余靈婕， 王榮武

(1.西安工程大學(xué) 紡織科學(xué)與工程學(xué)院， 陜西 西安 710048；2.東華大學(xué) 紡織學(xué)院， 上海 201620)

織物在洗滌、測試及服用過程中，面料之間的相互摩擦使得織物表面易于產(chǎn)生絨毛進(jìn)而形成毛球?？椢锏钠鹈鹎蛞恢币詠矶际怯绊懣椢镄阅艿囊粋€重要問題。傳統(tǒng)的人工評級方法存在結(jié)果穩(wěn)定性低、測試人員易受外界因素干擾、效率低下等問題。隨著圖像處理技術(shù)的引入，織物起毛起球等級的客觀評定取得了很大的進(jìn)展。

目前利用圖像處理自動評價織物起毛起球的研究對象主要包括二維灰度圖像和三維激光掃描圖像。此外，文獻(xiàn)[1]通過自制圖像采集裝置，間接得到織物的三維圖像。在二維灰度圖像上進(jìn)行毛球檢測的基本方法為利用灰度閾值分割毛球和織物表面[2-4]，這容易受到織物表面紋理和花紋的干擾。文獻(xiàn)[5]研究發(fā)現(xiàn)，面料的組織結(jié)構(gòu)是具有周期性規(guī)律的，適合變換至頻率域中進(jìn)行分析。因此，部分學(xué)者首先將二維灰度圖像轉(zhuǎn)化至頻率域空間，然后在頻率域中過濾周期性的組織結(jié)構(gòu)，保留離散的毛球，進(jìn)而提取毛球的特征參數(shù)，最終評定織物起毛起球等級[6-8]。然而，頻率域變換并未解決不規(guī)則花紋對織物的干擾問題，且無法提取到毛球的高度信息[9]。因此，學(xué)者們采用激光掃描織物表面獲得三維信息，以對織物的起毛起球性能進(jìn)行評定[10-12]。由于激光探頭需要不停地在采集平臺上進(jìn)行地毯式移動，因此激光掃描儀對織物圖像的采集速度遠(yuǎn)遠(yuǎn)不如光學(xué)攝像頭，此外，激光掃描儀設(shè)備昂貴，實用價值和經(jīng)濟(jì)價值遠(yuǎn)不如攝像頭。

部分學(xué)者借鑒醫(yī)學(xué)切片的多層掃描思路，提出了“顯微光學(xué)切片”的方法，即在光學(xué)顯微鏡下，通過垂直移動物鏡拍攝不同聚焦位置下的目標(biāo)，得到不同深度的序列圖像，利用聚焦獲得深度(depth from focus)技術(shù)進(jìn)行深度測算[13-15]?！帮@微光學(xué)切片”的方法解決了光學(xué)攝像頭采集的二維圖像丟失織物表層深度信息的問題，本文借助該思想，探索了由序列二維圖像測算織物表層深度信息的方法，以便后續(xù)的毛球識別與評級。

1 同軸序列圖像采集

1.1 圖像采集裝置搭建

本文構(gòu)建的檢測系統(tǒng)由全自動顯微鏡、光源部分、圖像采集設(shè)備(如圖1所示)和內(nèi)置數(shù)字圖像處理軟件的PC機(jī)4個部分構(gòu)成。顯微鏡自帶可調(diào)亮鹵素?zé)?2 V/20 W。針對顯微鏡硬件平臺的特殊要求，設(shè)計了環(huán)狀光源(見圖1)的前向照明裝置，環(huán)狀燈通過螺絲固定在織物物鏡上，在織物上方提供均勻的光源。

1.2 圖像采集過程及參數(shù)設(shè)定

采集多圖層圖像時，計算機(jī)控制載物平臺沿一定步長垂直移動，CCD攝像機(jī)采集圖像并通過串口傳輸至計算機(jī)，圖像處理軟件實時處理收集的圖像數(shù)據(jù)。采集并處理完一個視野后，計算機(jī)控制載物平臺沿x軸方向或y軸方向移動一定步長至下一視野，繼續(xù)采集及圖層處理。經(jīng)試驗，圖像采集參數(shù)的設(shè)定如表1所示。

圖1 圖像采集裝置Fig.1 Automatic image capture device

參數(shù)設(shè)定值電機(jī)沿x軸方向移動單步距離/步長670電機(jī)沿y軸方向移動單步距離/步長1 250電機(jī)沿z軸方向移動單步距離/步長60采集序列圖層數(shù)量61

1.3 序列圖層采集實例

起毛起球等級為4級的棉纖維織物樣本部分源圖層的光學(xué)顯微鏡圖(圖像大小為800像素×600像素)如圖4所示。依照設(shè)定參數(shù)，共采集61幅圖層，圖4中各分圖圖題表示該圖層的序列編號。從圖4中可以看出，經(jīng)顯微鏡放大后采集的圖像中的絨毛能夠清晰成像。由于毛球?qū)嶋H為絨毛的集聚體，后續(xù)算法的研究均為絨毛層面，因此下文的表述皆用絨毛來代替毛球和絨毛。

