CN112150445A - 基于贝叶斯阈值的纱线毛羽检测方法 - Google Patents

Abstract

本发明公开一种基于贝叶斯阈值的纱线毛羽检测方法，具体步骤为：步骤1，将待检测的纱线毛羽图像预处理，得到纱线毛羽滤波图像；步骤2，对纱线毛羽滤波图像进行贝叶斯阈值处理，得到阈值图像；步骤3，对阈值图像做去除条干处理，得到毛羽图像；步骤4，对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。本方法能够精确计算出纱线毛羽长度、根数、面积指数及长度指数指标。

Description

基于贝叶斯阈值的纱线毛羽检测方法

技术领域

本发明属于纺织纱线毛羽检测方法技术领域，涉及一种基于贝叶斯阈值的纱线毛羽检测方法。

背景技术

毛羽是影响纱线质量的重要指标之一。毛羽指标是影响纱线、织物外观、乃至后续织机效率的重要因素。长毛羽对纱线质量、纱线织造、成纱织物的质量都有影响，过多过长毛羽会影响纱线上浆效果；毛羽分布不均匀会造成织物产生横档；毛羽分布不均匀也会导致染色不均匀，形成色差，影响织物质量。常见的纱线毛羽检测方法有光电法，可以测量毛羽的真实长度，但是需要在镜头前安装显微镜进行毛羽测量，且对于弯曲毛羽测量误差较大；静电法是毛羽在静电作用下伸展，用投影计数法达到计算长度的目的，可以解决弯曲对毛羽的影响，但是破坏了毛羽最初的形态；图像法是在采集到毛羽图像的条件下，利用图像处理技术提取出清晰的毛羽图像并进行毛羽统计。图像法简单易操作、误差小，可避免因人员主观性带来的误差，且能完整反映毛羽分布情况。因此利用图像处理技术进一步研究毛羽根数和长度等各项指标，具有重要意义。

近年来，随着图像处理技术的广泛应用，吸引了越来越多的国内外学者对纱线毛羽进行研究，解决了纱线毛羽的很多问题。JING等基于MRMRF算法对纱线毛羽自动检测，该方法以纱线条干为基准线检测纱线毛羽的长度，但是对于弯曲的毛羽无法计算实际长度。孙银银等基于MOTIC视频显微镜捕获纱线静态图像，并以纱线上下条干为基准线，得到每根毛羽长度。但是该方法在毛羽卷曲及中断条件下，计算结果存在很大误差。王文帝等提出自适应灰度增强算法，得到毛羽与背景对比度比较高的图像，但是该算法对毛羽长度在1mm范围内存在圈毛羽和粗节时，检测结果误差偏大。Wang等采用多聚焦图像融合成像算法，得到的纱线毛羽图像具有清晰的纤维边缘，但是该方法需要在显微镜下进行观察获得一部分聚焦的纱线毛羽图像，费时费力。Ramesh等是将纱线放置在静电场中，利用静电使毛羽伸直，然后用相机采集图像并将图像进行处理，但在静电场中仍有一部分毛羽存在弯曲，检测结果仍有误差。

发明内容

本发明的目的是提供一种基于贝叶斯阈值的纱线毛羽检测方法，本方法能够计算出纱线毛羽长度、根数、面积指数及长度指数指标。

本发明所采用的技术方案是，

基于贝叶斯阈值的纱线毛羽检测方法，具体步骤为：

步骤1，将待检测的纱线毛羽图像预处理，得到纱线毛羽滤波图像；

步骤2，对纱线毛羽滤波图像进行贝叶斯阈值处理，得到阈值图像；

步骤3，对阈值图像做去除条干处理，得到毛羽图像；

步骤4，对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。

本发明的特点还在于，

步骤1的步骤包括依次对待检测的纱线毛羽图像进行图像增强处理和图像递归滤波处理，之后得到纱线毛羽滤波图像。

步骤2的步骤为：针对灰度值在[0,255]间的纱线毛羽滤波图像，记图像中最大的灰度值为Z_d，最小值为Z_x，T为最大值与最小值的均值，进行迭代最佳阈值算法计算：将图像中每个像素点的阈值与T比较，若大于T，则将所有阈值数累加给S₀，否则累加给S₁，并记录每次累加的个数；大于阈值的数与个数的商记作T₀，小于的记作T₁，若满足迭代式|T-(T₀+T₁)/2|＜0.1，则迭代结束，否则一直进行迭代，最终得到阈值图像。

