文/陆世栋 张朝晖 王扬 赵倚天 熊宗伟

1 引言

在不同轧工等级的棉花中存在不同程度的非纤维性物质以及附生杂质，如棉籽、破籽、带纤维籽屑、软籽表皮等。这些非纤维性物质或杂质在棉花样本的成像结果中，通常在形状规则、灰度分布上具有局部灰度均值低、灰度方差小、单个区域覆盖面积小的特点，并且通常位于图像的局部暗区。因此，我们称之为“深色疵点区域”。

通常随着棉花轧工质量的下降，深色疵点数目有增加的趋势。可以说深色疵点信息的多少是事关棉花轧工质量优劣的重要特征之一。但深色疵点的提取面临两个主要难点：第一，深色疵点的面积相对于整幅图像的大小，几乎可以忽略；第二，不同光照条件下，深色疵点区域的灰度均值有明显的不同。

理论分析及试验经验表明：单纯依赖一般的基于灰度统计特性的阈值估计法，提取深色疵点区域，不具有光照不变性的特点。为此本文提出一种基于图像局部边界灰度统计特性的深色疵点特征提取算法。

2 算法描述

由于深色疵点区域的面积相对于整幅图像的面积几乎可以忽略，因此，我们可将深色疵点区域的提取视为大图像中“小目标区域”的自适应分割问题；而位于疵点区域边界附近的像素一般会以近似等概率的方式属于背景区、目标区。本文利用该特点，提出了一种基于局部边缘灰度统计特性的深色疵点特征提取算法，以有效获取可区分大背景与小目标区域的灰度阈值。以下是关于算法的描述。

输入：棉花样本的灰度图像

输出：深色疵点的数目

实现步骤：

STEP1.读取原始图像。

STEP2.基于Gaussian-Laplacian运算的小目标区域边缘检测。

a.对图像进行Gaussian-Laplacian运算，取绝对值，得绝对值图像；

b.将绝对值图像取值升序排列，取位于前99.99%位置的值作为阈值；

c.基于阈值，将绝对值图像二值化，得模板图像。

其中，与取值1对应的输入图像位置为边缘点位置；其他为无效位置。

STEP3.基于边缘模板图像局部灰度统计特性的自适应阈值估计。

a.以边缘模板图像的边缘信息为指导，取原始图像中对应边缘点处的归一化灰度直方图；

b.基于灰度直方图，采用OTSU法，得到最优阈值估计结果。

STEP4.基于最优阈值，对原始图像进行二值化，得疑似深色疵点区域的二值图像。

STEP5.基于形态学滤波的完整深色疵点区域获取。

考虑到数字成像只是关于棉花外观的图像获取，而隐藏在棉花样本浅层的深色疵点会被浅色的棉花纤维分成多个孤立部分，因此基于数学形态学的开、闭基本运算，进行二值图像形态学滤波，得到可反映输入图像完整深色疵点区域的二值图像。

STEP6. 对二值图像进行连通区域标记，得到深色疵点数目统计结果num及疵点轮廓提取。

3 试验与分析

为便于视觉上的直观比较不同光照强度下的深色疵点的检测结果，图1给出了同一棉花样本在不同光照强度下，检出的疵点轮廓与检测前的灰度图像的融合效果图。

图1 相同棉花样本在不同光照强度下深色疵点的检测结果(检测的疵点以绿色轮廓标记)

由图1观察得知：本文提出的深色疵点检测算法具有稳定的检测性能，结果具有较好的一致性。如图2所示，给出了基于该算法得到的同一棉花样本在不同光照强度下疵点特征的提取情况。由该图可以知道，即使在光照强度差异较大情况下，疵点的检测仍能取得比较稳定的结果。

为便于直观比较不同轧工级别的棉花样品表面深色疵点，我们对人工标注的1800个棉花样本图像，分别进行了深色疵点特征的检测，并对于同级别的样本图像计算了深色疵点数目的均值(mean)以及标准差(std)的统计指标；在此基础上，分别按照“mean-std(均值-标准差)”“mean(均值)”“mean+std(均值+标准差)”“std(标准差)”4种方式，在图3得到了棒线图(bar)。

图2 相同棉花样本在不同光照强度下黑色疵点检测数目的统计图

图3 不同轧工级别的棉花样本图像深色疵点检测数目的统计棒线图

由左至右分别为P1、P2、P3级。

为便于横向比较不同等级棉花样本的深色疵点特征取值的动态范围，图4还以箱式图(boxplot)的方式，将各轧工级别的棉花样本图像表面深色疵点检测数目分布直观可视化出来。

图4 不同轧工级别的棉花样本图像的深色疵点检测数目的分布(其中1、2、3分别对应轧工级别的好、中、差)

4 结论

本文提出一种面向棉花轧工质量分级的深色疵点提取算法。

试验分析表明：本算法具有较好的光照稳定性；尽管利用图像处理的方式检测得到的深色疵点区域只能反映棉花样本表面的深色疵点分布情况，但深色疵点数目的分布趋势与评测人员对不同轧工级别的棉花样本的认识是一致的，即：轧工质量越好，深色疵点数目平均值越少、其取值的动态范围也更小；轧工质量越差，深色疵点数目的平均值越大、分布的动态范围越大；总的趋势是深色疵点数目以及取值的动态范围随着轧工质量的降低而存在增加的趋势。