1 引言

网孔织物在日常生活中应用广泛,普遍应用于衣物、医疗和生活用品等多个方面。因织物中存在的疵点严重影响纺织品的使用价值,则织物疵点的检测是纺织品质量控制的关键环节。传统的织物疵点检测多是由人工完成的,检测效率低且检测结果易受工人的个人状态等主观因素的影响,因此会出现漏检和误检的现象。网孔织物疵点检测的关键在于将织物从复杂的背景中完整地分割出来。传统的图像分割算法有基于直方图分割算法^[1]、阈值图像分割算法^[2]、聚类分割算法^[3]、分水岭分割算法^[4]和神经网络分割算法^[5]等。然而,传统算法不能较好地解决网孔织物图像在分割过程中出现过分割和欠分割的现象,而且还会存在噪声点多和网孔分割错误的问题。

网孔织物图像属于周期性纹理图像,目前多位学者对纹理图像的分割算法进行了大量的研究。文献[ 6]提出了一种基于明暗度自适应阈值的网孔织物分割算法,首先将图像分割成若干具有很强相似性的区域,然后根据不同区域的明暗度来计算不同的阈值,该算法解决了因光照不均匀而导致网孔织物分割困难的问题。文献[ 7]针对带有重组织的织物图像特点,提出了一种基于纱线颜色的图像分割方法,首先将织物图像转换为Lab颜色模式,然后提取织物图像的色差梯度,接着采用分水岭算法对图像进行分割以获得区域标记的图像,最后将颜色相近的区域进行合并。文献[ 8]在模型中加入了卡通和纹理分解的过程,这可以减少随机纹理噪声对分割过程的影响,为了克服分割过程中亮度不一致的难点,引入偏场函数来度量卡通图像与卡通图像的分段常数近似之间的偏差程度。文献[ 9]提出了一种新的变分图像分割模型,该模型是使用常数向量来表示不同图像子区域的强度均值,并使用结构化字典对图像中的局部纹理模式进行编码,通过寻找输入图像的强度均值和特定字典,同时计算图像块相对于学习字典的表示系数,开发了一种有效的算法来实现所提的变分模型。上述方法主要是对纹理图像进行研究,分割过程中灰度值的大小依旧是图像分割的主要标准之一,但网孔织物图像不仅具有规则且周期性的纹理,而且还在织物经线和纬线的交界处存在阴影,这会导致此处的灰度值较低,使得网孔像素点的灰度值与织物像素点较为接近,因此基于灰度值的分割算法很难对图像进行准确分割。部分学者提出了不以灰度值为标准的图像分割算法,文献[ 10]定义了一种测量平方粗糙熵的新方法,并提出了相应的图像分割算法,新方法具有良好的性质以及简单的计算过程,分割效果与阈值分割法的结果一致。文献[ 11]提出了一种基于局部灰度极小值的掌脉图像分割方法,该方法避免了阈值的选择,可以有效解决光照不均和对比度低等问题,但该方法只能分割线型目标,并不能分割类似于网孔图像的区域型目标。

为了解决网孔织物图像的对比度低和噪声点多等问题,首先采用高斯金字塔变换对图像进行缩放^[12],增强织物轮廓像素点的灰度值以及减少局部噪声点。然后利用直方图均衡化增强图像的明暗对比度^[13],提高图像质量。其次针对仅依赖灰度值大小进行图像分割易出现过分割的现象,提出一种基于区域灰度极小值的分割算法,该算法不再仅依赖于灰度值的大小,而是根据局部中心像素点的灰度值与局部区域灰度的最小值之间的关系对图像进行分割。最后融合多个阈值分割结果作为所提算法的最终分割结果^[14]。实验结果表明,所提算法可以有效解决网孔织物图像的对比度低、噪声点多以及易产生过分割的问题。

2 图像预处理

图像金字塔是图像多尺度表达的一种。一幅图像的金字塔是一系列以金字塔形状排列且分辨率逐步降低,而且来源于同一张原始图的图像集合。处于底层的图像为原始图像,层级越高,则图像尺寸越小,分辨率越低。

