基于改進(jìn)亞像素邊緣提取的一種異性纖維檢測方法*

黨士許　李　磊　張志鴻

(鄭州大學(xué)信息工程學(xué)院　鄭州　450001)

?

基于改進(jìn)亞像素邊緣提取的一種異性纖維檢測方法*

黨士許李磊張志鴻

(鄭州大學(xué)信息工程學(xué)院鄭州450001)

摘要為了提高異性纖維檢測的時(shí)效、精確性,降低誤檢率,論文提出一種基于改進(jìn)的亞像素邊緣檢測技術(shù)上的異性纖維檢測方法,首先以多結(jié)構(gòu)元素的改進(jìn)的形態(tài)學(xué)算子對采集的圖像進(jìn)行像素級邊緣提取,然后利用三鄰域的非極大值抑制方法抑制初步提取時(shí)膨脹的邊緣以及去除誤檢測的小范圍棉花邊緣,最后使用基于Zernike矩的亞像素邊緣檢測方法進(jìn)行亞像素級細(xì)化檢測。通過實(shí)驗(yàn)驗(yàn)證,文中的方法對各種常見噪聲都具有抗噪濾噪能力強(qiáng)、計(jì)算速度快等優(yōu)點(diǎn),能夠快速準(zhǔn)確地識別高速棉流中的異性纖維,滿足生產(chǎn)中異性纖維揀出的性能需求。

關(guān)鍵詞棉花異性纖維; 數(shù)學(xué)形態(tài)學(xué); 非極大值抑制; 亞像素; 邊緣檢測; Zernike矩

Class NumberTP391.41

1　引言

棉花由于采摘、運(yùn)輸?shù)冗^程中的問題,往往存在各種異性纖維,其目標(biāo)小、種類多,早期的棉紡行業(yè)中主要采用人工分揀法剔除異性纖維,檢測結(jié)果主要依賴于分揀人員的主觀意向,而且人工成本較高,人員的效率也是一個(gè)問題[1]。近年來機(jī)器視覺相關(guān)領(lǐng)域的高速發(fā)展,利用機(jī)器視覺相關(guān)技術(shù)在開松棉花的過程中對高速棉流進(jìn)行異性纖維檢測的方法逐漸發(fā)展。各國的相關(guān)領(lǐng)域?qū)＜覍W(xué)者對于圖像識別技術(shù)在棉花異性纖維分揀中的應(yīng)用都有所研究,這些研究的早期檢測技術(shù)大多采用基于色差分析的方法或者采用灰度閾值法識別目標(biāo)進(jìn)行檢測定位[2],此種方法需要分析大量數(shù)據(jù),效率低下、誤檢率也較高,對于目前越來越追求高速高精度的檢測,適用性不高。隨后,丁天懷等選用紅外光源照明,根據(jù)棉纖維與異性纖維的紅外波段吸收特性來實(shí)現(xiàn)異性纖維識別,但其硬件需求復(fù)雜不易實(shí)現(xiàn)[3];李國輝等提出了基于不規(guī)則成像機(jī)器視覺的棉花白色異性纖維檢測算法,對于白色纖維識別效果較好,但是有一定的局限性,在擴(kuò)展到其他種類異性纖維上存在困難[4]。而隨著圖像處理技術(shù)中邊緣檢測技術(shù)的突飛猛進(jìn),使用邊緣檢測相關(guān)技術(shù)實(shí)現(xiàn)異性纖維檢測迅速發(fā)展起來,林寧等的基于數(shù)字圖像處理的棉花異性纖維檢測研究,利用拉普拉斯算子相關(guān)進(jìn)行處理,但拉普拉斯算子實(shí)現(xiàn)較為復(fù)雜,且對部分其他類型異性纖維處理效果不明顯[5]。因此為了實(shí)現(xiàn)在各類異性纖維檢測中都有較好的結(jié)果、降低棉花錯(cuò)誤分檢率,同時(shí)更要易于實(shí)現(xiàn),本文提出了在一種改進(jìn)的亞像素邊緣檢測技術(shù)上的異性纖維檢測方法。

