基于邊界跟蹤測量麻纖維橫截面參數(shù)的算法研究與應(yīng)用

張錚燁， 辛斌杰， 鄧 娜， 陳 陽， 邢文宇

(1. 上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院， 上海 201620； 2. 上海工程技術(shù)大學(xué) 服裝學(xué)院， 上海 201620)

纖維圖像分析技術(shù)是用計算機圖像處理和分析技術(shù)對纖維圖像進行特征分析和測量的一種數(shù)字化表征手段，目前被廣泛應(yīng)用于紡織行業(yè)中的纖維質(zhì)量檢驗。由于用纖維的二值圖像提取特征參數(shù)更加方便和準確[1-3]，所以多年來學(xué)者大都通過改進預(yù)處理效果、閾值分割算法來增加閾值分割的精度[4-6]，其中：吳兆平等[7]利用最大熵二值化獲取良好的羊毛纖維橫截面圖像，然后進行參數(shù)提??；徐步高等[8]在原有圖像分割算法的基礎(chǔ)上提出了雙閾值分割算法，通過融合高閾值和低閾值圖像提高閾值分割的精準度；陶偉森等[9]通過提輪廓處理提取羊毛、羊絨纖維的紋理特征和形狀特征。

綜上所述，研究者通常借助纖維二值圖像進行纖維的表征和識別，纖維幾何特征可通過纖維二值圖像分析方法提取相關(guān)信息[10-12]。纖維的輪廓外型及形態(tài)的準確測量對于纖維品種的鑒別至關(guān)重要[13-15]。因預(yù)處理會影響纖維邊緣的真實性，故本文將纖維橫截面原圖像灰度化后，用邊緣檢測算子直接提取纖維橫截面邊緣，在此基礎(chǔ)上進行纖維橫截面的周長和面積的計算[16]，有效削弱了濾波、閾值分割操作帶來的誤差。

1 硬件系統(tǒng)及圖像采集

目前獲取纖維橫截面樣本需要對纖維進行切片。常用的切片方法需要先將纖維放入介質(zhì)中進行包埋制樣。市售貯麻纖維的3例原始圖像如圖1所示。可見，用于包埋的介質(zhì)具有一定的黏稠度,包埋時會產(chǎn)生包埋痕跡，對麻纖維樹脂包埋樣品進行切片時會保留刀切的痕跡，這些痕跡對參數(shù)測量造成的誤差無法通過一般圖像處理手段進行消除。

圖1 麻纖維的原始圖像(×20)Fig.1 Original image of hemp fibers(×20)

邊緣增強圖像融合算法雖然能夠解決上述問題，使處理后的圖像更清晰，但會使得纖維邊界不真實，所測量纖維橫截面的周長和面積誤差較大，從而導(dǎo)致根據(jù)周長面積公式計算出的纖維橫截面圓度誤差較大。

針對上述問題，本文提出基于邊界跟蹤測量麻纖維橫截面參數(shù)的算法，首先將麻纖維橫截面圖像進行灰度化處理，然后提取麻纖維橫截面邊緣的輪廓線，再利用孔洞填充算法填充麻纖維橫截面區(qū)域，獲得完整的麻纖維橫截面外形，在此基礎(chǔ)上，采用相同模板對處理后的圖像進行腐蝕和膨脹操作，去除斷裂纖維的邊緣及偽邊緣，利用邊界跟蹤算法標記麻纖維并獲得麻纖維橫截面邊緣的坐標，最后計算出麻纖維橫截面周長和面積。本文算法包括 3個部分：1)圖像硬件系統(tǒng)的搭建； 2)圖像處理與提取算法的開發(fā)；3)實驗數(shù)據(jù)分析。

用于纖維橫截面分析的CX41計算機輔助顯微鏡系統(tǒng)(奧林巴斯株式會社OLYMOPUS)，由1臺 U-TV0.5XC 型三目顯微鏡，1臺PDS50型數(shù)碼相機和 1臺三軸機動平臺組成。三軸載物臺在x，y方向上傳送樣品載玻片，并在每個(x，y)位置調(diào)整圖像在z軸上的焦點，從而捕獲清晰的纖維橫截面圖像。

2 圖像處理

麻纖維橫截面圖像處理的目的是從采集的圖像中提取纖維邊緣、形狀等信息，為進一步的圖像分析提供數(shù)據(jù)。本文麻纖維橫截面圖像處理主要分為以下4個步驟：邊緣提取，孔洞填充，腐蝕操作，邊界跟蹤。

