基于邊界跟蹤測量麻纖維橫截面參數的算法研究與應用

張錚燁， 辛斌杰， 鄧 娜， 陳 陽， 邢文宇

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

纖維圖像分析技術是用計算機圖像處理和分析技術對纖維圖像進行特征分析和測量的一種數字化表征手段，目前被廣泛應用于紡織行業中的纖維質量檢驗。由于用纖維的二值圖像提取特征參數更加方便和準確[1-3]，所以多年來學者大都通過改進預處理效果、閾值分割算法來增加閾值分割的精度[4-6]，其中：吳兆平等[7]利用最大熵二值化獲取良好的羊毛纖維橫截面圖像，然后進行參數提取；徐步高等[8]在原有圖像分割算法的基礎上提出了雙閾值分割算法，通過融合高閾值和低閾值圖像提高閾值分割的精準度；陶偉森等[9]通過提輪廓處理提取羊毛、羊絨纖維的紋理特征和形狀特征。

綜上所述，研究者通常借助纖維二值圖像進行纖維的表征和識別，纖維幾何特征可通過纖維二值圖像分析方法提取相關信息[10-12]。纖維的輪廓外型及形態的準確測量對于纖維品種的鑒別至關重要[13-15]。因預處理會影響纖維邊緣的真實性，故本文將纖維橫截面原圖像灰度化后，用邊緣檢測算子直接提取纖維橫截面邊緣，在此基礎上進行纖維橫截面的周長和面積的計算[16]，有效削弱了濾波、閾值分割操作帶來的誤差。

1 硬件系統及圖像采集

目前獲取纖維橫截面樣本需要對纖維進行切片。常用的切片方法需要先將纖維放入介質中進行包埋制樣。市售貯麻纖維的3例原始圖像如圖1所示。可見，用于包埋的介質具有一定的黏稠度,包埋時會產生包埋痕跡，對麻纖維樹脂包埋樣品進行切片時會保留刀切的痕跡，這些痕跡對參數測量造成的誤差無法通過一般圖像處理手段進行消除。

圖1 麻纖維的原始圖像(×20)Fig.1 Original image of hemp fibers(×20)

邊緣增強圖像融合算法雖然能夠解決上述問題，使處理后的圖像更清晰，但會使得纖維邊界不真實，所測量纖維橫截面的周長和面積誤差較大，從而導致根據周長面積公式計算出的纖維橫截面圓度誤差較大。

針對上述問題，本文提出基于邊界跟蹤測量麻纖維橫截面參數的算法，首先將麻纖維橫截面圖像進行灰度化處理，然后提取麻纖維橫截面邊緣的輪廓線，再利用孔洞填充算法填充麻纖維橫截面區域，獲得完整的麻纖維橫截面外形，在此基礎上，采用相同模板對處理后的圖像進行腐蝕和膨脹操作，去除斷裂纖維的邊緣及偽邊緣，利用邊界跟蹤算法標記麻纖維并獲得麻纖維橫截面邊緣的坐標，最后計算出麻纖維橫截面周長和面積。本文算法包括 3個部分：1)圖像硬件系統的搭建； 2)圖像處理與提取算法的開發；3)實驗數據分析。

用于纖維橫截面分析的CX41計算機輔助顯微鏡系統(奧林巴斯株式會社OLYMOPUS)，由1臺 U-TV0.5XC 型三目顯微鏡，1臺PDS50型數碼相機和 1臺三軸機動平臺組成。三軸載物臺在x，y方向上傳送樣品載玻片，并在每個(x，y)位置調整圖像在z軸上的焦點，從而捕獲清晰的纖維橫截面圖像。

2 圖像處理

麻纖維橫截面圖像處理的目的是從采集的圖像中提取纖維邊緣、形狀等信息，為進一步的圖像分析提供數據。本文麻纖維橫截面圖像處理主要分為以下4個步驟：邊緣提取，孔洞填充，腐蝕操作，邊界跟蹤。

