基于分水嶺與閾值分割相結(jié)合的織物毛球檢測

張俊平

(浙江工貿(mào)職業(yè)技術(shù)學(xué)院，浙江 溫州 325000)

?

基于分水嶺與閾值分割相結(jié)合的織物毛球檢測

張俊平

(浙江工貿(mào)職業(yè)技術(shù)學(xué)院，浙江 溫州 325000)

摘要：起球圖像中毛球分割是織物起球客觀評定方法研究的一個關(guān)鍵步驟，同時也是一個非常困難的問題，其分割結(jié)果直接影響客觀評定的精度.為此，采用在梯度圖像上運用分水嶺分割算法對織物毛球圖像進行分割，但是該方法易出現(xiàn)過分割現(xiàn)象，為了解決這個問題，該文在織物起球圖像分水嶺變換結(jié)果的基礎(chǔ)上進行進一步閾值分割.實驗分析表明，該方法能夠獲得比較精確的毛球檢測結(jié)果.

關(guān)鍵詞：織物圖像；毛球；分水嶺；圖像分割

0引言

對織物中毛球個數(shù)與毛球大小的檢測是度量織物質(zhì)量好壞的一個關(guān)鍵指標(biāo)，根據(jù)織物的起球程度對織物的質(zhì)量進行分級.傳統(tǒng)的分級方法主要依靠人的分辨，同一個人在不同時間對同一織物進行評定或者不同的人同一織物進行評定都會存在差異，帶有很強的主觀性，因此，在紡織品質(zhì)量檢測領(lǐng)域，可靠客觀的織物毛球質(zhì)量評級方法顯得尤為迫切[1].隨著應(yīng)用的需要，采用最新的技術(shù)對織物起球程度進行客觀評級是一種趨勢[1-4].織物起球圖像中毛球的檢測分割是織物品級客觀評定系統(tǒng)中的一個關(guān)鍵步驟，毛球檢測結(jié)果的好壞將直接影響紡織品評級的精度.目前采用的織物起球圖像分割方法主要建立在圖像灰度信息上，其中主要的方法有閾值分割法[3]、模糊聚類方法[5]、基于頻域濾波的分割方法[6]、區(qū)域增長法[7].這些方法在許多應(yīng)用領(lǐng)域都獲得了廣泛應(yīng)用，但是沒有一種方法適合于所有類型的應(yīng)用.

分水嶺圖像分割算法能夠取得較理想的圖像分割結(jié)果，因其計算速度快，圖像邊緣信息定位精確等優(yōu)點，受到了廣泛的關(guān)注和應(yīng)用[8].但是，這種算法存在過分割現(xiàn)象，導(dǎo)致待分割圖像過細(xì)，分割出來的區(qū)域過多等缺點[9-10].

本文結(jié)合分水嶺圖像分割算法的性能優(yōu)勢進行織物起球圖像的分割，為了彌補分水嶺圖像分割算法出現(xiàn)的過分割問題，本文采用梯度變換的分水嶺分割算法，同時結(jié)合圖像閾值分割技術(shù)來解決分水嶺分割算法的過分割問題.與閾值分割法和分水嶺分割法相比具有明顯的優(yōu)勢.

1分水嶺圖像分割基本原理

分水嶺圖像分割算法的思想最初源于測地學(xué)的地形地貌.灰度圖像可以看作是一片地形，在地形中每一點的海拔高度分別與每一點的灰度值對應(yīng)，在該地形圖中有高地、分水線、集水盆等地貌特征，分水嶺的概念是通過模擬自底向上逐漸淹沒該地形圖的過程來展示[8].分水嶺分割算法的主要目的是找出集水盆地之間的分水線.

邊緣增強是梯度圖像的一個明顯特征，形態(tài)學(xué)的梯度圖像使得圖像的灰度級躍變變得更加明顯，這樣灰度信息的變化將更加突出.因此本文在梯度圖像上運用分水嶺分割算法進行織物起球圖像的分割.

