邢文宇， 鄧 娜， 辛斌杰， 于 晨

(1. 上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院， 上海 201620； 2. 上海工程技術(shù)大學(xué) 服裝學(xué)院， 上海 201620)

在紡織工業(yè)及服裝制造領(lǐng)域，羊毛與羊絨一直是十分重要的紡織材料，但是二者的價(jià)格、性能差別顯著。由于羊毛和羊絨的形態(tài)結(jié)構(gòu)、顏色特征較為相似，直接用肉眼進(jìn)行區(qū)分比較困難，所以市場上會(huì)出現(xiàn)用羊毛冒充羊絨的現(xiàn)象；因此，快速、準(zhǔn)確、高效地鑒別羊毛和羊絨纖維具有非常重要的現(xiàn)實(shí)意義[1]。

羊毛與羊絨纖維的鑒別主要可分為物理鑒別法、化學(xué)鑒別法、生物鑒別法以及圖像法4類[2]。2001年，在用掃描電子顯微鏡(SEM)進(jìn)行鑒別的基礎(chǔ)上，我國檢驗(yàn)驗(yàn)疫機(jī)構(gòu)研發(fā)出計(jì)算機(jī)輔助檢測系統(tǒng)[3]，建立了貝葉斯鑒別模型，鑒別的準(zhǔn)確率超過90%；陳國華等[4]對(duì)羊絨、羊毛在不同條件下NaOH溶液中的溶解度進(jìn)行測試分析，研究發(fā)現(xiàn)，在溫度為65 ℃、堿質(zhì)量分?jǐn)?shù)為0.75%的溶液中處理30 min時(shí)，二者的堿溶度差異達(dá)到最大，并依此進(jìn)行羊毛、羊絨含量的定量分析；TANG等[5]提出一種基于線粒體脫氧核糖核酸(DNA)的纖維分析方法，通過設(shè)計(jì)聚合酶鏈?zhǔn)椒磻?yīng)引物與探針和纖維的線粒體12S核糖體基因進(jìn)行特異性反應(yīng)，實(shí)現(xiàn)羊絨與羊毛混合物中各組分的定量分析。以上方法對(duì)設(shè)備要求較高，實(shí)驗(yàn)較為復(fù)雜，因此不能被廣泛應(yīng)用。此外，目前存在的利用圖像法進(jìn)行纖維識(shí)別，主要采用單一紋理特征提取算法，無法較完善地提取纖維信息，導(dǎo)致識(shí)別率較低。

圖2 羊絨的圖像預(yù)處理過程圖Fig.2 Preprocessing diagram of cashmere images. (a) Original image; (b) Gray image; (c) Contrast stretching; (d) Logarithm nonlinear transformation; (e) Histogram equalization

本文將計(jì)算機(jī)視覺、數(shù)字圖像處理技術(shù)應(yīng)用于纖維識(shí)別，提出了一種基于多特征融合的羊毛與羊絨鑒別方法。該方法主要分為3部分：1)預(yù)處理，對(duì)采集到的羊絨、羊毛圖像進(jìn)行預(yù)處理操作，得到較為清晰且滿足需求的纖維圖像；2)多特征提取，利用灰度共生矩陣提取纖維圖像的紋理特征，并通過中軸線法提取纖維的直徑形態(tài)特征；3)纖維自動(dòng)分類識(shí)別，依據(jù)所提取的纖維紋理及形態(tài)特征融合成一個(gè)多維數(shù)組作為聚類算法的輸入，即可對(duì)羊絨、羊毛纖維進(jìn)行自動(dòng)分類識(shí)別。

1 圖像預(yù)處理

圖1示出在光學(xué)顯微鏡下觀察到的羊絨和羊毛的原始圖像?？梢杂^察到二者的形態(tài)結(jié)構(gòu)較為相似，無法直接利用肉眼進(jìn)行識(shí)別，而且在圖像采集過程中，難免會(huì)出現(xiàn)一些水泡或其他雜質(zhì)，因此，需要通過預(yù)處理來得到清晰的纖維圖像，進(jìn)而更好地進(jìn)行纖維特征的提取與纖維識(shí)別。

