CN101770645A - 高分辨率棉花异性纤维彩色图像的快速分割方法与系统 - Google Patents

Abstract

本发明公开了一种高分辨率棉花异性纤维彩色图像的快速分割方法与系统。该方法包括：S1：读入原始棉花异性纤维彩色图像；S2：运用数学形态学的边缘检测方法对所述原始棉花异性纤维彩色图像进行二值化图像分割，获得从所述棉花异性纤维彩色图像的背景中分割出来的混有伪异性纤维小目标图像的异性纤维目标图像；S3：将所述伪异性纤维小目标图像从所述异性纤维目标图像中移除。该系统包括图像采集模块、图像分割模块以及移除小目标模块。利用本发明的方法与系统，可以精准的对棉花异性纤维彩色图像进行处理，为以后对伪异性纤维的识别和分类工作奠定坚实基础，也为后续的棉花异性纤维剔除和在线计量提供基础数据。

Description

高分辨率棉花异性纤维彩色图像的快速分割方法与系统

技术领域

本发明涉及图像处理系统及方法领域，特别涉及一种高分辨率棉花异性纤维彩色图像的快速分割方法与系统。

背景技术

棉花中的异性纤维是指在原棉生产、加工和流通过程中，混入棉花中的对棉花及其制品质量有严重影响的非棉纤维和有色纤维，如化学纤维、毛发、丝、麻、塑料膜、塑料绳及染色线等，俗称“三丝”。

混入原棉中的异性纤维，容易被打碎成散落单纤维，在纺织加工中难以清除。纺纱时，散落单纤维容易使棉纱断头，降低生产效率；织布时，影响布面质量；染色时，因着色不同，影响外观，对棉纱、布面等棉花制品的质量造成了很大危害。

现有技术中，通常采用人工挑拣的方法去除异性纤维，这种方法不仅耗费大量人力物力，且速度慢，精确度低，效率低下。

因此，作为棉花异性纤维的提取以及识别等后续工作的基础，研究针对棉花异性纤维快速处理的方法已经成为解决以上诸多问题的必然趋势。基于机器视觉的异物识别是近些年兴起的一种技术。机器视觉就是用计算机模拟人眼的视觉功能，从图像或图像序列中提取信息，对客观世界的三维景物和物体进行形态和运动识别。机器视觉系统的首要目标是用图像创建或恢复现实世界模型，然后认知现实世界，这就需要一种图像处理装置对机器视觉系统采集到的图像进行处理。采集的图像分为彩色图像和灰度图像，彩色图像比灰度图像包含更多的有效信息，因此，对待识别物体的彩色图像进行处理，这样能达到更好的视觉特征提取效果，满足图像处理精度要求。

图像分割是图像处理与机器视觉中最为基础和重要的的环节之一，是图像分析和模式识别的前提。图像分割的目的在于根据某些特征将一幅图像分成若干有意义的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。边缘检测对图像处理和计算机视觉来说是一个非常基础而又重要的课题。边缘表示了信号的突变，包含了图像的大量信息，因此，边缘是图像最基本特征之一，它对图像的分析和识别处理至关重要。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种高分辨率棉花异性纤维彩色图像的快速分割方法与系统，以解决现有技术人工挑拣混入棉花中的异性纤维带来的速度慢、效率低下、精确度低以及耗费人力物力等缺陷。

(二)发明内容

为此，本发明提供了一种高分辨率棉花异性纤维彩色图像的快速分割方法，包括以下步骤：

S1：读入原始棉花异性纤维彩色图像；

S2：运用数学形态学的边缘检测方法对所述原始棉花异性纤维彩色图像进行二值化图像分割，从所述棉花异性纤维彩色图像的背景中分割并获得混有伪异性纤维小目标图像的异性纤维目标图像；

S3：将所述伪异性纤维小目标图像从所述异性纤维目标图像中移除。

所述步骤S2具体包括：分别提取原始棉花异性纤维彩色图像RGB空间的三个颜色分量，R、G、B三分量；对提取出的所述R、G、B三分量分别进行形态学边缘检测；采用迭代阈值分割法提取出所述原始棉花异性纤维彩色图像的轮廓边缘。