2　多結(jié)構(gòu)元素形態(tài)學(xué)預(yù)處理

2.1形態(tài)學(xué)邊緣檢測算子

數(shù)學(xué)形態(tài)學(xué)是一種非線性的圖像處理理論,以幾何學(xué)為基礎(chǔ),著重研究圖像的幾何結(jié)構(gòu),利用一定形態(tài)的結(jié)構(gòu)元素來度量和提取圖像中對應(yīng)的幾何結(jié)構(gòu)[6]。較傳統(tǒng)的算法,形態(tài)學(xué)變換操作簡單,運(yùn)算快并且,數(shù)學(xué)形態(tài)學(xué)算子能在不破壞圖像原有信息的基礎(chǔ)上濾除噪聲,這非常有利于進(jìn)行圖像分析,包括邊緣檢測[7]。

數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算包括膨脹(⊕)、腐蝕(Θ)和開(°)、閉(·),在這些運(yùn)算上產(chǎn)生了3種典型的數(shù)學(xué)形態(tài)學(xué)邊緣檢測算子[8]:腐蝕型邊緣提取算子、膨脹型邊緣提取算子、膨脹腐蝕型邊緣提取算子,這三種算子都是一種非線性差分算子,但是處理圖像之后依然會有噪聲存在。

對于形態(tài)學(xué)算子的改進(jìn),楊述斌等提出了一種改進(jìn)的形態(tài)學(xué)邊緣檢測算子,假設(shè)E為結(jié)構(gòu)元素,B為灰度圖像,R為邊緣提取結(jié)果[9]:

R(B)=(E°B)⊕E-(E·B)ΘE

(1)

這種形態(tài)學(xué)算子已經(jīng)有了較好的效果,可以有效抑制噪聲,但是由于隨機(jī)噪聲的不確定性,檢測結(jié)構(gòu)元素單一并不能產(chǎn)生很好的效果,魏本征等在此基礎(chǔ)上提出了一種使用十字形和交叉形兩種形態(tài)學(xué)結(jié)構(gòu)元素,然后進(jìn)行加權(quán)組合的改進(jìn)形態(tài)學(xué)梯度濾波算子[10]:

R1(B)=(E1°B)⊕E1-(E1·B)ΘE1

(2)

R2(B)=(E2°B)⊕E2-(E2·B)ΘE2

(3)

R(B)=α1R1(B)+α2R2(B)α1,α2為加權(quán)系數(shù)

(4)

2.2多結(jié)構(gòu)元素改進(jìn)形態(tài)學(xué)算子

在實(shí)際應(yīng)用中,在生產(chǎn)環(huán)境下通過高速線陣3 CMOS(Complementary Metal Oxide Semiconductor)相機(jī)對高速棉流大量采樣,共采樣含有異性纖維的圖片22000余張,通過對圖片分析可以發(fā)現(xiàn)高速棉流中異性纖維的形態(tài)、結(jié)構(gòu)等是多種多樣的,較為普遍的異性纖維見圖1。

圖1　異性纖維形態(tài)圖

魏本征等采用的兩種形態(tài)學(xué)結(jié)構(gòu)元素對形態(tài)學(xué)梯度濾波算子進(jìn)行的改進(jìn),在這種情況下僅能適用于異性纖維呈現(xiàn)線性形態(tài)的幾種異性纖維形態(tài),對于一些非線性形態(tài)的幾種異性纖維的檢測效果不好,本文對其改進(jìn)形態(tài)學(xué)算子做了進(jìn)一步的改進(jìn),使算法具有更好的適用性。

