基于最大穩(wěn)定極值區(qū)域的織物毛球分割算法*

錢月晶

（浙江工貿(mào)職業(yè)技術(shù)學院 信息傳媒分院，浙江溫州 325003）

0 引言

人們的日常生活離不開各種各樣的織物類產(chǎn)品，比如衣物、床單等。隨著生活水平的提高，人們對這些產(chǎn)品的質(zhì)量要求也越來越高。衡量織物類產(chǎn)品質(zhì)量好壞的一個重要指標就是織物的抗磨損性能，即織物表面的起毛和起球的程度。傳統(tǒng)的評價織物起球程度的方法是樣照比對法，即安排專門的測試人員將待檢測的織物與標準的樣照進行對比，根據(jù)測試人員的主觀判斷來決定待測織物的起球程度。對于同一個待測的織物樣品，不同的測試人員可能得出不同的檢測結(jié)果，因此，客觀準確地對織物起球程度進行自動評價是近年來比較熱門的研究課題。

文獻[1]次將圖像處理的方法用于客觀評價織物起球程度，該文采用近切向光源照射樣本來獲取毛球與織物背景對比較為明顯的圖像，然后采用兩個不同的閾值對該圖像進行二值化處理，最后將該二值化圖像與標準樣照的二值化圖像進行比較來得出最后的評級結(jié)果。采用圖像處理和分析的方法來客觀評價織物起球程度也是近年來較為流行和實用的一類方法，比如周圓圓等提出利用傅里葉頻譜分析和增強的OTSU局部閾值法對織物表面的毛球進行提取和分析[2]，Eldessouki等提出將計算機視覺和軟計算系統(tǒng)相結(jié)合用于織物表面毛球分析的方法[3]，Technikova 等提出了基于梯度場的圖案面料起球評價方法[4]，Caijuan Ren 等提出了基于Hough 變換和Gabor 濾波的織物起球等級評判方法[5]，Chin-Ling Lee 等提出了基于模糊小腦模型清晰度控制器（Fuzzy CMAC）的針織物起球分類方法[6]。這些方法大致分為四個步驟[7]：織物表面圖像的獲取、毛球檢測和分割、毛球特征提取、毛球等級評定和分類。

毛球檢測和分割的過程就是從復雜的織物背景中將毛球提取出來。精確地對毛球進行分割是準確對織物的起球程度進行評估的關(guān)鍵一步。常用的分割方法有[8]：基于閾值的方法，基于邊緣的方法，基于區(qū)域的方法，基于小波的方法，基于遺傳算法的方法，基于人工神經(jīng)網(wǎng)絡的方法，基于主動輪廓模型的方法以及基于聚類的方法等等。文獻[1]采用基于閾值的方法來對樣本圖像進行二值化處理，從而獲得毛球分割后的圖像。這種方法簡單可行，但是對樣本圖像要求較高，即獲取的樣本圖像需要毛球與背景有較為明顯的區(qū)別。為了解決這個問題，可以通過對原始圖像進行一些預處理操作來增強毛球和背景的對比度，常用的方法有：對原始圖像進行去噪和邊緣增強處理[9]，對原始圖像的背景采用形態(tài)學的方法進行膨脹和腐蝕處理[10]，對原始圖像的紋理采用傅里葉變換的方法[11]或小波變換的方法[12]進行剔除等等。

