含異性纖維的皮棉特征參數(shù)值與含有異性纖維的參數(shù)值差異更大、辨識異性纖維的效果更好. 對于兩種壓縮方式，變化最小的特征參數(shù)是相對性，從0.064 變到0.108，變化幅度為0.044;變化最大的是熵，從0.125 變到0.844，變化幅度為0.719，因此，可采用不等距壓縮、選用特征參數(shù)熵區(qū)分是否含有異性纖維.

根據(jù)以上分析，本研究選取熵閥值法對圖像進行分割. 皮棉中的異性纖維都很細小，因此采用5×5 的滑動窗口來遍歷每幅圖像，計算每個滑動窗口的熵，將計算結果賦予窗口中心的像素點，并使其與熵閥值進行比較，然后移動一個像素點形成下一個小窗口. 依次重復計算每個小窗口的熵，并與熵閥值比較，最終得到分割圖像. 圖3 和表4 分別介紹利用2 維Otsu 算法、基于GLCM 的分割方法(灰度級等距壓縮為16 級，d = 3)、本研究算法(灰度級不等距分段壓縮為6 級，d = 3)的分割圖像、分割效果圖和所需時間.

圖3 不同算法的分割效果圖Fig.3 Segmentation results of different algorithms

由圖3 可見，在分割精度方面，等間距壓縮GLCM 算法和本研究算法的分割效果比傳統(tǒng)2 維Ostu 算法要好，因為傳統(tǒng)2 維Ostu 算法分割圖像時的閾值使用像素點灰度值，當像素點灰度值處于異性纖維與皮棉灰度值重疊區(qū)間時容易誤判. 本算法分割效果好于等間距壓縮GLCM 算法，因為在異性纖維與皮棉灰度值重疊區(qū)間［180，195］，等間距壓縮GLCM 算法壓縮為1 級，損失太多的原始圖像信息. 而本算法將灰度級壓縮為4 級，其壓縮后的精度遠大于等間距壓縮GLCM 算法.

表4 不同分割方法的實時性Table 4 The real-time of different segmentation methods

由表4 可見，在分割時間方面，等間距壓縮GLCM 算法所需時間比2 維Ostu 算法長，這是因為灰度共生矩陣不僅考慮像素點的灰度值，還包含像素點間的空間信息，計算量較大，所以它的分割效果較好，但實時性較差. 本研究算法由于僅有6 級壓縮灰度級，所需計算時間大大縮短. 由此可知本研究算法既具有灰度共生矩陣的優(yōu)點，同時又根據(jù)皮棉和白色異性纖維的灰度值特點，對不重要的灰度值區(qū)間大幅壓縮，對重要的灰度值區(qū)間進行細分，不僅有效減小計算量，而且提高重要灰度值區(qū)間的計算精度，大大縮短分割時間.

結 語

本研究表明:①通過對皮棉和白色異性纖維直方圖的分析得到皮棉的灰度值范圍［174，195］和白色異性纖維的灰度值范圍［180，243］;②根據(jù)皮棉白色異性纖維圖像的特點改進灰度共生矩陣算法，特征參數(shù)取4 個方向的均值、生成步長d =3、圖像不等距分段壓縮為6 級，與傳統(tǒng)壓縮為64級的分割精度近似相同，但比傳統(tǒng)壓縮為8 級的計算量小;③根據(jù)改進后的灰度共生矩陣計算特征參數(shù)，發(fā)現(xiàn)角二階矩、對比度、相關性和熵這4 個特征值都可以用來區(qū)分皮棉與白色異性纖維，其中熵的區(qū)分效果最好;④提出基于改進的灰度共生矩陣棉花異性纖維分割算法. 該算法在保證分割精度的基礎上比傳統(tǒng)的GLCM 算法具有更好的實時性，可準確快速分割皮棉圖像中的白色異性纖維.

/References:

［1］FENG Xian-ying，REN Chang-zhi，HUANG Yan-yun. An inspecting system for foreign fibers based on machine vision ［J］. Journal of Shandong University Engineering Science，2006，36(4):5-8.(in Chinese)馮顯英，任長志，黃燕云. 基于機器視覺的異性纖維檢測系統(tǒng)［J］. 山東大學學報工學版，2006，36(4):5-8.

［2］GUO Cai-xia，YUAN Jian-chang，JIN Shou-feng. Recognition algorithm of the foreign fibers in cotton by BP neural networks ［J］. Journal of Xi'an University of Engineering Science and Technology，2006，20(5):542-544. (in Chinese)郭彩霞，袁建暢，金守峰. 基于BP 網(wǎng)絡的棉花中異性纖維識別算法［J］. 西安工程科技學院學報，2006，20(5):542-544.