圖2 采集的部分源圖層Fig.2 Part of captured layers of images

2 序列圖像去噪

在測算深度值之前，應(yīng)對采集的序列圖層進(jìn)行去噪平滑處理，盡量保持源圖像邊緣信息的前提下平滑掉噪聲。本文采用均值濾波、高斯濾波和中值濾波這3種去噪方式?？椢飿颖镜男蛄袌D層經(jīng)3種方法濾波后的去噪效果如圖3所示。

(a) 去噪前

(b) 均值濾波去噪

(c) 高斯濾波去噪

(d) 中值濾波去噪

Fig.3Filteringperformanceofthreefilteringmethods

從圖3中可以看出，圖層未經(jīng)預(yù)處理重建的深度圖像干擾噪點(diǎn)較多，濾波后噪點(diǎn)大幅減少。本文采用峰值信噪比(FPSNR)及均方誤差(FMSE)來定量比較各濾波方式的效果。峰值信噪比越大、均方誤差越小，說明去噪圖像的失真越小。1～5級織物樣本的圖像去噪效果評價如表2所示。

表2 圖像去噪效果評價

從表2可以看出，經(jīng)中值濾波器后的圖像有最大峰值信噪比，并且有最小的均方誤差。這說明中值濾波器將源圖像的邊緣信息保留得最為完整，去噪后失真程度最小，因此本文選用中值濾波作為序列圖層的去噪工具。

3 織物表層深度信息重建

序列多焦面圖層經(jīng)去噪后，下一步的工作是測算每個平面位置(x，y)的深度z，并投射到灰度空間建立深度圖像。深度信息重建的具體流程為：計算各圖層所有像素點(diǎn)聚焦清晰程度，并將清晰度存入三維清晰矩陣M(n，W，H)；對于某一平面點(diǎn)(x，y)，在三維清晰矩陣中沿圖層深度方向?qū)ふ易畲笄逦?，并記錄于二維矩陣Mmax(W，H)中，同時將最清晰圖層的編號存入二維矩陣I(W，H)；最后，將每一平面位置的最清晰圖層編號[0，60]投射至灰度空間[0， 255]，輸出灰度圖像。清晰度最大模值矩陣的表示和計算方式為

(1)

3.1 清晰度評價函數(shù)

本文提出一種新的清晰度評價算法——基于自適應(yīng)區(qū)域選擇的區(qū)域梯度方差算法。假定S(x，y)為像素平面位置(x，y)的清晰度，Ω表示以(x，y)為中心的清晰度評價區(qū)域，g(i，j)為像素平面位置(i，j)的梯度，則S(x，y)可以表達(dá)為

(2)

式中：N為區(qū)域Ω內(nèi)的像素點(diǎn)個數(shù)；μ為區(qū)域內(nèi)所有像素的梯度平均值。

梯度g(x，y)采用一階微分Prewitt算子計算。計算各圖層每個像素點(diǎn)的清晰度后，將其寫入三維清晰度矩陣M(n，W，H)，具體表達(dá)為

M(i，x，y)=argSi(x，y)

(3)

3.2 清晰度評價區(qū)域的自適應(yīng)選擇

由于在圖像中像素點(diǎn)與有限范圍內(nèi)的像素具有深度相通性，因此本文提出“以點(diǎn)帶面”的思路，選取深度相似的一片區(qū)域來計算中心像素點(diǎn)的清晰度。為此，首先需建立一張包含織物表層完整深度信息的圖像，以此為基礎(chǔ)自適應(yīng)選取評價區(qū)域。評價區(qū)域的自適應(yīng)選擇算法流程如圖4所示。預(yù)重建深度圖像、提取的絨毛圖像以及去除小目標(biāo)及填充孔洞效果如圖5所示。

圖4 評價區(qū)域的自適應(yīng)選擇算法流程Fig.4 Flowchart for adaptive selection of sharpness evaluation region

(a) 預(yù)重建深度圖像

(b) 提取的絨毛圖像

(c) 去除小目標(biāo)及填充孔洞

填充孔洞后的深度圖像依據(jù)深度分解為4層子圖象，連通區(qū)域的邊界即為選擇清晰度評價區(qū)域的限制邊界，連通區(qū)域的半徑均值即為清晰度評價區(qū)域的預(yù)設(shè)半徑。4層子圖像分解及提取的限制邊界如圖6和7所示。

圖6 子圖象分解Fig.6 Sub-images of extracted fuzz

圖7 限制邊界Fig.7 Boundaries for diffusion

獲得預(yù)設(shè)半徑和限制邊界后，以待檢測清晰度的目標(biāo)像素為中心，采用逐步擴(kuò)散的方式自適應(yīng)獲取清晰度的評價區(qū)域。當(dāng)預(yù)設(shè)半徑為5時，目標(biāo)像素的限制邊界內(nèi)擴(kuò)散如圖8所示。

