木棉和棉的自動識別

高 亮， 王 旭， 王榮武， 3

(1． 東華大學 紡織學院，上海201620； 2． 新疆維吾爾自治區纖維檢驗局，新疆 烏魯木齊 830000； 3． 西安工程大學 陜西省功能性服裝面料重點實驗室，陜西 西安 710048)

木棉和棉的自動識別

高 亮1， 王 旭2， 王榮武1， 3

(1． 東華大學 紡織學院，上海201620； 2． 新疆維吾爾自治區纖維檢驗局，新疆 烏魯木齊 830000； 3． 西安工程大學 陜西省功能性服裝面料重點實驗室，陜西 西安 710048)

木棉和棉同屬于纖維素纖維，化學性質非常相似，采用傳統方法不能有效地鑒別． 通過光學顯微鏡獲得的纖維縱向圖像發現，木棉纖維縱向較為光滑，沒有類似棉的天然轉曲，因此可以利用圖像處理的方法進行纖維識別．首先提出了一種纖維分離算法，通過輪廓和骨架的分離，從而有效地分離交叉纖維． 然后利用灰度分布特征和經典模式識別方法實現了木棉和棉的自動識別．

木棉； 棉； 數字圖像處理； 交叉纖維； 纖維分離； 自動識別

木棉纖維屬于天然纖維素纖維，中空率高達97%，是目前紡織用纖維中線密度最小、質量最輕、中空率最高、最具保暖效果的天然纖維材料，其被譽為“植物軟黃金”，但它屬于未被充分利用的小品種纖維．值得一提的是，木棉除了在紡織方面的獨特優勢外，還具有抗炎保肝作用以及很強的抗腫瘤藥理作用．因此，研究木棉的應用頗具意義[1]．

文獻[2]利用硫酸溶解的方法對木棉和羊毛混紡產品進行定量分析，發現經硫酸完全溶解后，羊毛損傷很小，確定了溶解方法的可行性．而對于木棉和棉而言，它們的物理性質和化學性質均非常相似，因此常用的纖維鑒別方法無法進行定量分析，而采用顯微鏡觀察法可以有效地進行鑒別[3]．文獻[4]使用紅外光譜對木棉和棉進行定量分析，根據特征吸收峰面積與木棉含量的關系得出標準曲線，從而實現木棉含量的測定．利用圖像處理方法進行纖維識別的過程中，纖維目標的分割是一大難點．國內外關于圖像分割技術的研究[5-7]非常多，目前應用較為廣泛的是基于交叉點處各分支斜率的分離．文獻[8]提出的方法適用于兩個纖維垂直交叉的情況下的分離，并沒有提出其他諸如T字、并列、首尾相接等較為復雜交叉情況下的分離方法．文獻[9-10]提出的方法沒有對公共骨架段進行判斷，認為交叉點間的骨架段是公共骨架段，由于纖維制片中，形態的復雜性和不確定性，此類方法不能全部識別出偽公共骨架段，僅適用于簡單的兩根纖維交叉的區分，對于一根或多根纖維復雜交叉的情況沒有考慮在內．文獻[11]提出對纖維提取邊緣，根據斜率變化趨勢去除纖維頭，對剩下的不連續縱向邊緣進行Hough變換擬合出纖維邊緣直線，之后對邊緣進行兩次合并，合并后的邊緣直線與其他提取的直線一起參與最終邊緣配對，該方法適用于邊緣接近直線的纖維，對于邊緣非直線，如帶有轉曲的棉、卷曲的羊毛以及一些彎曲的纖維，該方法效率較低．文獻[12]針對交叉纖維和分叉纖維圖像在顯微鏡不同焦距下呈現的清晰度差異，利用同根纖維相鄰部分像素點在z軸方向坐標范圍基本一致，以及交叉點處不同纖維像素點z軸方向坐標差異較大這一原理，根據纖維的(x，y，z)三維特性實現纖維分離，該方法的分離準確度較高，但需要對同一目標采集多幅圖層，系統效率低，速度慢，不適用于快速檢測．