本文用計算機輔助顯微鏡系統采集的圖像為RGB格式，為加快算法運算速度，減少無關數據量，增強有關信息的可檢測性和最大限度地簡化數據，首先將采集的橫截面圖像轉換成灰度圖，然后進行后續操作。A#樣品的算法對比圖如圖2所示。

圖2 算法對比圖(×220)Fig.2 Comparisons of algorithms(×220). (a)Direct binarization;(b)Algorithm in this paper

由圖2可以看出，由于原圖像背景模糊，直接對預處理后的原圖像進行二值化無法獲得纖維的有效信息；同時預處理會影響纖維的真實邊緣，因此本文將麻纖維截面邊緣提取后，利用孔洞填充算法填充纖維閉合的區域，重建麻纖維橫截面，之后直接利用算法進行纖維橫截面周長和面積的測量，并將計算出的周長、面積和圓度數據保存在數據矩陣中，圖像處理效果見圖2(b)。

2.1 Canny算子邊緣提取

本文選用Canny算子進行纖維邊緣提取，Canny算子可以檢測到弱邊緣，且獲得的邊緣很細，沒有強弱之分，具有很好的邊緣監測性能。其基本步驟如下。

步驟1：用二維高斯濾波模板進行卷積以消除噪聲，卷積公式為

S(x,y)=G(x,y,σ)*I(x,y)

(1)

式中：*表示卷積；I(x,y)表示原圖像；G(x,y,σ)表示高斯濾波模板；S(x,y)表示高斯濾波后圖像；x表示橫坐標，像素；y表示縱坐標，像素；σ表示高斯濾波器寬度，像素。

步驟2：利用導數算子計算水平方向和垂直方向的偏導數(Dx,Dy)。

Dx(x,y)≈

(2)

Dy(x,y)≈

(3)

相當于與模板進行卷積運算：

(4)

(5)

步驟3：求出梯度M(x,y)和梯度方向θ(x,y)

(6)

θ(x,y)=arctan(Dy(x,y)/Dx(x,y))

(7)

步驟4：對圖像中的每個像素進行上述操作，并保留梯度方向上的極大值點。

步驟5：使用累計直方圖計算高低閾值，灰度值大于高閾值的一定是邊緣，小于低閾值的一定不是邊緣，介于之間的，通過已確定的邊緣點，發起8鄰域方向的搜索，圖中可達的點是邊緣，不可達的點不是邊緣。

利用Canny算子得到的C#樣品邊緣檢測圖如圖3所示。可知，麻纖維中腔中的弱邊緣被很好地檢測出來，同時纖維邊緣較細，沒有粗邊緣。圖像預處理后介質包埋痕跡、刀痕清晰地顯示出來(即那些除纖維邊緣外的黑線，就算改變了邊緣檢測的敏感度閾值也無法清除這些痕跡。這些痕跡大多數位于纖維邊緣附近，極大影響了邊緣檢測的準確性。不同敏感度下，Canny檢測出的邊緣數量不同，尤其是對弱邊緣和偽邊緣的檢測。其中敏感度閾值設為0.3時，檢測出的弱邊緣較多，同時檢測出的偽邊緣較少，因此本文將敏感度設為0.3進行邊緣檢測。

圖3 Canny算子邊緣檢測圖(×220)Fig.3 Edge detection graph of canny operator(×220). (a)Adaptive sensitivity;(b)Sensitivity is 0;(c)Sensitivity is 0.3; (d)Sensitivity is 0.5

2.2 8鄰域邊界跟蹤

在檢測出原圖中的纖維邊緣后，利用孔洞填充算法填充閉合區域，去除了部分邊緣斷裂的纖維和偽邊緣。8鄰域方向碼如圖4所示。

圖4 8鄰域方向碼Fig.4 8 Neighborhood direction code

可見，去除離散噪聲后利用8鄰域邊界跟蹤函數檢測邊界完整的纖維并進行標記。首先找到位于圖像左上角的纖維邊界點作為搜索起點，按逆時針方向，自上而下，從左至右，搜索該點的8鄰域，找到下一個邊界點，然后以此點為當前點繼續搜索，不斷重復上述過程，直至回到搜索起點。