(a) 目標(biāo)像素點(diǎn)

(b) 第1次擴(kuò)散

(c) 第2次擴(kuò)散

(d) 第3次擴(kuò)散

(e) 第4次擴(kuò)散

(f) 第5次擴(kuò)散

3.3 深度重建實例

以圖2所示的4級織物樣本序列圖像為源圖像，獲取每一像素點(diǎn)深度值后投影至[0，255]灰度空間建立深度圖像。深度圖像中像素的灰度強(qiáng)度表示深度信息，灰度越深說明深度值越大。建立的深度圖像如圖9所示，該深度圖像包含了織物表面及絨毛的三維高度信息。從圖9中可以看出，絨毛的形態(tài)完整，與織物表面差異明顯，邊界清晰，這有利于后續(xù)對絨毛的提取和檢測。

圖9 深度圖像Fig.9 The depth image

3.4 試驗分析

由于自然起毛起球的織物上絨毛的分布隨機(jī)且深度跨越較大，目前并沒有直接檢測織物上絨毛分布的方法，無法建立標(biāo)準(zhǔn)的面料深度圖像，故而難以驗證深度重建算法的準(zhǔn)確性，因此設(shè)計了自制樣本。自制樣本的制作方法為：選取一塊未起毛起球的面料，從該織物中抽出1根纖維放置于同塊織物上。自制樣本上僅有一根絨毛，且是人為放置，因此其絨毛的數(shù)量、深度分布和位置是已知的，可以以此為目標(biāo)討論本文提出的深度重建算法的準(zhǔn)確性。選用3種常用的經(jīng)典清晰度評價函數(shù)(圖像熵、灰度方差、梯度)與本文提出的清晰度評價函數(shù)進(jìn)行對比。各清晰度評價函數(shù)建立的深度圖像如圖10所示。

(a) 基于圖像熵

(b) 基于圖像梯度

(c) 基于灰度方差

(d) 基于區(qū)域梯度方差(本文提出)

Fig.10Depthimagereconstructionbasedondifferentclarityevaluationmethod

從圖10可以看出:采用圖像熵清晰度評價建立的深度圖像幾乎看不出絨毛形態(tài)；梯度算法建立的深度圖像在深度較低區(qū)域能獲得較為完整的絨毛；灰度方差算法重建的深度圖像中絨毛邊界模糊，并且有多處絨毛斷裂；基于本文提出的清晰度評價方法得到的深度圖像中的深度變化與絨毛實際起伏一致，且絨毛形態(tài)完整、邊緣清晰。

由于利用多焦面序列圖層提取深度信息的算法為本文首次提出，目前尚未有客觀評價指標(biāo)，因此本文采用融合圖像的質(zhì)量評價指標(biāo)圖像信息熵(RIE)、交互信息量(RIM)、平均梯度(RAG)來表征4種清晰度評價函數(shù)的客觀評價。4種清晰度評價方法的客觀評價效果如表3所示。

表3 清晰度指標(biāo)評價

從表3中可以看出，本文提出的清晰度評價方法獲得了最大交互信息和圖像信息熵，說明該方法建立的融合圖像能最大程度保留源圖層的信息，同時，基于灰度方差的清晰度評價函數(shù)建立的融合圖像在平均梯度上表現(xiàn)最佳。

本文方法與灰度方差算法分別建立的融合圖像局部放大圖如圖11所示。從圖11中可以看出，基于灰度方差算法的圖像銳度更大，邊界更清晰，然而噪點(diǎn)較多，且絨毛位置有一處斷裂。因此本文提出的算法雖然邊界銳度不如灰度方差，但是抗噪能力更強(qiáng)，測算的像素點(diǎn)清晰度也更準(zhǔn)確。

(a) 基于區(qū)域梯度方差

(b) 基于灰度方差

4 結(jié) 論

(1) 提出了基于顯微光學(xué)切片的深度重建方法，利用顯微鏡采集的序列多層圖像測算織物表層的深度信息，實現(xiàn)了在光學(xué)攝像頭下對織物表面及絨毛和毛球高度的獲取，為后續(xù)絨毛的分割和檢測提供了深度數(shù)據(jù)。

(2) 選用了均值濾波、高斯濾波和中值濾波對所有圖層進(jìn)行去噪預(yù)處理，并采用峰值信噪比(FPSNR)和均方誤差(FMSE)比較各方法的去噪效果。結(jié)果顯示中值濾波能更多地保留源圖像的邊緣。

(3) 深度信息獲取的基本思路為建立三維清晰模值矩陣，并求取清晰極值點(diǎn)的圖層位置以此測算織物表面深度。通過將本文提出的算法與圖像信息熵、灰度方差和圖像梯度進(jìn)行比較，試驗結(jié)果表明，本文提出的清晰度評價方法不僅能準(zhǔn)確測量像素點(diǎn)清晰度，且抗噪能力強(qiáng)。