CN103499303A - 一种羊毛细度自动测量方法 - Google Patents

Abstract

本发明公开了一种羊毛细度自动测量方法，该方法包括以下步骤：准备自动测量羊毛细度所需的仪器，即LED光源、测试样品XY工作台、光学放大系统、数字相机；LED光源将光线投向测试样品；经过光学放大系统，被CCD相机捕获样品图像；样品图像被送入计算机处理系统进行测量计算。本发明提供的羊毛细度自动测量方法不需人工干预，减轻人力资源，避免人主观因素引入的误差；采用简单高效的处理环节，使整个羊毛自动测量过程的耗时量缩短至30ms以内，最大限度保持羊毛原状，避免破坏羊毛几何尺寸，这是测量精度得以保证的基础；在计算直径时，采用面积法近似求解直径的依据是羊毛边缘基本上是呈直线状态或近似于直线状态，因此，测量精度不会受较大影响。

Description

一种羊毛细度自动测量方法

技术领域

本发明属于羊毛细度测量技术领域，尤其涉及一种羊毛细度自动测量方法。

背景技术

纤维的细度是羊毛最为重要的品质指标之一。羊毛所有的性状特征和制成纺织产品的风格性能几乎都与纤维的细度有关，所以在贸易中羊毛的价格基本取决于纤维的细度。由于细度对羊毛价格影响非常大，因此羊毛细度检测就是一项评定羊毛价值的重要工作。

目前，国际毛纺组织(International Wool Textile Organization,IWTO)的细度检验方法有：羊毛纤维细度OFDA测试法、钻芯取样原毛平均细度测试法、马海毛纤维细度测试法、激光细度测试仪法等，相应的检测仪器有OFDA、气流仪、纤维细度测试仪、激光细度测试仪等。国内对羊毛细度的测试方法为羊毛纤维投影显微镜法和激光细度分析仪法。前者虽然有检测仪器较为便宜的优点，但检测主要依靠人力，检测速度慢，准确度受到主观因素的影响，同时检测数据的统计也依靠人力，劳动强度大；后者虽然测量效果好，但由于其机械加工精度高，对环境要求苛刻，也不能广泛使用。因此，开发一套性能良好的羊毛细度自动测量软件显得迫在眉睫。

显微投影仪法是国内最早，也是最简单的一种检测羊毛的方法。下面从测试原理、适用范围、采用标准以及影响因素等四个方面介绍此方法。

测试原理：将羊毛纤维段轮廓用显微投影放大500倍，用标有刻度值的楔尺测量其宽度，逐次记录测量结果，并计算出纤维平均直径值。

适用范围：该方法适用于任何形态的羊毛纤维，也适用于具有近似圆截面的其它纤维。

采用标准：采用国际标准ISO137-85《羊毛纤维直径的测定——投影显微镜法》和国家标准GB10685-89《羊毛纤维直径试验方法——投影显微镜法》。

影响因素：影响测试结果的主要因素：一是随机取样误差；二是测定纤维的根数；三是实验室的环境条件，包括环境空气的相对湿度、环境空气的温度以及大气压力。四是制片介质的影响，包括介质的折射指数、粘性、吸水率（要求吸水率为零时才对纤维膨润直径无影响）。

显微投影仪法的缺点是：操作繁琐；因为在暗室里工作，人员宜疲劳；结果计算复杂；精度略低。

激光细度分析仪法是目前从国外引进的羊毛细度测量方法，在一些纤维纺织物鉴定中心得到应用。同样，笔者也分别从测试原理、适用范围、采用标准以及测试条件等四个方面介绍此方法。

测试原理：将毛条或纤维束切割成短片段，放在正丁醇：水=92:8的混合液体中搅拌，液体流经位于激光光束及其检测器之间的测量槽时，纤维逐根经过并遮断激光光束，从而在光电检测时，检测出与单根纤维直径大小相应的电信号，该信号通过鉴别电路和模数转换电路后进入计算机进行数据处理。简而言之，激光细度仪是用激光束及先进的电子技术和电脑软件相结合检测羊毛纤维细度的。

适用范围：该方法适用经过洗涤、开松、混匀、除杂处理的羊毛。

采用标准：采用国际标准ISO-12。

测试条件：使用此方法时，应保持标准大气条件及空气无尘的环境，否则精确度不准。

激光细度分析仪法的缺点：激光细度分析仪法操作要求严，由于混合液体中含正丁醇，因此必须远离明火；测试条件苛刻且对温、湿度要求也较高；仪器造价高。

发明内容

针对现有技术激光细度分析仪法操作要求严，由于混合液体中含正丁醇，因此必须远离明火；测试条件苛刻且对温、湿度要求也较高；仪器造价高的不足，本发明提供了一种羊毛细度自动测量方法。