对于一幅图像,近距离观察可以看到图像中的一些细节信息,远距离观察可以看到图像中的一些轮廓信息。高斯核是唯一的线性核,使用高斯核对图像进行模糊操作不会引入其他噪声,因此选用高斯核构建不同尺度的图像。采用高斯金字塔的图像缩放操作可以忽略图像中的细节噪声点,消除干扰,提高图像的整体轮廓对比度。首先,使用两次高斯金字塔对图像进行下采样操作以保留主要的轮廓信息。然后,使用两次高斯金字塔对图像进行上采样操作以恢复图像的原尺寸,达到增强边缘、减少噪声和提高网孔分割精度的目的。最后,对上采样操作后的图像采用直方图均衡化算法进行处理,可以有效增强图像的整体对比度,增加多图像融合算法的稳定性。

图1为图像预处理前后的对比结果。从图1可以看到,图像预处理后,织物边缘虽变得模糊,但网孔轮廓更明显,而且平滑网孔中心的噪声点。

图 1. 预处理前后的对比结果。(a)图像金字塔;(b)原始图像;(c)预处理后的图像

Fig. 1. Comparison results before and after preprocessing. (a) Image pyramid; (b) original image; (c) image after preprocessing

下载图片 查看所有图片

3 基于局部灰度极小值的网孔织物图像分割

3.1 一维灰度极小值的分割算法

一维灰度极小值的分割算法是通过提取直线邻域内的灰度极小值来提取线性目标^[15]。以坐标 (x0,y0)为中心点, f(x0,y0)为该点的灰度值。在该点直线邻域内的坐标有 (xm,ym),…,(x1,y1),(x0,y0),(x2,y2),…,(xn,yn),若坐标点的灰度值满足

fxm,ym>…>fx1,y1>fx0,y0<fx2,y2<…<fxn,yn,(1)

则认为该点为直线邻域内的灰度极小值。一维灰度极小值的分割算法只能分割线型目标,如文献[ 11]对掌纹的分割。区域型目标的分割效果较差,原因在于在局部区域中不能较好地衡量周围像素点的灰度值分布,所以提出基于二维灰度极小值的分割算法,该算法可以用于分割网孔织物图像。

3.2 二维灰度极小值的分割算法

为了准确计算区域内的灰度极小值,则局部区域中必须包含网孔像素点,所以在局部区域中包含两个网孔织物图像最为合适。

以坐标点 (x,y)为中心点,建立局部邻域区间,当中心像素点的灰度值和局部区间的灰度最小值满足

f(x,y)≤min⁡{f(x-k,y-k),f(x-k,y),…f(x,y),…,f(x+k,y+k)}+T,,(2)

则认为中心点为局部极小值点^[16]。式中: T为局部灰度极小值认定的阈值;k为局部区间的取值,k值较小则不能准确计算中心像素点是否为灰度极小值点,k值较大则会增加算法的运行时间。当 T=0时,只有中心像素点为局部极小值才能满足(2)式,此时只能提取孤零零的噪声点。 T值的大小决定分割网孔的数量, T值越大则越多的像素点被分割成网孔。图2为局部灰度值的变化图像。从图2可以看到,当 T值大于相邻的像素灰度值时,织物像素点就被分割成背景,因此出现网孔连在一起的分割结果。

图 2. 网孔局部截面的灰度变化图像。(a)网孔织物的局部图像;(b)局部线性邻域灰度值的分布曲线

Fig. 2. Grayscale variation image of local section of mesh. (a) Local image of mesh fabric; (b) distribution curve of gray value in local linear neighborhood

下载图片 查看所有图片

3.3 多图像融合的分割结果

由3.2节分析可知,图像的分割效果完全取决于阈值。不同的阈值可以产生不同的分割结果,且不同图像的最优阈值是不同的。为了解决阈值选择的问题,提出多阈值图像融合的方法来获取最优的分割图像。