步骤3具体包括以下步骤：

步骤3.1，将待检测的纱线毛羽图像生成为1*256的全零阵，用阈值图像的每一级的灰度像素个数与图像大小的比表示图像归一化频率，记为f_i；

步骤3.2，对待检测的纱线毛羽图像中的每个像素做方差处理，得到方差图像，方差处理的公式为：

B_c(k+1)＝(m_g×p₁-m_k)^2/(p₁×(1-p₁)) (3)

式中：B_c表示方差，m_g表示待检测的纱线毛羽图像的平均值，k为1到254，其中

E_a表示图像像素大小；

步骤3.3，

方差图像在像素最大值对应的下标用index表示，判断待检测的纱线毛羽图像(img)像素是否满足img＞index，若满足，则输出膨胀后的条干图像，利用阈值图像减去条干图像且矩形内核定义核设置为16即可得到毛羽图像。

步骤4中对毛羽图像进行长度、根数的计数步骤包括：

步骤4.1.1，将毛羽图像经过Hilditch细化算法后作为处理样本x_i；

步骤4.1.2，设置邻域半径C，检索样本的邻域半径C，得到毛羽的长度M；

步骤4.1.3，同一长度检索结束后，用像素法进行计算毛羽的真实长度及根数，其中像素法统计的像素点个数乘以实际像素点长度即可得到毛羽真实长度；

步骤4.1.4，检查样本中未被标记的毛羽的长度，直到检测到边界结束；

步骤4.1.5，循环步骤4.1.1～步骤4.1.4，直到样本被检测完，获得毛羽根数以及每根毛羽的长度。

步骤4中计算纱线毛羽面积指数具体步骤是：

步骤4.2.1，设S_A1初始化为0，用于统计像素个数，统计毛羽图像中像素为255的点的个数，累加到S_A1上。

步骤4.2.2，纱线总长度S_L与毛羽图像中纱线毛羽长度之比记为纱线平均宽度b。

步骤4.2.3，计算毛羽图像总像素S_A如式(4)所示：

S_A＝S_A1+4tb (4)

其中t为处理的毛羽图像中毛羽根数。

步骤4.2.4，纱线毛羽面积指数H_A如式(5)所示：

H_A＝S_A/S_A2 (5)

式中：S_A2表示计算的毛羽图像的像素个数。

步骤4中对纱线毛羽面积指数计算的计算过程为

步骤4.3.1设纱线长度为S_L，并统计毛羽图像中所有纱线长度并累加到S_L上；

步骤4.3.2统计毛羽根数，将毛羽图像的条干向外延伸两个像素，根据条干弯曲程度画一条曲线，如果可以检测到存在像素点为255且像素连续，则将根数t加1，从左到右依次统计完。

毛羽长度指数H_L统计公式如式(6)所示：

式中：L是纱线条干长度，单位cm。

本发明的有益效果是：

本发明首先利用自适应阈值的图像增强、保边递归滤波、贝叶斯阈值对图像进行处理，且去除条干，获得纱线毛羽特征；然后利用细化算法对获得的毛羽图像进行细化处理；最后利用像素法对细化后的毛羽图像作统计，本方法能够精确计算出纱线毛羽长度、根数、面积指数及长度指数指标。