圖1　本文織物起球圖像檢測示意圖

2本文提出的方法

本文在使用分水嶺分割算法后，進一步使用閾值分割算法對圖像進行再次分割.在獲得的梯度圖像上運用分水嶺分割算法進行分割，通過對梯度圖像的分割得到原圖像的分水嶺變換結(jié)果，該結(jié)果由許多不同的區(qū)域組成，同時也發(fā)現(xiàn)分水嶺變換圖像后存在明顯的過分割現(xiàn)象.通過將該圖像中的每一個區(qū)域看作一個超像素，從而構(gòu)成一幅新的圖像，最后對新構(gòu)造的圖像進行閾值分割，并將該分割結(jié)果映射到原待分割的織物起球圖像上，最終獲得織物起球圖像的分割結(jié)果.本文方法的基本流程如圖1所示，主要由分水嶺分割算法與閾值分割算法組成，先對織物毛球圖像的形態(tài)學(xué)梯度圖像進行分水嶺分割，從而獲得灰度圖像的分水嶺變換結(jié)果，然后將灰度圖像的分水嶺變換圖像的每一個區(qū)域當(dāng)作一個超像素來看待，最后采用閾值分割技術(shù)對超像素構(gòu)成的圖像進行分割.

2.1織物圖像的分水嶺分割

傳統(tǒng)的基于分水嶺的圖像分割算法直接對原始圖像進行分割處理，但是當(dāng)圖像細(xì)節(jié)或紋理區(qū)域的灰度變化不是很明顯時，該方法不能獲得滿意的分割效果.為了解決該問題，本文利用梯度作為圖像細(xì)節(jié)或紋理區(qū)域變化程度的度量，提出了利用形態(tài)學(xué)梯度的分水嶺分割方法來進行織物起球圖像的分割.首先采用形態(tài)學(xué)梯度算子計算并得到梯度圖像，然后再用分水嶺法對該梯度圖像進行分割處理.

圖像腐蝕運算定義如下：

(1)

其中，Ds是s的定義域，f表示圖像，s(x,y)表示結(jié)構(gòu)元素，x,y表示坐標(biāo).

圖像膨脹運算定義如下：

(2)

本文將膨脹和腐蝕結(jié)合起來計算形態(tài)學(xué)梯度，梯度圖像g計算如下：

g=(f⊕s)-(fΘs)

(3)

通過式(1)—(3)的計算獲得織物毛球圖像的形態(tài)學(xué)梯度圖像，原織物毛球圖像如圖2(a)所示，計算出來的形態(tài)學(xué)梯度圖像如圖2(b)所示，然后對該梯度圖像進行分水嶺分割，從而可以獲得梯度圖像上的分水嶺變換結(jié)果與灰度圖像上的分水嶺變換結(jié)果.梯度圖像上的分水嶺變換結(jié)果如圖2(c)所示，灰度圖像上的分水嶺變換結(jié)果如圖2(d)所示.從灰度圖像的分水嶺變換結(jié)果可以看出，圖像是由很多個小的區(qū)域組成，每個區(qū)域內(nèi)部像素的灰度相同或者相近.將圖像的每一個區(qū)域看作一個超像素，超像素的灰度值用該區(qū)域的灰度均值來計算.由此可以獲得一幅與織物起球圖像對應(yīng)的超像素圖像.

圖2　織物起球圖像分水嶺分割效果

2.2基于Otsu的織物超像素圖像分割

閾值分割的基本原理是：尋找一個灰度值，將圖像中的每個像素灰度值與之比較，根據(jù)一定的比較規(guī)則(比如：大于該灰度值的像素被稱為目標(biāo)區(qū)域，反之則被稱為背景區(qū)域)將圖像分成背景區(qū)域和目標(biāo)區(qū)域，從而完成對圖像的二值化處理.由原理可知，閾值分割算法的關(guān)鍵是閾值的確定.最大類間方差的閾值分割法[11]也被稱為Otsu閾值分割法，是目前最常用的閾值分割算法之一，因此本文采用Otsu閾值法對織物起球圖像的超像素圖像進行閾值分割.

Otsu算法以圖像的灰度直方圖為依據(jù)，以目標(biāo)和背景的類間方差最大為閾值選擇準(zhǔn)則.其基本原理如下：

σ2=w0(u0-u)2+w1(u1-u)2=w0w1(u0-u1)2

(4)

當(dāng)類間方差取得最大值時，與其對應(yīng)的閾值T即為要找的最優(yōu)分割閾值.

