（模式识别与智能系统专业论文）基于dsp的原棉杂质实时检测系统.pdf

摘要 数字图像处理一直是这些年来研究的一个热点，尤其是随着现代计算机技术、微电 子、软件业的飞速发展，使得数字图像处理更加成为人们研究的方向之一。因此也同时使 得图像的边缘检测在许多领域受到研究人员的高度重视。在纺织行业中，原棉杂质的检测 与清除一直是困扰人们的一大难题。这主要是因为目前许多地方原棉杂质的检测都需要手 工来完成。但是手工的效率低下、费用昂贵。因此基于这种现象，本课题设计一套基于d s p 的原棉杂质检测系统，该系统以d s p 为基础，以一种适合于该系统的算法为核心对杂质进 行有效的检测，以期能够替代人工的检测，从而节省人力、物力和财力。 本文首先介绍了数字图像处理的主要方法及在数字图像处理中常用的边缘检测的方法 然后介绍了以t i 公司的t m s 3 2 0 c 6 7 1 id s p 为核心图像处理系统，并针对于该图像处理系 统，通过分析现在已经各种检测算法，然后经过软件模拟分析比较以及各种算法的组合， 最终找到一种适合于该系统的算法组合，从而实现了基于d s p 的原棉杂质快速检测系统。 在论文的最后，还对本文所做的工作进行了总结并提出了有待完善的方面。 关键词；原棉杂质、数字图像处理、边缘检测、实时处理、d s p a b s t r a c t d i g i t a li m a g ep r o c e s s i n gi s ah o t s p o ti nr e s e a r c h e s p e c i a l l yw i t ht h ed e v e l o p m e n to f c o m p u t e rt e c h n o l o g y ，m i c r o e l e c t r o n i c sa n ds o f t w a r em o r ea n dm o r ep e o p l ea r ec o m m i t t i n g t h e m s e l v e st ot h er e s e a r c ho fd i g i t a li m a g ep r o c e s s i n g s ot h ee d g ed e t e c t i o no fi m a g en o wi s b e i n gr e s e a r c h e db ym a n ys c i e n t i s t s i nt e x t i l e - p r o c e s se n t e r p r i s e s ，t h ed e t e c t i o na n dc l e a n u po f i m p u r i t yi nc o t t o ai sp u z z l e dp e o p l ea ta l lt i m e sf o rt h er e a s o no ft h ew o r ko ft h ed e t e c t i o na n d c l e a n u po fi m p u r ec o t t o na r ea l ld o n em a n u a l l y a sw ea l lk n o w , t h ee f f i c i e n c yo fm a n u a l c l e a n u po fi m p u r ei nc o r o n i sv e r yl o wa n da tt h es a m et i m et h ec o s to fi ti sv e r yh i g h as e to f a u t o m a t i cr e c o g n i t i o ns y s t e mw h i c hu s e dd s pa n de d g ed e t e c t i o na l g o r i t h mw a sd e s i g n e d n o t o n l yc a r li tr e d u c et h ec o s t ，b u ta l s oc a ni m p r o v et h ee f f i c i e n c y ih o p ei tc a nc o m p l e t e l yr e p l a c e t h em a n u a ld e t e c t i o ni nt h ef u t u r e i nt h i s a r t i c l e ，t h et h e o r i e so fd i g i t a li m a g ep r o c e s s i n ga n di m a g ee d g ed e t e c t i o na r e i n t r o d u c e df i r s t l y t h e n ，t h ei n t r o d u c t i o no ft h ea u t o m a t i cr e c o g n i t i o ns y s t e mb a s e do nt i c o m p a n y st m s 3 2 0 c 6 7 1 1i sd