本发明实施例是这样实现的，一种羊毛细度自动测量方法，该方法包括以下步骤：

准备自动测量羊毛细度所需的仪器，即LED光源、测试样品XY工作台、光学放大系统、数字相机；

LED光源将光线投向测试样品；

经过光学放大系统，被CCD相机捕获样品图像；

样品图像被送入计算机处理系统进行测量计算。

进一步，计算机处理系统进行测量计算的具体步骤为：

步骤1：读入羊毛图像；

步骤2：若羊毛图像质量差，则跳至步骤1；

步骤3：对输入图像下采样以降低计算量；

步骤4：采用包括动态调整、Gamma校正和中值滤波在内的预处理消除噪声、畸变；

步骤5：运用全局阈值法与局部阈值法相结合，选取分割阈值，将羊毛图像二值化，获得二值化前景图像；

步骤6：利用数学形态学腐蚀和膨胀2个算子对二值化前景图像进行细化操作，提取羊毛骨架；

步骤7：通过查表法，找到并标出交叉点，从而获得没有交叉的羊毛段；

步骤8：将羊毛段近似为矩形，通过计算羊毛区域面积和所对应的骨架，将两者相除即可得到单根羊毛的直径，记录羊毛直径；

步骤9：若还有羊毛图像输入，则跳至步骤1；

步骤10：若测量得到的羊毛直径在正常范围内，则保留，否则剔除；

步骤11：将所有在正常范围内的羊毛直径求数学统计平均，所得结果为该批羊毛的平均直径。

进一步，二值化的过程中采用基于全局和局部阈值结合的二值化处理方法，具体步骤如下：

步骤1：采用最大类间方差法计算整幅图像的全局阈值T₁；

步骤2：将图像分为一系列r×r的子图像；

步骤3：求出一个窗口内部的像素灰度最大值g_max和最小值g_min，利用(g_max+g_min)/2可以计算出该窗口一个局部阈值T₂；

步骤4：若T₁>T₂，则该窗口采用T₁进行全局二值化处理，跳至步骤6；

步骤5：若T₁≤T₂，对该窗口内的每一像素值分别采用局部阈值算法处理，判定该点属于前景点还是背景点，完成此窗口的局部二值化处理；

步骤6：若分割的子图像还有未处理的，跳至步骤3，否则终止算法。

进一步，骨架提取的具体步骤如下：

步骤1：设输入二值图像为H，定义结构元素Y；

步骤2：对图像H进行连续n次腐蚀，结果用HΘnY表示，n初始值为1；

步骤3：用Y对HΘnY进行先腐蚀后膨胀操作，即：[(HΘnY)ΘY]⊕Y；

步骤4：设image_SK_n为图像H第n次骨架提取的子数据集，则借助式4计算出image_SK_n，其中“/”为两个数据集的差集；

image_SK_n=HΘnY/{[(HΘnY)ΘY]⊕Y}          (4)

步骤5：设image_SK(H)为二维离散数据集H的骨架，那么通过式（5）计算出image_SK(H)；

$\mathrm{image}\_\mathrm{SK}\left(H\right)=\underset{n=0}{\overset{N}{\∪}}\mathrm{image}\_{\mathrm{SK}}_n\left(H\right)---\left(5\right)$

步骤6：若n<N，则跳至步骤2，否则结束循环，其中N为结构元素的最大值，超过这个值，一次腐蚀运算将使H变为空集；

步骤7：最终剩下的image_SK(H)即为图像骨架。

进一步，寻找交叉点算法具体步骤如下：

步骤1：读入羊毛骨架图像image_SK(H)；

步骤2：构造两个3×3矩阵X和M，X矩阵是image_SK(H)的子图像，中间元素为x(5)，其它8个元素逆时针依次x(1)x(2)…x(9)，而M矩阵中间元素也为x(5)，只是其它8元素逆时针依次为x(2),x(3),x(4),x(6),x(7),x(8),x(9),x(1);

步骤3：设定交叉点的模板，将X矩阵与M矩阵对应元素相减，差取绝对值，即X_R(P)，X矩阵中间元素8领域元素求和，和即为X_H(P)。交叉点模板为X_R(P)至少为4且X_H(P)大于2；

