基于邊緣檢測(cè)的原棉雜質(zhì)圖像識(shí)別方法適用性分析

王飛 靳向煜

摘 要：針對(duì)如何選擇適合原棉圖像的邊緣檢測(cè)方法，高效地進(jìn)行含雜分析與識(shí)別的問(wèn)題，選取Sobel算子、Roberts算子、LoG算子、Canny算子4種邊緣檢測(cè)方法進(jìn)行適用性分析，實(shí)驗(yàn)選取原棉作為樣本，在檢測(cè)效果、檢測(cè)耗時(shí)、檢測(cè)概率比3個(gè)方面對(duì)各算子進(jìn)行了對(duì)比與分析。結(jié)果表明，相比其他算子，Canny算子在高閾值為1.5時(shí)，低閾值為0.2時(shí)雜質(zhì)邊緣定位準(zhǔn)確、背景噪聲小，尤其對(duì)于破籽類(lèi)雜質(zhì)的識(shí)別，檢測(cè)概率比達(dá)到92.5%，檢測(cè)效果優(yōu)于其他算子，更適用于原棉雜質(zhì)圖像的分析與識(shí)別。

關(guān)鍵詞：邊緣檢測(cè);原棉圖像;雜質(zhì)識(shí)別;適用性

中圖分類(lèi)號(hào)：TS1;TP37

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1009-265X（2019）05-0039-05

Abstract：Aiming at the problem of selecting suitable edge detection methods for raw cotton images and carrying out the analysis and identification of impurities efficiently， four edge detection methods （Sobel operator， Roberts operator， LoG operator and Canny operator） were selected for the applicability analysis. The raw cotton was chosen as the example in the experiment， and each operator was compared and analyzed from 3 aspects： detection effect， detection time consumption， detection probability. The results showed that， compared with other operators， the Canny operator presented accurate impurity margin positioning and small background noise when the high threshold was 1.5 and low threshold was 0.2. Especially for the recognition of broken seed impurities， the detection probability ratio reached 92.5%. The detection effect was better than other operators， and more suitable for the analysis and recognition of raw cotton impurity images.

Key words：edge detection; raw cotton image; impurity recognition; applicability

原棉雜質(zhì)指的是存在于棉纖維中的非棉纖維性物質(zhì)（沙土、毛發(fā)、鈴殼、磚石、地膜等）及其著生纖維（棉籽、破籽、不孕籽、帶纖維籽屑等）。近年來(lái)，在中國(guó)主要植棉區(qū)新疆，機(jī)采棉技術(shù)廣泛應(yīng)用，籽棉在快速收割的同時(shí)，大量雜質(zhì)也一并混合其中，即使經(jīng)過(guò)清理和軋花，原棉中仍然維持了較高的著生性纖維雜質(zhì)。根據(jù)國(guó)家標(biāo)準(zhǔn)GB/T 6499-2012《原棉含雜率試驗(yàn)方法》[1]，原棉含雜率采用雜質(zhì)人工檢驗(yàn)、稱(chēng)重的方式進(jìn)行檢驗(yàn)，該檢驗(yàn)方式勞動(dòng)強(qiáng)度大，耗時(shí)長(zhǎng)，難以保證檢驗(yàn)效率與效果。隨著計(jì)算機(jī)視覺(jué)檢測(cè)技術(shù)[2-4]的快速發(fā)展，HVI系統(tǒng)[5]、AFIS系統(tǒng)[6]等實(shí)現(xiàn)了雜質(zhì)的自動(dòng)化檢測(cè)，解決了原棉雜質(zhì)檢驗(yàn)工作中的勞動(dòng)強(qiáng)度大、耗時(shí)長(zhǎng)等諸多問(wèn)題，提高了檢測(cè)效率與效果。在這些視覺(jué)檢測(cè)系統(tǒng)中，邊緣檢測(cè)算法能夠檢測(cè)出圖像區(qū)域內(nèi)周?chē)袼鼗叶燃眲∽兓袼丶希苯佑绊懼s質(zhì)識(shí)別的效果，因此，亟需對(duì)主流的邊緣檢測(cè)算法進(jìn)行對(duì)比分析，討論其在原棉雜質(zhì)識(shí)別中的適用性。

