杜玉红, 王加富, 蒋秀明, 周国庆, 罗永恒

(天津工业大学 机械工程学院, 天津 300387)



应用聚类统计分析的棉花异纤图形检测算法

杜玉红, 王加富, 蒋秀明, 周国庆, 罗永恒

(天津工业大学 机械工程学院, 天津 300387)

在棉纺企业原棉异性纤维剔除工艺过程中，异性纤维种类及特征多样，难以构造统一的识别模型，为此，提出了一种基于聚类统计分析的棉花异性纤维图形检测算法。通过获取原棉纤维及异性纤维在RGB颜色模型空间的各分量值，进行数值聚类统计分析，采用RGB彩色图像阈值聚类统计分类的方法将获取的图片信息分为3类，进而判断有无异性纤维，再经过形态学等预处理修缮图像，对棉花中异性纤维的特征进行提取，较准确地得到异性纤维的面积、质心坐标和周长等参数，为异性纤维的清除提供条件。实验结果表明，该算法能较准确地识别异性纤维。

异性纤维； RGB颜色模型； 统计分类； 特征提取

异性纤维混入棉纤维会形成纱疵，对织物的质量产生严重的影响。目前常用的异性纤维检测方法主要有图像处理、超声波原理、光谱特性等。应用最普及的是图像处理方法，利用CCD高速彩色摄像机，对棉纤维进行扫描，采集图片，送控制系统处理，当识别出异纤时，触发气动高速喷嘴进行剔除。近20年来，国内外许多科研单位、院校及企业都将异性纤维检测列为主要研究课题。Lieberman等[1]研究了棉花图像处理，进行棉花杂质识别；Thomasson[2]设计了检测棉花颜色和杂质的检测系统；Kang等[3]将真彩色原棉图像中的异性纤维特征描述并求出异物的数量、种类、大小；赵学华等[4]根据改进蚁群算法对棉花异性纤维目标特征选择方法进行研究；Zhang等[5]针对不同棉花背景下的异纤特征，采用加权的贝叶斯K平均原理进行检出；郏东耀[6]采用多光谱CCD照相机采集最佳吸收波段的异物图像；师红宇等[7]差分异纤与原棉的频率信息，提取异纤信息。

1 异性纤维的颜色模型

异纤的识别和特征颜色有关，在分割算法前应确定适当的颜色模型[8]。采集原棉及一定数量的样品在RGB彩色图形中的像素点值，进行比较和处理[9]，做出棉花和各种异纤的R、G和B图，对RGB图表进行分析与聚类统计，得到棉花的颜色模型及R、G和B分量的均方差。异性纤维颜色大都与棉花不同，利用采集的纯棉花图片进行RGB分量的统计，给出纯棉花三原色的平均值及其均方误差，在误差范围内判定为无异性纤维，其数学表达见式(1)。

(1)

式中：r、g、b是提取图片的三原色平均值；R、G、B是所提取纯棉花的三原色均值；σR、σG、σB是三原色的均方误差。

提取无异性纤维的棉花数据如表1 所示。表 2示出异性纤维的图像RGB分量数据。

表 1 无异性纤维图像RGB分量Tab.1 RGB color component values without foreign fibers

表2 有异性纤维图像RGB分量及统计值Tab.2 RGB color component values with foreign fibers

由统计数据可取σR=3.8，σG=3.8，σB=3.8；R=161.288 6，G=159.958 2，B=150.467 3。

通常异性纤维颜色与棉纤维不同，据此进行RGB分量的统计。无异性纤维的图片色度均匀(每个像素的RGB分量与整幅图片RGB平均量相差不大)，而含有异性纤维的图片在异性纤维区域的色度与平均量相差较大，利用这个特征可以构造一种较为简单的统计方法。利用式(2)进行计算，uR、uG和uB分别是R、G和B的均值。

(2)

计算所得棉花及异性纤维RGB分量聚类统计数据值如表3所示。可看出，采用B分量易于识别异性纤维，而G分量相对少些，R分量识别效果差。用RGB三个色度分量的全部信息后，颜色相近的异性纤维难于识别，这是因为RGB分量有重叠部分。

表3 棉花及异性纤维RGB分量统计数据Tab.3 RGB color component values of cotton and foreign fibers

2 聚类统计分析的异纤识别算法

2.1 异纤图像聚类统计分类

通过前面图像RGB各分量的聚类统计分析，可以将图片分为3类：第Ⅰ类为RGB分布均匀的异性纤维；第Ⅱ类为RGB分布不均的异性纤维；第Ⅲ类为纯棉纤维。图像的统计特征采用均值、中值、方差、变差等方法。在聚类统计中发现，大量数据呈现正态分布，所以可以用正态分布来描述。运用正态分布的3σ原则：数值分布在(μ-3σ,μ+3σ)中的概率为0.997 4。而且大多数实际应用中，概率接近1，误差较小，所示广泛应用。