步骤4：依据模板寻找交叉点，并作好标记；

步骤5：若image_SK(H)没有遍历，则跳至步骤2，否则结束循环。

进一步，采用面积法近似计算羊毛直径：具体步骤如下所示：

步骤1：分别读入羊毛二值化图像H和羊毛骨架图像image_SK(H)；

步骤2：根据交叉点，可以确定H中非交叉的完整羊毛段区域，统计该区域内的像素点数目，即为平行四边形面积S；

步骤3：同样根据交叉点，确定image_SK(H)中非交叉的完整羊毛段区域，统计该羊毛区域内骨架的像素点数目，即为平行四边形底边L；

步骤4：采用公式N=S/L，求出N，若N在羊毛直径合理范围内，即近似为羊毛直径，否则抛弃该测量值；

步骤5：如H和image_SK(H)没有遍历，则跳至步骤2；

步骤6：将所求一系列直径N求数学统计平均，结果即为该幅图像中羊毛的平均直径。

本发明提供的羊毛细度自动测量方法不需要人工干预，可以大大减轻人力资源，而且避免人主观因素引入的误差；采用简单高效的处理环节，如基于全局和局部的二值化算法、骨架快速提取算法以及模板法寻找交叉点和端点等，使整个羊毛自动测量过程的耗时量缩短至30ms以内，最大限度保持羊毛原状，避免破坏羊毛几何尺寸，这是测量精度得以保证的基础；在计算直径时，采用面积法近似求解直径的依据是羊毛边缘基本上是呈直线状态或近似于直线状态，因此，测量精度不会受较大影响。

附图说明

图1是本发明实施例提供的羊毛细度自动测量方法流程图；

图2是本发明实施例提供的羊毛细度自动测量仪系统示意图；

图3是本发明实施例提供的预处理的效果图；

图4是本发明实施例提供的不同阈值对目标几何尺寸影响示意图；

图5是本发明实施例提供的二值化效果图；

图6是本发明实施例提供的二值图像膨胀运算示意图；

图7是本发明实施例提供的二值图像腐蚀运算示意图；

图8是本发明实施例提供的细化效果图；

图9是本发明实施例提供的9种双像素骨架端点分布示意图；

图10是本发明实施例提供的交叉点位置信息图；

图11是本发明实施例提供的羊毛段；

图12是本发明实施例提供的近似为平行四边形示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明提供的羊毛细度自动测量方法的流程。为了便于说明，仅仅示出了与本发明相关的部分。

本发明的实施例提供的羊毛细度自动测量方法包括以下步骤：

准备自动测量羊毛细度所需的仪器，即LED光源、测试样品XY工作台、光学放大系统、数字相机；

LED光源将光线投向测试样品；

经过光学放大系统，被CCD相机捕获样品图像；

样品图像被送入计算机处理系统进行测量计算。

作为本发明实施例的一优化方案，，计算机处理系统进行测量计算的具体步骤为：

步骤1：读入羊毛图像；

步骤2：若羊毛图像质量差，则跳至步骤1；

步骤3：对输入图像下采样以降低计算量；

步骤4：采用包括动态调整、Gamma校正和中值滤波在内的预处理消除噪声、畸变；

步骤5：运用全局阈值法与局部阈值法相结合，选取分割阈值，将羊毛图像二值化，获得二值化前景图像；

步骤6：利用数学形态学腐蚀和膨胀2个算子对二值化前景图像进行细化操作，提取羊毛骨架；

步骤7：通过查表法，找到并标出交叉点，从而获得没有交叉的羊毛段；

步骤8：将羊毛段近似为矩形，通过计算羊毛区域面积和所对应的骨架，将两者相除即可得到单根羊毛的直径，记录羊毛直径；

步骤9：若还有羊毛图像输入，则跳至步骤1；

步骤10：若测量得到的羊毛直径在正常范围内，则保留，否则剔除；

步骤11：将所有在正常范围内的羊毛直径求数学统计平均，所得结果为该批羊毛的平均直径。

作为本发明实施例的一优化方案，，二值化的过程中采用基于全局和局部阈值结合的二值化处理方法，具体步骤如下：

步骤1：采用最大类间方差法计算整幅图像的全局阈值T₁；

步骤2：将图像分为一系列r×r的子图像；

步骤3：求出一个窗口内部的像素灰度最大值g_max和最小值g_min，利用(g_max+g_min)/2可以计算出该窗口一个局部阈值T₂；

步骤4：若T₁>T₂，则该窗口采用T₁进行全局二值化处理，跳至步骤6；

步骤5：若T₁≤T₂，对该窗口内的每一像素值分别采用局部阈值算法处理，判定该点属于前景点还是背景点，完成此窗口的局部二值化处理；

步骤6：若分割的子图像还有未处理的，跳至步骤3，否则终止算法。

作为本发明实施例的一优化方案，，骨架提取的具体步骤如下：

步骤1：设输入二值图像为H，定义结构元素Y；

步骤2：对图像H进行连续n次腐蚀，结果用HΘnY表示，n初始值为1；

步骤3：用Y对HΘnY进行先腐蚀后膨胀操作，即：[(HΘnY)ΘY]⊕Y；

步骤4：设image_SK_n为图像H第n次骨架提取的子数据集，则借助式4计算出image_SK_n，其中“/”为两个数据集的差集；

image_SK_n=HΘnY/{[(HΘnY)ΘY]⊕Y}            (4)

