余灵婕， 王荣武

(1.西安工程大学 纺织科学与工程学院， 陕西 西安 710048；2.东华大学 纺织学院， 上海 201620)

织物在洗涤、测试及服用过程中，面料之间的相互摩擦使得织物表面易于产生绒毛进而形成毛球。织物的起毛起球一直以来都是影响织物性能的一个重要问题。传统的人工评级方法存在结果稳定性低、测试人员易受外界因素干扰、效率低下等问题。随着图像处理技术的引入，织物起毛起球等级的客观评定取得了很大的进展。

目前利用图像处理自动评价织物起毛起球的研究对象主要包括二维灰度图像和三维激光扫描图像。此外，文献[1]通过自制图像采集装置，间接得到织物的三维图像。在二维灰度图像上进行毛球检测的基本方法为利用灰度阈值分割毛球和织物表面[2-4]，这容易受到织物表面纹理和花纹的干扰。文献[5]研究发现，面料的组织结构是具有周期性规律的，适合变换至频率域中进行分析。因此，部分学者首先将二维灰度图像转化至频率域空间，然后在频率域中过滤周期性的组织结构，保留离散的毛球，进而提取毛球的特征参数，最终评定织物起毛起球等级[6-8]。然而，频率域变换并未解决不规则花纹对织物的干扰问题，且无法提取到毛球的高度信息[9]。因此，学者们采用激光扫描织物表面获得三维信息，以对织物的起毛起球性能进行评定[10-12]。由于激光探头需要不停地在采集平台上进行地毯式移动，因此激光扫描仪对织物图像的采集速度远远不如光学摄像头，此外，激光扫描仪设备昂贵，实用价值和经济价值远不如摄像头。

部分学者借鉴医学切片的多层扫描思路，提出了“显微光学切片”的方法，即在光学显微镜下，通过垂直移动物镜拍摄不同聚焦位置下的目标，得到不同深度的序列图像，利用聚焦获得深度(depth from focus)技术进行深度测算[13-15]。“显微光学切片”的方法解决了光学摄像头采集的二维图像丢失织物表层深度信息的问题，本文借助该思想，探索了由序列二维图像测算织物表层深度信息的方法，以便后续的毛球识别与评级。

1 同轴序列图像采集

1.1 图像采集装置搭建

本文构建的检测系统由全自动显微镜、光源部分、图像采集设备(如图1所示)和内置数字图像处理软件的PC机4个部分构成。显微镜自带可调亮卤素灯12 V/20 W。针对显微镜硬件平台的特殊要求，设计了环状光源(见图1)的前向照明装置，环状灯通过螺丝固定在织物物镜上，在织物上方提供均匀的光源。

1.2 图像采集过程及参数设定

采集多图层图像时，计算机控制载物平台沿一定步长垂直移动，CCD摄像机采集图像并通过串口传输至计算机，图像处理软件实时处理收集的图像数据。采集并处理完一个视野后，计算机控制载物平台沿x轴方向或y轴方向移动一定步长至下一视野，继续采集及图层处理。经试验，图像采集参数的设定如表1所示。

图1 图像采集装置Fig.1 Automatic image capture device

参数设定值电机沿x轴方向移动单步距离/步长670电机沿y轴方向移动单步距离/步长1 250电机沿z轴方向移动单步距离/步长60采集序列图层数量61

1.3 序列图层采集实例

起毛起球等级为4级的棉纤维织物样本部分源图层的光学显微镜图(图像大小为800像素×600像素)如图4所示。依照设定参数，共采集61幅图层，图4中各分图图题表示该图层的序列编号。从图4中可以看出，经显微镜放大后采集的图像中的绒毛能够清晰成像。由于毛球实际为绒毛的集聚体，后续算法的研究均为绒毛层面，因此下文的表述皆用绒毛来代替毛球和绒毛。