圖1 原始羊絨和羊毛顯微鏡圖像(×400)Fig.1 Original microscope images of cashmere (a) and wool (b) (×400)

由于實(shí)驗(yàn)需要采集羊絨與羊毛的紋理特征以及直徑形態(tài)特征，考慮到2類特征參數(shù)提取所需要的纖維圖像不同，又因?yàn)檠蚪q與羊毛圖像預(yù)處理過程較為相似，因此，本文分別以圖1中羊絨與羊毛的纖維圖像為例提出2類預(yù)處理流程，并經(jīng)過大量的纖維圖像進(jìn)行驗(yàn)證。

1.1 第1類纖維圖像預(yù)處理過程

以羊絨圖像為例介紹用于灰度共生矩陣紋理提取的第1類圖像預(yù)處理流程，如圖2所示，其對(duì)應(yīng)的原始圖像和增強(qiáng)后圖像的灰度直方圖如圖3所示。

圖3 原始圖像和增強(qiáng)后圖像的灰度直方圖Fig.3 Gray-level histogram of original image (a) and enhanced image (b)

首先將原始羊絨圖像進(jìn)行分割，得到去除背景的單一纖維圖像(見圖2(a))。其次將分割后的彩色纖維圖像轉(zhuǎn)化為圖2(b)所示的灰度圖像，并求解其灰度直方圖(見圖3(a))。然后將灰度圖像通過對(duì)比度拉伸、對(duì)數(shù)非線性變換以及直方圖均衡等方法進(jìn)行圖像增強(qiáng)，增強(qiáng)后圖像分別如圖2(c)～(e)所示。從3類增強(qiáng)后的圖像可觀察到灰度直方圖均衡后的圖像增強(qiáng)效果更好，增強(qiáng)后纖維圖像的灰度直方圖如圖3(b)所示，因此，本文實(shí)驗(yàn)將利用直方圖均衡算法增強(qiáng)后的纖維圖像用作灰度共生矩陣的紋理特征參數(shù)提取。

1.2 第2類纖維圖像預(yù)處理過程

圖4 羊毛的圖像預(yù)處理過程圖Fig.4 Preprocessing diagram of wool images. (a) Contrast stretching; (b) Logarithm nonlinear transformation; (c) Histogram equalization; (d) Morphological processing; (e) Subtraction operation; (f) Fiber binary image

以羊毛圖像為例介紹用于中軸線法提取纖維直徑形態(tài)特征的纖維圖像預(yù)處理流程，如圖4所示。

首先將原始羊毛纖維圖像進(jìn)行灰度化處理，然后同樣利用對(duì)比度拉伸、對(duì)數(shù)變換、直方圖均衡化3種方法進(jìn)行纖維圖像增強(qiáng)處理。從3幅處理后圖像可以看出，對(duì)于含有背景的纖維圖像，采用對(duì)比度拉伸進(jìn)行圖像增強(qiáng)時(shí)效果最為突出，其灰度直方圖如圖5所示。然后對(duì)對(duì)比度拉伸后的圖像進(jìn)行形態(tài)學(xué)腐蝕運(yùn)算處理，并將得到的圖像與增強(qiáng)后的圖像進(jìn)行減法運(yùn)算，增強(qiáng)纖維輪廓線特征，同時(shí)去除纖維背景，最后對(duì)得到的圖像進(jìn)行二值化處理并去除小的噪聲點(diǎn)，即可得到最終用于水平集中軸線法的二值圖像。

圖5 對(duì)比度拉伸增強(qiáng)后圖像的灰度直方圖Fig.5 Gray histogram of image enhancement

2 紋理特征參數(shù)提取

2.1 灰度共生矩陣?yán)碚?/h3>

本文實(shí)驗(yàn)主要采用灰度共生矩陣算法進(jìn)行纖維紋理特征參數(shù)的提取。灰度共生矩陣[6-7]是通過研究灰度的空間相關(guān)特性來描述紋理的常用方法。假設(shè)f(x,y)為M×N的二維數(shù)字圖像矩陣(M×N為圖像分辨率)，灰度級(jí)別為h,則滿足一定空間關(guān)系的灰度共生矩陣為