步骤5：设image_SK(H)为二维离散数据集H的骨架，那么通过式（5）计算出image_SK(H)；

$\mathrm{image}\_\mathrm{SK}\left(H\right)=\underset{n=0}{\overset{N}{\&cup;}}\mathrm{image}\_{\mathrm{SK}}_n\left(H\right)---\left(5\right)$

步骤6：若n<N，则跳至步骤2，否则结束循环，其中N为结构元素的最大值，超过这个值，一次腐蚀运算将使H变为空集；

步骤7：最终剩下的image_SK(H)即为图像骨架。

作为本发明实施例的一优化方案，，寻找交叉点算法具体步骤如下：

步骤1：读入羊毛骨架图像image_SK(H)；

步骤2：构造两个3×3矩阵X和M，X矩阵是image_SK(H)的子图像，中间元素为x(5)，其它8个元素逆时针依次x(1)x(2)…x(9)，而M矩阵中间元素也为x(5)，只是其它8元素逆时针依次为x(2),x(3),x(4),x(6),x(7),x(8),x(9),x(1);

步骤3：设定交叉点的模板，将X矩阵与M矩阵对应元素相减，差取绝对值，即X_R(P)。X矩阵中间元素8领域元素求和，和即为X_H(P)。交叉点模板为X_R(P)至少为4且X_H(P)大于2；

步骤4：依据模板寻找交叉点，并作好标记；

步骤5：若image_SK(H)没有遍历，则跳至步骤2，否则结束循环。

作为本发明实施例的一优化方案，，采用面积法近似计算羊毛直径：具体步骤如下所示：

步骤1：分别读入羊毛二值化图像H和羊毛骨架图像image_SK(H)；

步骤2：根据交叉点，可以确定H中非交叉的完整羊毛段区域，统计该区域内的像素点数目，即为平行四边形面积S；

步骤3：同样根据交叉点，确定image_SK(H)中非交叉的完整羊毛段区域，统计该羊毛区域内骨架的像素点数目，即为平行四边形底边L；

步骤4：采用公式N=S/L，求出N，若N在羊毛直径合理范围内，即近似为羊毛直径，否则抛弃该测量值；

步骤5：如H和image_SK(H)没有遍历，则跳至步骤2；

步骤6：将所求一系列直径N求数学统计平均，结果即为该幅图像中羊毛的平均直径。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

1.羊毛细度自动测试仪

羊毛细度自动测试仪是一种利用数字相机实时采集羊毛片段的杂散图像，从采集的图像中自动分析计算出羊毛直径的仪器。其系统构造如图2所示，LED光源位于测试样品XY工作台下方，数字相机位于载物台上方，相机前装配有远心镜头，相机通过数据线连接配有打印设备的计算机系统。羊毛通过切断器切割成长度为2mm的片段，多个片段杂散分布在载物台上，数字相机分辨率752×480，最大帧率87fps，光学尺寸4.512×2.88mm，像元尺寸6um，远心镜头的放大倍数为4倍。该系统的工作原理是：首先，LED将光线投向测试样品，经过光学放大系统，被CCD相机捕获成像。然后，样品图像被送入计算机处理系统进行测量计算，最后把统计的测量结果打印并显示在屏幕上。

实际测试时，载物台和相机做相对运动，在载玻片的70mm×70mm的中心面积上采集羊毛样品图像，每次的采集面积为1.128mm*0.72mm。在X轴方向，每次移动2.4mm，在Y轴方向，每次移动2mm。采集时先在X轴方向扫描完一行，然后Y轴方向移动2mm继续扫描下一行。

