基于貝葉斯模型的羊絨羊毛識別

朱耀麟 張春風 武 桐 穆婉婉

（西安工程大學，陜西西安，710048）

目前羊絨纖維與羊毛纖維的鑒別方法有顯微鏡檢測法［1］、近紅外光譜法［2］、DNA檢測法［3］、圖像處理與計算機視覺的方法［4］。當前的研究熱點是圖像處理與計算機視覺技術這個方向。周劍平等提出了一種利用貝葉斯網絡和電鏡掃描圖像結合的方法鑒別羊絨羊毛纖維［5］。首先對纖維圖像進行圖像預處理，步驟為先二值化，然后確定邊界線，再分割纖維圖像；在分割后的邊緣圖像中提取纖維的鱗片高度和纖維直徑，最后將提取到的特征輸入到貝葉斯網絡分類。由于只提取了鱗片長度和纖維細度兩個參數，沒有考慮其他參數對鑒別的影響，具有一定的局限性［6］。楊建忠等研究了羊絨和羊毛電鏡掃描圖像的表面形態，測量了鱗片周長、鱗片面積、鱗片厚度、纖維直徑、鱗片高度等幾個直觀指標，再通過計算得到鱗片的內方形因子和外方形因子等2個相對指標［7］。彭偉良等首先對羊毛和羊絨的電鏡掃描圖像進行閾值分割，再提取羊絨羊毛纖維的直徑、鱗片面積、鱗片周長等幾何參數，對這些參數進行統計分析，建立纖維種類判鑒別模型［8］。上述研究者的方法都只分析利用了單一特征參數或者幾個簡單的特征參數結合，對多個特征參數缺少統計分析，因此在鑒別精度上有一定的局限性。當前，鑒別精度高、重復性較好的鑒別系統基本都是基于掃描電鏡（SEM）［9］，因為SEM圖像景深大、分辨率高，所得到的顯微圖像結構清晰、紋圖較明顯，在圖像分類和目標檢測中具有很好的效果。

1 研究方法

本研究以SEM圖像為基礎，首先對SEM圖像進行預處理，然后提取纖維骨架特征參數，再對羊絨羊毛纖維特性參數的分布進行統計分析，比較各個參數間的相關性和正判率，從而選擇最合適的鑒別參數，最終利用這些參數建立貝葉斯模型［10-11］。該系統對羊絨羊毛進行檢測的流程如圖1所示。

圖1 算法流程

1.1 纖維圖像的骨架提取

直接拍攝的原始圖片中會存在很多干擾因素，例如圖片背景的亮度不均勻，存在雜質、噪聲等情況。為更準確方便地提取纖維的特征參數，需要對圖片進行預處理，去除與特征參數無關的一些因素和干擾，只保留纖維最主要的特征部分。

羊絨纖維SEM圖像骨架提取如圖2所示。首先通過調整原始圖像的灰度值對圖像進行增強，增強后的圖像如圖2（b）所示。然后使用全局閾值方法將纖維圖像二值化，如圖2（c）所示。二值化后纖維的輪廓和特征都得到了明顯的增強，但是噪聲也被增強了，所以要對纖維圖片進行去噪。首先通過孔洞填充的方法將纖維區域的黑色像素去除，然后分別計算各個封閉區域的像素個數，只保留最大面積區域，去除小面積區域，從而達到去除噪聲的目的，效果如圖2（d）所示。直接對圖2（d）進行細化，會得到一個如圖2（e）所示的毛刺效果圖。提出建立兩個纖維骨架模板，首先對噪聲去除后的圖2（d）進行閉運算，得到一個包含纖維輪廓所有信息的背景模板，如圖2（f）所示。再對原始圖像進行閉運算得到輪廓圖像，然后進行二值化，可以得到原始模板，如圖2（g）所示。把原始模板和背景模板進行疊加后得到疊加效果，如圖2（h）所示。最后再進行細化操作得到最終細化效果，如圖2（i）所示。