附图说明

图1是本发明一种基于贝叶斯阈值的纱线毛羽检测方法的流程图；

图2是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中的待检测的纱线毛羽图像；

图3是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中增强图像后的图像；

图4是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中的纱线毛羽滤波图像；

图5是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中的阈值图像；

图6是本发明一种基于贝叶斯阈值的纱线毛羽检测方法的实施例1中的毛羽图像；

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于贝叶斯阈值的纱线毛羽检测方法，如图1，其特征在于，具体步骤为：

步骤1，将待检测的纱线毛羽图像预处理，得到纱线毛羽滤波图像；

步骤2，对纱线毛羽滤波图像进行贝叶斯阈值处理，得到阈值图像；

步骤3，对阈值图像做去除条干处理，得到毛羽图像；

步骤4，对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。

其中步骤1的步骤包括依次对待检测的纱线毛羽图像进行图像增强处理和图像递归滤波处理，之后得到纱线毛羽滤波图像。

其中步骤1具体包括：

步骤1.1，图像增强的方式如式(1)所示：

式中：f(x,y)为输入图像的坐标(x,y)对应的灰度值；f_max(x,y),f_min(x,y)分别为图像上的灰度最大值及最小值；δ是为了防止式(1)中分母为零而引入的一个比较小的正数。

步骤1.2，对于给定的变换域C_t：Ω→Ω_w和输入图像I，通过域变换将I转换到变换域Ω_w中。用图像的空间结构信息，计算输入图像转换前每个像素的坐标C_t(x_m)，再计算转换后每个像素的坐标C_t(x_s)，结果显示为同侧像素具有相似的坐标，异侧像素坐标较远，递归滤波公式如式(2)所示：

J[m]＝(1-a^b)I[m]+a^bJ[m-1] (2)

式中：J[m]为m个像素的滤波结果；a是反馈系数，是以e为底的对数，大小在0到1之间；b是变换域中相邻像素点之间的距离，从而保留了边缘的细节信息。

其中步骤2的步骤为：针对灰度值在[0,255]间的纱线毛羽滤波图像，记图像中最大的灰度值为Z_d，最小值为Z_x，T为最大值与最小值的均值，进行迭代最佳阈值算法计算：将纱线毛羽滤波图像中每个像素点的阈值与T比较，若大于T，则将所有阈值数累加给S₀，否则累加给S₁，并记录每次累加的个数；大于阈值的数与个数的商记作T₀，小于的记作T₁，若满足迭代式|T-(T₀+T₁)/2|＜0.1，则迭代结束，否则一直进行迭代，最终得到阈值图像。

其中步骤3具体包括以下步骤：

步骤3.1，将待检测的纱线毛羽图像生成为1*256的全零阵，用待检测的纱线毛羽图像的每一级的灰度像素个数与图像大小的比表示图像归一化频率，记为f_i；

步骤3.2，对待检测的纱线毛羽图像中的每个像素做方差处理，得到方差图像，方差处理的公式为：

B_c(k+1)＝(m_g×p₁-m_k)^2/(p₁×(1-p₁)) (3)

式中：B_c表示方差，m_g表示待检测的纱线毛羽图像的平均值，k为1到254，其中

E_a表示图像像素大小；

步骤3.3，

方差图像在像素最大值对应的下标用index表示，判断待检测纱线毛羽图像(img)像素是否满足img＞index，若满足，则输出膨胀后的条干图像，利用阈值图像减去条干图像且矩形内核定义核设置为16即可得到毛羽图像。

其中步骤4中对毛羽图像进行长度、根数的计数步骤包括：

步骤4.1.1，将毛羽图像经过Hilditch细化算法后作为处理样本x_i；

步骤4.1.2，设置邻域半径C，检索样本的邻域半径C，得到毛羽的长度M；

步骤4.1.3，同一长度检索结束后，用像素法进行计算毛羽的真实长度及根数，其中像素法统计的像素点个数乘以实际像素点长度即可得到毛羽真实长度；

步骤4.1.4，检查样本中未被标记的毛羽的长度，直到检测到边界结束；

步骤4.1.5，循环步骤4.1.1～步骤4.1.4，直到样本被检测完，获得毛羽根数以及每根毛羽的长度。

其中步骤4中计算纱线毛羽面积指数具体步骤是：

步骤4.2.1，设S_A1初始化为0，用于统计像素个数，统计毛羽图像中像素为255的点的个数，累加到S_A1上。

步骤4.2.2，纱线总长度S_L与毛羽图像中纱线毛羽长度之比记为纱线平均宽度b。

步骤4.2.3，计算毛羽图像总像素S_A如式(4)所示：

S_A＝S_A1+4tb (4)