2.羊毛细度自动测量方法的流程

羊毛细度测定算法流程如下：

步骤1：读入羊毛图像；

步骤2：若羊毛图像质量差，则跳至步骤1；

步骤3：对输入图像下采样以降低计算量；

步骤4：采用动态调整、Gamma校正和中值滤波等一系列预处理消除噪声、畸变；

步骤5：运用全局阈值法与局部阈值法相结合，选取分割阈值，将羊毛图像二值化，获得二值化前景图像；

步骤6：利用数学形态学腐蚀和膨胀2个算子对二值图像进行细化操作，提取羊毛骨架；

步骤7：通过查表法，找到并标出交叉点，从而获得没有交叉的羊毛段；

步骤8：将羊毛段近似为矩形，通过计算羊毛区域面积和所对应的骨架，将两者相除即可得到单根羊毛的直径，记录羊毛直径。

步骤9：若还有羊毛图像输入，则跳至步骤1；

步骤10：若测量得到的羊毛直径在正常范围内则保留，否则剔除；

步骤11：将所有在正常范围内的羊毛直径求数学统计平均，所得结果为该批羊毛的平均直径。

3.本发明提供的具体实施例

本发明以实地采集的羊毛样品图为处理对象，整个羊毛细度测量的过程包括下采样、预处理、二值化、细化、寻找交叉点、划定羊毛区域、测量骨架、羊毛直径计算等8个环节，下面分别对每个环节，结合羊毛图像处理效果做进一步详细说明。

（1）下采样

在满足采样定理的前提下，对于一个样值序列间隔几个样值取样一次，这样得到新序列就是原序列的下采样。下采样就是抽取，对于图像处理而言，这样处理能够降低计算复杂度，而且其操作简单，易于软件实现。

（2）预处理

羊毛样品从实物转换为数字图像要经过镜头光学放大、采集卡捕获和介质存储等中间环节，这样势必会引入各种各样的噪声和光照畸变，从而导致测量效率和精度的下降。为了达到消除噪声，校正光照畸变的目的，本发明采用动态范围调整、Gamma校正和中值滤波等预处理技术。动态范围是指输出图像的最亮和最暗部分之间的相对比值，单位为分贝。Gamma校正是一种灰度级映射变换，以统一的方法改变整个图象的灰度或改变图象的的一些区域的灰度，增加对比度，使图象细节更清晰。中值滤波是指把_n×n局部区域中的灰度平均值设为区域中央的像素灰度，这是一种非线性滤波器，可以在很大程度上防止边缘模糊。由于这些处理技术在实际应用中很成熟，在此不再赘述。预处理的效果如图3所示。

（3）二值化

羊毛测量的难点之一就是如何完好地提取羊毛信息。如图4所示，红色(下)与蓝色（上）标记分别代表两种不同大小的阈值作用区域，当阈值过大或过小都会严重破坏目标的几何尺寸。因此，阈值的选取决定后续测量的精度。阈值法作为一种图像分割技术，在车牌识别系统、汽车导航系统、道路跟踪系统、染色体分析、细胞图像分析等领域得到广泛的应用。阈值的选择，可根据阈值公式(1)来进行:

阈值法一般分为全局阈值和局部阈值两大类。前者指利用全局信息对整幅图像求出最优分割阈值。该方法的突出优点是时间复杂度较低，易于实现和理解，而缺点在于目标边缘分割效果不理想，达不到后续作业的要求。后者是通过像素的灰度值和周围点的局部灰度特性来确定像素的阈值。该类方法对灰度变化敏感，二值化效果较好，而不足之处是处理速度慢。为此，本发明将全局法和局部法相结合，扬长避短，提出一种基于全局和局部阈值结合的二值化处理方法。这是本发明的创新点之一。

结合全局和局部阈值法的特点，本发明提出的处理方法具体步骤如下：

步骤1：采用最大类间方差法计算整幅图像的全局阈值T₁；

步骤2：将图像分为一系列r×r维大小的子图像；r是指子图像的行数或列数。

步骤3：求出一个窗口内部的像素灰度最大值g_max和最小值g_min，利用(g_max+g_min)/2可以计算出该窗口一个局部阈值T₂；

步骤4：若T₁>T₂，则该窗口采用T₁进行全局二值化处理，跳至步骤6；

步骤5：若T₁≤T₂，对该窗口内的每一像素值分别采用局部阈值算法处理，判定该点属于前景点还是背景点，完成此窗口的局部二值化处理；

步骤6：若分割的子图像还有未处理的，跳至步骤3，否则终止算法。

该算法巧妙地结合全局和局部阈值法，将子图像作为一级分割对象，像素点则退为二级分割对象。因此，在兼顾算法处理速度的同时也大幅降低目标尺寸失真度，可获得较好的二值化处理效果。如图5所示，二值后的羊毛段边缘不仅整体光滑无毛刺，而且连通性好。

（4）数学形态学细化处理提取骨架

数学形态学提供了一种以形态或集合论为基础的对图像进行分析理解的工具，它主要包括膨胀和腐蚀2个算子。本发明用这些算子及其组合来进行图像形状和结构的分析，以提取羊毛骨架。首先，介绍膨胀与腐蚀两类基本算子。