e v e l o p e d a i m e da tt h ed e t e c t i o no fc o t t o n ，m o s to fe d g e d e t e c t i o n a l g o r i t h m s a r ea n a l y s e da n ds i m u l a t e dw i t hv i s u a lc + + t h r o u g ha l lk i n d so f c o m b i n a t i o na n dc o m p a r i s o n ，a na l g o r i t h mw h i c hf i tt ot h i ss y s t e mw a sf o u n d a tt h ee n do f t h i sa r t i c l e ，t h ep a p e ri ss u m m a r i z e d k e yw o r d s ：i m p u r i t yi nc o t t o n ；d i g i t a li m a g ep r o c e s s i n g ；e d g ed e t e c t i o n ； r e a lt i m ed e t e c t i o n ；d i g i t a ls i g n a lp r o c e s s o r ( d s p ) 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果， 除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果 也不包含为获得玉洼王些太堂或其他教育机构的学位或证书而使用过的材料。与我一同 工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。 学位论文作者签名： 够移 签字日期：2 0 0 5 年1 月2 7b 学位论文版权使用授权书 本学位论文作者完全了解云洼王些太堂有关保留、使用学位论文的规定。特授权丞 洼三些太堂可以将学位论文的全部或部分内容编入有关数据厍进行检索，并采用影印、 缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交 论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名： 彩硪 导师签名：魂殇 ，y ， v 签字日期：2 0 0 5 年1 月2 7 日签字日期：2 0 0 5 年1 月2 7 日 学位论文的主要创新点 一、本论文的创新点之一就是在对读入的图像有区分的进行边缘检测处理即首 先对读入的图像进行一下预处理。本文所采用的预处理就是对图像首先进行 f f t 处理，然后通过判断f f t 处理之后的幅值来确定要不要对所得到的图像 进行边缘检测处理。 二、本论文的创新点之二就是首先针对原棉杂质的检测学习了各种边缘检测的 算法的原理及其应用，比较之后再选择一种适合原棉杂质检测的算法应用到 了d s p ( c 6 7 1 1 ) 中。 第一章绪论 1 1 课题背景 第一章绪论 纺织业作为我国的传统行业，在国民经济和人民生活中起着举足轻重的作用。然而， 原棉在采摘、运输、加工等过程中不可避免地混入一些杂质，为了保证纺织品的质量，这 些杂质在纺纱之前必须清理干净。一般的杂质，如砂石等颗粒状的物质，尤其比重和形状 与原棉纤维有着较大的差异，可以通过简单的机械方法进行清除。但是在原棉中常常会含 有如头发、尼龙、细小绳段及其它非原棉纤维等杂质。因它们的形状及大小比重与原棉相 似，很难通过机械的方法将它们清除，所以现在纺织行业中不得不通过大量人员的手工清 除。 有关统计表明：一个清理人员每小时集中精力清理的杂质是有限的。若在短时间内没 有发现杂质，他的注意力就会降低，仅对明显的杂质有所反应，而对于比较小的细微杂质 将会错过。约有2 0 的杂质检查不出来。可见在纺织行业中，原棉中杂质的清除工作成为 制约工作效率的一个主要因素“1 。 近年来，随着微电子技术的发展，使得识别技术已经得到了迅速的发展和完善。计算 机图像识别技术就是利用计算机的高速处理信息的能力对事物的图像信息进行分析和处 理，从而获得所需要的信息，以排除人类视觉的分辨能力容易受环境、情绪、疲劳等因素 的影响，从而部分代替人工劳动，大大提高生产效率。目前，图像识别处理已经在许多行 业中得到广泛的应用，如在自动化装配中检验零件的质量；识别人体内的病灶和缺陷；识 别货物标签、账单、邮政编码、气象图像以及资源卫星图等等。尤其是近年来d s p 的出现， 使得图像识别技术真正达到了突飞猛进。同时随着纺织机械技术的提高，才使得图像处理 技术在纺织行业的应用有了实际意义。 本文重点讨论原棉图像的采集与检测处理系统的理论基础、软硬件结构以及利用边缘 检测算法实现原棉杂质的实时d s p 检测系统。 1 2 图像识别技术的发展现状 图像识别是随着微电子技术及计算机技术的蓬勃发展而新兴的一门科学。