基于改進亞像素邊緣提取的一種異性纖維檢測方法*

黨士許　李　磊　張志鴻

(鄭州大學信息工程學院　鄭州　450001)

?

基于改進亞像素邊緣提取的一種異性纖維檢測方法*

黨士許李磊張志鴻

(鄭州大學信息工程學院鄭州450001)

摘要為了提高異性纖維檢測的時效、精確性,降低誤檢率,論文提出一種基于改進的亞像素邊緣檢測技術上的異性纖維檢測方法,首先以多結構元素的改進的形態學算子對采集的圖像進行像素級邊緣提取,然后利用三鄰域的非極大值抑制方法抑制初步提取時膨脹的邊緣以及去除誤檢測的小范圍棉花邊緣,最后使用基于Zernike矩的亞像素邊緣檢測方法進行亞像素級細化檢測。通過實驗驗證,文中的方法對各種常見噪聲都具有抗噪濾噪能力強、計算速度快等優點,能夠快速準確地識別高速棉流中的異性纖維,滿足生產中異性纖維揀出的性能需求。

關鍵詞棉花異性纖維; 數學形態學; 非極大值抑制; 亞像素; 邊緣檢測; Zernike矩

Class NumberTP391.41

1　引言

棉花由于采摘、運輸等過程中的問題,往往存在各種異性纖維,其目標小、種類多,早期的棉紡行業中主要采用人工分揀法剔除異性纖維,檢測結果主要依賴于分揀人員的主觀意向,而且人工成本較高,人員的效率也是一個問題[1]。近年來機器視覺相關領域的高速發展,利用機器視覺相關技術在開松棉花的過程中對高速棉流進行異性纖維檢測的方法逐漸發展。各國的相關領域專家學者對于圖像識別技術在棉花異性纖維分揀中的應用都有所研究,這些研究的早期檢測技術大多采用基于色差分析的方法或者采用灰度閾值法識別目標進行檢測定位[2],此種方法需要分析大量數據,效率低下、誤檢率也較高,對于目前越來越追求高速高精度的檢測,適用性不高。隨后,丁天懷等選用紅外光源照明,根據棉纖維與異性纖維的紅外波段吸收特性來實現異性纖維識別,但其硬件需求復雜不易實現[3];李國輝等提出了基于不規則成像機器視覺的棉花白色異性纖維檢測算法,對于白色纖維識別效果較好,但是有一定的局限性,在擴展到其他種類異性纖維上存在困難[4]。而隨著圖像處理技術中邊緣檢測技術的突飛猛進,使用邊緣檢測相關技術實現異性纖維檢測迅速發展起來,林寧等的基于數字圖像處理的棉花異性纖維檢測研究,利用拉普拉斯算子相關進行處理,但拉普拉斯算子實現較為復雜,且對部分其他類型異性纖維處理效果不明顯[5]。因此為了實現在各類異性纖維檢測中都有較好的結果、降低棉花錯誤分檢率,同時更要易于實現,本文提出了在一種改進的亞像素邊緣檢測技術上的異性纖維檢測方法。

2　多結構元素形態學預處理

2.1形態學邊緣檢測算子

數學形態學是一種非線性的圖像處理理論,以幾何學為基礎,著重研究圖像的幾何結構,利用一定形態的結構元素來度量和提取圖像中對應的幾何結構[6]。較傳統的算法,形態學變換操作簡單,運算快并且,數學形態學算子能在不破壞圖像原有信息的基礎上濾除噪聲,這非常有利于進行圖像分析,包括邊緣檢測[7]。

數學形態學的基本運算包括膨脹(⊕)、腐蝕(Θ)和開(°)、閉(·),在這些運算上產生了3種典型的數學形態學邊緣檢測算子[8]:腐蝕型邊緣提取算子、膨脹型邊緣提取算子、膨脹腐蝕型邊緣提取算子,這三種算子都是一種非線性差分算子,但是處理圖像之后依然會有噪聲存在。

對于形態學算子的改進,楊述斌等提出了一種改進的形態學邊緣檢測算子,假設E為結構元素,B為灰度圖像,R為邊緣提取結果[9]:

R(B)=(E°B)⊕E-(E·B)ΘE

(1)