(1)膨胀算子

设H为数据集合,Y为结构元素，Y_h为Y的核,则:

上式读作：H用Y来进行膨胀时,其结果为h的集合,其中所包含的为Y_h与H之交不为空集的诸数据集。或者也可以这样说；H是Y_h的击中(用

符号来表示)H后形成的数据集。膨胀运算在数学形态学中的作用是把图像周围的背景合并到物体中。如果两个物体之间的距离比较近,那么扩张运算会把两个物体连通在一起。膨胀运算对填补图像分割后物体中的空洞很有用。假设二值图像中，0(黑色)为对象，1(白色）为背景，那么采用膨胀算子进行逐步处理时，目标的几何轮廓慢慢发生膨胀效应。随着处理次数的增加，这种效应不断加强，甚至出现目标交融的现象，如图6所示。

(2)腐蚀算子Θ

腐蚀与扩张形成一对，其可以表示为：

$\mathrm{H\&Theta;Y}=\{h:Y_h\&Subset;H\}---\left(3\right)$

数据集H用结构元素Y来进行腐蚀的结果集h由能被H所包含的结构元素的核Y_h所构成。腐蚀运算在数学形态学中的作用是消除物体的边界点。如果两个物体之间有细小的连通时,那么当结构元素足够大时,通过腐蚀运算可以将两个物体分开。对二值图像采用腐蚀算子逐步处理时，目标的几何尺寸在渐渐缩小。从第二次处理后，目标开始出现丢失，直至第六次时几乎完全消失了，处理示例如图7所示。

骨架提取的具体步骤如下：

步骤1：设输入二值图像为H，定义结构元素Y；

步骤2：对图像H进行连续n次腐蚀，结果用HΘnY表示，n初始值为1；

步骤3：用Y对HΘnY进行先腐蚀后膨胀操作，即：[(HΘnY)ΘY]⊕Y；

步骤4：设image_SK_n为图像H第n次骨架提取的子数据集，则借助式4计算出image_SK_n，其中“/”为两个数据集的差集；

               image_SK_n=HΘnY/{[(HΘnY)ΘY]⊕Y}

(4)步骤5：设image_SK(H)为二维离散数据集H的骨架，那么通过式5计算出image_SK(H)；

$\mathrm{image}\_\mathrm{SK}\left(H\right)=\underset{n=0}{\overset{N}{\&cup;}}\mathrm{image}\_{\mathrm{SK}}_n\left(H\right)---\left(5\right)$

步骤6：若n<N，则跳至步骤2，否则结束循环，其中N为结构元素的最大值，超过这个值，一次腐蚀运算将使H变为空集；

步骤7：最终剩下的image_SK(H)即为图像骨架。

算法最后获得的羊毛骨架如图8所示。

（5）利用模板法寻找交叉点

为了识别非交叉羊毛段，首先需要通过识别骨架中的交叉点以确定非交叉骨架的位置信息。为此，本发明采用模板法寻找交叉点。模板法是指事先根据目标特征制定模板，依照模板进行穷搜索的一类方法。考虑到羊毛骨架图像简单，模板法不但算法简洁而且效率也高。关于交叉点的定义，文献[LAM L,LEE S W.ThinningMethodologies—a Comprehensive Survey[J],IEEE Trans on PatternAnalysis and Machine Intelligence,1992,14(9):869-895.]在背景为暗、前景为亮的前提下给出了如下定义。

定义1：前景点P的8邻域内其它前景点数目总和X_H(P)不小于2，则称P为交叉点。数学表达式见式(6)。

$\left(\mathrm{Skel}\right)=\underset{P\&Element;\mathrm{Skel}}{\&cup;}\{2\&le;X_H\left(P\right)\&le;8\}---\left(6\right)$

其中，Skel表示前景点P的8领域，X_H(P)的表达式见式(7)，x_i为邻域像素点。

$X_H\left(P\right)=\underset{i=1}{\overset{8}{\mathrm{\&Sigma;}}}{x}_i$

$\left(7\right)$

事实上，该组定义存在不可忽视的漏洞。假设骨架宽度为两个像素点，那么骨架端点P的8邻域内将存在2个或者3个前景点，如图9。根据定义1，端点P将被误判为骨架的交叉点，这显然不正确。

原因是定义1仅仅在骨架为单像素宽度的假设下成立，但是现有的骨架提取算法对于所采用的结构元素有较强的依赖性，而结构元素本身又具有一定的形状和大小，因此无法保证所提取的骨架具有一致单像素宽度。当然宽度超过3像素的骨架，本文认为骨架提取失败，不予考虑。分析图10，双像素端点排列虽然有9种情况，但它们邻域中的像素点都是彼此紧邻。为此本文在上述定义基础上增加一个约束条件，即沿逆时针方向，前景点P的8邻域内像素由0到1或1到0变换的次数X_R(P)控制在一定范围内。修正后的定义如下所示。