［3］ FENG Xian-ying，ZHANG Cheng-liang，YANG Bingsheng，et al. Foreign fiber recognition and detection algorithm based on RGB color space ［J］. Journal of Shandong University Engineering Science，2009，39(5):68-72.(in Chinese)馮顯英，張成梁，楊丙生，等. 基于RGB 顏色空間的異性纖維識別檢測算法［J］. 山東大學學報工學版，2009，39(5):68-72.

［4］YANG Wen-zhu，LI Dao-liang，WEI Xin-hua，et al. Toward image segmentation of foreign fibers in lint ［J］.Transactions of the Chinese Society for Agricultural Machinery，2009，40(3):156-160.(in Chinese)楊文柱，李道亮，魏新華，等. 棉花異性纖維圖像分割方法［J］. 農(nóng)業(yè)機械學報，2009，40(3):156-160.

［5］YANG Wen-zhu，LI Dao-liang，WEI Xin-hua，et al. Selection of optimal band for detecting foreign fibers in lint cotton using spectroscopic analysis ［J］. Transactions of the CSAE，2009，25(10):186-192.(in Chinese)楊文柱，李道亮，魏新華，等. 基于光譜分析的棉花異性纖維最佳波段選擇方法［J］. 農(nóng)業(yè)工程學報，2009，25(10):186-192.

［6］Haralick R M. Statistical and structural approaches to texture ［J］. Proceedings of the IEEE，1979，67 (5):786-804.

［7］ Hernandez B，Olague G，Hammoud R，et al. Visual learning of texture descriptors for facial expression recognition in thermal imagery ［J］. Computer Vision and Image Understanding，2007，106(2):258-269.

［8］XIAO Wei-wei，ZHANG Li，ZHANG Ji-hong. A digital watermarking algorithm based on image texture ［J］. Journal of Shenzhen University Science and Engineering，2003，20(3):27-32.(in Chinese)肖薇薇，張 力，張基宏. 基于圖像紋理特性的數(shù)字水印算法［J］. 深圳大學學報理工版，2003，20(3):27-32.

［9］HUANG Jian-jun，YU Jian-ping. An approach to the selection of image segmentation algorithms ［J］. Journal of Shenzhen University Science and Engineering，2000，17(4):21-26.(in Chinese)黃建軍，喻建平. 一種圖像分割算法的選擇方法［J］. 深圳大學學報理工版，2000，17(4):21-26.

［10］SUN Jian-qing，WANG Gui-rong，HU Qiong，et al. Fast face detection combine both feature-based and image-based approach ［J］. Application Research of Computers，2008，25(1):294-296.(in Chinese)孫見青，汪榮貴，胡 瓊，等. 基于特征和基于圖像相結合的快速人臉檢測［J］. 計算機應用研究，2008，25(1):294-296.

［11］SONG Tie-qun. Analysis of remote sensing image texture based on MATLAB ［J］. Geomatics ＆ Spatial Information Technology，2009，32(2):71-74.(in Chinese)宋鐵群. 基于MATLAB 的遙感影像紋理特征分析［J］. 測繪與空間地理信息，2009，32(2):71-74.

［12］WU Gang，TANG Zhen-min，CHENG Yong，et al. Object tracking method based on gray level co-occurrence matrix texture characteristic ［J］. Journal of Nanjing University of Science and Technology，2010，34(4):459-463. (in Chinese)吳 剛，唐振民，程 勇，等. 灰度共生矩陣紋理特征的運動目標跟蹤方法［J］. 南京理工大學學報，2010，34(4):459-463.

［13］Clansi D A，Jernlgau M E. A fast method to determine cooccurrence texture features ［J］. IEEE Transactions on Geoscience and Remote Sensing，1998，36(1):298-300.

［14］Kandaswamy U，Adjeroh D A，Lee M C. Efficient texture analysis of SAR imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing，2005，3(9):2075-2083.

［15］ZHAO Ling-jun，QIN Yu-liang，GAO Gui，et al. Detection of built-up areas from high-resolution SAR images using the GLCM textural analysis ［J］. Journal of Remote Sensing，2009，13(3):475-490.(in Chinese)趙凌君，秦玉亮，高 貴，等. 利用GLCM 紋理分析的高分辨率SAR 圖像建筑區(qū)檢測［J］. 遙感學報，2009，13(3):475-490.

［16］Ulaby F T，Kouyate F，Brisco B，et a1. Textural information in SAR images ［J］. IEEE Transactions on Geoscience and Remote Sensing，1986，24(2):235-245.

［17］Baraldi A，Parmiggiani F. An investigation of the textual characteristics associated with gray level coocurance matrix statistical parameters ［J］. IEEE Transactions on Geoscience and Remote Sensing，1995，33(2):293-304.

［18］BO Hua，MA Fu-long，JIAO Li-cheng. Research on computation of GLCM of image texture ［J］. Acta Electronica Sinica，2006，34(1):155-158.(in Chinese)薄 華，馬縛龍，焦李成. 圖像紋理的灰度共生矩陣計算問題的分析［J］. 電子學報，2006，34(1):155-158.