所述对提取出的所述R、G、B三分量分别进行形态学边缘检测的步骤包括：

S201：创建形态学结构元素；

S202：分别对所述R、G、B三分量进行膨胀和腐蚀；

S203：用灰度形态学梯度对所述R、G、B三分量进行边缘检测；

S204：对所述R、G、B三分量的边缘强度进行合并，其定义如下：

$\mathrm{GRAD}\left(f\right)=\sqrt{{\mathrm{GRAD}}^2\left(f_R\right)+{\mathrm{GRAD}}^2\left(f_G\right)+{\mathrm{GRAD}}^2\left(f_B\right)}$

其中GRAD(f)为综合得到的所述棉花异性纤维彩色图像边缘强度值。

所述采用迭代阈值分割法提取出所述原始棉花异性纤维彩色图像的轮廓边缘的步骤包括：

S211：求出所述棉花异性纤维彩色图像中的最小灰度值Z₁和最大灰度值Z_k，令阈值初值：

$T^0=\frac{Z_1+Z_k}{2}$

S212：根据阈值T^k将所述棉花异性纤维彩色图像分割成目标和背景两部分，求出目标平均灰度值Z₀和背景平均灰度值Z_B：

$Z_0=\frac{\underset{z(i,j)<T^k}{\mathrm{\&Sigma;}}z(i,j)\&times;N(i,j)}{\underset{z(i,j)<T^k}{\mathrm{\&Sigma;}}N(i,j)}$

$Z_B=\frac{\underset{z(i,j)>T^k}{\mathrm{\&Sigma;}}z(i,j)\&times;N(i,j)}{\underset{z(i,j)>T^k}{\mathrm{\&Sigma;}}N(i,j)}$

式中z(i，j)是所述棉花异性纤维彩色图像上(i，j)点的灰度值，N(i，j)是(i，j)点的权重系数，N(i，j)＝1.0；

S213：求出新的阈值：

T^k+1＝0.2×(Z₀+Z_B)；

S214：如果T^k＝T^k+1，则结束，否则令K←K+1，转步骤S212。

在所述步骤S3中，采用中值滤波法移除所述伪异性纤维小目标图像。

所述中值滤波法，采用7×7的邻域来计算中值，并用1来填充滤波后的图像，包括以下步骤：

S31：将7×7模板在所述棉花异性纤维彩色图像中漫游，并将所述模板的中心与所述棉花异性纤维彩色图像中某个像素位置重合；

S32：读取所述模板下对应像素的灰度值；

S33：将读取的灰度值从小到大排成一列；

S34：找出所述灰度值里排在中间位置的一个作为中间值；

S35：将所述中间值赋予对应所述模板中心位置的像素。

本发明还提供了一种高分辨率棉花异性纤维彩色图像的快速分割系统，该系统包括：

图像采集模块，用于读入原始棉花异性纤维彩色图像并发送；

图像分割模块，与所述图像采集模块相连接，用于运用数学形态学的边缘检测方法对所述原始棉花异性纤维彩色图像进行二值化图像分割，从所述棉花异性纤维彩色图像的背景中分割并获得混有伪异性纤维小目标图像的异性纤维目标图像；

移除小目标模块，与所述图像分割模块相连接，将所述伪异性纤维小目标图像，从所述异性纤维目标图像中移除。

(三)有益效果

上述技术方案具有如下有益效果：通过采用形态学边缘检测方法、迭代阈值分割法对采集到的棉花异性纤维彩色图像进行处理，以及采用中值滤波法对分割后的棉花异性纤维彩色图像中混有的伪异性纤维小目标图像进行移除处理，达到了快速准确地分割图像，并得到了完整准确的异性纤维目标图像，为棉花的特征提取、目标识别和在线计量提供了有效的基础数据，且节省了大量人力物力。

附图说明

图1是本发明高分辨率棉花异性纤维彩色图像的快速分割系统结构示意图；

图2是本发明高分辨率棉花异性纤维彩色图像的快速分割方法流程图；

图3为图2中的形态学边缘检测方法流程图；

图4为图2中的迭代阈值分割法流程图；

图5为图2中的中值滤波方法流程图。

其中，1：图像采集模块；2：图像分割模块；3：移除小目标模块。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明高分辨率棉花异性纤维彩色图像的快速分割系统结构示意图，包括：图像采集模块1、图像分割模块2和移除小目标模块3。