随着阈值的不断增加,分割的网孔尺寸不断增大。当阈值增加到一定程度时,相邻网孔会连在一起。为了解决网孔连在一起的问题,采用小阈值图像中未发生网孔连在一起的分割结果来代替大阈值图像中发生网孔连在一起的分割结果。当满足如下两个条件时,说明网孔连在一起。1)取大阈值分割结果中每个连通域的边框且每个边框仅包含一个连通域,将此边框放置在小阈值分割结果中,边框内包含两个或两个以上的连通域;2)以连通域面积的平均值为参考,两个网孔连通域连在一起,则新连通域的面积一定大于连通域面积的平均值。多图像融合算法的流程如下。

1)设置采样间隔为5,迭代次数为 i,对在[15,100]之间的所有阈值依次进行二维灰度极小值的分割。

2)采用

AAvei=1Li∑k=1LiAik(3)

来计算图像 Ii中每个连通域面积的平均值 AAvei。式中: Li为第 i次迭代分割后连通域的个数; Aik为第 i次迭代分割中第 k个连通域的面积。

3)选取图像 Ii+1中每一个连通域的边框位置,并将每个连通域边框放置在图像 Ii中。

4)计算图像 Ii中每个边框的连通域个数。若连通域个数大于1,则说明图像 Ii+1中的连通域是由图像 Ii中多个连通域合并而来的。

5)若图像 Ii+1中的连通域面积满足

Ai+1k>AAvei,(4)

则说明两个相邻的网孔连在一起,使用图像 Ii中此边框内的像素点代替图像 Ii+1中此边框内的像素点。若不满足则说明此连通域合并的是同一个网孔的不同局部区间。

6)若阈值 T大于取值范围,则停止迭代,反之 i=i+1,执行步骤3)。

4 实验结果分析

为了验证所提算法的有效性,对在网孔织物生产车间采集的100幅网孔织物图像进行实验,并选取三种不同光照水平的网孔织物图像进行对比分析。图3为在三种不同光照水平下的网孔织物图像。

图 3. 三种不同光照水平的网孔织物图像。(a)样本 1;(b)样本 2;(c)样本 3

Fig. 3. Mesh fabric images with three different light levels. (a) Sample 1; (b) sample 2; (c) sample 3

下载图片 查看所有图片

将不同阈值分割的结果与多阈值融合后的结果进行对比分析,用来验证多阈值融合算法的有效性,并对局部细节图像进行主观评价。对自适应明暗度算法、标记分水岭算法、未经过预处理的局部极小值分割算法和所提算法进行对比分析,通过主观评价和分割错误率来验证所提算法的优越性和预处理操作的必要性。

4.1 多阈值图像融合算法的实验对比

图4~6为不同阈值分割的结果及其局部放大图,选取的是每幅图像右下角尺寸为150pixel×150pixel的局部图像。

从图4~6可以看到,当T=20时,仅有少量的网孔像素点被分割出,但大量的网孔分割不完整,其中样本3的分割结果相对较好,大部分网孔比较完整,但依旧存在大量分割不完整的问题;当T=50时,绝大部分的网孔已经被分割出,样本1的局部图和样本2的局部图有较好的分割效果,但依旧存在若干网孔分割不完整的问题,样本3的局部图中已经出现网孔连在一起的问题;当T=100时,网孔已经被全部分割出,但三个样本中大部分网孔出现过分割的现象,均未获得较好的分割效果。从三种样本的分割结果可以看到,不同样本的最佳分割阈值和同一样本不同位置的最佳分割阈值不同,因此无法选用同一个阈值对所有网孔图像进行有效分割,但所提算法不仅可以解决网孔连在一起还可以避免阈值选择的问题。

图 4. 不同阈值分割样本1的结果及其局部放大图。 (a) T=20; (b) T=50; (c) T=100;(d)所提算法;(e)图(a)的部放大图;(f)图(b)的局部放大图;(g)图(c)的局部放大图;(h)图(d)的局部放大图