這種形態學算子已經有了較好的效果,可以有效抑制噪聲,但是由于隨機噪聲的不確定性,檢測結構元素單一并不能產生很好的效果,魏本征等在此基礎上提出了一種使用十字形和交叉形兩種形態學結構元素,然后進行加權組合的改進形態學梯度濾波算子[10]:

R1(B)=(E1°B)⊕E1-(E1·B)ΘE1

(2)

R2(B)=(E2°B)⊕E2-(E2·B)ΘE2

(3)

R(B)=α1R1(B)+α2R2(B)α1,α2為加權系數

(4)

2.2多結構元素改進形態學算子

在實際應用中,在生產環境下通過高速線陣3 CMOS(Complementary Metal Oxide Semiconductor)相機對高速棉流大量采樣,共采樣含有異性纖維的圖片22000余張,通過對圖片分析可以發現高速棉流中異性纖維的形態、結構等是多種多樣的,較為普遍的異性纖維見圖1。

圖1　異性纖維形態圖

魏本征等采用的兩種形態學結構元素對形態學梯度濾波算子進行的改進,在這種情況下僅能適用于異性纖維呈現線性形態的幾種異性纖維形態,對于一些非線性形態的幾種異性纖維的檢測效果不好,本文對其改進形態學算子做了進一步的改進,使算法具有更好的適用性。

本文考慮對結構元素從多結構、多尺度及多方向這三個方面來進行改進:對于結構元素的選取,應該盡可能使結構元素和圖像待測形狀相似,但是要小于待檢測異性纖維的大小;結構元素的尺寸應該大于噪聲大小,尺度也不能太大,因為結構元素的尺度正比于檢測時間;同時使用多種結構元素進行組合增加檢測到的細節,考慮到待測物的方向各異,選取的結構元素應考慮到方向性。最終測試使用三個結構元素,一個水平向E1、一個垂直向E2和一個近似空心圓形結構元素E3:

(5)

分別使用三個結構元素E1、E2、E3代入式(2)進行運算之后,對運算后得到的三個結果R1(B)、R2(B)、R3(B)賦予不同的權值α1、α2、α3之后,進行加權的融合計算,通過計算之后可以得到像素級的形態學邊緣矩陣R(B):

R(B)=α1R1(B)+α2R2(B)+α3R3(B)

(6)

其中,α1,α2,α3為加權系數。

3　三鄰域非極大值抑制

使用形態學相關的算子進行處理之后,必然會產生檢測到的異性纖維邊緣輪廓有一定的膨脹,這是由于形態學的基礎理論使然;同時,在采樣過程中,高速棉流圖像會出現與背景融合度不高的現象,造成棉流圖像的邊緣值較大,在使用多結構元素形態學方法初步提取像素級邊緣時可能會將部分高速棉流的邊緣檢測出來,這樣會造成異性纖維的誤檢測。為了得到準確的異性纖維邊緣,剔除誤檢測的小部分棉流邊緣,因此需要對初步提取到的形態學邊緣矩陣進行一定的處理,然后才能進行最后的細化檢測。

N鄰域的非極大值抑制處理可以有效地應對存在偽邊緣的情況,由于已經提前做了一定的處理,一維的3鄰域的非極大值抑制對形態學邊緣矩陣進行處理就可以實現很好的效果。假定形態學邊緣矩陣為I(W,H),式中W為圖像矩陣寬度,H為圖像矩陣高度,Temp(W,H)為臨時數據矩陣,則如果當前點I(i,j)的值大于左側的點I(i,j-1)以及右側的點I(i,j+1),則該點為極大值點;如果當前點I(i,j)不滿足同時大于左側的點I(i,j-1)以及右側的點I(i,j+1),當前點不為極大值點,則將其對應臨時矩陣的值進行抑制。3鄰域模板如下:

圖2　3鄰域模板

對形態學邊緣矩陣為I(W,H)進行3鄰域非極大值抑制算法如下:

算法11D 3鄰域非極大值抑制

i←1,j←1;

whilei

ifI(i,j)>I(i,j+1) then

ifI(i,j)>I(i,j-1) then

Maximum At(I(i,j));

Temp(i,j)←I(i,j);

Temp(i,j+1)←0;

j=j+2;

else

Temp(i,j)←0;

Temp(i,j+1)←0;

j=j+2;

else

Temp(i,j)←0;

j=j+1;