其中，图像采集模块1用于读入原始棉花异性纤维彩色图像并发送；本实施例的图像采集模块1，可以是电荷耦合元件(Charge-coupled Device，简称CCD)相机，对棉花异性纤维图像用采集卡进行分类采集；图像分割模块2与图像采集模块1相连接，用于接收图像采集模块1采集的棉花异性纤维彩色图像，并运用数学形态学的边缘检测方法对棉花异性纤维彩色图像进行二值化图像分割，从棉花异性纤维彩色图像的背景中分割并获得混有伪异性纤维小目标图像的异性纤维目标图像；移除小目标模块3与图像分割模块2相连接，用于将在分割过程中产生的由碎棉籽壳、棉花叶等伪异性纤维产生的小目标图像，即伪异性纤维小目标图像，从异性纤维目标图像中移除，获得符合要求的异性纤维目标图像，以提高分割结果的准确性，最终得到高质量、精确的二值化异性纤维目标图像。

本实施例的高分辨率棉花异性纤维彩色图像的快速分割系统，能对机器视觉采集的棉花异性纤维彩色图像进行处理，提高了分割的速度和准确度，并能最终得到完整、准确的异性纤维目标图像，为进行特征提取、目标识别和在线计量提供准确有效的基础数据。

如图2所示，为本发明高分辨率棉花异性纤维彩色图像的快速分割方法流程图；本实施例包括以下步骤：

S1：读入原始棉花异性纤维彩色图像；

S2：运用数学形态学的边缘检测方法，对原始棉花异性纤维彩色图像进行二值化图像分割，从棉花异性纤维彩色图像的背景中分割并获得混有伪异性纤维小目标图像的异性纤维目标图像；

具体地，本实施例分别提取原始棉花异性纤维彩色图像RGB空间的三个颜色分量，R、G、B三分量；对提取出的R、G、B三分量分别进行形态学边缘检测；然后采用迭代阈值分割法提取出原始棉花异性纤维彩色图像的轮廓边缘。

S3：将伪异性纤维小目标图像从异性纤维目标图像中移除。

如图3所示，为本发明图2中的形态学边缘检测方法流程图，包括以下步骤：

S201：创建形态学结构元素；

数学形态学是将二值图像看成集合，并用结构元素来探察。基本的数学形态学运算是将结构元素在图像范围内平移，同时施加交、并等基本的集合运算。在形态学中，结构元素是最重要最基本的概念，构造不同的结构元素便可完成不同的图像分析，所有的形态学处理都是基于填放结构元素的概念。

本实施例的数学形态学方法，先创建形态学结构元素，本方法创建一个平坦的菱形结构元素。

令f(x，y)为属于L²(R)紧支的灰度函数，g(i，j)为结构元素的灰度函数；

S202：分别对R、G、B三分量进行膨胀和腐蚀；

灰度函数f(x，y)的膨胀和腐蚀定义如下：

膨胀定义： $f\&CirclePlus;g(x,y)=\underset{(i,j)}{\max }\{f(x-i,y-j)+g(i,j)\}$

腐蚀定义： $\mathrm{f\&Theta;g}(x,y)=\underset{(i,j)}{\min }\{f(x+i,y+j)+g(i,j)\}$

为使计算方便，常取结构元素的灰度值为0，即g(i，j)＝0，因此采用膨胀运算，则边缘检测算子为：

$G_d(x,y)=f(x,y)\&CirclePlus;g(i,j)-f(x,y)=\underset{(i,j)}{\max }\{f(x-i,y-j)-f(x,y)\}=\underset{(i,j)}{\max }\{f(i,j)-f(x,y)\}$

若采用腐蚀运算，则边缘检测算子为：

$G_e(x,y)=f(x,y)-f(x,y)\mathrm{\&Theta;g}(i,j)=\underset{(i,j)}{\max }\{f(x,y)-f(x-i,y-j)\}=\underset{(i,j)}{\max }\{f(i,j)-f(x,y)\}$

S203：用灰度形态学梯度对R、G、B三通道，即R、G、B三分量进行边缘检测；

其定义如下：

            GRAD(f)＝f⊕g-fΘg

针对棉花异性纤维彩色图像，用灰度形态学梯度对R、G、B三副伪灰度图像，即R、G、B三分量分别进行边缘检测，各通道检测结果如下：

            GRAD(f_R)＝f_R⊕g-f_RΘg

            GRAD(f_G)＝f_G⊕g-f_GΘg

            GRAD(f_B)＝f_B⊕g-f_BΘg

其中GRAD(f_R)、GRAD(f_G)、GRAD(f_B)为R、G、B三副伪灰度图像的边缘检测后得到的边缘强度；

S204：对R，G，B三幅伪灰度图像的边缘强度进行合并，其定义如下：

$\mathrm{GRAD}\left(f\right)=\sqrt{{\mathrm{GRAD}}^2\left(f_R\right)+{\mathrm{GRAD}}^2\left(f_G\right)+{\mathrm{GRAD}}^2\left(f_B\right)}$