本文首先選擇適合觀察木棉和棉縱向形態的制片方法，然后利用配有自動載物臺的光學顯微鏡進行采樣[13]，在對比分析現有的纖維識別算法的基礎上，針對木棉和棉表觀形態上的差異，探索合適的目標分割方法，提取最能反映兩者區別的特征值，依據分類準則將纖維分類，結合紗線中纖維的密度進行混紡比計算，具體檢測流程如圖1所示．

圖1 木棉/棉檢測流程Fig．1 Detecting process of kapok and cotton

1 算法介紹

根據目前常用的纖維種類識別制片方案進行纖維制樣．首先，從制備好的木棉/棉非織造纖網中隨機選取一小塊，利用Y172型哈氏切片器將纖網切割，精密螺絲旋轉10 格，即切取長度為200 μm[14].將切取下來的纖維放置在事先擦拭干凈的載玻片上，用玻璃棒蘸取適量甘油滴在載玻片上的纖維上，順著一個方向攪拌，攪拌的目的是為了能讓纖維更好地分散，以便隨后圖像的觀察，減小測試結果的誤差，因此，盡可能對纖維進行長時間的攪拌以得到更好的分散效果． 攪拌完成后，將擦拭干凈的蓋玻片蓋上，注意放置蓋玻片時要先將蓋玻片的一端與甘油接觸，隨后輕輕放下另一端，避免在放置蓋玻片的過程中產生氣泡，因為氣泡會影響圖像的采集質量，從而影響圖像的分割結果．

將制好的試樣放在北昂F6型纖維細度儀[15]的顯微鏡觀察臺上進行圖像采集，通過調節焦距和亮度使木棉和棉的邊界和紋理盡量清晰，該測試方法支持的圖像分辨率為800像素×600像素，否則會導致纖維分離準確率下降． 通過對采集圖像中纖維形態的觀察，排除團聚的纖維后，纖維交叉形態大體可分為4類，即并列、十字交叉、T字交叉、頭尾相接，如圖2所示．

(a) 并列 (b) 十字交叉

(c) T字交叉 (d) 頭尾相接

由圖2可知，對于并列纖維，根據外部輪廓凹凸性能夠分離，而提取骨架會丟失相關的凹凸信息，因此在提取輪廓階段進行分離．對于十字交叉、T字交叉、頭尾相接的交叉情況，在輪廓圖中分離相對較復雜，而提取骨架后根據骨架趨勢能夠實現有效的分離.十字交叉和T字交叉由于骨架圖中同一根纖維骨架在交叉處的斜率差異性較小，可實現纖維分離；對于頭尾相接的情況，根據骨架在粘連點處表現斜率突變的特性分離交叉點處的纖維．

1．1 預處理

通過對目標圖像進行二值化、填充、聯通區域標記等預處理操作去除圖像中的噪音，保留感興趣的纖維目標，為后續的分離做好準備.目標圖像預處理后的效果圖如圖3所示．

圖3 預處理效果圖Fig．3 Effect images of preprocessing

1．2 纖維分離算法

1．2．1 輪廓剪枝

由于纖維邊緣的不平整導致了輪廓圖中存在一些小分叉，如圖4所示，AF為主骨架，BC和DE為短枝，需要進行剔除．首先采用8鄰域關系圖(如圖5所示)將輪廓圖像中目標像素分為端點、普通點、交叉點3類．

(a) 剪枝前的骨架 (b) 剪枝后的骨架

圖4 剪枝Fig．4 Cutting branch

圖5 8鄰域關系圖
Fig．5 Eight neighbourhood diagram

假如M為目標像素點，使用0～7共8個數字表示相鄰像素點與M的方位關系．依次按0-7-0的順序檢測M的8鄰域像素點的狀態，如果M點8鄰域中有且僅有一個目標像素，定義該目標點為端點；如果M點8鄰域中有兩個目標像素，定義該目標點為普通點；如果M點8鄰域中檢測到6次像素灰度級變化，則定義該中心像素點為交叉點．按照上述定義，A、B、E、F為端點，C、D為交叉點，其余像素點為普通點.觀察發現短小分叉的特點為：分支兩端的一端是端點，另一端是交叉點.根據這一特點可以剔除短小分叉．依次可以從端點開始跟蹤骨架(具有一個端點和一個交叉點)，長度小于20個像素的骨架作為短枝．在圖4(a)中，BC、DE不滿足長度閾值，被判斷為短枝，短枝剔除后的主骨架如圖4(b)所示．