圖2 羊絨纖維SEM圖像骨架提取

1.2 特征參數的提取

對羊絨和羊毛的纖維樣本進行特征參數提取。羊絨羊毛纖維的直接特征參數有纖維直徑、鱗片密度、鱗片高度、鱗片周長、鱗片面積。相對特征參數有面積比、周徑比、徑高比、方形度，它們都可以通過直接特征參數計算得到。面積比Ad=A/d2，A為纖維的鱗片面積，d為纖維的直徑；周徑比Pd=P/d，P為纖維的鱗片周長；徑高比dh=d/h，h為纖維的鱗片高度；方形度SR是指鱗片與正方形的近似情況，SR=A/（P/4）2。

在測量纖維的直徑時，認為纖維兩側的邊緣線是平行的，先得到纖維的中軸線，然后每隔5個像素，做中軸線的垂線，這些垂線與纖維的兩側邊緣線存在交點，每對交點的距離作為纖維的直徑。測量鱗片面積時將鱗片區域塊內的部分填充為白色，統計封閉區域塊內部像素個數作為鱗片面積；將區域塊分別提取出來，統計區域塊邊緣像素個數作為周長。假設纖維中軸線與鱗片邊緣的交點有N個，L為中軸線長度，鱗片高度則為L/（N-1）。具體如圖3所示。

圖3 特征參數的測量

1.3 兩類纖維的誤判率分析

提取羊絨羊毛纖維圖像各500幅，對它們的特征參數進行統計分析。圖4為羊絨、羊毛的鱗片高度特征分布直方圖。

圖4 鱗片高度特征分布圖

從圖4可以容易地發現羊絨羊毛纖維鱗片高度的分布為正態分布，擬合度分別為0.974和0.643，得到的擬合方程見式（1）。通過擬合方程計算可得羊絨鱗片高度的擬合參數為y0=0.007 85、w=0.160 41、xc=13.130 21，A=0.886 99，羊毛鱗片高度的擬合參數為y0=0.012 39、w=0.263 69、xc=10.537 01、A=1.213 14。

式中：y0表示基線函數，A為擬合曲線與x軸面積，xc為鱗片高度，w為纖維分布的對數均方差。

圖4能清楚直觀地看到羊絨和羊毛的鱗片高度存在的差異，以羊絨羊毛鱗片高度為例，研究鱗片高度對羊絨羊毛纖維鑒別的影響因子。鱗片高度的特征分布曲線差異如圖5所示。

圖5 鱗片高度特征分布對比

將羊絨羊毛鱗片高度特征分布圖的擬合曲線進行疊加，能夠發現兩曲線交于F點。當鱗片高度大于F點橫坐標時，羊絨的概率密度大于羊毛概率密度；當鱗片高度小于F點橫坐標時，羊毛的概率密度大于羊絨概率密度。通過計算得到F點橫坐標為11.743μm。選擇F點為羊絨羊毛的判別點，當鱗片高度大于11.743μm時，認為是羊絨纖維；當鱗片高度小于11.743μm時，認為是羊毛纖維。圖5中，設羊絨擬合曲線與x軸和直線x=11.743形成的區域為α，表示羊絨被錯判成羊毛的概率；設羊毛擬合曲線與x軸和直線x=11.743形成的區域為β，表示羊毛被錯判成羊絨的概率，通過計算得到α=0.256，β=0.406，Ac=α+β=0.662。進而引入正判率γ，見式（2）。

計算得到鱗片高度的正判率為0.505。根據以上原理，得出纖維直徑、鱗片密度、鱗片周長、鱗片面積、周徑比、面積比、徑高比、方形度的正判率分 別 為0.869、0.752、0.504、0.497、0.756、0.703、0.683、0.396。正判率大小排序為：纖維直徑＞周徑比＞鱗片密度＞面積比＞徑高比＞鱗片高度＞鱗片周長＞鱗片面積＞方形度。