Fig. 4. Results of segmenting sample 1 with different thresholds and its partial enlarged views. (a) T=20; (b) T=50; (c) T=100; (d) proposed algorithm; (e) partial enlargement of Fig. (a); (f) partial enlargement of Fig. (b); (g) partial enlargement of Fig. (c); (h) partial enlargement of Fig. (d)

下载图片 查看所有图片

图 5. 不同阈值分割样本2的结果及其局部放大图。(a) T=20; (b) T=50; (c) T=100;(d)所提算法;(e)图(a)的局部放大图;(f)图(b)的局部放大图;(g)图(c)的局部放大图;(h)图(d)的局部放大图

Fig. 5. Results of segmenting sample 2 with different thresholds and its partial enlarged views. (a) T=20; (b) T=50; (c) T=100; (d) proposed algorithm; (e) partial enlargement of Fig. (a); (f) partial enlargement of Fig. (b); (g) partial enlargement of Fig. (c); (h) partial enlargement of Fig. (d)

下载图片 查看所有图片

图 6. 不同阈值分割样本3的结果及其局部放大图;(a) T=20; (b) T=50; (c) T=100;(d)所提算法;(e)图(a)的局部放大图;(f)图(b)的局部放大图;(g)图(c)的局部放大图;(h)图(d)的局部放大图

Fig. 6. Results of segmenting sample 3 with different thresholds and its partial enlarged views. (a) T=20; (b) T=50; (c) T=100; (d) proposed algorithm; (e) partial enlargement of Fig. (a); (f) partial enlargement of Fig. (b); (g) partial enlargement of Fig. (c); (h) partial enlargement of Fig. (d)

下载图片 查看所有图片

4.2 不同算法的网孔分割实验

图7~9为不同算法的分割结果及其局部放大图,选取每幅图像的右下角尺寸为150pixel×150pixel的局部图像。图7(a)为基于明暗度的自适应阈值分割算法的分割结果,该算法的本质是采用不同的阈值来分割不同光照程度的区域。由于的网孔织物图像的灰度值较为接近,因此基于明暗度的自适应阈值分割算法较难区分背景像素点和网孔织物像素点。从图7~9可以看到,在三个样本的分割结果中都存在大量网孔连在一起的问题,为此不能有效地分割网孔,与其他算法相比,基于明暗度的自适应阈值分割算法的分割效果较差。

图 7. 不同算法分割样本1的结果及其局部放大图。(a)明暗度阈值算法;(b)标记分水岭算法;所提算法;(c)预处理前的图像;(d)预处理后的图像;(e)图(a)的局部放大图;(f)图(b)的局部放大图;(g)图(c)的局部放大图;(h)图(d)的局部放大图

Fig. 7. Results of segmenting sample 1 with different algorithms and its partial enlarged views. (a) Shading threshold algorithm; (b) marking watershed algorithm; proposed algorithm (c) before preprocessing, (d) after preprocessing; (e) partial enlargement of Fig. (a); (f) partial enlargement of Fig. (b); (g) partial enlargement of Fig. (c); (h) partial enlargement of Fig. (d)

下载图片 查看所有图片

图 8. 不同算法分割样本2的结果及其局部放大图。(a)明暗度阈值算法;(b)标记分水岭算法;所提算法(c)预处理前的图像,(d)预处理后的图像;(e)图(a)的局部放大图;(f)图(b)的局部放大图;(g)图(c)的局部放大图;(h)图(d)的局部放大图

Fig. 8. Results of segmenting sample 2 with different algorithms and its partial enlarged segmenting. (a) Shading threshold algorithm; (b) marking watershed algorithm; proposed algorithm (c) before preprocessing, (d) after preprocessing; (e) partial enlargement of Fig. (a); (f) partial enlargement of Fig. (b); (g) partial enlargement of Fig. (c); (h) partial enlargement of Fig. (d)

下载图片 查看所有图片

图 9. 不同算法分割样本3的结果及其局部放大图。(a)明暗度阈值算法;(b)标记分水岭算法;所提算法(c)预处理前的图像,(d)预处理后的图像;(e)图(a)的局部放大图;(f)图(b)的局部放大图;(g)图(c)的局部放大图;(h)图(d)的局部放大图