Otsu閾值分割算法在很多應(yīng)用中都具有較好的表現(xiàn)，由于織物起球圖像受光照和噪聲的影響，直接應(yīng)用Otsu算法進行織物起球圖像的分割，并不能獲得較滿意的結(jié)果，因此本文運用Otsu閾值分割法對2.1節(jié)中獲得的織物起球圖像的超像素圖像進行閾值分割，分割完成后，即可知每個超像素是屬于哪一類的，然后根據(jù)這些超像素的位置求得原始織物起球圖像各個像素是屬于哪一類的.

3實驗結(jié)果與分析

圖3、圖4和圖5分別展示了棉、麻、毛類織物起球圖像的毛球分割結(jié)果.通過觀察圖3—5發(fā)現(xiàn)，經(jīng)過分水嶺分割后，織物起球圖像已經(jīng)被分成了若干個小區(qū)域，在這些小區(qū)域內(nèi)部，灰度值十分接近，這種分水嶺圖像分割算法存在明顯的過分割現(xiàn)象；直接應(yīng)用Otsu分割算法進行織物起球圖像的分割，效果也不是很理想，究其原因是因為織物起球圖像中存在大量的紋理信息，同時也存在一部分噪聲點，由于這些信息的存在導(dǎo)致了Otsu最終的閾值分割效果不佳；而本文算法基本能夠較精確地分割出織物起球圖像中的毛球.本文算法能夠取得較好的分割效果主要是因為傳統(tǒng)的分割算法是直接對單個像素點進行處理，而本文算法則首先采用分水嶺分割算法將圖像分割成若干個小的區(qū)域，然后將每個小區(qū)域當(dāng)作一個超像素來看待，其中超像素的灰度值用該區(qū)域的均值來替代，通過這樣的處理既去除了織物圖像的紋理信息，同時也濾除了一些噪聲點對最終分割效果的影響，為接下來的閾值分割方法提供了有利的條件.最后應(yīng)用Otsu閾值分割算法對相應(yīng)的超像素圖像進行閾值分割，并將該分割結(jié)果按對應(yīng)的像素空間位置映射到原始圖像中來獲得最終的分割結(jié)果.通過本文實驗分析可以發(fā)現(xiàn)將分水嶺圖像分割算法與閾值圖像分割算法相結(jié)合來進行織物起球圖像中毛球的分割檢測具有較好的效果，該方法充分利用了這兩種分割算法的優(yōu)勢，同時也彌補了這兩種方法各自在織物起球圖像分割中的劣勢，大大提高了織物起球圖像的分割性能.

上述實驗從視覺效果上展示了本文毛球分割算法的性能，為了進一步客觀評價本文算法分割效果，對本文算法分割出來的毛球區(qū)域與人工勾畫出來的毛球區(qū)域進行對比分析，具體是統(tǒng)計正確率P(正確分割出來的毛球比率)和漏檢率L(漏分割的毛球比率).

(5)

(6)

圖3　棉料織物起球圖像的毛球目標(biāo)分割

圖4　麻料織物起球圖像的毛球目標(biāo)分割

圖5　毛料織物起球圖像的毛球目標(biāo)分割

分別對比圖3—5，本文方法分割出來的毛球與人工勾畫的毛球區(qū)域進行對比，統(tǒng)計正確分割的織物毛球數(shù)與漏分割的織物毛球數(shù)，并根據(jù)式(5)和式(6)計算出相應(yīng)的分割正確率與漏檢率.人工勾畫出來的織物毛球區(qū)域如圖6所示.本文方法對應(yīng)的毛球分割正確率與漏檢率如表1所示.圖6的視覺效果以及表1的統(tǒng)計數(shù)據(jù)進一步表明了本文提出的織物毛球分割算法在織物起球圖像的毛球分割檢測中具有較好的效果.