1．2．2 根據輪廓分離并列纖維

根據角度法找出輪廓中的凹極值點[16]，具體算法如下所述．

Step 1 遍歷圖像，搜索圖像中的端點，將沒有跟蹤過的端點設為跟蹤起點M，初始搜索方向為左下方，逆時針搜索．

Step 2 根據當前輪廓點的坐標P1，順時針跟蹤m個點到P0，逆時針跟蹤m個點到P2．通過式(1)定義凹凸點，用P0P1與P1P2的夾角θ表示該點的凹凸程度，θ>0表示凹點，且θ值越小表示該點凹的程度越小，θ<0表示凸點，且θ值越大表示該點凸的程度越大．

(1)

Step 3 計算所有輪廓點的凹凸性，如圖6所示，橫坐標表示同一輪廓中所有輪廓點按逆時針的順序編號，縱坐標表示該輪廓點的凹凸程度.如果輪廓點在順時針和逆時針方向一定范圍內θ均為最小，則該點作為符合要求的凹極值點．

圖6 纖維輪廓點位置-凹凸性的關系曲線Fig．6 Curve relation of contour point and convexity

Step 4 記錄每個輪廓符合要求的凹極值點個數，如果個數為2，在二值化圖像中連接對應的凹點，從而切斷交叉纖維，否則不做處理．

對于典型并列的纖維可以實現分離，如圖7所示.

(a) 原圖 (b) 效果圖

圖7 并列纖維的分離
Fig．7 Separation of paralleling fibers

1．2．3 提取骨架并剪枝

利用快速查表法提取纖維骨架，并對骨架進行剪枝處理，剪枝操作與輪廓剪枝原理相似.骨架短小分叉的特點為：(1)分支兩端一端是端點，另一端是交叉點；(2)分叉長度較短．根據這兩個特點可以剔除短小分叉，從而為下一步分離十字交叉、T字交叉和頭尾相接的交叉纖維做準備．

(a) 原纖維骨架 (b) 剪枝后纖維骨架

圖8 纖維骨架剪枝
Fig．8 Cutting skeleton’s branch of fibers

1．2．4 根據骨架分離十字交叉、T字交叉、頭尾相接纖維

對于十字交叉纖維，以圖2(b)為例，經過預處理得到二值圖像，利用快速查表法提取纖維的骨架，處理效果如圖9所示．

圖9 架剪枝圖Fig．9 The image after cutting branch

達到理想分離效果的原理：逐行掃描，從骨架的一個端點開始跟蹤該骨架線段，直到跟蹤到該線段的另一個端點，即分離成功．但要達到理想分離效果，需要解決一個問題，在骨架跟蹤過程中，遇到交叉點應該如何繼續跟蹤.為解決這個問題，首先引入公共骨架線段的概念，將纖維進行分段處理，標記圖像中所有的交叉點，去除交叉點后獲得了各獨立的纖維骨架線段．其中公共骨架線段定義需要滿足兩個條件：(1)骨架線段的兩端均是交叉點；(2)骨架線段的長度在一個較短的特定范圍內．滿足條件(1)的骨架線段很多，因此條件(2)中長度范圍的選擇至關重要，有必要對公共線段骨架長度做動態的設定值． 通過觀察發現，公共骨架的長度與兩根交叉纖維的夾角有密切的關系，兩根交叉纖維的夾角越接近90°，公用骨架的長度越小，夾角越接近0°，公共骨架的長度越大．對不同交叉角度的纖維的公共骨架長度進行測量可以得到骨架長度與交叉角度的關系． 本試驗采用的試樣的交叉角度與公用骨架長度的關系如圖10所示．

圖10 交叉角度與公用骨架長度的關系Fig．10 The relation between crossed angle and public skeleton length

找到公共骨架線段后，對公共骨架點進行標記，然后依據8鄰域的目標像素點個數進行分類，將目標像素點分為4類：端點、普通骨架點、分叉點、公共骨架點．骨架跟蹤具體算法如下所述．