本文考慮對結(jié)構(gòu)元素從多結(jié)構(gòu)、多尺度及多方向這三個(gè)方面來進(jìn)行改進(jìn):對于結(jié)構(gòu)元素的選取,應(yīng)該盡可能使結(jié)構(gòu)元素和圖像待測形狀相似,但是要小于待檢測異性纖維的大小;結(jié)構(gòu)元素的尺寸應(yīng)該大于噪聲大小,尺度也不能太大,因?yàn)榻Y(jié)構(gòu)元素的尺度正比于檢測時(shí)間;同時(shí)使用多種結(jié)構(gòu)元素進(jìn)行組合增加檢測到的細(xì)節(jié),考慮到待測物的方向各異,選取的結(jié)構(gòu)元素應(yīng)考慮到方向性。最終測試使用三個(gè)結(jié)構(gòu)元素,一個(gè)水平向E1、一個(gè)垂直向E2和一個(gè)近似空心圓形結(jié)構(gòu)元素E3:

(5)

分別使用三個(gè)結(jié)構(gòu)元素E1、E2、E3代入式(2)進(jìn)行運(yùn)算之后,對運(yùn)算后得到的三個(gè)結(jié)果R1(B)、R2(B)、R3(B)賦予不同的權(quán)值α1、α2、α3之后,進(jìn)行加權(quán)的融合計(jì)算,通過計(jì)算之后可以得到像素級的形態(tài)學(xué)邊緣矩陣R(B):

R(B)=α1R1(B)+α2R2(B)+α3R3(B)

(6)

其中,α1,α2,α3為加權(quán)系數(shù)。

3　三鄰域非極大值抑制

使用形態(tài)學(xué)相關(guān)的算子進(jìn)行處理之后,必然會產(chǎn)生檢測到的異性纖維邊緣輪廓有一定的膨脹,這是由于形態(tài)學(xué)的基礎(chǔ)理論使然;同時(shí),在采樣過程中,高速棉流圖像會出現(xiàn)與背景融合度不高的現(xiàn)象,造成棉流圖像的邊緣值較大,在使用多結(jié)構(gòu)元素形態(tài)學(xué)方法初步提取像素級邊緣時(shí)可能會將部分高速棉流的邊緣檢測出來,這樣會造成異性纖維的誤檢測。為了得到準(zhǔn)確的異性纖維邊緣,剔除誤檢測的小部分棉流邊緣,因此需要對初步提取到的形態(tài)學(xué)邊緣矩陣進(jìn)行一定的處理,然后才能進(jìn)行最后的細(xì)化檢測。

N鄰域的非極大值抑制處理可以有效地應(yīng)對存在偽邊緣的情況,由于已經(jīng)提前做了一定的處理,一維的3鄰域的非極大值抑制對形態(tài)學(xué)邊緣矩陣進(jìn)行處理就可以實(shí)現(xiàn)很好的效果。假定形態(tài)學(xué)邊緣矩陣為I(W,H),式中W為圖像矩陣寬度,H為圖像矩陣高度,Temp(W,H)為臨時(shí)數(shù)據(jù)矩陣,則如果當(dāng)前點(diǎn)I(i,j)的值大于左側(cè)的點(diǎn)I(i,j-1)以及右側(cè)的點(diǎn)I(i,j+1),則該點(diǎn)為極大值點(diǎn);如果當(dāng)前點(diǎn)I(i,j)不滿足同時(shí)大于左側(cè)的點(diǎn)I(i,j-1)以及右側(cè)的點(diǎn)I(i,j+1),當(dāng)前點(diǎn)不為極大值點(diǎn),則將其對應(yīng)臨時(shí)矩陣的值進(jìn)行抑制。3鄰域模板如下:

圖2　3鄰域模板

對形態(tài)學(xué)邊緣矩陣為I(W,H)進(jìn)行3鄰域非極大值抑制算法如下:

算法11D 3鄰域非極大值抑制

i←1,j←1;

whilei

ifI(i,j)>I(i,j+1) then

ifI(i,j)>I(i,j-1) then

Maximum At(I(i,j));

Temp(i,j)←I(i,j);

Temp(i,j+1)←0;

j=j+2;

else

Temp(i,j)←0;

Temp(i,j+1)←0;

j=j+2;

else

Temp(i,j)←0;

j=j+1;