P(i,j)=#{(x1,y1),(x2,y2)∈M×N|

f(x1,y1)=i,f(x2,y2)=j}

式中：#(X)表示集合X中的元素個(gè)數(shù)，顯然P為h×h的矩陣；若圖像中像素點(diǎn)(x1,y1)與(x2,y2)間距離為d，二者與坐標(biāo)橫軸的夾角為θ，則可得到各種間距及角度下的灰度共生矩陣P(i,j,d,θ)。其中：d一般可取1、2、3、4等像素個(gè)數(shù)值；θ則一般選取0°、45°、90°、135°。

通過灰度共生矩陣，可提取纖維圖像的二次統(tǒng)計(jì)量作為紋理特征參數(shù)，本文主要采用角二階距(能量)、熵、慣性矩、相關(guān)4個(gè)特征來描述羊毛與羊絨纖維圖像的紋理特征。

2.2 灰度共生矩陣影響因子

構(gòu)造灰度共生矩陣過程中，纖維圖像的灰度級(jí)、像素間距以及生成的角度三者的選取都會(huì)對(duì)灰度共生矩陣的構(gòu)造產(chǎn)生影響[8-9]，因此，首先需要確定實(shí)驗(yàn)最優(yōu)的像素灰度等級(jí)、像素間距以及生成角度。為此，根據(jù)采集到的羊絨與羊毛各200幅纖維圖像作為樣本進(jìn)行相關(guān)研究。

1)生成角度的選擇。為避免纖維紋理信息的丟失，需取0°、45°、90°、135°共4個(gè)角度的紋理特征參數(shù)的均值作為實(shí)驗(yàn)所需要的特征參數(shù)。

2)像素間距的選擇。保持像素灰度等級(jí)不變(本文實(shí)驗(yàn)選取灰度等級(jí)為16級(jí))，依次取像素間距d的值為1、2、3、4、5、6、7、8，計(jì)算不同d值時(shí)各特征參數(shù)變化趨勢，由文獻(xiàn)[8]可知，d=4時(shí)可作為構(gòu)造灰度共生矩陣的最佳像素間距。

3)像素灰度等級(jí)的選擇。隨著像素灰度等級(jí)的增加，羊毛與羊絨的特征參數(shù)較為相近，其變化呈現(xiàn)出的趨勢如圖6所示，其中能量與相關(guān)2個(gè)特征參數(shù)值分別以實(shí)際值的100倍和10倍進(jìn)行展示。由圖中特征參數(shù)變化曲線可知，當(dāng)像素灰度等級(jí)大于64時(shí)，羊毛與羊絨的能量、熵以及相關(guān)3個(gè)特征參數(shù)逐漸趨于穩(wěn)定。此外，考慮到構(gòu)造灰度共生矩陣的時(shí)長問題，像素灰度等級(jí)選擇采用64級(jí)。

圖6 紋理特征變化曲線Fig.6 Texture feature change curves

3 纖維直徑測量

纖維直徑的求取過程為：首先將預(yù)處理過的羊毛或羊絨纖維二值圖像通過區(qū)域生長分割算法得到纖維的輪廓線；其次通過中軸線算法擬合纖維的中軸線，并求取其切線；然后過中軸線與切線的交點(diǎn)做中軸線的垂線，該垂線與纖維輪廓線相交于2點(diǎn)，求取2交點(diǎn)之間的距離即為纖維的直徑。

3.1 基于區(qū)域生長的纖維輪廓線提取

區(qū)域生長[10-11]主要是根據(jù)預(yù)先定義的生長準(zhǔn)則，把像素或子區(qū)域集合成較大區(qū)域的處理方法。其基本處理方法是以一組“種子”點(diǎn)開始，將與該“種子”點(diǎn)具有相似或相同性質(zhì)的點(diǎn)進(jìn)行合并，并繼續(xù)向外生長，直至沒有滿足條件的像素點(diǎn)被包括進(jìn)來為止。區(qū)域生長一般有3 個(gè)步驟：1)選擇初始點(diǎn)；2)定義生長準(zhǔn)則；3)定義終止條件。

