基于分水岭与阈值分割相结合的织物毛球检测

张俊平

(浙江工贸职业技术学院，浙江 温州 325000)



基于分水岭与阈值分割相结合的织物毛球检测

张俊平

(浙江工贸职业技术学院，浙江 温州 325000)

摘要：起球图像中毛球分割是织物起球客观评定方法研究的一个关键步骤，同时也是一个非常困难的问题，其分割结果直接影响客观评定的精度.为此，采用在梯度图像上运用分水岭分割算法对织物毛球图像进行分割，但是该方法易出现过分割现象，为了解决这个问题，该文在织物起球图像分水岭变换结果的基础上进行进一步阈值分割.实验分析表明，该方法能够获得比较精确的毛球检测结果.

关键词：织物图像；毛球；分水岭；图像分割

0引言

对织物中毛球个数与毛球大小的检测是度量织物质量好坏的一个关键指标，根据织物的起球程度对织物的质量进行分级.传统的分级方法主要依靠人的分辨，同一个人在不同时间对同一织物进行评定或者不同的人同一织物进行评定都会存在差异，带有很强的主观性，因此，在纺织品质量检测领域，可靠客观的织物毛球质量评级方法显得尤为迫切[1].随着应用的需要，采用最新的技术对织物起球程度进行客观评级是一种趋势[1-4].织物起球图像中毛球的检测分割是织物品级客观评定系统中的一个关键步骤，毛球检测结果的好坏将直接影响纺织品评级的精度.目前采用的织物起球图像分割方法主要建立在图像灰度信息上，其中主要的方法有阈值分割法[3]、模糊聚类方法[5]、基于频域滤波的分割方法[6]、区域增长法[7].这些方法在许多应用领域都获得了广泛应用，但是没有一种方法适合于所有类型的应用.

分水岭图像分割算法能够取得较理想的图像分割结果，因其计算速度快，图像边缘信息定位精确等优点，受到了广泛的关注和应用[8].但是，这种算法存在过分割现象，导致待分割图像过细，分割出来的区域过多等缺点[9-10].

本文结合分水岭图像分割算法的性能优势进行织物起球图像的分割，为了弥补分水岭图像分割算法出现的过分割问题，本文采用梯度变换的分水岭分割算法，同时结合图像阈值分割技术来解决分水岭分割算法的过分割问题.与阈值分割法和分水岭分割法相比具有明显的优势.

1分水岭图像分割基本原理

分水岭图像分割算法的思想最初源于测地学的地形地貌.灰度图像可以看作是一片地形，在地形中每一点的海拔高度分别与每一点的灰度值对应，在该地形图中有高地、分水线、集水盆等地貌特征，分水岭的概念是通过模拟自底向上逐渐淹没该地形图的过程来展示[8].分水岭分割算法的主要目的是找出集水盆地之间的分水线.

边缘增强是梯度图像的一个明显特征，形态学的梯度图像使得图像的灰度级跃变变得更加明显，这样灰度信息的变化将更加突出.因此本文在梯度图像上运用分水岭分割算法进行织物起球图像的分割.

图1　本文织物起球图像检测示意图

2本文提出的方法

本文在使用分水岭分割算法后，进一步使用阈值分割算法对图像进行再次分割.在获得的梯度图像上运用分水岭分割算法进行分割，通过对梯度图像的分割得到原图像的分水岭变换结果，该结果由许多不同的区域组成，同时也发现分水岭变换图像后存在明显的过分割现象.通过将该图像中的每一个区域看作一个超像素，从而构成一幅新的图像，最后对新构造的图像进行阈值分割，并将该分割结果映射到原待分割的织物起球图像上，最终获得织物起球图像的分割结果.本文方法的基本流程如图1所示，主要由分水岭分割算法与阈值分割算法组成，先对织物毛球图像的形态学梯度图像进行分水岭分割，从而获得灰度图像的分水岭变换结果，然后将灰度图像的分水岭变换图像的每一个区域当作一个超像素来看待，最后采用阈值分割技术对超像素构成的图像进行分割.

2.1织物图像的分水岭分割

传统的基于分水岭的图像分割算法直接对原始图像进行分割处理，但是当图像细节或纹理区域的灰度变化不是很明显时，该方法不能获得满意的分割效果.为了解决该问题，本文利用梯度作为图像细节或纹理区域变化程度的度量，提出了利用形态学梯度的分水岭分割方法来进行织物起球图像的分割.首先采用形态学梯度算子计算并得到梯度图像，然后再用分水岭法对该梯度图像进行分割处理.