其中t为处理的毛羽图像中毛羽根数。

步骤4.2.4，纱线毛羽面积指数H_A如式(5)所示：

H_A＝S_A/S_A2 (5)

式中：S_A2表示计算的毛羽图像的像素个数。

其中步骤4中对纱线毛羽面积指数计算的计算过程为

步骤4.3.1设纱线长度为S_L，并统计毛羽图像中所有纱线长度并累加到S_L上；

步骤4.3.2统计毛羽根数，将毛羽图像的条干向外延伸两个像素，根据条干弯曲程度画一条曲线，如果可以检测到存在像素点为255且像素连续，则将根数t加1，从左到右依次统计完。

毛羽长度指数H_L统计公式如式(6)所示：

式中：L是纱线条干长度，单位cm。

实施例1

一种基于贝叶斯阈值的纱线毛羽检测方法，具体步骤为：

执行步骤1，将待检测的纱线毛羽图像预处理，输入的待检测的纱线毛羽图像为图2，图像增强处理后结果如图3，得到的纱线毛羽滤波图像如图4；

执行步骤2，对纱线毛羽滤波图像进行贝叶斯阈值处理，得到的阈值图像如图5；

执行步骤3，对阈值图像做去除条干处理，得到的毛羽图像如图6；

执行步骤4，得到的本实施例的长度、根数、纱线毛羽长度指标、纱线毛羽面积指数分别为：毛羽根数5根，对应的长度分别为7mm、2mm、3mm、2mm、6mm；纱线毛羽长度指数为13.2899，纱线毛羽面积指数为0.6808。

本实施例还选取6段纱线，每段100张图片进行实验，图片大小为256×256像素。每个像素点代表实际长度0.03mm，所以每张图片实际大小为7.68mm×7.68mm，100张图片总大小为76.8cm×76.8cm。毛羽长度分类统计如表1所示。

表1毛羽长度分类统计

对32tex的精梳纯棉纱线中6个片段进行实验，分别对毛羽面积指数和毛羽长度指数中的平均均值、平均偏差、标准差做了统计，实验结果如表2和表3所示。

表2毛羽面积指数统计

表3毛羽长度指数统计

从表2中可以看出，片段3、4、5、6的平均值分别为1.04711、1.06356、1.06082、0.95704，数值较小，说明毛羽分布较少，但从标准差来看，片段3、4、5分布较为均匀，片段6分布较为分散，不均匀。片段2的平均值、标准差分别为1.11178、0.259782，说明该片段虽然毛羽较多，但是分布较为集中，分布均匀。而从片段1的平均值、标准值反映出，片段1毛羽较多，且分布不均匀。综上，可粗略判断，在六段毛羽中，片段3、4、5纱线质量最好，片段2、6次之，片段1最差。

从表3可以看出，片段3、4、5、6的平均值和标准差相对较小，结合平均偏差，说明这四个片段毛羽量较少。片段1、2的平均值和标准差分别为31.5534、29.1701和8.2710、7.2111，说明这两个片段毛羽量较多。综上，可粗略判断，在六段毛羽中，片段1、2纱线质量较差，而片段3、4、5、6纱线质量较好。

Claims (7)