由于纖維輪廓線不是完全封閉的，因此在利用區(qū)域生長對(duì)其進(jìn)行輪廓線提取時(shí)，本文采用了2次區(qū)域生長算法分別進(jìn)行纖維左右輪廓線的提取，如圖7所示。首先，在纖維二值圖像的左輪廓線上選取種子點(diǎn)(如圖7(a)所示的白色圓形標(biāo)記區(qū)域)并進(jìn)行區(qū)域生長，得到纖維左邊輪廓線的區(qū)域生長圖像(如圖7(b)所示)，由于纖維內(nèi)部存在與纖維邊緣黏連的部分，所以區(qū)域生長時(shí)將會(huì)產(chǎn)生除纖維輪廓線之外的干擾點(diǎn)(如圖7(b)所示的白色矩形框標(biāo)注部分)，因此，可將其看作噪聲，并對(duì)這些孤立的噪聲點(diǎn)進(jìn)行去噪處理，得到左邊纖維輪廓線，如圖7(c)所示。然后，將其進(jìn)行細(xì)化處理，便可得到單像素的纖維輪廓線，以減少計(jì)算纖維直徑時(shí)產(chǎn)生的誤差，如圖7(d)所示。同樣纖維右邊輪廓線的提取也是按照此算法操作。最后，只需要將2次區(qū)域生長提取出來的左右2條輪廓線圖像進(jìn)行融合，便可得到所需要的纖維輪廓線圖像，如圖8所示。

圖7 纖維輪廓線提取過程Fig.7 Process images of fiber contour extraction. (a)Seed selection; (b) Region growth; (c)Noise removal; (d)Thinning of contour lines

圖8 纖維輪廓圖Fig.8 Image of fiber counter

3.2 基于水平集的纖維中軸線提取

水平集方法[12-13]的核心思想是把n維描述視為高一維的水平集，將低維的一些計(jì)算上升到更高一維。用在纖維中軸線求取時(shí)，其精度可達(dá)到亞像素級(jí)別，同時(shí)可得到連續(xù)、光滑的纖維中軸線。

基于水平集的中軸線提取算法主要包括4個(gè)步驟[14]，分別為：

1)利用水平集算法對(duì)纖維的二值輪廓圖進(jìn)行分割處理，得到沿著纖維的等值面和水平值信息。

2)使用快速匹配算法計(jì)算處理后圖像內(nèi)部的所有像素點(diǎn)與纖維邊緣的最短距離，獲得最短距離分布圖。

3)根據(jù)最短距離分布圖信息，利用同樣的方法計(jì)算距離纖維輪廓線最遠(yuǎn)的像素點(diǎn)A。同時(shí)，再次計(jì)算纖維內(nèi)部與點(diǎn)A具有最遠(yuǎn)距離的像素點(diǎn)B，以及與點(diǎn)B具有最遠(yuǎn)距離的像素點(diǎn)C。

4)運(yùn)用梯度下降回溯法以C為起點(diǎn)，沿著纖維的方向依次計(jì)算所有的纖維中心點(diǎn)，得到完整的纖維中軸線。

提取結(jié)果如圖9所示。

圖9 纖維中軸線圖Fig.9 Image of fiber axis

3.3 基于中軸線的纖維直徑測量

對(duì)于纖維直徑的測量[14]，主要是計(jì)算過中軸線與其切線相交切點(diǎn)的垂線與纖維2條邊緣相交于2點(diǎn)間的直線距離，其直徑求取算法流程如圖10所示。

圖10 直徑求取算法流程Fig.10 Flow chart of algorithm

4 K均值聚類算法的應(yīng)用

常用的聚類算法有K均值聚類、層次聚類、自組織映射網(wǎng)絡(luò)(SOM)聚類等，考慮到運(yùn)行時(shí)間及準(zhǔn)確性問題，本文實(shí)驗(yàn)采用K均值聚類算法[15]對(duì)數(shù)據(jù)進(jìn)行分類識(shí)別。K均值聚類算法主要以K為參數(shù)，將m個(gè)對(duì)象分成K個(gè)簇，使簇內(nèi)對(duì)象具有較高的相似度，而簇間各個(gè)對(duì)象的相似度較低。