图像腐蚀运算定义如下：

(1)

其中，Ds是s的定义域，f表示图像，s(x,y)表示结构元素，x,y表示坐标.

图像膨胀运算定义如下：

(2)

本文将膨胀和腐蚀结合起来计算形态学梯度，梯度图像g计算如下：

g=(f⊕s)-(fΘs)

(3)

通过式(1)—(3)的计算获得织物毛球图像的形态学梯度图像，原织物毛球图像如图2(a)所示，计算出来的形态学梯度图像如图2(b)所示，然后对该梯度图像进行分水岭分割，从而可以获得梯度图像上的分水岭变换结果与灰度图像上的分水岭变换结果.梯度图像上的分水岭变换结果如图2(c)所示，灰度图像上的分水岭变换结果如图2(d)所示.从灰度图像的分水岭变换结果可以看出，图像是由很多个小的区域组成，每个区域内部像素的灰度相同或者相近.将图像的每一个区域看作一个超像素，超像素的灰度值用该区域的灰度均值来计算.由此可以获得一幅与织物起球图像对应的超像素图像.

图2　织物起球图像分水岭分割效果

2.2基于Otsu的织物超像素图像分割

阈值分割的基本原理是：寻找一个灰度值，将图像中的每个像素灰度值与之比较，根据一定的比较规则(比如：大于该灰度值的像素被称为目标区域，反之则被称为背景区域)将图像分成背景区域和目标区域，从而完成对图像的二值化处理.由原理可知，阈值分割算法的关键是阈值的确定.最大类间方差的阈值分割法[11]也被称为Otsu阈值分割法，是目前最常用的阈值分割算法之一，因此本文采用Otsu阈值法对织物起球图像的超像素图像进行阈值分割.

Otsu算法以图像的灰度直方图为依据，以目标和背景的类间方差最大为阈值选择准则.其基本原理如下：

σ2=w0(u0-u)2+w1(u1-u)2=w0w1(u0-u1)2

(4)

当类间方差取得最大值时，与其对应的阈值T即为要找的最优分割阈值.

Otsu阈值分割算法在很多应用中都具有较好的表现，由于织物起球图像受光照和噪声的影响，直接应用Otsu算法进行织物起球图像的分割，并不能获得较满意的结果，因此本文运用Otsu阈值分割法对2.1节中获得的织物起球图像的超像素图像进行阈值分割，分割完成后，即可知每个超像素是属于哪一类的，然后根据这些超像素的位置求得原始织物起球图像各个像素是属于哪一类的.

3实验结果与分析

图3、图4和图5分别展示了棉、麻、毛类织物起球图像的毛球分割结果.通过观察图3—5发现，经过分水岭分割后，织物起球图像已经被分成了若干个小区域，在这些小区域内部，灰度值十分接近，这种分水岭图像分割算法存在明显的过分割现象；直接应用Otsu分割算法进行织物起球图像的分割，效果也不是很理想，究其原因是因为织物起球图像中存在大量的纹理信息，同时也存在一部分噪声点，由于这些信息的存在导致了Otsu最终的阈值分割效果不佳；而本文算法基本能够较精确地分割出织物起球图像中的毛球.本文算法能够取得较好的分割效果主要是因为传统的分割算法是直接对单个像素点进行处理，而本文算法则首先采用分水岭分割算法将图像分割成若干个小的区域，然后将每个小区域当作一个超像素来看待，其中超像素的灰度值用该区域的均值来替代，通过这样的处理既去除了织物图像的纹理信息，同时也滤除了一些噪声点对最终分割效果的影响，为接下来的阈值分割方法提供了有利的条件.最后应用Otsu阈值分割算法对相应的超像素图像进行阈值分割，并将该分割结果按对应的像素空间位置映射到原始图像中来获得最终的分割结果.通过本文实验分析可以发现将分水岭图像分割算法与阈值图像分割算法相结合来进行织物起球图像中毛球的分割检测具有较好的效果，该方法充分利用了这两种分割算法的优势，同时也弥补了这两种方法各自在织物起球图像分割中的劣势，大大提高了织物起球图像的分割性能.

上述实验从视觉效果上展示了本文毛球分割算法的性能，为了进一步客观评价本文算法分割效果，对本文算法分割出来的毛球区域与人工勾画出来的毛球区域进行对比分析，具体是统计正确率P(正确分割出来的毛球比率)和漏检率L(漏分割的毛球比率).