1.4 鱗片特征相關性分析

提取了羊絨羊毛各500個樣本的鱗片特征，對這1 000個樣本的鱗片特征參數進行了研究，如圖6所示。由圖6（a）可知，纖維直徑d越大，鱗片周長P也隨著變大，它們的相關系數R=0.857，鱗片周長和纖維直徑呈正比關系，擬合方程為P=18.964+2.621d。由圖6（b）可知，纖維直徑d和鱗片高度h的相關系數R=0.119，兩個參數不相關。由圖6（c）可知，鱗片面積A隨著鱗片周長P的增大呈非線性遞增，擬合曲線方程為A=598.214-586.028/［1+e（P-75.227）/25.102］，兩 個 參 數的相關系數R=0.969。

圖6 參數相關性

將所有參數之間的關系進行統計，得到參數間相關系數見表1。纖維的鱗片直徑越大，鱗片面積和鱗片周長也越大，因此在選擇參數的時候應該剔除掉鱗片面積和鱗片周長，以便于簡化鑒別工作量。由表1可知纖維直徑、鱗片高度、鱗片密度、面積比、周徑比、徑高比、方形度這7個特征參數間的相關性較小，如果我們單從相關性上選擇參數，應該選擇這7個參數作為鑒別指標。

表1 特征參數間相關系數表

2 試驗部分

本研究所用纖維試樣取自陜北的絨山羊，由榆林科學技術局提供。對羊絨羊毛纖維進行梳洗、篩選、制樣，然后利用掃描電子顯微鏡拍攝羊絨和羊毛纖維的圖片。制樣方法采用GB/T 14593—2008《山羊絨、綿羊毛及其混合纖維定量分析方法》。采用的試驗設備為FEI Quanta450FEG型臺式掃描電子顯微鏡，放大倍數為1 000倍。

統計分析1 000個羊絨羊毛樣本特征參數的分布，依據在參數間相關性小、正判率高的前提下，參數盡量少的原則，選擇了纖維直徑、鱗片高度、鱗片密度、面積比、周徑比、徑高比6個參數建立貝葉斯模型。

將纖維直徑、鱗片高度、鱗片密度、面積比、周徑比、徑高比6個特征參數組成特征向量x=(x1，x2，x3，x4，x5，x6)。設纖維為羊絨時的條件 為ω1，纖 維為羊毛時 的 條件為ω2，則P(ωi|x)(i=1，2)是x=(x1，x2，x3，x4，x5，x6)屬于ωi的 條 件概率。

設P(ω1|x)＜P(ω2|x)時，判定纖維為羊毛，反之判定纖維為羊絨。假設兩種纖維的概率相同，即P(ω1)=P(ω2)，則P(ω1|x)與P(ω2|x)的大小可以通過比較P(x|ω1)與P(x|ω2)的大小來實現。特征參數的權系數λj可由正判率γj計算得到，見式（3）。

經計算，纖維直徑、鱗片高度、面積比、周徑比、徑高比、鱗片密度的權系數分別為0.216、0.093、0.183、0.187、0.153、0.168，權系數大小關系為：纖維直徑＞周徑比＞面積比＞鱗片密度＞徑高比＞鱗片高度。權系數越大，參數鑒別能力越強。

運用采集到的羊絨羊毛纖維樣本各500個，對建立的六參數貝葉斯模型進行驗證，并且與傳統的只利用纖維直徑、鱗片周長和鱗片面積等簡單參數的鑒別模型進行對比，具體的鑒別效果見表2。試驗結果表明，通過這6個特征參數建立的貝葉斯模型識別精度比傳統的只利用纖維直徑、鱗片周長和鱗片面積等簡單參數識別精度高得多，接近95%，達到了預期的效果。

表2 六參數模型和傳統模型正確率比較

3 結論

本研究過程分析了很多羊絨羊毛纖維的特征參數，對纖維特征參數的分布進行了統計分析，對各特征參數間的相關性進行了分析，還研究了各參數對羊絨羊毛正判率的影響，最終選擇了纖維直徑、鱗片密度、鱗片高度、周徑比、面積比、徑高比6個參數建立了貝葉斯模型。結果表明，本方法對鑒別羊絨羊毛纖維有著很高的精確度。而且，由于檢測性質的相似性，此方法還可以用在狐貍毛、兔毛等其他動物毛發中，有著很大的應用前景。