RGB分布均匀的异性纤维和RGB分布不均的异性纤维图像的区别在于变差，所以采用变差公式(3)统计区别2类异性纤维，而有无异性纤维的区别在于方差大小，所以采用方差公式(4)统计描述。

变差

(3)

方差

(4)

另外取2个自定义的聚类统计参数见式(5)、(6)。

(5)

C3=max(Rk,Gk,Bk)

(6)

采用方差、变差得到聚类统计参数表，结果如表4所示。

表4 聚类统计参数Tab.4 Cluster statistical parameters

由表4分析，最大统计误差不超过0.012，完全能够满足异性纤维的识别要求。

2.2 异纤图像分类判断

在图像中本文用差的绝对值来表示样本。算法步骤：1)提取标准棉花的σ、μ值。将R、G、B分量两两相减，取绝对值，提取结果的均值和方差，并比较均值与方差之和，取较大；2)将含有异性纤维的图像R、G、B分量两两相减，并对每个相减的像素点进行比较，若属于(μ-3σ，μ+3σ)认为是棉纤维，否则判断为异性纤维。

对比第Ⅰ类RGB分布均匀异性纤维和第Ⅱ类RGB分布不均异性纤维的分量，可知第Ⅱ类异性纤维的RGB各分量差的绝对值较大，图1、2分别是第Ⅰ类异性纤维和第Ⅱ类异性纤维的RGB分量的三维图。由图可知，第Ⅰ类异性纤维的RGB分量保持的对角线左右成棒状，第Ⅱ类异性纤维的RGB分量分布不均匀，通过比较传统的阈值分割方法，聚类统计分析相对RGB分布不均匀的异性纤维处理能力较强。

图1 第Ⅰ类异性纤维RGB分量Fig.1 RGB component of foreign fibers Ⅰ

图2 第Ⅱ类异性纤维的RGB分量Fig.2 RGB component of foreign fibers Ⅱ

3 异性纤维特征参数化

原棉异纤动态识别，最主要的是对图像中大量数据信息处理，进而有效地提取特征。提取异纤相关特征后，利用几何特征作为异性纤维识别定位的参数。

3.1 获取面积

异性纤维轮廓区域包容面积的大小即为原棉异纤面积，可通过对某异性纤维图像轮廓内的像素点数进行统计并计算其面积S。本文选择统计目标异纤轮廓内的像素点个数来计算目标异纤面积。设定单像素点的边长为1，则图像上一个异性纤维区域Q内，该异纤面积S为隶属于该区域的像素个数统计数之和。

3.2 提取周长

周长L定义为某异纤区域轮廓的长度，主要依据轮廓上的像素点间关系计算。

异性纤维识别的主要参数是其几何特征，通过分析可以看出，几何特征的提取均是在对异纤二值化后图像有效轮廓提取出来的基础上进行测量，进而计算得到的，而形状特征参数则由几何特征参数进一步计算得到。对于原棉异性纤维轮廓图像，依从理论角度考虑，在假定不损失面积的情况下，可对图像进行裁剪、二次拼接，例如头发，尽管存在很多弯曲，但从轮廓图像可看出，头发是一个长而窄小的矩形物体；同样对于塑料薄片可认为是宽和长都较大的矩形物体，采用周长L和面积S进行分析。

4 常见异性纤维上算法应用

异纤识别算法综合应用，不同种类的异性纤维采用不同的分割方法，在滤波和白平衡后进行异性纤维的聚类统计分析，相对应的进行图像处理，最后提取特征参数，得到异纤质心坐标、面积和周长。算法的总体结构如图3所示。图4示出对麻绳为异纤进行处理的效果。麻绳处理数据：质心坐标X为0.521；质心坐标Y为0.556；面积S为133 941；周长L为3 616。

图3 算法结构Fig.3 Algorithm structure

图4 异性纤维为麻绳Fig.4 Foreign fiber of hemp rope. (a) Before processing; (b) After processing

实验选择红色塑料片、窄小有色布条、碎羽毛、细麻绳、树叶、薄膜6种典型异纤，并选足量、不含异性纤维的原棉, 首先采用原棉铺放开松机对原棉进行预先铺放、充分开松，形成厚2 mm、宽40 cm的均匀连续棉流层，并在开松过程中逐次、随机地放入上述异纤样本，从而得到混有异纤的薄棉流层。采集形成的棉流层图像，因相机采集获得图像整体太大，而异纤目标实际较小，故本文所有实验图像均为原图裁剪后的目标图像。对各种异性纤维的处理结果进行归纳，结果见表5。

表5 归纳结果Tab.5 Inductive result

1)当图像中出现单一异纤时，其质心坐标、异纤面积及周长能准确、快速获取，异纤识别率达到90% 以上；相对于带有反光性质的薄膜类或与原棉颜色较为相近的白色异纤，其特征提取准确性较差，识别率只达到85% 以上。2)当图像中有多种或多个异纤时，若多个或多类异纤相距有一定的距离，各异纤的特征参数仍能够较为准确获取；若多个或多种异纤之间距离接近微小或重叠时，其各自特征参数分别获取，而作为一个整体提取整体的质心坐标及面积、周长信息。