(5)

(6)

图3　棉料织物起球图像的毛球目标分割

图4　麻料织物起球图像的毛球目标分割

图5　毛料织物起球图像的毛球目标分割

分别对比图3—5，本文方法分割出来的毛球与人工勾画的毛球区域进行对比，统计正确分割的织物毛球数与漏分割的织物毛球数，并根据式(5)和式(6)计算出相应的分割正确率与漏检率.人工勾画出来的织物毛球区域如图6所示.本文方法对应的毛球分割正确率与漏检率如表1所示.图6的视觉效果以及表1的统计数据进一步表明了本文提出的织物毛球分割算法在织物起球图像的毛球分割检测中具有较好的效果.

图6　手工勾画结果与本文分割毛球区域之间的对比

图像类别人工勾画毛球数检测毛球数正确检测毛球数漏检测毛球数正确率/%错误率/%棉料织物起球图像353732386.498.57麻料织物起球图像262722481.4815.38毛料织物起球图像565751589.478.93

4结束语

织物毛球检测一直备受关注，本文运用图像处理技术对织物起球图像进行分割，提出了基于形态学梯度的分水岭图像分割算法与阈值分割相结合的织物起球图像分割方法.实验结果表明本文提出的方法通过构建超像素既解决了分水岭图像分割方法的过分割问题同时又提高了阈值分割方法的分割性能.与传统的分水岭图像分割算法和阈值分割方法相比，本文方法通过构建超像素可以避免噪声点对分割结果的影响，同时也能很好地去除织物起球图像中的纹理信息，从而提高了织物毛球分割的精度.但是该方法是通过均值来构建超像素，而超像素的全局特征并没有被充分利用，因此有待进一步研究和改进.

参考文献

[1]PALMER S, WANG X.Objective Classification of Fabric Pilling Based on the Two-Dimensional Discrete Wavelet Transform[J].Textile Research Journal,2003,73(8):713-720.

[2]KANG T J, CHO D H, KIM S M. Objective Evaluation of Fabric Pilling Using Stereovision[J]. Textile Research Journal,2004,74(11):1013-1017.

[3]杜磊，李立轻，汪军，等.几种基于图像自适应阈值分割的织物疵点检测方法比较[J].纺织学报,2014,35(6):56-61.

[4]PALMER S, ZHANG J, WANG X. Performance of an Objective Fabric Pilling Evaluation Method[J]. Textile Research Journal,2010,80(16):1648-1657.

[5]陈婷婷,程小平.采用模糊形态学和形态学分水岭算法的图像分割[J].西南大学学报(自然科学版),2008,30(3):142-145.

[6]张勇,马俊,邓中民.基于小波变换与形态学的织物毛球检测[J].针织工业,2015(3):64-66.

[7]REVOL C, JOURLIN M. A new minimum variance region growing algorithm for image segmentation[J]. Pattern Recognition Letters,1997,18(3):249-258.

[8]沈晶，杨学志.一种新的边缘保持分水岭的图像分割算法[J].工程图学学报.2009,30(5):80-88.

[9]张毅.分水岭算法在图像分割中的应用研究[D].广州:广东工业大学，2013.

[10]徐奕奕，刘智琦，刘琦.基于改进的分水岭算法图像分割方法研究[J].计算机仿真.2011,28(9):272-274.

[11]朱志亮.基于肤色分割的人脸检测与定位算法研究[D].南昌:江西师范大学,2013.

DOI：10.13954/j.cnki.hdu.2016.03.014

收稿日期：2016-03-16

基金项目：温州市公益性科技计划资助项目(G20150018)

作者简介：张俊平(1967-)，男，浙江东阳人，副教授，计算机应用.

中图分类号：TP391.41

文献标识码：A

文章编号：1001-9146(2016)03-0068-05

Based on the Combination of Watershed Algorithm and Otsu Threshold Segmentation Method for the Fabric Pilling Detection

ZHANG Junping

(ZhejiangIndustry&TradeVocationalCollege,WenzhouZhejiang325000,China)

Abstract：Fabric pilling segmentation is one of the key steps in an objective evaluation of fabric pilling method research, and this is a very difficult problem and the segmentation result directly affects the precision of the objective evaluation. Aiming at this problem, this paper proposes the use of gradient-changed watershed segmentation algorithm for segmentation of fabric image, due to the over-segmentation phenomena caused by watershed algorithm, this paper further proposes the use of the threshold segmentation method for the segmentation of the watershed transform fabric pilling image. The experimental results show that the method can obtain satisfactory segmentation results.

Key words：power fabric image; fabric pilling; watershed algorithm; threshold segmentation