該算法主要處理過程如下：1)隨機(jī)選取K個(gè)對(duì)象，作為每個(gè)簇初始的聚類中心；2)對(duì)剩余的每個(gè)對(duì)象，計(jì)算其與各簇中心的距離(主要采用歐氏距離)，將其賦給最近的簇；3)重新計(jì)算每個(gè)簇的平均值；4)以上過程不斷重復(fù)迭代，直到準(zhǔn)則函數(shù)收斂。

5 實(shí)驗(yàn)過程與結(jié)果分析

本文實(shí)驗(yàn)樣品為南宮市鷹月絨毛有限公司提供的產(chǎn)自澳大利亞的山羊絨與綿羊毛，且纖維是從不同時(shí)間段生產(chǎn)的原毛中隨機(jī)抽取的。通過OLYMPUS CX41型光學(xué)顯微鏡，以400倍的放大倍數(shù)觀察預(yù)先制成的羊毛、羊絨纖維樣本，并通過Pooher PDS50相機(jī)進(jìn)行拍照儲(chǔ)存，分別采集了200幅羊絨與200幅羊毛圖像作為實(shí)驗(yàn)用圖像。

將采集到的纖維圖像經(jīng)過MatLab 2015b進(jìn)行預(yù)處理后，通過灰度共生矩陣算法提取其能量、熵、慣性矩、相關(guān)4個(gè)纖維紋理特征，并通過水平集中軸線法測取纖維直徑形態(tài)特征，將這5個(gè)特征作為描述纖維的五維數(shù)組，共提取到羊絨與羊毛各200組數(shù)據(jù)。最后，通過K均值聚類算法對(duì)400組數(shù)據(jù)進(jìn)行分類識(shí)別。

當(dāng)使用單一灰度共生矩陣算法進(jìn)行纖維特征的采集，并將數(shù)據(jù)利用支持向量機(jī)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識(shí)別[16]，且選取的數(shù)據(jù)集中羊毛與羊絨樣本數(shù)量相近或相等時(shí)，其識(shí)別率如表1所示，識(shí)別率平均值達(dá)到了91.93%。而利用本文提出的基于多特征融合算法提取纖維特征并利用K均值聚類算法進(jìn)行羊毛與羊絨自動(dòng)分類識(shí)別時(shí)，其實(shí)驗(yàn)結(jié)果如表2所示?？梢钥闯觯蛎c羊絨的識(shí)別率達(dá)到了95.25%，較傳統(tǒng)方法識(shí)別率有所提升。

表1 單一灰度共生矩陣算法識(shí)別率Tab.1 Identification rate of single level co-occurrence matrix algorithm

表2 本文提出算法的識(shí)別率Tab.2 Recognition rate of method proposed

6 結(jié)束語

本文提出的基于多特征融合的羊毛與羊絨的鑒別方法，對(duì)采集到的大量羊毛與羊絨樣本進(jìn)行預(yù)處理后，利用灰度共生矩陣算法與水平集中軸線算法相結(jié)合的方法提取纖維的紋理與形態(tài)特征，并利用K均值聚類算法對(duì)采集到的纖維特征進(jìn)行纖維的分類識(shí)別。其結(jié)果顯示，羊絨與羊毛的根數(shù)識(shí)別率達(dá)到95.25%，與傳統(tǒng)的識(shí)別方法相比，識(shí)別率較高，因此，本文方法能夠作為一種識(shí)別羊毛與羊絨的方法。但是本文研究僅對(duì)普通的羊毛與羊絨進(jìn)行鑒別，由于纖維種類繁多且在生長過程中容易發(fā)生變異，因此還需要采集更多的羊毛與羊絨纖維樣本補(bǔ)充實(shí)驗(yàn)數(shù)據(jù)，進(jìn)而更好地提高鑒別的精確程度。

FZXB