經過3鄰域非極大值抑制的方法,對于零星的檢測到的邊緣點進行抑制,同時對膨脹的邊緣輪廓也進行了抑制,這樣重新產生一個包含邊緣信息的圖像矩陣,然后再進行亞像素級的檢測,就可以避免局部的零星高速棉流的邊緣,有效降低檢測的誤差。

4　亞像素級邊緣檢測

在進行過三鄰域非極大值抑制后,進行亞像素級邊緣檢測,獲取更細化精確的邊緣結果。亞像素級的邊緣檢測方法中綜合考慮到執行的時效性和計算量,基于矩的方法中Zernike矩效果較為理想。

Zernike矩具有正交性,計算量較小,基于Zernike矩的亞像素邊緣檢測主要利用了Zernike矩的旋轉不變性,通過三個Zernike矩Z00、Z11以及Z20計算出在理想邊緣模型下檢測邊緣所需的4個參數:背景灰度值h、躍階高度k、圓盤中心到邊緣的垂直距離l和垂線與x軸的夾角φ[11]。

圖3　理想邊緣模

離散情況下7*7的Zernike矩Z00、Z11以及Z20的模板系數計算結果見表1～表4[12]。

表1　Z00的模板M00

表2　Z11實數模板M11

表3　Z11的虛數模板1

表4　Z20的模板M20

5　實驗與結果分析

采樣環境:在多家棉紡織廠區內,采用3 CMOS線陣相機,線速率為16180 Line/s,采樣圖像位寬3*8 bit,采樣圖片大小4096*50 pixel,使用標準Camlink接口連接圖像采集卡進行圖像存儲。

實驗環境為:Windows 7操作系統;CPU:Intel Core i5-3470 3.2GH;內存:4GB。

為了驗證改進方法在檢測異性纖維上的性能,使用Matlab R2012b編寫相關算法,對采樣得到的圖片進行兩組實驗。

5.1檢測效果

分別進行了三組實驗進行對比檢測,驗證改進方法在各方面的效果。

第一組實驗主要對比改進的形態學算子在處理噪聲方面的效果,分別使用傳統的Canny邊緣檢測算法、基于空間矩的亞像素邊緣檢測方法以及本文的改進形態學方法。

為了驗證改進方法抗噪、濾噪的性能,首先對采樣得到現場圖片,分別添加了各種噪聲,由于原圖較大,取高速棉流中異性纖維相關部分放大如圖4所示。

圖4　高速棉流中異性纖維部分放大圖片

檢測效果如圖5所示。

圖5　對椒鹽噪聲檢測效果對比圖

對于加入椒鹽噪聲的圖像,傳統的Canny算法檢測的效果受到噪聲的影響較大,檢測到較多的噪點,沒有檢測到清晰的異性纖維邊緣;基于空間矩的亞像素方法已經能夠檢測到異性纖維邊緣了,但是存在較多的噪點,噪點數目相對Canny算法有所減小;本文的改進形態學算子處理之后的檢測效果不受椒鹽噪聲的影響,能夠檢測出清晰的異性纖維的邊緣形狀。

圖6　對高斯噪聲檢測效果對比圖

對于加入高斯噪聲的圖像,Canny算法檢測的效果受到高斯噪聲的影響很大,沒有檢測到邊緣的存在,檢測結果沒有意義;基于空間矩的亞像素方法也受到了高斯噪聲的一定影響,檢測到模糊的邊緣,噪點存留過多;本文的改進形態學算子處理之后的檢測效果受到高斯噪聲微弱影響,能夠檢測出清晰的異性纖維的邊緣形狀,但留存有少量的噪點。

圖7　顆粒噪聲檢測效果對比圖

對于加入顆粒噪聲的圖像,Canny算法檢測的效果圖像模糊,沒有發現檢測到的邊緣;基于空間矩的亞像素方法檢測到的邊緣一側模糊、不連續,存在大量噪點;本文的改進形態學算子處理之后的檢測效果在處理顆粒噪聲上相較其他方法有較好的效果,但是也檢測到了部門噪點,且邊緣連續性一般。

綜合第一組對于三種不同噪聲的檢測效果對比圖,可以驗證多結構元素的改進性形態學算子在異性纖維檢測中對于各類噪聲都有很好的抗噪、濾噪能力,能夠有效地提高后續異性纖維邊緣細化檢測的效果。