本文針對(duì)原棉雜質(zhì)圖像的邊緣檢測(cè)算法進(jìn)行研究，在采集以白棉為主的原棉圖像的基礎(chǔ)上，采用Sobel算子、Roberts算子、LoG算子、Canny算子進(jìn)行對(duì)比實(shí)驗(yàn)，探討算子的檢測(cè)效能，為原棉雜質(zhì)圖像邊緣檢測(cè)方法的選取提供參考依據(jù)。

1 研究方法

1.1 Sobel算子原理

Sobel邊緣檢測(cè)算子[7]采用的是方向差分與中局部平均結(jié)合的方式，它首先對(duì)圖像進(jìn)行平滑處理，然后進(jìn)行方向差分運(yùn)算。

1.2 Roberts算子原理

Roberts算子[8]通過(guò)對(duì)角線方向相鄰像素差近似梯度幅值尋找邊緣，其原理是求取圖像點(diǎn)（x，y）的2×2鄰域上的對(duì)角導(dǎo)數(shù)，使用在該像素點(diǎn)處的方向差分的均方值取代梯度值G[f（x，y）]：

第3步，對(duì)圖像梯度幅值進(jìn)行“非極大值抑制”處理，并采用雙閾值法獲得邊緣。在非極大值抑制過(guò)程中，使用3×3大小、8方向的鄰域?qū)μ荻确禂?shù)組中的像素沿梯度方向進(jìn)行插值。然后采用高、低2個(gè)閾值對(duì)非極大值抑制后的圖像進(jìn)行分割，得到高閾值邊緣圖像Th[i，j]以及低閾值邊緣圖像Tl[i，j]，并將Th[i，j]中的邊緣連接成輪廓，當(dāng)?shù)竭_(dá)輪廓端點(diǎn)時(shí)，采用遞歸不斷搜索Tl[i，j]中8鄰域位置能夠連接到輪廓上的邊緣，直至Th[i，j]中所有的間隙都連接起來(lái)。

2 仿真實(shí)驗(yàn)與結(jié)果分析

2.1 材料與平臺(tái)

實(shí)驗(yàn)材料選自于新疆石河子地區(qū)棉花加工廠生產(chǎn)的原棉，棉樣共計(jì)1 283例，顏色級(jí)以白棉3級(jí)為主，在此基礎(chǔ)上，通過(guò)棉樣圖像采集系統(tǒng)、工控機(jī)硬件平臺(tái)、仿真實(shí)驗(yàn)程序進(jìn)行圖像的采集、分析與處理。

圖像采集系統(tǒng)中，采用MV-500UC系列高分辨率工業(yè)數(shù)字?jǐn)z像機(jī)，最高分辨率達(dá)2 592 pixel×1 944 pixel，像素尺寸2.2 μm×2.2 μm，像元大小1/2.5 cm，清晰度1 500線，信噪比大于42 dB。

工控機(jī)采用研祥IPC-810系列，性能穩(wěn)定性?xún)?yōu)越。仿真程序采用VC++結(jié)合OpenCV視覺(jué)庫(kù)的方式實(shí)現(xiàn)，完成原棉圖像拍攝與邊緣檢測(cè)算子的性能仿真。

實(shí)驗(yàn)仿真平臺(tái)如圖1所示，其中，平臺(tái)上方為系統(tǒng)顯示與操控屏，箱體內(nèi)部是圖像采集裝置與數(shù)據(jù)處理機(jī)，中間窗口為原棉圖像采集窗口。