其中GRAD(f)为综合得到的原彩色图像边缘强度值；

采用的结构元素如下图所示，其中*为中心像素，

为其有效的邻域像素。

为计算方便，取结构元素的灰度值g(x，y)＝0。

如果GRAD(f)大于给定的阈值，则该像素点为得到的边缘像素点。

本实施例采用数学形态学的边缘检测法，可以简化图像数据，保持它们基本的形状特性，并除去不相干的伪异性纤维的结构，实现了形态学分析和处理算法的并行，可以大大提高棉花异性纤维彩色图像分析和处理的速度。

如图4所示，为本发明图2中的迭代阈值分割法流程图；结合对图3的描述，本实施例采用迭代法求最佳阈值。该方法步骤如下：

S211：求出棉花异性纤维彩色图像中的最小灰度值Z₁和最大灰度值Z_k，令阈值初值：

$T^0=\frac{Z_1+Z_k}{2}$

S212：根据阈值T^k将棉花异性纤维彩色图像分割成目标和背景两部分，求出两部分的平均灰度值Z₀和Z_B：

目标平均灰度值 $Z_0=\frac{\underset{z(i,j)<T^k}{\mathrm{\&Sigma;}}z(i,j)\&times;N(i,j)}{\underset{z(i,j)<T^k}{\mathrm{\&Sigma;}}N(i,j)}$

背景平均灰度值 $Z_B=\frac{\underset{z(i,j)>T^k}{\mathrm{\&Sigma;}}z(i,j)\&times;N(i,j)}{\underset{z(i,j)>T^k}{\mathrm{\&Sigma;}}N(i,j)}$

式中z(i，j)是图像上(i，j)点的灰度值，N(i，j)是(i，j)点的权重系数，N(i，j)＝1.0；

S213：求出新的阈值：

T^k+1＝0.2×(Z₀+Z_B)

其中系数0.2是根据棉花异性纤维彩色图像的特点所取的经验值。此经验值适用于大多数棉花异性纤维图像，并能够得到最清晰的二值化目标图像。

S214：如果T^k＝T^k+1，则结束，否则令K←K+1，转步骤S212。

如图5所示，为本发明图2中的中值滤波方法流程图；本实施例采用中值滤波的方法，移除图像分割时由伪异性纤维产生的小目标图像；本实施例的中值滤波方法，采用7×7的邻域来计算中值，并用1来填充滤波后的图像，包括如下步骤：

S31：将7×7模板在棉花异性纤维彩色图像中漫游，并将模板中心与棉花异性纤维彩色图像中某个像素位置重合；

S32：读取模板下对应像素的灰度值；

S33：将读取的灰度值从小到大排成一列；

S34：找出这些灰度值里排在中间位置的一个作为中间值；

S35：将这个中间值赋予对应模板中心位置的像素。

采用本发明的高分辨率棉花异性纤维彩色图像的快速分割方法与系统，可以根据实际情况确定模型的参数，在对异性纤维目标进行分割时，可以通过调整不同的参数，提高不同目标图像的分割精度；对于小目标的移除，可以通过改变所选邻域的大小，产生满足不同需求的目标图像。

由以上实施例可以看出，通过建立一种高分辨率棉花异性纤维彩色图像的快速分割方法与系统，能够提高棉花异性纤维彩色图像分割处理的精度，并在保持精度的前提下更好地提高图像处理速度；利用该方法与系统，可以精准的对棉花异性纤维彩色图像进行处理，为以后对伪异性纤维的识别和分类工作奠定坚实基础，也为后续的棉花异性纤维剔除和在线计量提供基础数据。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (7)

1.一种高分辨率棉花异性纤维彩色图像的快速分割方法，其特征在于包括以下步骤：

S1：读入原始棉花异性纤维彩色图像；

S2：运用数学形态学的边缘检测方法对所述原始棉花异性纤维彩色图像进行二值化图像分割，从所述棉花异性纤维彩色图像的背景中分割并获得混有伪异性纤维小目标图像的异性纤维目标图像；