圖6　手工勾畫結(jié)果與本文分割毛球區(qū)域之間的對比

圖像類別人工勾畫毛球數(shù)檢測毛球數(shù)正確檢測毛球數(shù)漏檢測毛球數(shù)正確率/%錯誤率/%棉料織物起球圖像353732386.498.57麻料織物起球圖像262722481.4815.38毛料織物起球圖像565751589.478.93

4結(jié)束語

織物毛球檢測一直備受關(guān)注，本文運用圖像處理技術(shù)對織物起球圖像進行分割，提出了基于形態(tài)學(xué)梯度的分水嶺圖像分割算法與閾值分割相結(jié)合的織物起球圖像分割方法.實驗結(jié)果表明本文提出的方法通過構(gòu)建超像素既解決了分水嶺圖像分割方法的過分割問題同時又提高了閾值分割方法的分割性能.與傳統(tǒng)的分水嶺圖像分割算法和閾值分割方法相比，本文方法通過構(gòu)建超像素可以避免噪聲點對分割結(jié)果的影響，同時也能很好地去除織物起球圖像中的紋理信息，從而提高了織物毛球分割的精度.但是該方法是通過均值來構(gòu)建超像素，而超像素的全局特征并沒有被充分利用，因此有待進一步研究和改進.

參考文獻(xiàn)

[1]PALMER S, WANG X.Objective Classification of Fabric Pilling Based on the Two-Dimensional Discrete Wavelet Transform[J].Textile Research Journal,2003,73(8):713-720.

[2]KANG T J, CHO D H, KIM S M. Objective Evaluation of Fabric Pilling Using Stereovision[J]. Textile Research Journal,2004,74(11):1013-1017.

[3]杜磊，李立輕，汪軍，等.幾種基于圖像自適應(yīng)閾值分割的織物疵點檢測方法比較[J].紡織學(xué)報,2014,35(6):56-61.

[4]PALMER S, ZHANG J, WANG X. Performance of an Objective Fabric Pilling Evaluation Method[J]. Textile Research Journal,2010,80(16):1648-1657.

[5]陳婷婷,程小平.采用模糊形態(tài)學(xué)和形態(tài)學(xué)分水嶺算法的圖像分割[J].西南大學(xué)學(xué)報(自然科學(xué)版),2008,30(3):142-145.

[6]張勇,馬俊,鄧中民.基于小波變換與形態(tài)學(xué)的織物毛球檢測[J].針織工業(yè),2015(3):64-66.

[7]REVOL C, JOURLIN M. A new minimum variance region growing algorithm for image segmentation[J]. Pattern Recognition Letters,1997,18(3):249-258.

[8]沈晶，楊學(xué)志.一種新的邊緣保持分水嶺的圖像分割算法[J].工程圖學(xué)學(xué)報.2009,30(5):80-88.

[9]張毅.分水嶺算法在圖像分割中的應(yīng)用研究[D].廣州:廣東工業(yè)大學(xué)，2013.

[10]徐奕奕，劉智琦，劉琦.基于改進的分水嶺算法圖像分割方法研究[J].計算機仿真.2011,28(9):272-274.

[11]朱志亮.基于膚色分割的人臉檢測與定位算法研究[D].南昌:江西師范大學(xué),2013.

DOI：10.13954/j.cnki.hdu.2016.03.014

收稿日期：2016-03-16

基金項目：溫州市公益性科技計劃資助項目(G20150018)

作者簡介：張俊平(1967-)，男，浙江東陽人，副教授，計算機應(yīng)用.

中圖分類號：TP391.41

文獻(xiàn)標(biāo)識碼：A

文章編號：1001-9146(2016)03-0068-05

Based on the Combination of Watershed Algorithm and Otsu Threshold Segmentation Method for the Fabric Pilling Detection

ZHANG Junping

(ZhejiangIndustry&TradeVocationalCollege,WenzhouZhejiang325000,China)

Abstract：Fabric pilling segmentation is one of the key steps in an objective evaluation of fabric pilling method research, and this is a very difficult problem and the segmentation result directly affects the precision of the objective evaluation. Aiming at this problem, this paper proposes the use of gradient-changed watershed segmentation algorithm for segmentation of fabric image, due to the over-segmentation phenomena caused by watershed algorithm, this paper further proposes the use of the threshold segmentation method for the segmentation of the watershed transform fabric pilling image. The experimental results show that the method can obtain satisfactory segmentation results.

Key words：power fabric image; fabric pilling; watershed algorithm; threshold segmentation