图2 采集的部分源图层Fig.2 Part of captured layers of images

2 序列图像去噪

在测算深度值之前，应对采集的序列图层进行去噪平滑处理，尽量保持源图像边缘信息的前提下平滑掉噪声。本文采用均值滤波、高斯滤波和中值滤波这3种去噪方式。织物样本的序列图层经3种方法滤波后的去噪效果如图3所示。

(a) 去噪前

(b) 均值滤波去噪

(c) 高斯滤波去噪

(d) 中值滤波去噪

Fig.3Filteringperformanceofthreefilteringmethods

从图3中可以看出，图层未经预处理重建的深度图像干扰噪点较多，滤波后噪点大幅减少。本文采用峰值信噪比(FPSNR)及均方误差(FMSE)来定量比较各滤波方式的效果。峰值信噪比越大、均方误差越小，说明去噪图像的失真越小。1～5级织物样本的图像去噪效果评价如表2所示。

表2 图像去噪效果评价

从表2可以看出，经中值滤波器后的图像有最大峰值信噪比，并且有最小的均方误差。这说明中值滤波器将源图像的边缘信息保留得最为完整，去噪后失真程度最小，因此本文选用中值滤波作为序列图层的去噪工具。

3 织物表层深度信息重建

序列多焦面图层经去噪后，下一步的工作是测算每个平面位置(x，y)的深度z，并投射到灰度空间建立深度图像。深度信息重建的具体流程为：计算各图层所有像素点聚焦清晰程度，并将清晰度存入三维清晰矩阵M(n，W，H)；对于某一平面点(x，y)，在三维清晰矩阵中沿图层深度方向寻找最大清晰值，并记录于二维矩阵Mmax(W，H)中，同时将最清晰图层的编号存入二维矩阵I(W，H)；最后，将每一平面位置的最清晰图层编号[0，60]投射至灰度空间[0， 255]，输出灰度图像。清晰度最大模值矩阵的表示和计算方式为

(1)

3.1 清晰度评价函数

本文提出一种新的清晰度评价算法——基于自适应区域选择的区域梯度方差算法。假定S(x，y)为像素平面位置(x，y)的清晰度，Ω表示以(x，y)为中心的清晰度评价区域，g(i，j)为像素平面位置(i，j)的梯度，则S(x，y)可以表达为

(2)

式中：N为区域Ω内的像素点个数；μ为区域内所有像素的梯度平均值。

梯度g(x，y)采用一阶微分Prewitt算子计算。计算各图层每个像素点的清晰度后，将其写入三维清晰度矩阵M(n，W，H)，具体表达为

M(i，x，y)=argSi(x，y)

(3)

3.2 清晰度评价区域的自适应选择

由于在图像中像素点与有限范围内的像素具有深度相通性，因此本文提出“以点带面”的思路，选取深度相似的一片区域来计算中心像素点的清晰度。为此，首先需建立一张包含织物表层完整深度信息的图像，以此为基础自适应选取评价区域。评价区域的自适应选择算法流程如图4所示。预重建深度图像、提取的绒毛图像以及去除小目标及填充孔洞效果如图5所示。

图4 评价区域的自适应选择算法流程Fig.4 Flowchart for adaptive selection of sharpness evaluation region

(a) 预重建深度图像

(b) 提取的绒毛图像

(c) 去除小目标及填充孔洞

填充孔洞后的深度图像依据深度分解为4层子图象，连通区域的边界即为选择清晰度评价区域的限制边界，连通区域的半径均值即为清晰度评价区域的预设半径。4层子图像分解及提取的限制边界如图6和7所示。

