基于顯微光學(xué)切片方法的織物絨毛深度信息獲取

余靈婕， 王榮武

(1.西安工程大學(xué) 紡織科學(xué)與工程學(xué)院， 陜西 西安 710048；2.東華大學(xué) 紡織學(xué)院， 上海 201620)

織物在洗滌、測(cè)試及服用過程中，面料之間的相互摩擦使得織物表面易于產(chǎn)生絨毛進(jìn)而形成毛球?？椢锏钠鹈鹎蛞恢币詠矶际怯绊懣椢镄阅艿囊粋€(gè)重要問題。傳統(tǒng)的人工評(píng)級(jí)方法存在結(jié)果穩(wěn)定性低、測(cè)試人員易受外界因素干擾、效率低下等問題。隨著圖像處理技術(shù)的引入，織物起毛起球等級(jí)的客觀評(píng)定取得了很大的進(jìn)展。

目前利用圖像處理自動(dòng)評(píng)價(jià)織物起毛起球的研究對(duì)象主要包括二維灰度圖像和三維激光掃描圖像。此外，文獻(xiàn)[1]通過自制圖像采集裝置，間接得到織物的三維圖像。在二維灰度圖像上進(jìn)行毛球檢測(cè)的基本方法為利用灰度閾值分割毛球和織物表面[2-4]，這容易受到織物表面紋理和花紋的干擾。文獻(xiàn)[5]研究發(fā)現(xiàn)，面料的組織結(jié)構(gòu)是具有周期性規(guī)律的，適合變換至頻率域中進(jìn)行分析。因此，部分學(xué)者首先將二維灰度圖像轉(zhuǎn)化至頻率域空間，然后在頻率域中過濾周期性的組織結(jié)構(gòu)，保留離散的毛球，進(jìn)而提取毛球的特征參數(shù)，最終評(píng)定織物起毛起球等級(jí)[6-8]。然而，頻率域變換并未解決不規(guī)則花紋對(duì)織物的干擾問題，且無法提取到毛球的高度信息[9]。因此，學(xué)者們采用激光掃描織物表面獲得三維信息，以對(duì)織物的起毛起球性能進(jìn)行評(píng)定[10-12]。由于激光探頭需要不停地在采集平臺(tái)上進(jìn)行地毯式移動(dòng)，因此激光掃描儀對(duì)織物圖像的采集速度遠(yuǎn)遠(yuǎn)不如光學(xué)攝像頭，此外，激光掃描儀設(shè)備昂貴，實(shí)用價(jià)值和經(jīng)濟(jì)價(jià)值遠(yuǎn)不如攝像頭。

部分學(xué)者借鑒醫(yī)學(xué)切片的多層掃描思路，提出了“顯微光學(xué)切片”的方法，即在光學(xué)顯微鏡下，通過垂直移動(dòng)物鏡拍攝不同聚焦位置下的目標(biāo)，得到不同深度的序列圖像，利用聚焦獲得深度(depth from focus)技術(shù)進(jìn)行深度測(cè)算[13-15]?！帮@微光學(xué)切片”的方法解決了光學(xué)攝像頭采集的二維圖像丟失織物表層深度信息的問題，本文借助該思想，探索了由序列二維圖像測(cè)算織物表層深度信息的方法，以便后續(xù)的毛球識(shí)別與評(píng)級(jí)。

1 同軸序列圖像采集

1.1 圖像采集裝置搭建

本文構(gòu)建的檢測(cè)系統(tǒng)由全自動(dòng)顯微鏡、光源部分、圖像采集設(shè)備(如圖1所示)和內(nèi)置數(shù)字圖像處理軟件的PC機(jī)4個(gè)部分構(gòu)成。顯微鏡自帶可調(diào)亮鹵素?zé)?2 V/20 W。針對(duì)顯微鏡硬件平臺(tái)的特殊要求，設(shè)計(jì)了環(huán)狀光源(見圖1)的前向照明裝置，環(huán)狀燈通過螺絲固定在織物物鏡上，在織物上方提供均勻的光源。