定义2：沿逆时针方向，前景点P的8邻域内像素由0到1或1到0变换次数X_R(P)至少为4次，并且该邻域内的前景点数不小于2，则称P为交叉点，数学表达式见式(8)。

$\left(\mathrm{Skel}\right)=\underset{P\&Element;\mathrm{Skel}}{\&cup;}\{X_R\left(P\right)\&GreaterEqual;4\mathrm{and}2\&le;X_H\left(P\right)\&le;8\}---\left(8\right)$

其中，X_R(P)的表达式见式(9)。

$X_R\left(P\right)=\underset{i=1}{\overset{8}{\mathrm{\&Sigma;}}}|x_{i+1}-x_i|---\left(9\right)$

算法具体步骤如下所述：

步骤1：读入羊毛骨架图像image_SK(H)；

步骤2：构造两个3×3矩阵X和M，X矩阵是image_SK(H)的子图像，中间元素为x(5)，其它8个元素逆时针依次x(1)x(2)…x(9)，而M矩阵中间元素也为x(5)，只是其它8元素逆时针依次为x(2),x(3),x(4),x(6),x(7),x(8),x(9),x(1);

步骤3：设定交叉点的模板，将X矩阵与M矩阵对应元素相减，差取绝对值，即X_R(P)。X矩阵中间元素8领域元素求和，和即为X_H(P)。交叉点模板为X_R(P)至少为4且X_H(P)大于2；

步骤4：依据模板寻找交叉点，并作好标记；

步骤5：若image_SK(H)没有遍历，则跳至步骤2，否则结束循环。

算法最后得到的处理图像标有交叉点的位置信息，如图10所示。

（6）直径计算

面积法，顾名思义，它的原理是这样的:首先在一根羊毛沿着水平方向或竖直方向取一个一定长度的微段，在该微段上羊毛边缘基本上是呈直线状态或近似于直线状态(如图11所示)。因此，这个微段可以近似地看作为一个平行四边形(如图12所示)，这个平行四边形的两条边是羊毛的边界，面积S可以通过一行行或一列列地数点累加来得到，总的象素点数实际上表示的就是面积，把羊毛边界的那条边作为底边，它的长度L可以通过计算相关的两个端点的距离得到，设这条底边上的高为N，利用面积公式S=L×N，可以求出这条高N=S/L，N实际上也就是该羊毛的直径。由于羊毛段的面积和长度容易求的，故本发明采用面积法近似计算羊毛直径。

具体步骤如下所示：

步骤1：分别读入羊毛二值化图像H和羊毛骨架图像image_SK(H)；

步骤2：根据交叉点，可以确定H中非交叉的完整羊毛段区域，统计该区域内的像素点数目，即为平行四边形面积S；

步骤3：同样根据交叉点，确定image_SK(H)中非交叉的完整羊毛段区域，统计该羊毛区域内骨架的像素点数目，即为平行四边形底边L；

步骤4：采用公式N=S/L，求出N，若N在羊毛直径合理范围内，即近似为羊毛直径，否则抛弃该测量值；

步骤5：如H和image_SK(H)没有遍历，则跳至步骤2；

步骤6：将所求一系列直径N求数学统计平均，结果即为该幅图像中羊毛的平均直径。

1.2.4软件仿真测试

从羊毛纺织厂获取8幅已知羊毛细度的样品图像作为本软件测试对象，测量值如表1所示。从测量结果上看，本软件偏离标准值的误差在1um以内，测量精度高。此外，每幅图的整个处理时间均在30ms以内，符合实际生产实时性要求高的需求。

表1羊毛细度测量值

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种羊毛细度自动测量方法，其特征在于，该方法包括以下步骤：