文獻[2]利用傅里葉變換技術(shù)在頻域濾除織物的紋理結(jié)構(gòu)，然后采用增強的OTSU 局部閾值法來對織物表面的毛球進行分割，進而提取毛球的特征用于對織物的起球程度進行自動評級。但是在光照不均勻或者強度不夠時，織物表面的毛球的像素值與織物紋理的像素值非常接近，諸如OTSU 法之類的閾值分割法就不能獲得滿意的分割效果。為了解決該問題，本文結(jié)合毛球的局部特性，提出了基于最大穩(wěn)定極值區(qū)域的毛球分割方法。該方法可以描述為：首先，對于樣本圖像的每一個通道，在傅里葉變換域內(nèi)利用頻譜濾波的方法對毛球進行粗分割，并對粗分割的結(jié)果采用直方圖均衡化的方法進行增強；其次，利用MSER算法提取增強后的圖像的極小值區(qū)域，并利用形態(tài)學的方法剔除那些明顯不是毛球的小區(qū)域，以此得到毛球的精分割結(jié)果；最后對樣本圖像的三個通道的檢測結(jié)果進行“或”操作，得到最終的毛球區(qū)域。實驗結(jié)果顯示，在二維OTSU 分割法無法準確分割出毛球區(qū)域的情況下，基于最大穩(wěn)定極值區(qū)域的方法能有效地對織物表面的毛球進行分割，具有一定的實用性。

1 最大穩(wěn)定極值區(qū)域簡介

最大穩(wěn)定極值區(qū)域（Maximally stable extremal regions，MSER）的概念是Matas[13]在2004 年提出的?；谧罘€(wěn)定極值區(qū)域的方法不用對圖像進行平滑處理，具有多尺度檢測功能，相比傳統(tǒng)的閾值方法具有更好的穩(wěn)定性、更高的計算效率、更強的抗噪能力，已經(jīng)廣泛應用于圖像配準[14]、車牌識別[15]、道路障礙物檢測[16]、圖像特征提取與檢測[17]等領域。

最大穩(wěn)定極值區(qū)域的基本思想可以描述為[18]：對于一幅灰度圖像，假定其灰度值范圍為[0,1,…,255]。對于每一個閾值t=0,1…255，都對應一幅閾值分割圖像It，其中高于閾值的像素被設置成白色像素，低于閾值的像素被設置成黑像素。所有的圖像It構(gòu)成一個序列圖像It=0:255，在這個序列圖像中，我們可以發(fā)現(xiàn)，對于某些特定的區(qū)域，在一個很大的閾值范圍內(nèi)，其結(jié)構(gòu)（即二值化結(jié)果）非常穩(wěn)定，這些特定的區(qū)域就是最大穩(wěn)定極值區(qū)域。圖1是經(jīng)過預處理的織物毛球圖像在閾值從5開始，以5 為步長變化到25 的分割結(jié)果。圖中可以看到，在閾值從10到20的變化過程中，黑色區(qū)域的分割結(jié)果的差別不是非常明顯，這些變化不明顯的區(qū)域即為最大穩(wěn)定極值區(qū)域，也就是毛球區(qū)域。

圖1 不同閾值的分割結(jié)果

2 算法實現(xiàn)

2.1 基于頻域濾波的織物毛球粗分割

文獻[2]和文獻[19]采用傅里葉變換獲取織物圖像的頻譜圖，再對頻譜圖中的峰點及其周圍區(qū)域進行適當?shù)奶幚砗髞慝@取織物表面的紋理結(jié)構(gòu)。本文采用該方法來剔除織物圖像的紋理結(jié)構(gòu)，進而得到織物圖像的粗分割結(jié)果，具體實現(xiàn)步驟如下[2]：

（1）對輸入圖像進行對數(shù)拉伸：

其中c是一個常數(shù)，本文設置為1。

（2）計算待測圖像的頻譜；

（3）設定一個閾值thr，根據(jù)頻譜幅值的大小與閾值的關(guān)系來濾除代表織物紋理的頻率信號；

（4）恢復頻譜中心點周圍半徑為r 的區(qū)域R內(nèi)的代表毛球的頻率信號，其中r大小的確定參閱第4節(jié)粗分割所述；

（5）傅里葉反變換得到分割結(jié)果。

（6）對分割結(jié)果進行對比度拉伸，得到最終的粗分割結(jié)果：

其中m是圖像均值，e是控制曲線斜率的參數(shù)，本文設置為2。

2.2 基于極小值區(qū)域檢測的織物毛球精分割

采用基于頻域濾波的方法對織物毛球粗分割后，毛球區(qū)域仍然不是十分明顯，也無法對毛球的大小、數(shù)量等信息做出準確的估計，因此需要在粗分割的基礎上進一步進行精分割?；跇O小值區(qū)域檢測的織物毛球精分割的算法實現(xiàn)步驟如下：