1.2 圖像采集過程及參數(shù)設(shè)定

采集多圖層圖像時(shí)，計(jì)算機(jī)控制載物平臺(tái)沿一定步長(zhǎng)垂直移動(dòng)，CCD攝像機(jī)采集圖像并通過串口傳輸至計(jì)算機(jī)，圖像處理軟件實(shí)時(shí)處理收集的圖像數(shù)據(jù)。采集并處理完一個(gè)視野后，計(jì)算機(jī)控制載物平臺(tái)沿x軸方向或y軸方向移動(dòng)一定步長(zhǎng)至下一視野，繼續(xù)采集及圖層處理。經(jīng)試驗(yàn)，圖像采集參數(shù)的設(shè)定如表1所示。

圖1 圖像采集裝置Fig.1 Automatic image capture device

參數(shù)設(shè)定值電機(jī)沿x軸方向移動(dòng)單步距離/步長(zhǎng)670電機(jī)沿y軸方向移動(dòng)單步距離/步長(zhǎng)1 250電機(jī)沿z軸方向移動(dòng)單步距離/步長(zhǎng)60采集序列圖層數(shù)量61

1.3 序列圖層采集實(shí)例

起毛起球等級(jí)為4級(jí)的棉纖維織物樣本部分源圖層的光學(xué)顯微鏡圖(圖像大小為800像素×600像素)如圖4所示。依照設(shè)定參數(shù)，共采集61幅圖層，圖4中各分圖圖題表示該圖層的序列編號(hào)。從圖4中可以看出，經(jīng)顯微鏡放大后采集的圖像中的絨毛能夠清晰成像。由于毛球?qū)嶋H為絨毛的集聚體，后續(xù)算法的研究均為絨毛層面，因此下文的表述皆用絨毛來代替毛球和絨毛。

圖2 采集的部分源圖層Fig.2 Part of captured layers of images

2 序列圖像去噪

在測(cè)算深度值之前，應(yīng)對(duì)采集的序列圖層進(jìn)行去噪平滑處理，盡量保持源圖像邊緣信息的前提下平滑掉噪聲。本文采用均值濾波、高斯濾波和中值濾波這3種去噪方式。織物樣本的序列圖層經(jīng)3種方法濾波后的去噪效果如圖3所示。

(a) 去噪前

(b) 均值濾波去噪

(c) 高斯濾波去噪

(d) 中值濾波去噪

Fig.3Filteringperformanceofthreefilteringmethods

從圖3中可以看出，圖層未經(jīng)預(yù)處理重建的深度圖像干擾噪點(diǎn)較多，濾波后噪點(diǎn)大幅減少。本文采用峰值信噪比(FPSNR)及均方誤差(FMSE)來定量比較各濾波方式的效果。峰值信噪比越大、均方誤差越小，說明去噪圖像的失真越小。1～5級(jí)織物樣本的圖像去噪效果評(píng)價(jià)如表2所示。

表2 圖像去噪效果評(píng)價(jià)

從表2可以看出，經(jīng)中值濾波器后的圖像有最大峰值信噪比，并且有最小的均方誤差。這說明中值濾波器將源圖像的邊緣信息保留得最為完整，去噪后失真程度最小，因此本文選用中值濾波作為序列圖層的去噪工具。

3 織物表層深度信息重建

序列多焦面圖層經(jīng)去噪后，下一步的工作是測(cè)算每個(gè)平面位置(x，y)的深度z，并投射到灰度空間建立深度圖像。深度信息重建的具體流程為：計(jì)算各圖層所有像素點(diǎn)聚焦清晰程度，并將清晰度存入三維清晰矩陣M(n，W，H)；對(duì)于某一平面點(diǎn)(x，y)，在三維清晰矩陣中沿圖層深度方向?qū)ふ易畲笄逦?，并記錄于二維矩陣Mmax(W，H)中，同時(shí)將最清晰圖層的編號(hào)存入二維矩陣I(W，H)；最后，將每一平面位置的最清晰圖層編號(hào)[0，60]投射至灰度空間[0， 255]，輸出灰度圖像。清晰度最大模值矩陣的表示和計(jì)算方式為

(1)

3.1 清晰度評(píng)價(jià)函數(shù)