图6 子图象分解Fig.6 Sub-images of extracted fuzz

图7 限制边界Fig.7 Boundaries for diffusion

获得预设半径和限制边界后，以待检测清晰度的目标像素为中心，采用逐步扩散的方式自适应获取清晰度的评价区域。当预设半径为5时，目标像素的限制边界内扩散如图8所示。

(a) 目标像素点

(b) 第1次扩散

(c) 第2次扩散

(d) 第3次扩散

(e) 第4次扩散

(f) 第5次扩散

3.3 深度重建实例

以图2所示的4级织物样本序列图像为源图像，获取每一像素点深度值后投影至[0，255]灰度空间建立深度图像。深度图像中像素的灰度强度表示深度信息，灰度越深说明深度值越大。建立的深度图像如图9所示，该深度图像包含了织物表面及绒毛的三维高度信息。从图9中可以看出，绒毛的形态完整，与织物表面差异明显，边界清晰，这有利于后续对绒毛的提取和检测。

图9 深度图像Fig.9 The depth image

3.4 试验分析

由于自然起毛起球的织物上绒毛的分布随机且深度跨越较大，目前并没有直接检测织物上绒毛分布的方法，无法建立标准的面料深度图像，故而难以验证深度重建算法的准确性，因此设计了自制样本。自制样本的制作方法为：选取一块未起毛起球的面料，从该织物中抽出1根纤维放置于同块织物上。自制样本上仅有一根绒毛，且是人为放置，因此其绒毛的数量、深度分布和位置是已知的，可以以此为目标讨论本文提出的深度重建算法的准确性。选用3种常用的经典清晰度评价函数(图像熵、灰度方差、梯度)与本文提出的清晰度评价函数进行对比。各清晰度评价函数建立的深度图像如图10所示。

(a) 基于图像熵

(b) 基于图像梯度

(c) 基于灰度方差

(d) 基于区域梯度方差(本文提出)

Fig.10Depthimagereconstructionbasedondifferentclarityevaluationmethod

从图10可以看出:采用图像熵清晰度评价建立的深度图像几乎看不出绒毛形态；梯度算法建立的深度图像在深度较低区域能获得较为完整的绒毛；灰度方差算法重建的深度图像中绒毛边界模糊，并且有多处绒毛断裂；基于本文提出的清晰度评价方法得到的深度图像中的深度变化与绒毛实际起伏一致，且绒毛形态完整、边缘清晰。

由于利用多焦面序列图层提取深度信息的算法为本文首次提出，目前尚未有客观评价指标，因此本文采用融合图像的质量评价指标图像信息熵(RIE)、交互信息量(RIM)、平均梯度(RAG)来表征4种清晰度评价函数的客观评价。4种清晰度评价方法的客观评价效果如表3所示。

表3 清晰度指标评价

从表3中可以看出，本文提出的清晰度评价方法获得了最大交互信息和图像信息熵，说明该方法建立的融合图像能最大程度保留源图层的信息，同时，基于灰度方差的清晰度评价函数建立的融合图像在平均梯度上表现最佳。

本文方法与灰度方差算法分别建立的融合图像局部放大图如图11所示。从图11中可以看出，基于灰度方差算法的图像锐度更大，边界更清晰，然而噪点较多，且绒毛位置有一处断裂。因此本文提出的算法虽然边界锐度不如灰度方差，但是抗噪能力更强，测算的像素点清晰度也更准确。

(a) 基于区域梯度方差

(b) 基于灰度方差

4 结 论

(1) 提出了基于显微光学切片的深度重建方法，利用显微镜采集的序列多层图像测算织物表层的深度信息，实现了在光学摄像头下对织物表面及绒毛和毛球高度的获取，为后续绒毛的分割和检测提供了深度数据。

(2) 选用了均值滤波、高斯滤波和中值滤波对所有图层进行去噪预处理，并采用峰值信噪比(FPSNR)和均方误差(FMSE)比较各方法的去噪效果。结果显示中值滤波能更多地保留源图像的边缘。

(3) 深度信息获取的基本思路为建立三维清晰模值矩阵，并求取清晰极值点的图层位置以此测算织物表面深度。通过将本文提出的算法与图像信息熵、灰度方差和图像梯度进行比较，试验结果表明，本文提出的清晰度评价方法不仅能准确测量像素点清晰度，且抗噪能力强。