Step 1 確定公共骨架線段.從交叉點各個方向開始跟蹤，直到搜索到交叉點或者端點后停止跟蹤.如果終止條件為交叉點，則將該線段初步定為公共骨架，且記錄該骨架長度為L，然后根據該交叉點另外兩條非公共骨架線段所成角度，對照圖10查出對應公共骨架長度的范圍(Lmin，Lmax)，如果Lmin

Step 2 對公共骨架兩端骨架進行配對，將公共骨架相連的4根骨架根據同根纖維交叉點處斜率差異最小原則進行兩兩編號配對．

Step 3 端點開始跟蹤骨架，當前目標點8鄰域有交叉點時，搜索8鄰域方向是否有公共骨架點，如果有，說明交叉纖維屬于十字交叉，記錄當前目標點的配對編號，沿公共骨架方向繼續跟蹤，再次遇到交叉點時，搜索交叉點8鄰域的目標點的配對編號，其中與起始配對編號相同的目標點為下一個跟蹤點，直到跟蹤到端點．如果沒有公共骨架，說明交叉纖維屬于T字交叉，計算當前骨架方向與交叉點處的另兩條骨架的夾角，夾角大的兩者作為配對對象，繼續沿配對骨架方向進行跟蹤，直到跟蹤到端點．

Step 4 在完成十字交叉和T字交叉的纖維分離之后，對頭尾相接的交叉纖維進行分離，這里頭尾相接是指兩根纖維的頭端發生重疊，導致交叉區域具有明顯拐點，在跟蹤骨架過程中，如果發現斜率發生突變，則將突變區域剔除．

交叉纖維經過骨架分離后的效果圖如圖11所示．

(a) 分離的十字交叉纖維 (b) 分離的T字交叉纖維

(c) 分離的頭尾相接纖維

由圖11可見，纖維骨架已經被完全正確地分離，每根纖維為獨立的目標．但本方法不適用于多根纖維在很小的纖維段內多次重復交叉的情況．

1．3 纖維分離效果

經過對圖像中交叉纖維的分離，得到獨立的纖維個體，同時為了提取有效的特征參數，剔除纖維的頭尾部分，各占纖維總長度的1/5，只保留纖維中段，對纖維中段用對應的原灰度值填充，得到效果圖如圖12所示．

圖12 纖維分離效果圖Fig．12 The effect image of separated fibers

2 纖維種類識別

2．1 特征參數提取

根據目標纖維灰度上的差異，經過對特征值篩選，選取各個目標直方圖的局部高寬比、目標灰度方差兩個參數作為特征參數．木棉和棉的灰度直方圖如圖13所示，其中，橫坐標表示灰度級(0～255)，縱坐標表示對應灰度級的像素個數．從圖13找出最大峰值，該坐標對應的像素個數作為直方圖高，以最大峰值作為中心線，取左右延伸一定范圍作為直方圖的寬，由此求得直方圖的局部高寬比．

(a) 木棉

(b) 棉

觀察木棉和棉的外觀特征發現，棉纖維表面紋理明顯要比木棉粗糙，因此反映在圖像中的纖維的灰度方差也不相同.灰度方差σ2的定義為

(2)

(3)

(4)

式中：b為像素的灰度值，取0～255的整數；n為數字圖像中的總像素個數；n(b)為該窗口內灰度為b的像素個數．

以樣本號作為橫坐標，分別以歸一化后的直方圖局部高寬比和灰度方差兩個參數作為縱坐標，分析單一特征參數的有效性，得到的識別效果圖如圖14和15所示．

圖14 木棉和棉的灰度直方圖局部高寬比Fig．14 Local aspect ratio of kapok and cotton’s histogram

圖15 木棉和棉的灰度方差Fig．15 Variance of kapok and cotton

由圖14和15可以得出：由于木棉中空率較大，纖維壁較薄，因此纖維內部灰度與背景相近，灰度均勻，紋理較平滑，直方圖高寬比較大，灰度方差較小；棉由于存在天然轉曲，纖維表面灰度分布不均勻，直方圖高寬比較小，灰度方差較大．因此，使用灰度直方圖高寬比度和灰度方差結合可以分離木棉和棉.由于特征值存在異常值，而剔除異常值可以提高纖維分離程度．