本文提出一種新的清晰度評(píng)價(jià)算法——基于自適應(yīng)區(qū)域選擇的區(qū)域梯度方差算法。假定S(x，y)為像素平面位置(x，y)的清晰度，Ω表示以(x，y)為中心的清晰度評(píng)價(jià)區(qū)域，g(i，j)為像素平面位置(i，j)的梯度，則S(x，y)可以表達(dá)為

(2)

式中：N為區(qū)域Ω內(nèi)的像素點(diǎn)個(gè)數(shù)；μ為區(qū)域內(nèi)所有像素的梯度平均值。

梯度g(x，y)采用一階微分Prewitt算子計(jì)算。計(jì)算各圖層每個(gè)像素點(diǎn)的清晰度后，將其寫入三維清晰度矩陣M(n，W，H)，具體表達(dá)為

M(i，x，y)=argSi(x，y)

(3)

3.2 清晰度評(píng)價(jià)區(qū)域的自適應(yīng)選擇

由于在圖像中像素點(diǎn)與有限范圍內(nèi)的像素具有深度相通性，因此本文提出“以點(diǎn)帶面”的思路，選取深度相似的一片區(qū)域來計(jì)算中心像素點(diǎn)的清晰度。為此，首先需建立一張包含織物表層完整深度信息的圖像，以此為基礎(chǔ)自適應(yīng)選取評(píng)價(jià)區(qū)域。評(píng)價(jià)區(qū)域的自適應(yīng)選擇算法流程如圖4所示。預(yù)重建深度圖像、提取的絨毛圖像以及去除小目標(biāo)及填充孔洞效果如圖5所示。

圖4 評(píng)價(jià)區(qū)域的自適應(yīng)選擇算法流程Fig.4 Flowchart for adaptive selection of sharpness evaluation region

(a) 預(yù)重建深度圖像

(b) 提取的絨毛圖像

(c) 去除小目標(biāo)及填充孔洞

填充孔洞后的深度圖像依據(jù)深度分解為4層子圖象，連通區(qū)域的邊界即為選擇清晰度評(píng)價(jià)區(qū)域的限制邊界，連通區(qū)域的半徑均值即為清晰度評(píng)價(jià)區(qū)域的預(yù)設(shè)半徑。4層子圖像分解及提取的限制邊界如圖6和7所示。

圖6 子圖象分解Fig.6 Sub-images of extracted fuzz

圖7 限制邊界Fig.7 Boundaries for diffusion

獲得預(yù)設(shè)半徑和限制邊界后，以待檢測(cè)清晰度的目標(biāo)像素為中心，采用逐步擴(kuò)散的方式自適應(yīng)獲取清晰度的評(píng)價(jià)區(qū)域。當(dāng)預(yù)設(shè)半徑為5時(shí)，目標(biāo)像素的限制邊界內(nèi)擴(kuò)散如圖8所示。

(a) 目標(biāo)像素點(diǎn)

(b) 第1次擴(kuò)散

(c) 第2次擴(kuò)散

(d) 第3次擴(kuò)散

(e) 第4次擴(kuò)散

(f) 第5次擴(kuò)散

3.3 深度重建實(shí)例

以圖2所示的4級(jí)織物樣本序列圖像為源圖像，獲取每一像素點(diǎn)深度值后投影至[0，255]灰度空間建立深度圖像。深度圖像中像素的灰度強(qiáng)度表示深度信息，灰度越深說明深度值越大。建立的深度圖像如圖9所示，該深度圖像包含了織物表面及絨毛的三維高度信息。從圖9中可以看出，絨毛的形態(tài)完整，與織物表面差異明顯，邊界清晰，這有利于后續(xù)對(duì)絨毛的提取和檢測(cè)。