2.2 結(jié)果與分析

2.2.1 檢測(cè)結(jié)果對(duì)比

在上述實(shí)驗(yàn)平臺(tái)基礎(chǔ)上，仿真程序通過(guò)圖像采集系統(tǒng)獲取了棉樣圖像，其分辨率為1 642 pixel×1 800 pixel，如圖2所示。在此基礎(chǔ)上，針對(duì)原棉圖像進(jìn)行了Sobel算子、Roberts算子、LoG算子、Canny算子的邊緣檢測(cè)實(shí)驗(yàn)，并對(duì)雜質(zhì)識(shí)別效果與檢測(cè)性能進(jìn)行了對(duì)比分析。

選取原棉樣品圖像如圖2，分別使用Sobel算子、Roberts算子、LoG算子、Canny算子對(duì)其進(jìn)行邊緣檢測(cè)，獲取的雜質(zhì)邊緣，同時(shí)，為了便于觀察，對(duì)結(jié)果進(jìn)行反色處理，結(jié)果如圖3所示。

通過(guò)圖3算子檢測(cè)結(jié)果對(duì)比可以看出，實(shí)驗(yàn)所采用的邊緣檢測(cè)算子都能檢測(cè)到雜質(zhì)的邊緣，但Sobel算子、Roberts算子、LoG算子在計(jì)算時(shí)不可避免的取得了虛假的像素點(diǎn)，如圖3中（a）、（b）、（c）圓圈內(nèi)所示皆為棉層擠壓導(dǎo)致深色區(qū)，并非實(shí)際的雜質(zhì)。與此同時(shí)，沒(méi)有能夠消除圖像的背景噪聲，雜質(zhì)與背景分離效果不佳，給后續(xù)的圖像處理帶來(lái)了困難;如圖3（d）所示，Canny算子能夠有效消除背景噪聲，且雜散點(diǎn)少、原棉雜質(zhì)邊緣刻畫(huà)流暢、清楚。

2.2.2 檢測(cè)耗時(shí)對(duì)比

在算子的檢測(cè)耗時(shí)方面，針對(duì)實(shí)驗(yàn)材料中選取的原棉樣品，實(shí)驗(yàn)分別采集5種不同分辨率的圖像，采用Sobel算子、Roberts算子、LoG算子、Canny算子分

別進(jìn)行檢測(cè)實(shí)驗(yàn)，進(jìn)行檢測(cè)耗時(shí)的對(duì)比分析。圖4的檢測(cè)結(jié)果顯示，當(dāng)棉樣圖像分辨率低于600 pixel×800 pixel的情況，各檢測(cè)算子耗時(shí)相當(dāng)，維持在0.28 s附近;當(dāng)分辨率高于1 642 pixel×1 800 pixel時(shí)，Sobel算子、Roberts算子、LoG算子較Canny算子相對(duì)耗時(shí)增幅顯著，最大增幅達(dá)1.1 s，最小增幅0.2 s。

2.2.3 檢測(cè)準(zhǔn)確率對(duì)比

由于目前對(duì)棉花雜質(zhì)的檢驗(yàn)采用是人工檢驗(yàn)方式，因此，在算子的檢測(cè)準(zhǔn)確率方面，采用本文實(shí)驗(yàn)仿真系統(tǒng)與按照國(guó)標(biāo)人工檢驗(yàn)相對(duì)比的方式進(jìn)行，選取檢測(cè)概率比作為檢測(cè)效果的評(píng)價(jià)準(zhǔn)則。其中，在整個(gè)樣品數(shù)據(jù)集中，對(duì)于任一類(lèi)雜質(zhì)檢測(cè)概率比的計(jì)算方法是實(shí)驗(yàn)仿真程序檢測(cè)的雜質(zhì)結(jié)果數(shù)量與按照GB/T 6499—2012人工檢驗(yàn)結(jié)果數(shù)量比值的算術(shù)平均值。