2．2 特征參數的相關性分析

對兩個特征參數進行相關性分析，如果兩個變量之間是線性的，則可用一個線性的方程實現纖維的識別公式；如果變量之間是線性無關的，可采用非線性的方程，或者一個近似的線性方程來實現纖維的識別公式．本文采用Spearman等級相關系數進行分析，其適用于度量定序變量之間的相關系數，其計算公式為

(5)

式中：di=(xi-yi)，xi和yi分別為兩個變量按大小(或優劣等)排位的等級(稱為秩)；n為樣本的容量． Spearman等級相關系數的取值區間為：-1≤rs≤1．rs為正值時，存在正的等級相關；rs為負值時，存在負的等級相關．rs=1，表示兩個變量等級完全相同，存在完全正相關；rs=-1，表明兩個變量的等級完全相反，存在完全負相關．rs的絕對值越大表明相關性越強，若rs=0，表明兩個變量不是線性相關．

Spearman等級相關系數是根據一定的樣本容量計算的．兩個變量的總體是否存在顯著的等級相關也需要檢驗．當樣本容量大于20時，可利用t統計量(如式(6))進行等級相關系數的顯著性檢驗．

(6)

使用500組樣本特征參數做Spearman等級相關系數的相關性分析，計算得出兩個特征向量的Spearman等級相關系數rs為-0．573．經t統計量檢驗顯著，證明兩個特征值為線性相關的，因此可以建立相似的線性識別公式來實現纖維的分離．

2．3 木棉和棉自動識別公式的確立

對于一個樣本集，如果存在一個線性分類器能把每個樣本都正確分開，則稱樣本集為線性可分的，否則稱為線性不可分的．反過來，如果樣本集是可分的，則必然存在一個分類器能把每個樣本正確分類．假設模式向量x是n維的，線性判別函數的一般形式為

(7)

式中：w為權重系數；a為偏置截距．

式(7)的幾何意義為其定義的超平面將空間X分為兩部分，如圖16所示，超平面是位數為n-1的仿射子空間，它將空間X分為兩部分對應輸入的兩類．

圖16 Spearman幾何表示Fig．16 Geometric representation of Spearman

圖17 木棉和棉的特征參數Fig．17 The schematic diagram of kapok and cotton’s character formula

根據經典模式識別方法，結合如圖17所示的木棉和棉特征參數的分布，本文采取類別均值的分離，訓練樣本集.木棉和棉的均值向量計算見式(8)和(9)所示．

(8)

(9)

式中：m1表示木棉的向量均值；X1i表示木棉中樣本號位為i的特征向量；N1為木棉樣本數；m2表示棉的向量均值；X2i表示棉中樣本號位為i的特征向量；N2為棉樣本數.將特征均值連線的方向確定為特征向量的投影方向，將中心點連接線段的中垂線確定的函數作為線性判別函數，如式(10)所示．

(10)

利用識別式(10)對500組木棉和棉的自動識別，對于圖像質量較好的試樣，識別正確率達到90%以上．

3 應用前景

根據上文中所述方法得到圖像中纖維種類和根數之后，同時可計算出纖維直徑，再結合已知的線密度，根據式(11)和(12)可以計算出木棉和棉的混紡比.由于木棉中空率較大，在制片過程中中腔會被壓扁，如何對測得的木棉寬度進行直徑折算將成為今后研究的重點．

100%

(11)

P2=100%-P1

(12)

式中：P1為木棉的質量百分比；n1為木棉的根數；K1為木棉的修正系數；ρ1為木棉的密度；D1為木棉的直徑；P2為棉的質量百分比；n2為棉的根數；K2為棉的修正系數；ρ2為棉的密度；D2為棉的直徑.