經(jīng)過3鄰域非極大值抑制的方法,對于零星的檢測到的邊緣點(diǎn)進(jìn)行抑制,同時(shí)對膨脹的邊緣輪廓也進(jìn)行了抑制,這樣重新產(chǎn)生一個(gè)包含邊緣信息的圖像矩陣,然后再進(jìn)行亞像素級的檢測,就可以避免局部的零星高速棉流的邊緣,有效降低檢測的誤差。

4　亞像素級邊緣檢測

在進(jìn)行過三鄰域非極大值抑制后,進(jìn)行亞像素級邊緣檢測,獲取更細(xì)化精確的邊緣結(jié)果。亞像素級的邊緣檢測方法中綜合考慮到執(zhí)行的時(shí)效性和計(jì)算量,基于矩的方法中Zernike矩效果較為理想。

Zernike矩具有正交性,計(jì)算量較小,基于Zernike矩的亞像素邊緣檢測主要利用了Zernike矩的旋轉(zhuǎn)不變性,通過三個(gè)Zernike矩Z00、Z11以及Z20計(jì)算出在理想邊緣模型下檢測邊緣所需的4個(gè)參數(shù):背景灰度值h、躍階高度k、圓盤中心到邊緣的垂直距離l和垂線與x軸的夾角φ[11]。

圖3　理想邊緣模

離散情況下7*7的Zernike矩Z00、Z11以及Z20的模板系數(shù)計(jì)算結(jié)果見表1～表4[12]。

表1　Z00的模板M00

表2　Z11實(shí)數(shù)模板M11

表3　Z11的虛數(shù)模板1

表4　Z20的模板M20

5　實(shí)驗(yàn)與結(jié)果分析

采樣環(huán)境:在多家棉紡織廠區(qū)內(nèi),采用3 CMOS線陣相機(jī),線速率為16180 Line/s,采樣圖像位寬3*8 bit,采樣圖片大小4096*50 pixel,使用標(biāo)準(zhǔn)Camlink接口連接圖像采集卡進(jìn)行圖像存儲。

實(shí)驗(yàn)環(huán)境為:Windows 7操作系統(tǒng);CPU:Intel Core i5-3470 3.2GH;內(nèi)存:4GB。

為了驗(yàn)證改進(jìn)方法在檢測異性纖維上的性能,使用Matlab R2012b編寫相關(guān)算法,對采樣得到的圖片進(jìn)行兩組實(shí)驗(yàn)。

5.1檢測效果

分別進(jìn)行了三組實(shí)驗(yàn)進(jìn)行對比檢測,驗(yàn)證改進(jìn)方法在各方面的效果。

第一組實(shí)驗(yàn)主要對比改進(jìn)的形態(tài)學(xué)算子在處理噪聲方面的效果,分別使用傳統(tǒng)的Canny邊緣檢測算法、基于空間矩的亞像素邊緣檢測方法以及本文的改進(jìn)形態(tài)學(xué)方法。

為了驗(yàn)證改進(jìn)方法抗噪、濾噪的性能,首先對采樣得到現(xiàn)場圖片,分別添加了各種噪聲,由于原圖較大,取高速棉流中異性纖維相關(guān)部分放大如圖4所示。

圖4　高速棉流中異性纖維部分放大圖片

檢測效果如圖5所示。

圖5　對椒鹽噪聲檢測效果對比圖

對于加入椒鹽噪聲的圖像,傳統(tǒng)的Canny算法檢測的效果受到噪聲的影響較大,檢測到較多的噪點(diǎn),沒有檢測到清晰的異性纖維邊緣;基于空間矩的亞像素方法已經(jīng)能夠檢測到異性纖維邊緣了,但是存在較多的噪點(diǎn),噪點(diǎn)數(shù)目相對Canny算法有所減小;本文的改進(jìn)形態(tài)學(xué)算子處理之后的檢測效果不受椒鹽噪聲的影響,能夠檢測出清晰的異性纖維的邊緣形狀。