S3：将所述伪异性纤维小目标图像从所述异性纤维目标图像中移除。

2.如权利要求1所述的高分辨率棉花异性纤维彩色图像的快速分割方法，其特征在于，所述步骤S2具体包括：分别提取原始棉花异性纤维彩色图像RGB空间的三个颜色分量，R、G、B三分量；对提取出的所述R、G、B三分量分别进行形态学边缘检测；采用迭代阈值分割法提取出所述原始棉花异性纤维彩色图像的轮廓边缘。

3.根据权利要求2所述的高分辨率棉花异性纤维彩色图像的快速分割方法，其特征在于，所述对提取出的所述R、G、B三分量分别进行形态学边缘检测的步骤包括：

S201：创建形态学结构元素；

S202：分别对所述R、G、B三分量进行膨胀和腐蚀；

S20用灰度形态学梯度对所述R、G、B三分量进行边缘检测；

S204：对所述R、G、B三分量的边缘强度进行合并，其定义如下：

$\mathrm{GRAD}\left(f\right)=\sqrt{{\mathrm{GRAD}}^2\left(f_R\right)+{\mathrm{GRAD}}^2\left(f_G\right)+{\mathrm{GRAD}}^2\left(f_B\right)}$

其中GRAD(f)为综合得到的所述棉花异性纤维彩色图像边缘强度值。

4.根据权利要求2所述的高分辨率棉花异性纤维彩色图像的快速分割方法，其特征在于所述采用迭代阈值分割法提取出所述原始棉花异性纤维彩色图像的轮廓边缘的步骤包括：

S211：求出所述棉花异性纤维彩色图像中的最小灰度值Z₁和最大灰度值Z_k，令阈值初值：

$T^0=\frac{Z_1+Z_k}{2}$

S212：根据阈值T^k将所述棉花异性纤维彩色图像分割成目标和背景两部分，求出目标平均灰度值Z₀和背景平均灰度值Z_B：

$Z_0=\frac{\underset{z(i,j)<T^k}{\mathrm{\&Sigma;}}z(i,j)\&times;N(i,j)}{\underset{z(i,j)<T^k}{\mathrm{\&Sigma;}}N(i,j)}$

$Z_B=\frac{\underset{z(i,j)>T^k}{\mathrm{\&Sigma;}}z(i,j)\&times;N(i,j)}{\underset{z(i,j)>T^k}{\mathrm{\&Sigma;}}N(i,j)}$

式中z(i，j)是所述棉花异性纤维彩色图像上(i，j)点的灰度值，N(i，j)是(i，j)点的权重系数，N(i，j)＝1.0；

S213：求出新的阈值：

T^k+1＝0.2×(Z₀+Z_B)；

S214:如果T^k＝T^k+1，则结束，否则令K←K+1，转步骤S212。

5.根据权利要求1所述的高分辨率棉花异性纤维彩色图像的快速分割方法，其特征在于所述步骤S3中，采用中值滤波法移除所述伪异性纤维小目标图像。

6.根据权利要求5所述的高分辨率棉花异性纤维彩色图像的快速分割方法，其特征在于，所述中值滤波法，采用7×7的邻域来计算中值，并用1来填充滤波后的图像，包括以下步骤：

S31：将7×7模板在所述棉花异性纤维彩色图像中漫游，并将所述模板的中心与所述棉花异性纤维彩色图像中某个像素位置重合；

S32：读取所述模板下对应像素的灰度值；

S33：将读取的灰度值从小到大排成一列；

S34：找出所述灰度值里排在中间位置的一个作为中间值；

S35：将所述中间值赋予对应所述模板中心位置的像素。

7.一种高分辨率棉花异性纤维彩色图像的快速分割系统，其特征在于，该系统包括：

图像采集模块，用于读入原始棉花异性纤维彩色图像并发送；

图像分割模块，与所述图像采集模块相连接，用于运用数学形态学的边缘检测方法对所述原始棉花异性纤维彩色图像进行二值化图像分割，从所述棉花异性纤维彩色图像的背景中分割并获得混有伪异性纤维小目标图像的异性纤维目标图像；

移除小目标模块，与所述图像分割模块相连接，将所述伪异性纤维小目标图像，从所述异性纤维目标图像中移除。

Images