准备自动测量羊毛细度所需的仪器，即LED光源、测试样品XY工作台、光学放大系统、数字相机；

LED光源将光线投向测试样品；

经过光学放大系统，被CCD相机捕获样品图像；

样品图像被送入计算机处理系统进行测量计算。

2.如权利要求1所述的羊毛细度自动测量方法，其特征在于，计算机处理系统进行测量计算的具体步骤为：

步骤1：读入羊毛图像；

步骤2：若羊毛图像质量差，则跳至步骤1；

步骤3：对输入图像下采样以降低计算量；

步骤4：采用包括动态调整、Gamma校正和中值滤波在内的预处理消除噪声、畸变；

步骤5：运用全局阈值法与局部阈值法相结合，选取分割阈值，将羊毛图像二值化，获得二值化前景图像；

步骤6：利用数学形态学腐蚀和膨胀2个算子对二值化前景图像进行细化操作，提取羊毛骨架；

步骤7：通过查表法，找到并标出交叉点，从而获得没有交叉的羊毛段；

步骤8：将羊毛段近似为矩形，通过计算羊毛区域面积和所对应的骨架，将两者相除即可得到单根羊毛的直径，记录羊毛直径；

步骤9：若还有羊毛图像输入，则跳至步骤1；

步骤10：若测量得到的羊毛直径在正常范围内，则保留，否则剔除；

步骤11：将所有在正常范围内的羊毛直径求数学统计平均，所得结果为该批羊毛的平均直径。

3.如权利要求1所述的羊毛细度自动测量方法，其特征在于，二值化的过程中采用基于全局和局部阈值结合的二值化处理方法，具体步骤如下：

步骤1：采用最大类间方差法计算整幅图像的全局阈值T₁；

步骤2：将图像分为一系列r×r的子图像；

步骤3：求出一个窗口内部的像素灰度最大值g_max和最小值g_min，利用(g_max+g_min)/2可以计算出该窗口一个局部阈值T₂；

步骤4：若T₁>T₂，则该窗口采用T₁进行全局二值化处理，跳至步骤6；

步骤5：若T₁≤T₂，对该窗口内的每一像素值分别采用局部阈值算法处理，判定该点属于前景点还是背景点，完成此窗口的局部二值化处理；

步骤6：若分割的子图像还有未处理的，跳至步骤3，否则终止算法。

4.如权利要求1所述的羊毛细度自动测量方法，其特征在于，骨架提取的具体步骤如下：

步骤1：设输入二值图像为H，定义结构元素Y；

步骤2：对图像H进行连续n次腐蚀，结果用HΘnY表示，n初始值为1；

步骤3：用Y对HΘnY进行先腐蚀后膨胀操作，即：[(HΘnY)ΘY]⊕Y；

步骤4：设image_SK_n为图像H第n次骨架提取的子数据集，则借助式4计算出image_SK_n，其中“/”为两个数据集的差集；

image_SK_n=HΘnY/{[(HΘnY)ΘY]⊕Y}           (4)

步骤5：设image_SK(H)为二维离散数据集H的骨架，那么通过式（5）计算出image_SK(H)；

$\mathrm{image}\_\mathrm{SK}\left(H\right)=\underset{n=0}{\overset{N}{\&cup;}}\mathrm{image}\_{\mathrm{SK}}_n\left(H\right)---\left(5\right)$

步骤6：若n<N，则跳至步骤2，否则结束循环，其中N为结构元素的最大值，超过这个值，一次腐蚀运算将使H变为空集；

步骤7：最终剩下的image_SK(H)即为图像骨架。

5.如权利要求1所述的羊毛细度自动测量方法，其特征在于，寻找交叉点算法具体步骤如下：

步骤1：读入羊毛骨架图像image_SK(H)；

步骤2：构造两个3×3矩阵X和M，X矩阵是image_SK(H)的子图像，中间元素为x(5)，其它8个元素逆时针依次x(1)x(2)…x(9)，而M矩阵中间元素也为x(5)，只是其它8元素逆时针依次为x(2),x(3),x(4),x(6),x(7),x(8),x(9),x(1);

步骤3：设定交叉点的模板，将X矩阵与M矩阵对应元素相减，差取绝对值，即X_R(P)，X矩阵中间元素8领域元素求和，和即为X_H(P)，交叉点模板为X_R(P)大于4且X_H(P)大于2；

步骤4：依据模板寻找交叉点，并作好标记；

步骤5：若image_SK(H)没有遍历，则跳至步骤2，否则结束循环。

6.如权利要求1所述的羊毛细度自动测量方法，其特征在于，采用面积法近似计算羊毛直径：具体步骤如下所示：

步骤1：分别读入羊毛二值化图像H和羊毛骨架图像image_SK(H)；

步骤2：根据交叉点，可以确定H中非交叉的完整羊毛段区域，统计该区域内的像素点数目，即为平行四边形面积S；

步骤3：同样根据交叉点，确定image_SK(H)中非交叉的完整羊毛段区域，统计该羊毛区域内骨架的像素点数目，即为平行四边形底边L；

步骤4：采用公式N=S/L，求出N，若N在羊毛直径合理范围内，即近似为羊毛直径，否则抛弃该测量值；

步骤5：如H和image_SK(H)没有遍历，则跳至步骤2；

步骤6：将所求一系列直径N求数学统计平均，结果即为该幅图像中羊毛的平均直径。

Images