圖6　對高斯噪聲檢測效果對比圖

對于加入高斯噪聲的圖像,Canny算法檢測的效果受到高斯噪聲的影響很大,沒有檢測到邊緣的存在,檢測結(jié)果沒有意義;基于空間矩的亞像素方法也受到了高斯噪聲的一定影響,檢測到模糊的邊緣,噪點(diǎn)存留過多;本文的改進(jìn)形態(tài)學(xué)算子處理之后的檢測效果受到高斯噪聲微弱影響,能夠檢測出清晰的異性纖維的邊緣形狀,但留存有少量的噪點(diǎn)。

圖7　顆粒噪聲檢測效果對比圖

對于加入顆粒噪聲的圖像,Canny算法檢測的效果圖像模糊,沒有發(fā)現(xiàn)檢測到的邊緣;基于空間矩的亞像素方法檢測到的邊緣一側(cè)模糊、不連續(xù),存在大量噪點(diǎn);本文的改進(jìn)形態(tài)學(xué)算子處理之后的檢測效果在處理顆粒噪聲上相較其他方法有較好的效果,但是也檢測到了部門噪點(diǎn),且邊緣連續(xù)性一般。

綜合第一組對于三種不同噪聲的檢測效果對比圖,可以驗(yàn)證多結(jié)構(gòu)元素的改進(jìn)性形態(tài)學(xué)算子在異性纖維檢測中對于各類噪聲都有很好的抗噪、濾噪能力,能夠有效地提高后續(xù)異性纖維邊緣細(xì)化檢測的效果。

第二組實(shí)驗(yàn)主要目的驗(yàn)證三鄰域非極大值抑制方法在消除噪點(diǎn)以及收縮形態(tài)學(xué)處理中膨脹邊緣的效果,以添加了2%椒鹽噪聲之后的圖片作為處理對象,在第一步處理中全部使用了改進(jìn)的形態(tài)學(xué)算子,第二步進(jìn)行區(qū)分,圖8(a)不使用三鄰域的非極大值抑制,直接進(jìn)行亞像素級邊緣檢測,圖8(b)使用了分別使用了三鄰域的非極大值抑制后再進(jìn)行亞像素級邊緣檢測。

最終的檢測結(jié)果如圖8所示。

圖8第二組檢測效果圖

分析第二組效果圖中圖8(a)可以發(fā)現(xiàn),在未經(jīng)過三鄰域非極大值抑制時(shí),檢測到的邊緣圖像相對與圖8(b)有明顯的膨脹,邊緣周邊及內(nèi)部存在有離散的邊緣點(diǎn),而且圖像中存在少量零星的噪點(diǎn);圖8(b)中的邊緣則較為清晰,較為連續(xù),沒有噪點(diǎn)的存在。因此可以驗(yàn)證三鄰域的非極大值抑制在異性纖維邊緣檢測過程中有較好的抑制膨脹邊緣以及噪點(diǎn)的效果。

綜合以上兩組實(shí)驗(yàn),改進(jìn)性的方法在檢測過程中結(jié)合多結(jié)構(gòu)元素的改進(jìn)形態(tài)學(xué)算子和三鄰域非極大值抑制,再進(jìn)行亞像素級邊緣檢測,最后檢測到的異性纖維的邊緣形狀基本吻合實(shí)際異性纖維形狀、輪廓清晰,檢測效果很好。通過對大量檢測結(jié)果的統(tǒng)計(jì)對比,在高速棉流中對異性纖維的誤檢率較低。

5.2時(shí)間效率

在算法的執(zhí)行時(shí)間效率上,對多副圖像分別使用了以下幾種算法執(zhí)行檢測,傳統(tǒng)的Canny算法使用Matlab內(nèi)置函數(shù),基于空間矩的亞像素檢測使用Spatial 5*5的模板進(jìn)行,最小二乘法擬合通過編程實(shí)現(xiàn),通過多次運(yùn)行統(tǒng)計(jì)出每種算法的平均執(zhí)行時(shí)間,比對如表5所示。