第二組實驗主要目的驗證三鄰域非極大值抑制方法在消除噪點以及收縮形態學處理中膨脹邊緣的效果,以添加了2%椒鹽噪聲之后的圖片作為處理對象,在第一步處理中全部使用了改進的形態學算子,第二步進行區分,圖8(a)不使用三鄰域的非極大值抑制,直接進行亞像素級邊緣檢測,圖8(b)使用了分別使用了三鄰域的非極大值抑制后再進行亞像素級邊緣檢測。

最終的檢測結果如圖8所示。

圖8第二組檢測效果圖

分析第二組效果圖中圖8(a)可以發現,在未經過三鄰域非極大值抑制時,檢測到的邊緣圖像相對與圖8(b)有明顯的膨脹,邊緣周邊及內部存在有離散的邊緣點,而且圖像中存在少量零星的噪點;圖8(b)中的邊緣則較為清晰,較為連續,沒有噪點的存在。因此可以驗證三鄰域的非極大值抑制在異性纖維邊緣檢測過程中有較好的抑制膨脹邊緣以及噪點的效果。

綜合以上兩組實驗,改進性的方法在檢測過程中結合多結構元素的改進形態學算子和三鄰域非極大值抑制,再進行亞像素級邊緣檢測,最后檢測到的異性纖維的邊緣形狀基本吻合實際異性纖維形狀、輪廓清晰,檢測效果很好。通過對大量檢測結果的統計對比,在高速棉流中對異性纖維的誤檢率較低。

5.2時間效率

在算法的執行時間效率上,對多副圖像分別使用了以下幾種算法執行檢測,傳統的Canny算法使用Matlab內置函數,基于空間矩的亞像素檢測使用Spatial 5*5的模板進行,最小二乘法擬合通過編程實現,通過多次運行統計出每種算法的平均執行時間,比對如表5所示。

表5　幾種邊緣檢測算法對比

從表中可以發現,本文的方法在執行時間上與基于空間矩的方法時間上相差較小,但是本文的方法檢測效果要優于基于空間矩的檢測方法;對比其他算法,在時間效率上具有優勢,較其他方法的檢測時間短。本文這種方法的時間效率在實際的工業應用中也是可以接受的。

6　結語

本文通過分析高速棉流中的異性纖維的形態,針對性的研究出三個不同的形態學結構元素融合進行改進的形態學邊緣檢測算子,然后再經過三鄰域的非極大值抑制的方法抑制形態學檢測后的膨脹邊緣以及去除初步檢測中的檢測誤差產生的噪點,最后使用了基于Zernike矩的亞像素檢測方法進行亞像素級的邊緣檢測。經過實驗驗證這種改進的處理方法十分有效,很好地結合了改進的形態學算子與非極大值抑制、Zernike矩的優點,具備了較強的抗噪性,計算量較小且又具有亞像素級的精確定位能力,檢測出的異性纖維邊緣較為準確,對于異性纖維的誤檢率較低。

本文的檢測方法也有一定的局限性,這種檢測方法對于硬件環境有一定的要求,高速相機在采圖中使用的背景板要求與棉花的圖像融合度比較高,可以考慮在后續的改進中加入FPGA芯片進行一定的圖像處理,去除對采圖環境的外界依賴。

參 考 文 獻

[1] 趙龍河.紡紗過程中撿除異性纖維的生產實踐[J].上海紡織科技,2013,41(5):7-9.

ZHAO Longhe. The production practice of picking foreign fibers in the spinning process[J]. Shanghai Textile Science & Technology,2013,41(5):7-9.

[2] 楊文柱,李道亮,魏新華,等.棉花異性纖維圖像分割方法[J].農業機械學報,2009,40(3):156-160,171.

YANG Wenzhu, LI Daoliang, WEI Xinhua, et al. Foreign cotton fiber image segmentation method[J]. Transactions of the Chinese Society of Agricultural,2009,40(3):156-160,171.

[3] 李國輝,蘇真偉,夏心怡,等.基于不規則成像機器視覺的棉花白色異性纖維檢測算法[J].農業機械學報,2010,41(5):164-167.

LI Guohui, SU Zhenwei, XIA Xinyi, et al. The whit e foreign cotton fiber detection based on irregular imaging machine vision[J]. Transactions of the Chinese Society of Agricultural,2010,41(5):164-167.

[4] 師紅宇,管聲啟,吳寧.棉花中異性纖維的圖像多分辨率差分檢測方法[J].紡織學報,2014,35(5):13-18.