5 结论与展望

本文通过获取原棉纤维及异性纤维在RGB颜色模型空间的各分量值，进行了数值统计分析，采用RGB彩色图像阈值聚类统计分析的方法将异性纤维分为3类，再经过形态学等预处理修缮图像，对棉花中异性纤维的特征进行提取，得到了异性纤维的面积、质心坐标和周长等参数，这些特征参数为异性纤维的清除机构提供了准确的信息。

1)预处理后得到对比度较强的图像，去除了随机噪声，进行了白平衡，为阈值聚类统计分析判别创造了较好的条件。

2)聚类统计分析方法较为准确地将图像分为无异性纤维、RGB均匀的异性纤维、RGB不均匀的异性纤维。

3)对识别出的不同类别异纤进行相应处理，能准确提取异纤质心坐标、面积及周长等信息。

4)对于多类或多个异纤从整体上构成异纤特征参数信息。

FZXB

[1] LIEBERMAN M A, MICHAEL A L, CHARLES K B, et al. Determining gravimetric bark content in cotton with machine vision[J].Textile Research Journal,1998, 68(2):94-104.

[2] THOMASSON J A. Image processing solution to cotton color measurement problems in gin process control[D].Lexington, Kentucky: University of Kentucky,1997, 156-162.

[3] KANG T J,KIM S C.Objective evaluation of the trash and color of raw cotton by image processing and neural network[J].Textile Research Journal, 2002, 72(9): 776-782.

[4] 赵学华,李道亮，杨文柱，等.基于改进蚁群算法的棉花异性纤维目标特征选择方法[J].农业机械学报,2011，42(4): 168-173. ZHAO Xuehua, LI Daoliang, YANG Wenzhu, et al.

Feature selection for cotton foreign fiber objects based on improved ant colony algorithm[J].Transactions of the Chinese Society for Agricultural Machinery, 2011,42(4): 168-173.

[5] ZHANG Y P, SMITH P W. Robust and efficient detection of non-lint material in cotton fiber samples[C]//Proceedings of the Sixth IEEE Workshop on Applications of Computer Vision, 2002:476-484.

[6] 郏东耀.棉花中异纤的多光谱检测[J].清华大学学报:自然科学版,2005,45(2):193-196. JIA Dongyao. Detecting foreign fibers in cotton using a multi-spectral technique[J].Journal of Tsinghua University: Science and Technology Edition, 2005, 45(2):193-196.

[7] 师红宇,管声启,吴宁. 棉花中异性纤维的图像多分辨率差分检测方法[J]. 纺织学报,2014, 35(5):13-18. SHI Hongyu,GUAN Shengqi,WU Ning. Detection of foreign fibers among cotton based on image multi-resolution difference method[J]. Journal of Textile Research,2014,35(5):13-18.

[8] QU X, DING T. A fast feature extraction algorithm for detection of foreign fiber in lint cotton within a complex background[J]. Acta Automatica Sinica, 2010, 36(6): 785-790.

[9] WANG R, LIU S, WANG Q, et al. Classification features of feather and hemp in cotton foreign fibers[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(SUPPL 2): 202-207.

[10] GUO J, YING Y, CHENG F, et al. Detection of foreign materials on the surface of ginned cotton by hyper-spectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(10): 355-360.

Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis

DU Yuhong, WANG Jiafu, JIANG Xiuming, ZHOU Guoqing, LUO Yongheng

(SchoolofMechanicalEngineering,TianjinPolytechnicUniversity,Tianjin300387,China)

Due to the foreign fibers types and characteristics of diversity, it was very difficult to construct a unified recognition model for eliminating raw cotton foreign fibers in cotton spinning enterprises. This paper proposes an image processing algorithm based on the cluster statistic analysis of cotton foreign fibers. The numerical statistical analysis was performed acquiring each component values raw cotton fibers and foreign fibers in RGB color space model, and the image information was divided into three categories by using the RGB color image threshold statistical classification method. Then the foreign fibers was determined. Finally, by adopting image preprocessing for taking a better image and extracting the characteristics of foreign fibers in cotton, the area size, circumference and perimeter of foreign fibers were obtained. This should be the precondition for further eliminating raw cotton foreign fibers. The experimental results show that the algorithm can accurately identify foreign fibers.

foreign fiber; RGB color model; statistical classification; feature extraction

10.13475/j.fzxb.20140306005

2014-03-25

2014-07-17

国家重点基础研究发展计划(973预)资助项目(2010CB334711)；国家自然科学青年基金项目(51205288)；天津市科委面上基金项目(13jcybjc15900)

杜玉红(1974—)，女，副教授。主要研究异纤检测及模式识别。E-mail：duyuhong@tjpu.edu.cn。

TP 391.41

A