表5　幾種邊緣檢測算法對比

從表中可以發(fā)現(xiàn),本文的方法在執(zhí)行時(shí)間上與基于空間矩的方法時(shí)間上相差較小,但是本文的方法檢測效果要優(yōu)于基于空間矩的檢測方法;對比其他算法,在時(shí)間效率上具有優(yōu)勢,較其他方法的檢測時(shí)間短。本文這種方法的時(shí)間效率在實(shí)際的工業(yè)應(yīng)用中也是可以接受的。

6　結(jié)語

本文通過分析高速棉流中的異性纖維的形態(tài),針對性的研究出三個(gè)不同的形態(tài)學(xué)結(jié)構(gòu)元素融合進(jìn)行改進(jìn)的形態(tài)學(xué)邊緣檢測算子,然后再經(jīng)過三鄰域的非極大值抑制的方法抑制形態(tài)學(xué)檢測后的膨脹邊緣以及去除初步檢測中的檢測誤差產(chǎn)生的噪點(diǎn),最后使用了基于Zernike矩的亞像素檢測方法進(jìn)行亞像素級的邊緣檢測。經(jīng)過實(shí)驗(yàn)驗(yàn)證這種改進(jìn)的處理方法十分有效,很好地結(jié)合了改進(jìn)的形態(tài)學(xué)算子與非極大值抑制、Zernike矩的優(yōu)點(diǎn),具備了較強(qiáng)的抗噪性,計(jì)算量較小且又具有亞像素級的精確定位能力,檢測出的異性纖維邊緣較為準(zhǔn)確,對于異性纖維的誤檢率較低。

本文的檢測方法也有一定的局限性,這種檢測方法對于硬件環(huán)境有一定的要求,高速相機(jī)在采圖中使用的背景板要求與棉花的圖像融合度比較高,可以考慮在后續(xù)的改進(jìn)中加入FPGA芯片進(jìn)行一定的圖像處理,去除對采圖環(huán)境的外界依賴。

參 考 文 獻(xiàn)

[1] 趙龍河.紡紗過程中撿除異性纖維的生產(chǎn)實(shí)踐[J].上海紡織科技,2013,41(5):7-9.

ZHAO Longhe. The production practice of picking foreign fibers in the spinning process[J]. Shanghai Textile Science & Technology,2013,41(5):7-9.

[2] 楊文柱,李道亮,魏新華,等.棉花異性纖維圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(3):156-160,171.

YANG Wenzhu, LI Daoliang, WEI Xinhua, et al. Foreign cotton fiber image segmentation method[J]. Transactions of the Chinese Society of Agricultural,2009,40(3):156-160,171.

[3] 李國輝,蘇真?zhèn)?夏心怡,等.基于不規(guī)則成像機(jī)器視覺的棉花白色異性纖維檢測算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(5):164-167.

LI Guohui, SU Zhenwei, XIA Xinyi, et al. The whit e foreign cotton fiber detection based on irregular imaging machine vision[J]. Transactions of the Chinese Society of Agricultural,2010,41(5):164-167.

[4] 師紅宇,管聲啟,吳寧.棉花中異性纖維的圖像多分辨率差分檢測方法[J].紡織學(xué)報(bào),2014,35(5):13-18.

SHI Hongyu, GUAN Shengqi, WU Ning. The multi-resolution image difference detection method of foreign cotton fiber[J]. Journal of Textile Research,2014,35(5):13-18.

[5] 劉鋒,蘇真?zhèn)?喬麗.基于線激光截面成像的棉花白色異性纖維檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(3):215-218,256.

LIU Feng, SU Zhenwei, QIAO Liang. The white foreign cotton fiber detection method based on line laser cross-sectional imaging[J]. Transactions of the Chinese Society of Agricultural,2013,44(3):215-218,256.

[6] 張美靜,石振剛.改進(jìn)形態(tài)學(xué)梯度的樣條插值亞像素邊緣檢測方法[J].沈陽理工大學(xué)學(xué)報(bào),2012,31(3):19-23.