SHI Hongyu, GUAN Shengqi, WU Ning. The multi-resolution image difference detection method of foreign cotton fiber[J]. Journal of Textile Research,2014,35(5):13-18.

[5] 劉鋒,蘇真偉,喬麗.基于線激光截面成像的棉花白色異性纖維檢測方法[J].農業機械學報,2013,44(3):215-218,256.

LIU Feng, SU Zhenwei, QIAO Liang. The white foreign cotton fiber detection method based on line laser cross-sectional imaging[J]. Transactions of the Chinese Society of Agricultural,2013,44(3):215-218,256.

[6] 張美靜,石振剛.改進形態學梯度的樣條插值亞像素邊緣檢測方法[J].沈陽理工大學學報,2012,31(3):19-23.

ZHANG Meijing, SHI Zhengang. Improved morphological gradient spline interpolation sub-pixel edge detection method[J]. Journal of Shenyang Li Gong University,2012,31(3):19-23.

[7] 閆麗麗,許長輝,高井祥,等.基于數學形態學細化算子的改進Canny算法研究[J].測繪科學,2010,35(2):82-84.

YAN Liangliang, XU Changhui, GAO Jingxiang, et al. The improve Canny algorithm based on refinement operators of mathematical morphology[J]. Science of Surveying and Mapping,2010,35(2):82-84.

[8] 范立南,張廣淵,韓曉微.圖像處理與模式識別[M].北京:科學出版社,2007:55-94.

FAN Linan, ZHANG Guangyuan, HAN Xiaowei. Image Processing and Pattern Recognition[J]. Beijing: Science Press,55-94.

[9] 李雪林,彭斯俊,宋曉麗.基于彩色形態學的圖像邊緣檢測算法[J].武漢理工大學學報:信息與管理工程版,2014,36(1):14-17,24.

LI Xuelin, PENG Sijun, SONG Xiaoli. The image edge detection algorithm based on color morphological[J]. Journal of Wuhan University of Technology: Information and Management Engineering Edition,2014,36(1):14-17,24.

[10] 魏本征,趙志敏,華晉.基于改進形態學梯度和Zernike矩的亞像素邊緣檢測方法[J].儀器儀表學報,2010,31(4):838-844.

WEI Benzheng, ZHAO Zhimin, HUA Jin. The subpixel edge detection method based on improved morphological gradient and Zernike moments[J]. Chinese Journal of Scientific Instrument,2010,31(4):838-844.

[11] 許光明,吳昭,周春蘭,等.基于視覺的零件尺寸測量[J].工業控制計算機,2015,28(4):111-113.

XU Guangming, WU Zhao, ZHOU Chunlan, et al. The measurement of part dimensions based on machine vision[J]. Industrial Control Computer,2015,28(4):111-113.

[12] 張美靜.亞像素邊緣檢測技術研究[D].沈陽:沈陽理工大學,2013.

ZHANG Meijing. Subpixel edge detection technology research[D]. Shenyang: Shenyang LiGong University,2013.

收稿日期:2015年10月13日,修回日期:2015年12月3日

作者簡介:黨士許,男,碩士研究生,研究方向:智能化信息處理。李磊,男,博士,研究方向:計算機網絡。張志鴻,男,教授,研究方向:智能化信息處理。

中圖分類號TP391.41

DOI:10.3969/j.issn.1672-9722.2016.04.008

A Foreign Fiber Detection Method Based on an Improved Sub Pixel Edge Detection

DANG ShixuLI LeiZHANG Zhihong

(College of Information Engineering, Zhengzhou University, Zhengzhou450001)

AbstractTo improve the accuracy of detecting foreign fibers and the time efficiency, reduce the false detection rate, a foreign fiber detection method based on improved sub pixel edge detection is proposed. At first the captured images from camera is preprocessed through an improved morphology operator, acquire preliminary marginal texture detailed images on the pixel level. Then three neighborhood non-maximum suppression method is used to remove small area cotton edge with detection errors. Finally thinning detection is conducted by sub pixel edge detection method based on Zernike moment. The experiment proves that this method has powerful noise resistance and denoising ability, fast calculation and other advantages, it can quickly and accurately identify foreign fiber in high-speed cotton flow and meet the performance requirements in actual production.

Key Wordscotton foreign fiber, morphology, sub pixel, non-maximum suppression, edge detector, Zernike moment