4 結 語

本文以木棉和棉纖維縱向形態作為研究對象，利用數字圖像處理技術討論了交叉纖維的分離，提出了一種新的分離算法，同時提取了直方圖高寬比和灰度方差兩個參數作為識別的特征值，取得了較好的試驗結果． 經過測試，對于圖像質量較好的樣本，識別正確率在90%以上．在識別出纖維根數和種類之后，同時結合纖維的直徑和已知的纖維線密度，可以進一步計算出纖維的混紡比． 后續的研究可在此基礎之上開發出木棉/棉混紡比測試軟件，能夠在生產檢測中得到推廣應用．

[1] 張振方，王梅珍，林玲，等．木棉纖維及其集合體研究進展[J]．產業用紡織品，2015，33(8)：30-34．

[2] 劉艷，潘建君．羊毛木棉混紡產品定量分析方法的研究[J]．針織工業，2014(12)：65-67．

[3] 朱軍軍，石東亮．木棉和棉纖維的鑒別方法探討[J]．中國纖檢，2012(6)：72-73．

[4] 吳世榮．基于紅外光譜的木棉與棉定量分析[J]．中國纖檢，2011(23)：64-65．

[5] ZHANG Y J． A review of recent evaluation methods for image segmentation[C]∥Isspa 2001： Sixth International Symposium On Signal Processing and its Applications， Vols 1 and 2， Proceedings． 2001：148-151．

[6] HARALICK R M， SHAPIRO L G． Image segmentation techniques[J]． Computer Vision，Graphics and Image Processing， 2015，29(85)：100-132．[7] PAL N R， PAL S K． A review on image segmentation techniques[J]． Pattern Recognition，1993，26(93)：1277-1294．

[8] 孟榮愛，周長劍，邱書波．紙漿纖維交叉分離的一種新型算法[J]．紙和造紙，2011，30(8)：67-69．

[9] 解德義，徐新彬．基于數字圖像處理的交叉纖維的分離方法[J]．山東輕工業學院學報，2008(1)：40-42．

[10] 余承健．纖維檢測中交叉圖像的分離算法[J]．電腦知識與技術，2006(20)：142-144.

[11] 賈立峰．重疊纖維的分離計數算法[J]．紡織學報，2011，32(5)：43-49．

[12] 陳夢睿．交叉纖維分離算法的研究[D]．上海：東華大學計算機科學與技術學院，2012：1-32．

[13] 卜濤濤，盧超．圖像分割算法研究[J]．電腦知識與技術，2010，6(8)：1944-1946．

[14] 王君，王榮武，吳雄英，等．Lyocell/棉縱向切段制樣方法及最佳切段長度的確定[J]．中國纖檢，2010(1)：49-52．

[15] 王榮武．基于圖像處理技術的苧麻和棉纖維縱向全自動識別系統[D]．上海：東華大學紡織學院，2007：35-37．

[16] 宋曉眉，程昌秀，周成虎．簡單多邊形頂點凹凸性判斷算法綜述[J]．國土資源遙感，2011(3)：25-31．

(責任編輯：劉園園)

Automatic Recognition of Kapok and Cotton

GAOLiang1，WANGXu2，WANGRongwu1，3

(1． College of Textiles， Donghua University， Shanghai 201620， China； 2． Xinjiang Uygur Autonomous Region Fiber Inspection Bureau，Urumqi 830000， China； 3． Shanxi Key Laboratory of Functionnal Fabrics， Xi’an Polytechnic University， Xi’an 710048， China)

Kapok and cotton both belong to the cellulose fiber and their chemical properties are very similar，so using traditional methods can not recognize them efficetively． In fiber longitudinal images acquired through light microscope， kapok fiber’s longitudinal appearance is smooth， while cotton fiber has natural twist， so the digital image processing method can be used to recognize kapok and cotton． A new algorithm is proposed， which can separate crossing fiber effectively through the separation of the contour and skeleton． Then， gray level distribution and classic pattern recognition method are used to realize the automatic recognition of cotton and kapok．

kapok； cotton； digital image processing； crossing fiber； fibers’ separation； automatic recognition

1671-0444(2017)01-0095-07

2015-09-22

陜西省教育廳科學研究計劃資助項目(14JS039)

高 亮(1989—)，男，河北保定人，碩士研究生，研究方向為數字圖像處理. E-mail：18317131087@163.com 王榮武(聯系人)，男，教授，E-mail：nbwrw@163.com

TS 117

A