（1）對粗分割結(jié)果采用直方圖均衡化進行增強：

其中，sk是直方圖均衡化的輸出灰度級，rk是輸入灰度級，nj是第j 個灰度級像素的總個數(shù)，N是所有像素的總個數(shù)；

（2）增強后的圖像的所有像素點進行排序，并采用并查集算法(union-find algorithm)計算并更新連通分量結(jié)構(gòu)和連通分量面積；

（3）對所有的連通區(qū)域R1,R2…Rn，其中第一個區(qū)域是后一個區(qū)域的子區(qū)域，即Ri∈Ri+1，用公式(8)計算連通分量面積的變化率，進而獲取最大穩(wěn)定極小值區(qū)域。

2.3 基于形態(tài)學開運算的區(qū)域篩選和修正

開運算是態(tài)學中的一個重要運算，是由膨脹和腐蝕組合而成的復運算。開運算可以去掉圖像上細小的突出部分，斷開狹窄的連接。

經(jīng)過形態(tài)學開運算得到的毛球區(qū)域與實際毛球區(qū)域會存在一定的偏差，這是由于光照的影響，實際檢測出來的應該是毛球陰影的區(qū)域，為了得到真實的毛球區(qū)域，需要對檢測區(qū)域進行校正。本文將檢測區(qū)域分別沿x軸和y軸平移一定的距離，并剔除邊界的一些誤檢區(qū)域，以此來完成對區(qū)域的修正。

3 實驗過程和結(jié)果分析

為了驗證該分割方法的準確性，在Pentium 3.2 GHz，內(nèi)存16GB 的PC 上 利用MATLAB-R2014a 軟件進行實驗。實驗對毛球區(qū)域較為明顯的樣本進行毛球區(qū)域的分割，以此來驗證本文提出方法的準確性。包含圖像預處理、粗分割、精分割、形態(tài)學處理、結(jié)果對比等五個環(huán)節(jié)，實驗的測試圖片如圖2a和圖2b。

圖2 (a)測試圖1；(b)測試圖2

3.1 圖像預處理

當圖像的傅里葉譜的范圍過高時，會導致頻譜中低亮度值的可視細節(jié)丟失，通過對數(shù)變換可以避免這個問題。圖3a 和圖3b 分別是圖2a 的原始灰度圖像和進行對數(shù)變換后的灰度圖像。對比變換前后圖片可以看到，經(jīng)過對數(shù)變換后的圖片的紋理更清晰，也更有利于后面的進一步處理。

圖3 (a)對數(shù)變換前的圖像；(b)對數(shù)變換后的圖像

3.2 粗分割

開運算是形態(tài)學中的一個重要粗分割過程，公式(4)中用于恢復毛球頻率信號的半徑r 的確定步驟如下：

（1）對于功率譜圖Sp的每一個像素點p(i,j)，計算以該像素點為中心，大小為21×21的窗口內(nèi)的功率譜對應的最大值，如果該窗口最大值等于該像素點的值，則該像素點是Sp的一個局部最大值點；

（2）以功率譜圖最大像素值的80%為閾值對所有局部最大值點進行進一步取舍，僅保留對應像素點的像素值大于該閾值的局部最大值點；

（3）計算除功率譜中心點以外的所有局部最大值點與功率譜中心點的距離，取其中的最小值作為半徑r；

圖4a 和4b 分別是圖2a 的灰度圖得到的粗分割圖和對比度拉伸后的粗分割圖：

圖4 (a)未經(jīng)過對比度拉伸處理的粗分割結(jié)果；(b)經(jīng)過對比度拉伸處理后的粗分割結(jié)果圖

由圖4 可以看出，經(jīng)過對比度拉伸后的粗分割圖中的毛球區(qū)域比未經(jīng)過處理的粗分割圖的毛球區(qū)域更為明顯，因此有必要對粗分割圖進行對比度拉伸變換的處理。