本文用計算機輔助顯微鏡系統(tǒng)采集的圖像為RGB格式，為加快算法運算速度，減少無關(guān)數(shù)據(jù)量，增強有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)，首先將采集的橫截面圖像轉(zhuǎn)換成灰度圖，然后進行后續(xù)操作。A#樣品的算法對比圖如圖2所示。

圖2 算法對比圖(×220)Fig.2 Comparisons of algorithms(×220). (a)Direct binarization;(b)Algorithm in this paper

由圖2可以看出，由于原圖像背景模糊，直接對預(yù)處理后的原圖像進行二值化無法獲得纖維的有效信息；同時預(yù)處理會影響纖維的真實邊緣，因此本文將麻纖維截面邊緣提取后，利用孔洞填充算法填充纖維閉合的區(qū)域，重建麻纖維橫截面，之后直接利用算法進行纖維橫截面周長和面積的測量，并將計算出的周長、面積和圓度數(shù)據(jù)保存在數(shù)據(jù)矩陣中，圖像處理效果見圖2(b)。

2.1 Canny算子邊緣提取

本文選用Canny算子進行纖維邊緣提取，Canny算子可以檢測到弱邊緣，且獲得的邊緣很細，沒有強弱之分，具有很好的邊緣監(jiān)測性能。其基本步驟如下。

步驟1：用二維高斯濾波模板進行卷積以消除噪聲，卷積公式為

S(x,y)=G(x,y,σ)*I(x,y)

(1)

式中：*表示卷積；I(x,y)表示原圖像；G(x,y,σ)表示高斯濾波模板；S(x,y)表示高斯濾波后圖像；x表示橫坐標，像素；y表示縱坐標，像素；σ表示高斯濾波器寬度，像素。

步驟2：利用導(dǎo)數(shù)算子計算水平方向和垂直方向的偏導(dǎo)數(shù)(Dx,Dy)。

Dx(x,y)≈

(2)

Dy(x,y)≈

(3)

相當(dāng)于與模板進行卷積運算：

(4)

(5)

步驟3：求出梯度M(x,y)和梯度方向θ(x,y)

(6)

θ(x,y)=arctan(Dy(x,y)/Dx(x,y))

(7)

步驟4：對圖像中的每個像素進行上述操作，并保留梯度方向上的極大值點。

步驟5：使用累計直方圖計算高低閾值，灰度值大于高閾值的一定是邊緣，小于低閾值的一定不是邊緣，介于之間的，通過已確定的邊緣點，發(fā)起8鄰域方向的搜索，圖中可達的點是邊緣，不可達的點不是邊緣。

利用Canny算子得到的C#樣品邊緣檢測圖如圖3所示?？芍?，麻纖維中腔中的弱邊緣被很好地檢測出來，同時纖維邊緣較細，沒有粗邊緣。圖像預(yù)處理后介質(zhì)包埋痕跡、刀痕清晰地顯示出來(即那些除纖維邊緣外的黑線，就算改變了邊緣檢測的敏感度閾值也無法清除這些痕跡。這些痕跡大多數(shù)位于纖維邊緣附近，極大影響了邊緣檢測的準確性。不同敏感度下，Canny檢測出的邊緣數(shù)量不同，尤其是對弱邊緣和偽邊緣的檢測。其中敏感度閾值設(shè)為0.3時，檢測出的弱邊緣較多，同時檢測出的偽邊緣較少，因此本文將敏感度設(shè)為0.3進行邊緣檢測。

圖3 Canny算子邊緣檢測圖(×220)Fig.3 Edge detection graph of canny operator(×220). (a)Adaptive sensitivity;(b)Sensitivity is 0;(c)Sensitivity is 0.3; (d)Sensitivity is 0.5

2.2 8鄰域邊界跟蹤

在檢測出原圖中的纖維邊緣后，利用孔洞填充算法填充閉合區(qū)域，去除了部分邊緣斷裂的纖維和偽邊緣。8鄰域方向碼如圖4所示。

圖4 8鄰域方向碼Fig.4 8 Neighborhood direction code

可見，去除離散噪聲后利用8鄰域邊界跟蹤函數(shù)檢測邊界完整的纖維并進行標記。首先找到位于圖像左上角的纖維邊界點作為搜索起點，按逆時針方向，自上而下，從左至右，搜索該點的8鄰域，找到下一個邊界點，然后以此點為當(dāng)前點繼續(xù)搜索，不斷重復(fù)上述過程，直至回到搜索起點。