在此基礎(chǔ)上，選取1 283例原棉樣品并采集其圖像，如圖5所示。

近年來(lái)，由于棉花采收、加工設(shè)備技術(shù)不斷提升，非棉纖維性雜質(zhì)在成包原棉中已基本杜絕，因此選定棉葉、破籽類(lèi)、不孕籽、僵片、軟籽表皮5類(lèi)常見(jiàn)的雜質(zhì)進(jìn)行檢測(cè)，通過(guò)仿真程序逐一計(jì)算上述5類(lèi)雜質(zhì)的識(shí)別結(jié)果，同時(shí)，根據(jù)GB/T 6499—2012規(guī)定的人工檢驗(yàn)方法計(jì)算上述5類(lèi)雜質(zhì)的檢驗(yàn)結(jié)果，進(jìn)而分別求得檢測(cè)概率比，結(jié)果見(jiàn)圖6。

與Sobel算子、Roberts算子、LoG算子相比，Canny算子通過(guò)二階微分圖像增強(qiáng)、梯度閾值化取舍、“非極大值抑制”處理、形態(tài)學(xué)開(kāi)閉運(yùn)算，使得提取的圖像邊緣連續(xù)性好。其檢測(cè)效果明顯優(yōu)于Sobel算子、Roberts算子、LoG算子，尤其在破籽類(lèi)雜質(zhì)的邊緣檢測(cè)方面，檢測(cè)概率比達(dá)到92.5%。

2.2.4 檢測(cè)算子適用性分析

由于Sobel算子采用先局部平均然后求差分的方法對(duì)圖像進(jìn)行平滑處理，能夠?qū)崿F(xiàn)一定程度上的去除噪聲的功能。

Roberts算子采用的是直接通過(guò)局部差分法尋找圖像邊緣，然后求取梯度值，圖像中邊緣點(diǎn)的定位精度高，能夠較好的實(shí)現(xiàn)對(duì)水平和垂直方向邊緣的檢測(cè);但由于缺少對(duì)圖像進(jìn)行相應(yīng)的平滑處理，容易導(dǎo)致其對(duì)噪聲敏感，只適合于噪聲少且邊緣明顯的圖像檢測(cè)。

對(duì)于LoG算子來(lái)講，Gauss函數(shù)標(biāo)準(zhǔn)差具有控制平滑的作用，因此σ的取值很關(guān)鍵。具體的：σ值越大，用于平滑的Gauss濾波模板越大，圖像中高頻部分的抑制效果增強(qiáng)，有效避免孤立點(diǎn)及虛假邊緣點(diǎn)的檢出，同時(shí)，Gauss濾波器的平滑作用會(huì)消除一部分邊緣細(xì)節(jié)，如圖3中（a）、（b）、（c）圓圈內(nèi)所示皆為棉層擠壓導(dǎo)致深色區(qū)，造成一定程度的邊緣點(diǎn)漏檢，造成邊緣定位的偏移，降低了邊緣的定位精度;相反，σ值越小，邊緣定位準(zhǔn)確，但平滑、去噪性能降低。

在理論上，Canny算子是一種相對(duì)完善的邊緣檢測(cè)算法。特別是在二維坐標(biāo)空間下，由于Canny檢測(cè)算子具有方向特性，使其在尋找與定位邊緣的性能上要優(yōu)于LoG算子。同時(shí)，Canny算子能夠產(chǎn)生邊緣的梯度方向和強(qiáng)度2個(gè)維度的信息，具有更好的抗噪性能，如圖3（d）所示，Canny算子在高閾值為1.5時(shí)，低閾值為0.2時(shí)雜質(zhì)邊緣定位準(zhǔn)確，為后續(xù)圖像處理提供了便利。但是，Canny算子為了得到較好的邊緣檢測(cè)效果，通常需要使用大濾波器，從而容易丟失邊緣的細(xì)節(jié)信息。