B#樣品單纖維邊界跟蹤圖如圖5所示。可知，白色線為搜索路徑，當1個纖維的邊界搜索完成后，形成閉合區域，就對該區域進行標記，然后再進行下一個目標的邊界跟蹤，直至標記出圖像中的所有邊緣完整的麻纖維。由于采用的是8鄰域跟蹤，因此采用歐氏距離計算跟蹤路徑，即計算目標橫截面周長。

圖5 單纖維邊界跟蹤圖Fig.5 Single fiber boundary tracking chart

在圖5基礎上預處理及邊界跟蹤圖像如圖6所示。可見，預處理后圖中共有5根麻纖維，其中只有左上角的 1根麻纖維橫截面邊界是完整的。由圖6(b)可見，直接從灰度圖中提取麻纖維橫截面邊界，然后進行邊界跟蹤操作，圖中部分因預處理導致橫截面邊緣斷裂的麻纖維能夠被檢測出來。

圖6 預處理及邊界跟蹤圖像(×220)Fig.6 Preprocessing (a) and boundary tracking(b) image(×220)

麻纖維橫截面原圖灰度化后，灰度圖中只能觀察到纖維和雜質。圖7示出C#樣品的多纖維算法處理效果對比。

圖7 多纖維算法處理效果對比圖(×220)Fig.7 Comparison of multi-fibres treatment effects. (a)Common algorithms;(b)Algorithm in this paper

由圖7可見，原圖像經濾波操作直接進行閾值分割的常用算法，使得灰度圖中觀察不到的樹脂澆灌的痕跡可清晰地展現在二值圖像中，同時切片中的雜質也被二值化。本文算法處理的效果圖如圖7(b)所示。對比原圖像可知，被標記出的目標大部分是橫截面邊緣完整的麻纖維，錯誤目標數量極少，且錯誤目標的形態與麻纖維的形態差異較大，因此可以根據測得的數據進行錯誤數據剔除。

3 數據提取與分析

本文采用歐式距離法計算麻纖維橫截面的周長，采用像素累積法統計麻纖維橫截面的面積。上述方法計算出的參數與原來的參數有一定誤差，因此本文通過計算直徑分別為20、50、150像素的圓的數據，計算實際的偏差。測試圓的統計數據見表1。可看出，利用上述方法計算的直徑為20和50像素的圓的周長偏差較小，而直徑為150像素的圓的周長偏差較大，3個測試圓的面積偏差都稍大，但是 3個測試圓的圓度參數誤差很小。根據本文算法測得麻纖維的周長和面積大致與直徑為50像素的圓類似，因此用本文算法測得的麻纖維形態參數偏差較小。

表1 測試圓的統計數據Tab.1 Statistics data of test circles

圖8示出麻纖維橫截面參數。可知大部分數據聚集在一個區域(圖中黑色的點)內，圖中8個周長大于140像素的點與大部分數據偏差較大，離大部分黑色點較遠，因此這些點為錯誤數據的概率極高，造成的原因可能是由于麻纖維黏連導致數據偏大。

圖8 麻纖維橫截面參數Fig.8 Cross-sectional parameters of hemp fibers

圖9示出200個樣本的麻纖維圓度統計。麻纖維的圓度大部分位于0.6～0.95之間。圓度低于0.6的數據可能是因為麻纖維橫截面缺損導致的，圓度大于0.95的數據可能是氣泡或者細小的雜質。

圖9 麻纖維圓度統計Fig.9 Roundness statistics of hemp fibers

4 結束語

文章用邊界跟蹤算法定位和標記目標，測量麻纖維橫截面的周長和面積參數，提取多目標參數，提高了纖維橫截面參數提取的速度和效率。本文算法尚無法分辨纖維黏連的情況，無法測量邊緣斷裂纖維的參數，而纖維黏連和橫截面破損會影響測量數據的準確性，纖維橫截面邊緣的斷裂會影響測量的效率，在這方面本文算法還有待提高，測量數據的精確度也有待提高。

FZXB