圖9 深度圖像Fig.9 The depth image

3.4 試驗(yàn)分析

由于自然起毛起球的織物上絨毛的分布隨機(jī)且深度跨越較大，目前并沒有直接檢測(cè)織物上絨毛分布的方法，無法建立標(biāo)準(zhǔn)的面料深度圖像，故而難以驗(yàn)證深度重建算法的準(zhǔn)確性，因此設(shè)計(jì)了自制樣本。自制樣本的制作方法為：選取一塊未起毛起球的面料，從該織物中抽出1根纖維放置于同塊織物上。自制樣本上僅有一根絨毛，且是人為放置，因此其絨毛的數(shù)量、深度分布和位置是已知的，可以以此為目標(biāo)討論本文提出的深度重建算法的準(zhǔn)確性。選用3種常用的經(jīng)典清晰度評(píng)價(jià)函數(shù)(圖像熵、灰度方差、梯度)與本文提出的清晰度評(píng)價(jià)函數(shù)進(jìn)行對(duì)比。各清晰度評(píng)價(jià)函數(shù)建立的深度圖像如圖10所示。

(a) 基于圖像熵

(b) 基于圖像梯度

(c) 基于灰度方差

(d) 基于區(qū)域梯度方差(本文提出)

Fig.10Depthimagereconstructionbasedondifferentclarityevaluationmethod

從圖10可以看出:采用圖像熵清晰度評(píng)價(jià)建立的深度圖像幾乎看不出絨毛形態(tài)；梯度算法建立的深度圖像在深度較低區(qū)域能獲得較為完整的絨毛；灰度方差算法重建的深度圖像中絨毛邊界模糊，并且有多處絨毛斷裂；基于本文提出的清晰度評(píng)價(jià)方法得到的深度圖像中的深度變化與絨毛實(shí)際起伏一致，且絨毛形態(tài)完整、邊緣清晰。

由于利用多焦面序列圖層提取深度信息的算法為本文首次提出，目前尚未有客觀評(píng)價(jià)指標(biāo)，因此本文采用融合圖像的質(zhì)量評(píng)價(jià)指標(biāo)圖像信息熵(RIE)、交互信息量(RIM)、平均梯度(RAG)來表征4種清晰度評(píng)價(jià)函數(shù)的客觀評(píng)價(jià)。4種清晰度評(píng)價(jià)方法的客觀評(píng)價(jià)效果如表3所示。

表3 清晰度指標(biāo)評(píng)價(jià)

從表3中可以看出，本文提出的清晰度評(píng)價(jià)方法獲得了最大交互信息和圖像信息熵，說明該方法建立的融合圖像能最大程度保留源圖層的信息，同時(shí)，基于灰度方差的清晰度評(píng)價(jià)函數(shù)建立的融合圖像在平均梯度上表現(xiàn)最佳。

本文方法與灰度方差算法分別建立的融合圖像局部放大圖如圖11所示。從圖11中可以看出，基于灰度方差算法的圖像銳度更大，邊界更清晰，然而噪點(diǎn)較多，且絨毛位置有一處斷裂。因此本文提出的算法雖然邊界銳度不如灰度方差，但是抗噪能力更強(qiáng)，測(cè)算的像素點(diǎn)清晰度也更準(zhǔn)確。

(a) 基于區(qū)域梯度方差

(b) 基于灰度方差

4 結(jié) 論

(1) 提出了基于顯微光學(xué)切片的深度重建方法，利用顯微鏡采集的序列多層圖像測(cè)算織物表層的深度信息，實(shí)現(xiàn)了在光學(xué)攝像頭下對(duì)織物表面及絨毛和毛球高度的獲取，為后續(xù)絨毛的分割和檢測(cè)提供了深度數(shù)據(jù)。

(2) 選用了均值濾波、高斯濾波和中值濾波對(duì)所有圖層進(jìn)行去噪預(yù)處理，并采用峰值信噪比(FPSNR)和均方誤差(FMSE)比較各方法的去噪效果。結(jié)果顯示中值濾波能更多地保留源圖像的邊緣。

(3) 深度信息獲取的基本思路為建立三維清晰模值矩陣，并求取清晰極值點(diǎn)的圖層位置以此測(cè)算織物表面深度。通過將本文提出的算法與圖像信息熵、灰度方差和圖像梯度進(jìn)行比較，試驗(yàn)結(jié)果表明，本文提出的清晰度評(píng)價(jià)方法不僅能準(zhǔn)確測(cè)量像素點(diǎn)清晰度，且抗噪能力強(qiáng)。