B#樣品單纖維邊界跟蹤圖如圖5所示?？芍咨€為搜索路徑，當(dāng)1個纖維的邊界搜索完成后，形成閉合區(qū)域，就對該區(qū)域進行標記，然后再進行下一個目標的邊界跟蹤，直至標記出圖像中的所有邊緣完整的麻纖維。由于采用的是8鄰域跟蹤，因此采用歐氏距離計算跟蹤路徑，即計算目標橫截面周長。

圖5 單纖維邊界跟蹤圖Fig.5 Single fiber boundary tracking chart

在圖5基礎(chǔ)上預(yù)處理及邊界跟蹤圖像如圖6所示?？梢?，預(yù)處理后圖中共有5根麻纖維，其中只有左上角的 1根麻纖維橫截面邊界是完整的。由圖6(b)可見，直接從灰度圖中提取麻纖維橫截面邊界，然后進行邊界跟蹤操作，圖中部分因預(yù)處理導(dǎo)致橫截面邊緣斷裂的麻纖維能夠被檢測出來。

圖6 預(yù)處理及邊界跟蹤圖像(×220)Fig.6 Preprocessing (a) and boundary tracking(b) image(×220)

麻纖維橫截面原圖灰度化后，灰度圖中只能觀察到纖維和雜質(zhì)。圖7示出C#樣品的多纖維算法處理效果對比。

圖7 多纖維算法處理效果對比圖(×220)Fig.7 Comparison of multi-fibres treatment effects. (a)Common algorithms;(b)Algorithm in this paper

由圖7可見，原圖像經(jīng)濾波操作直接進行閾值分割的常用算法，使得灰度圖中觀察不到的樹脂澆灌的痕跡可清晰地展現(xiàn)在二值圖像中，同時切片中的雜質(zhì)也被二值化。本文算法處理的效果圖如圖7(b)所示。對比原圖像可知，被標記出的目標大部分是橫截面邊緣完整的麻纖維，錯誤目標數(shù)量極少，且錯誤目標的形態(tài)與麻纖維的形態(tài)差異較大，因此可以根據(jù)測得的數(shù)據(jù)進行錯誤數(shù)據(jù)剔除。

3 數(shù)據(jù)提取與分析

本文采用歐式距離法計算麻纖維橫截面的周長，采用像素累積法統(tǒng)計麻纖維橫截面的面積。上述方法計算出的參數(shù)與原來的參數(shù)有一定誤差，因此本文通過計算直徑分別為20、50、150像素的圓的數(shù)據(jù)，計算實際的偏差。測試圓的統(tǒng)計數(shù)據(jù)見表1?？煽闯觯蒙鲜龇椒ㄓ嬎愕闹睆綖?0和50像素的圓的周長偏差較小，而直徑為150像素的圓的周長偏差較大，3個測試圓的面積偏差都稍大，但是 3個測試圓的圓度參數(shù)誤差很小。根據(jù)本文算法測得麻纖維的周長和面積大致與直徑為50像素的圓類似，因此用本文算法測得的麻纖維形態(tài)參數(shù)偏差較小。

表1 測試圓的統(tǒng)計數(shù)據(jù)Tab.1 Statistics data of test circles

圖8示出麻纖維橫截面參數(shù)。可知大部分數(shù)據(jù)聚集在一個區(qū)域(圖中黑色的點)內(nèi)，圖中8個周長大于140像素的點與大部分數(shù)據(jù)偏差較大，離大部分黑色點較遠，因此這些點為錯誤數(shù)據(jù)的概率極高，造成的原因可能是由于麻纖維黏連導(dǎo)致數(shù)據(jù)偏大。

圖8 麻纖維橫截面參數(shù)Fig.8 Cross-sectional parameters of hemp fibers

圖9示出200個樣本的麻纖維圓度統(tǒng)計。麻纖維的圓度大部分位于0.6～0.95之間。圓度低于0.6的數(shù)據(jù)可能是因為麻纖維橫截面缺損導(dǎo)致的，圓度大于0.95的數(shù)據(jù)可能是氣泡或者細小的雜質(zhì)。

圖9 麻纖維圓度統(tǒng)計Fig.9 Roundness statistics of hemp fibers

4 結(jié)束語

文章用邊界跟蹤算法定位和標記目標，測量麻纖維橫截面的周長和面積參數(shù)，提取多目標參數(shù)，提高了纖維橫截面參數(shù)提取的速度和效率。本文算法尚無法分辨纖維黏連的情況，無法測量邊緣斷裂纖維的參數(shù)，而纖維黏連和橫截面破損會影響測量數(shù)據(jù)的準確性，纖維橫截面邊緣的斷裂會影響測量的效率，在這方面本文算法還有待提高，測量數(shù)據(jù)的精確度也有待提高。

FZXB