通過(guò)對(duì)Sobel算子、Roberts算子、LoG算子、Canny算子的原理分析以及針對(duì)原棉雜質(zhì)樣品的仿真實(shí)驗(yàn)結(jié)果表明，Canny算子能夠在雜質(zhì)邊緣定位、背景噪聲消除方面都具有優(yōu)良的性能，檢測(cè)到的邊緣連續(xù)性好、背景噪聲小，尤其適用于原棉中破籽類(lèi)雜質(zhì)的分析與識(shí)別。

3 結(jié) 語(yǔ)

邊緣檢測(cè)算法的研究是圖像處理領(lǐng)域的重要課題，現(xiàn)有的圖像邊緣檢測(cè)算法多數(shù)是基于特定條件、特定圖像類(lèi)型進(jìn)行檢測(cè)，由于數(shù)字圖像的多樣性和復(fù)雜性，尚不能做到普遍適用性。原棉作為大宗紡織原料，如何為原棉圖像選擇合適邊緣檢測(cè)方法，高效地進(jìn)行含雜狀況的分析與識(shí)別，已成為亟待解決的難題。本文選取常用的Sobel算子、Roberts算子、LoG算子、Canny算子4種邊緣檢測(cè)算子，在以原棉為樣本的仿真實(shí)驗(yàn)結(jié)果顯示，Canny算子在雜質(zhì)邊緣定位、背景噪聲消除方面都具有優(yōu)良的性能，檢測(cè)到的邊緣連續(xù)性好、背景噪聲小，尤其適用于原棉中破籽類(lèi)雜質(zhì)的分析與識(shí)別。同時(shí)，通過(guò)邊緣檢測(cè)算子的檢測(cè)效能對(duì)比，也為原棉雜質(zhì)圖像邊緣檢測(cè)方法的選取提供了參考依據(jù)。

參考文獻(xiàn)：

[1] 中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局.GB/T 6499—2012原棉含雜率試驗(yàn)方法[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2012.

[2] 周航，杜志，龍武，等.機(jī)器視覺(jué)技術(shù)在現(xiàn)代農(nóng)業(yè)裝備領(lǐng)域的應(yīng)用進(jìn)展[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2017，11（38）：86-92.

[3] 輔小榮.基于機(jī)器視覺(jué)的品質(zhì)檢測(cè)系統(tǒng)設(shè)計(jì)[J].產(chǎn)業(yè)與科技論壇，2018，17（2）：38-39.

[4] 周航，杜志龍，武占元，等.機(jī)器視覺(jué)技術(shù)在現(xiàn)代農(nóng)業(yè)裝備領(lǐng)域的應(yīng)用進(jìn)展[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2017，38（11）：86-92.

[5] 王銘，耿向陽(yáng)，曲京武，等.棉花品級(jí)檢測(cè)中HVI與人工檢測(cè)法相關(guān)度分析[J].中國(guó)纖檢，2012（5）：52-55.

[6] 韋京艷，唐淑榮，褚平侯，等.基于AFIS測(cè)試的機(jī)采棉和手采棉纖維品質(zhì)分析[J].中國(guó)棉花，2015，12（42）：29-32.

[7] 張豐收，李斯文，胡志剛，等.一種改進(jìn)的Sobel梯度函數(shù)自動(dòng)對(duì)焦評(píng)價(jià)算法[J].光學(xué)技術(shù)，2017，43（3）：234-238.

[8] 文永革，何紅洲，李海洋.一種改進(jìn)的Roberts和灰色關(guān)聯(lián)分析的邊緣檢測(cè)算法[J].圖學(xué)學(xué)報(bào)，2014，35（4）：637-642.

[9] 董雪，林志賢，郭太良.基于LoG算子改進(jìn)的自適應(yīng)閾值小波去噪算法[J].液晶與顯示，2014，29（2）：275-280.

[10] 許宏科，秦嚴(yán)嚴(yán)，陳會(huì)茹.一種基于改進(jìn)Canny的邊緣檢測(cè)算法[J].紅外技術(shù)，2014，36（3）：210-214.