3.3 精分割

開運算時形態(tài)學中的一個重要實驗精分割過程中，分別采用二維OSTU 方法和最大穩(wěn)定極值區(qū)域方法對毛球粗分割后的圖像進行精分割，圖5a 和5b 分別是圖2a 和圖2b 的兩種方法的精分割結(jié)果圖，左邊為采用極小值區(qū)域檢測的分割方法，右邊為采用二維OTSU方法的分割結(jié)果。

圖5 (a)采用極小值區(qū)域檢測分割方法的精分割結(jié)果；(b)采用二維OTSU分割方法的精分割結(jié)果

由結(jié)果可知，基于二維OTSU 的方法不能將毛球從織物表面合理分割出來，這是由于毛球與織物過于相似，在很大一個的基于像素值的閾值范圍內(nèi)，毛球與織物表面都具有很接近的像素值，因此，傳統(tǒng)的基于像素值的單一閾值分割方法也就不能獲得滿意的分割效果?；谧畲蠓€(wěn)定極值區(qū)域的方法是基于毛球的局部特征性，不依靠單一的閾值，能獲得較好的分割效果。

3.4 形態(tài)學處理

采用極小值區(qū)域檢測方法得到的精分割圖像中存在很多細小的區(qū)域，這些區(qū)域明顯的不屬于毛球區(qū)域，需要對這些區(qū)域進行剔除。另外，由于光照的影響，檢測的區(qū)域?qū)嶋H為球陰影的區(qū)域，有必要對毛球區(qū)域進行修正。圖6a 和6b 分別是圖2a 和2b單通道的最終檢測效果圖。

圖6 (a)測試圖1對應的形態(tài)學處理后的分割結(jié)果圖；(b)測試圖2對應的形態(tài)學處理后的分割結(jié)果圖

3.5 結(jié)果比對

實際的樣本為RGB三通道的彩色圖，為了提高檢測精度，實驗對三個通道分別進行檢測，并對檢測后的結(jié)果采取“或”操作來確定最終的毛球區(qū)域。為了進一步驗證基于最大穩(wěn)定極值區(qū)域的分割方法的有效性，實驗將樣本中的毛球區(qū)域與原始圖片融合在一起進行視覺比對，比利用檢測準確率和漏檢率來衡量該方法的準確性。其中檢測準確率Det_Ratio和漏檢率Loss_Ratio分別定義為：

檢測結(jié)果與人工標注結(jié)果的對比如圖7 所示，其中圓圈包含的區(qū)域代表人工標注的毛球區(qū)域，檢測準確率和漏檢率如表1所示：

圖7 (a)測試圖1對應的檢測結(jié)果與人工標注對比圖；(b)測試圖2對應的檢測結(jié)果與人工標注對比圖

結(jié)果表明，本文提出的基于最大穩(wěn)定極值區(qū)域的方法能將大部分的毛球區(qū)域準確分割出來。圖2b的檢測效果明顯優(yōu)于圖2a的檢測效果，主要是因為圖2b 中的毛球區(qū)域更為明顯，而圖2a 中有大量的起毛而非起球區(qū)域，所以導致誤檢和漏檢較多。

表1 毛球分割結(jié)果統(tǒng)計

4 結(jié)束語

對于獲取的織物圖像，織物毛球的灰度值與織物紋理的灰度值非常接近，傳統(tǒng)的基于閾值的分割方法難以獲得滿意的分割效果。本文首先采用對數(shù)變換對圖像進行預處理，并通過頻譜分析對織物進行粗分割，再利用最大穩(wěn)定極值區(qū)域檢測算子對經(jīng)過對比度拉伸后的粗分割結(jié)果進行精分割，最后對三個通道的檢測結(jié)果進行“或”操作來獲取最終的毛球區(qū)域。實驗結(jié)果表明，該方法能夠準確將織物表面的毛球區(qū)域進行分割，具有一定的實用性和參考價值，能夠進一步將其用于基于機器視覺的織物起毛起球等級評價系統(tǒng)。