Fig. 9. Results of segmenting sample 3 with different algorithms and its partial enlarged views. (a) Shading threshold algorithm; (b) marking watershed algorithm; proposed algorithm (c) before preprocessing, (d) after preprocessing; (e) partial enlargement of Fig. (a); (f) partial enlargement of Fig. (b); (g) partial enlargement of Fig. (c); (h) partial enlargement of Fig. (d)

下载图片 查看所有图片

图7(b)为标记分水岭算法的分割结果,相较于阈值分割算法,该算法的分割结果相对较好,仅有少量的网孔分割错误,标记分水岭算法的分割准确性极易受到前景标记结果的影响,标记错误将会导致过分割和欠分割,而且图9(b)第二行网孔和图7(b)第三行网孔分别存在少量的网孔连在一起和网孔未能正确正确分割的问题,说明算法可以解决网孔分割连在一起的问题,但分割的网孔尺寸较大。

图7(c)为所提算法处理预处理前图像的分割结果。由于未预处理的网孔织物图像中网孔部分的噪声点较多,所以分割结果图像中出现大量分割不完整的现象。虽然通过多图像融合算法可以解决网孔连在一起的问题,但局部噪声点较多,使得大量噪声点未能正确合并。将图8(c)与图7(d)进行对比,可以说明预处理操作的必要性。

图7(d)为所提算法处理预处理后的图像的分割结果。从图7(d)可以看到,图像的分割效果较好。图像经过预处理可以消除网孔处的噪声点,解决图像欠分割的问题,所以所提算法可以有效地分开连在一起的网孔,解决网孔过分割的问题,而且每个样本中的网孔都能完整分割,只有个别网孔出现连在一起的现象。

以分割出的网孔是否完整和网孔之间是否连在一起为标准,计算每种算法的分割错误率。基于明暗度自适应阈值的分割算法的分割结果较差,背景和网孔的灰度值相近,而且出现大量的网孔连在一起的现象,此算法分割效果相对较差,因此不再与其他算法进行比较。表1为网孔分割错误的数量和分割的错误率,其中样本1、样本2和样本3的网格总数分别为372、445和304。从表1可以看到,标记分水岭算法可以解决网孔分割连在一起的问题,但是分割结果极易受到网孔标记的影响,标记错误会出现大量过分割和欠分割的现象,最高的分割错误率为11.0%,最低的分割错误率为3.3%;未经过预处理的分割结果图中存在大量网孔分割不完整以及噪声点过多的问题,最高的分割错误率达到43.0%;所提算法的分割结果较好,每幅图像中仅有个别网孔出现分割错误的现象,最低的分割错误率为0。

表2为不同算法的网孔分割错误率结果对比,统计100幅网孔织物图像的分割结果并取平均值。从表2可以看到,标记分水岭算法的分割错误率为5.90%,其分割结果明显优于所提算法处理预处理前图像;所提算法处理未经过预处理的图像,其网孔错误率为33.61%,分割结果最差,但经过预处理消除噪声并增强网孔织物轮廓后,网孔织物图像的分割错误率明显降低,分割错误率为0.24%。

5 结论

提出一种基于区域灰度极小值的分割算法,该算法可以解决网孔织物图像分割不完整以及分割错误的问题。利用高斯金字塔缩放和直方图均衡化算法可以消除网孔处的噪声点,提高图像的纹理轮廓以及明暗对比度。采用基于灰度极小值的区域分割算法可以解决分水岭算法前景标记困难的问题,且分割效果更好。采用多图像融合的方法可以解决低阈值易产生欠分割和高阈值易产生过分割的问题。在多种不同光照水平下对网孔织物图像进行实验对比,实验结果表明,所提算法的分割效果良好,能够有效地解决低对比度的网孔织物图像分割结果中网孔连在一起以及残缺的问题,且网孔织物图像的分割错误率为0.24%。