1.基于贝叶斯阈值的纱线毛羽检测方法，其特征在于，具体步骤为：

步骤1，将待检测的纱线毛羽图像预处理，得到纱线毛羽滤波图像；

步骤2，对纱线毛羽滤波图像进行贝叶斯阈值处理，得到阈值图像；

步骤3，对阈值图像做去除条干处理，得到毛羽图像；

步骤4，对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。

2.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法，其特征在于，所述步骤1的步骤包括依次对待检测的纱线毛羽图像进行图像增强处理和图像递归滤波处理，之后得到纱线毛羽滤波图像。

3.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法，其特征在于，所述步骤2的步骤为：针对灰度值在[0,255]间的纱线毛羽滤波图像，记图像中最大的灰度值为Z_d，最小值为Z_x，T为最大值与最小值的均值，进行迭代最佳阈值算法计算：将图像中每个像素点的阈值与T比较，若大于T，则将所有阈值数累加给S₀，否则累加给S₁，并记录每次累加的个数；大于阈值的数与个数的商记作T₀，小于的记作T₁，若满足迭代式|T-(T₀+T₁)/2|＜0.1，则迭代结束，否则一直进行迭代，最终得到阈值图像。

4.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1，将待检测的纱线毛羽图像生成为1*256的全零阵，用待检测的纱线毛羽图像的每一级的灰度像素个数与图像大小的比表示图像归一化频率，记为f_i；

步骤3.2，对待检测的纱线毛羽图像中的每个像素做方差处理，得到方差图像，方差处理的公式为：

B_c(k+1)＝(m_g×p₁-m_k)^2/(p₁×(1-p₁)) (3)

式中：B_c表示方差，m_g表示待检测的纱线毛羽图像的平均值，k为1到254，其中

E_a表示图像像素大小；

步骤3.3，所述方差图像在像素最大值对应的下标用index表示，判断待检测纱线毛羽图像(img)像素是否满足img＞index，若满足，则输出膨胀后的条干图像，利用阈值图像减去条干图像且矩形内核定义核设置为16即可得到毛羽图像。

5.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法，其特征在于，所述步骤4中对毛羽图像进行长度、根数的计数步骤包括：

步骤4.1.1，将毛羽图像经过Hilditch细化算法后作为处理样本x_i；

步骤4.1.2，设置邻域半径C，检索样本的邻域半径C，得到的毛羽的长度M；

步骤4.1.3，同一长度检索结束后，用像素法进行计算毛羽的真实长度及根数，其中像素法统计的像素点个数乘以实际像素点长度即可得到毛羽真实长度；

步骤4.1.4，检查样本中未被标记的毛羽的长度，直到检测到边界结束；

步骤4.1.5，循环步骤4.1.1～步骤4.1.4，直到样本被检测完，获得毛羽根数以及每根毛羽的长度。

6.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法，其特征在于，所述步骤4中计算纱线毛羽面积指数具体步骤是：

步骤4.2.1，设S_A1初始化为0，用于统计像素个数，统计毛羽图像中像素为255的点的个数，累加到S_A1上。

步骤4.2.2，纱线总长度S_L与图像中纱线毛羽长度之比记为纱线平均宽度b。

步骤4.2.3，计算毛羽图像总像素S_A如式(4)所示：

S_A＝S_A1+4tb (4)

其中t为处理的毛羽图像中毛羽根数。

步骤4.2.4，纱线毛羽面积指数H_A如式(5)所示：

H_A＝S_A/S_A2 (5)

式中：S_A2表示计算的毛羽图像的像素个数。

7.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法，其特征在于，所述步骤4中对纱线毛羽面积指数计算的计算过程为

步骤4.3.1设纱线长度为S_L，并统计毛羽图像中所有纱线长度并累加到S_L上；

步骤4.3.2统计毛羽根数，将毛羽图像的条干向外延伸两个像素，根据条干弯曲程度画一条曲线，如果可以检测到存在像素点为255且像素连续，则将根数t加1，从左到右依次统计完。

毛羽长度指数H_L统计公式如式(6)所示：

式中：L是纱线条干长度，单位cm。

Images