ZHANG Meijing, SHI Zhengang. Improved morphological gradient spline interpolation sub-pixel edge detection method[J]. Journal of Shenyang Li Gong University,2012,31(3):19-23.

[7] 閆麗麗,許長輝,高井祥,等.基于數(shù)學(xué)形態(tài)學(xué)細(xì)化算子的改進(jìn)Canny算法研究[J].測繪科學(xué),2010,35(2):82-84.

YAN Liangliang, XU Changhui, GAO Jingxiang, et al. The improve Canny algorithm based on refinement operators of mathematical morphology[J]. Science of Surveying and Mapping,2010,35(2):82-84.

[8] 范立南,張廣淵,韓曉微.圖像處理與模式識別[M].北京:科學(xué)出版社,2007:55-94.

FAN Linan, ZHANG Guangyuan, HAN Xiaowei. Image Processing and Pattern Recognition[J]. Beijing: Science Press,55-94.

[9] 李雪林,彭斯俊,宋曉麗.基于彩色形態(tài)學(xué)的圖像邊緣檢測算法[J].武漢理工大學(xué)學(xué)報(bào):信息與管理工程版,2014,36(1):14-17,24.

LI Xuelin, PENG Sijun, SONG Xiaoli. The image edge detection algorithm based on color morphological[J]. Journal of Wuhan University of Technology: Information and Management Engineering Edition,2014,36(1):14-17,24.

[10] 魏本征,趙志敏,華晉.基于改進(jìn)形態(tài)學(xué)梯度和Zernike矩的亞像素邊緣檢測方法[J].儀器儀表學(xué)報(bào),2010,31(4):838-844.

WEI Benzheng, ZHAO Zhimin, HUA Jin. The subpixel edge detection method based on improved morphological gradient and Zernike moments[J]. Chinese Journal of Scientific Instrument,2010,31(4):838-844.

[11] 許光明,吳昭,周春蘭,等.基于視覺的零件尺寸測量[J].工業(yè)控制計(jì)算機(jī),2015,28(4):111-113.

XU Guangming, WU Zhao, ZHOU Chunlan, et al. The measurement of part dimensions based on machine vision[J]. Industrial Control Computer,2015,28(4):111-113.

[12] 張美靜.亞像素邊緣檢測技術(shù)研究[D].沈陽:沈陽理工大學(xué),2013.

ZHANG Meijing. Subpixel edge detection technology research[D]. Shenyang: Shenyang LiGong University,2013.

收稿日期:2015年10月13日,修回日期:2015年12月3日

作者簡介:黨士許,男,碩士研究生,研究方向:智能化信息處理。李磊,男,博士,研究方向:計(jì)算機(jī)網(wǎng)絡(luò)。張志鴻,男,教授,研究方向:智能化信息處理。

中圖分類號TP391.41

DOI:10.3969/j.issn.1672-9722.2016.04.008

A Foreign Fiber Detection Method Based on an Improved Sub Pixel Edge Detection

DANG ShixuLI LeiZHANG Zhihong

(College of Information Engineering, Zhengzhou University, Zhengzhou450001)

AbstractTo improve the accuracy of detecting foreign fibers and the time efficiency, reduce the false detection rate, a foreign fiber detection method based on improved sub pixel edge detection is proposed. At first the captured images from camera is preprocessed through an improved morphology operator, acquire preliminary marginal texture detailed images on the pixel level. Then three neighborhood non-maximum suppression method is used to remove small area cotton edge with detection errors. Finally thinning detection is conducted by sub pixel edge detection method based on Zernike moment. The experiment proves that this method has powerful noise resistance and denoising ability, fast calculation and other advantages, it can quickly and accurately identify foreign fiber in high-speed cotton flow and meet the performance requirements in actual production.

Key Wordscotton foreign fiber, morphology, sub pixel, non-maximum suppression, edge detector, Zernike moment