它创始于五 十年代后期，在六十年代开始崛起，仅仅二十多年就受到了许多科学家的广泛重视，并在 科研与工业生产中，尤其是在文字识别方面的应用，从目前的现状来看，比较成熟的手写 文字识别技术的准确率基本上能达到9 0 以上，英文的识别甚至高达9 8 。 第一章绪论 图像识别技术未来的发展大致可以分为以下几个方面： 图像识别向着高速、高分辨率、立体化、多媒体化、智能化和标准化发展。 图像、图形相结合朝着三维成像或多维成像的方向发展。 硬件芯片研究。目前结合多媒体技术的研究，硬件芯片越来越多。把图像处理的众多 功能固化在芯片中将会有更快的处理速度及更普遍的应用领域。 新理论与新算法的研究。在图像处理领域近年来引入了一些新的理论并提出了一些新 的算法，如：遗传算法、神经网络等。这些图像理论在未来会有更重要的应用。 相信在不久的将来，会有更多更好的图像识别系统出现，更好地为广大的一线工人提 供服务。 第二章数字图像处理与边缘检测 第二章数字图像处理与边缘检测 2 1 数字图像及数字图像处理 图像( i m a g e ) 是一个二元连续函数，( 彳，d 。其中( j ，力表示二维空间中某个点的坐 标，( 并，力表示图像中( x ，) 点的灰度值。数字图像( d i g i t a li m a g e ) 是对上述函数 f ( x ，y ) 的离散表示，也就是先在图像定义域上进行抽样，即用有限个像素( p i x e l ) 来表示 图像的定义域，每一个像素表示对应区域的平均次度值。然后在值域空间进行量化，即用 有限个值来代表值域。得到的数字图像是一个矩阵，矩阵中每一个元素代表一个像素，它 的值代表这个像素的灰度值。 数字图像处理( d i g i t a li m a g ep r o c e s s i n g ) 就是利用计算机对图像信息进行加工以 满足人的视觉心理或应用需求的行为。因为把数字图像看作是离散采样点的集合，每个点 具有其各自的属性。处理运算就是对这些离散单元来进行操作，处理过程是通过如何对各 个像素进行处理( 而不是对图像或图像中所包含的各个物体进行处理) 。 2 2 常用操作介绍 2 2 1 卷积运算 一元连续函数r ( x ) 和g ( x ) 的卷积运算定义为： f + g 2j _ 。厂( r 培( 卜t ) d r 二元连续函数的卷积与一维的情况类似，表达式是： 而( w ) = ，g = e e 他，v ) g ( x - u , y 一，) d u d v 数字图像的卷积与连续函数情况相似，所不同的是其自变量取整数值，双重积分改为 双重求和，这样，对一幅数字图像，有： h = f 十g 即h ( i ，舻e e l ( m ，n ) g ( i 一卅，一 ) 第二章数字图像处理与边缘检测 2 2 2 模板操作 模板( t e m p l a t e ) 操作是数字图像处理中经常用到的一种运算方法，边缘检测中大多数 情况下都要用模板操作来完成。前面提到，数字图像是对图像本身的离散表示。得到的数 字图像是一个矩阵，矩阵中每一个元素代表一个像素，它的值代表这个像素的灰度值。所 以可以用类似于矩阵运算的方法来对数字图像进行处理。模板运算在数学中的描述是卷积 ( 或互相关) 运算。3 3 模板的基本形式如图2 一l 所示。 陌田 蠲 叵囡习 ( a ) 模板 f ( i 一1 ，- ，一1 )f ( i - 1 ，)f ( i 一1 ，_ ，+ 1 ) f ( i ，一1 )f ( i ，) +f ( i ，- ，+ 1 ) i 厂( f + 1 ，一1 )f ( i + 1 ，_ ，)f ( i + 1 + 1 ) ( b ) 与原图像对应位置 图2 - 1 模板示意图 以3 x 3 的模板为例，操作的具体方法是：将模板在原图像上滑动，每次覆盖住原图 像上与模板大小相同的区域，然后将这个区域中每个像素的灰度值与模板上相应位置的值 相乘后再相加到一起，得到的是结果图像中与模板中心位置相对应的像素的灰度值，这个 过程如图2 - 2 所示。 图2 - 2 模板操作示意图 像素 图像边缘处的像素由于缺乏完整的邻接像素集，因此卷积运算在这些区域需要特殊处 理。对于边缘处的像素有四种可选的处理方法： ( 1 ) 通过重复图像边缘上的行和列，对输入图像进行像素扩充，使卷积在边缘可计 算； ( 2 ) 通过某些操作使输入图像成为周期性的，再进行卷积操作： ( 3 ) 在输入图像外部填充常数( 例如零) ； ( 4 ) 去掉不能计算的行列，仅对可计算的像素进行计算。 通常情况下，采用方法( 1 ) 或( 3 ) 来进行边缘的特殊处理。 2 2 3 快速傅里叶变换 对序列x ( n ) ，( j ，f 0 ，1 ，2 ， l 1 ) 求它的点d f t ，假定n 是2 的整数次幂，即n = 2 。， 其中膨是正整数。把x ( 而按下标1 7 的奇偶性分成两组，根据d f t 的线性特性，可以将原序 列的丑盯可以写成这两组子序列的d f t 的和，即 n - 1 工( 七) = d 川x ( ”) = x ( y , e y n m o 以一1以一l x ( 2 ，) ( 暇) “+ 啸z ( 2 r + 1 ) ( 崂) “ 上式中x ( 2 r ) 是序列j ( 功的偶下标部分，而x ( 2 2 + 1 ) 则是序列的奇下标部分， 围是0 ，1 ，n 2 一l 。式( 2 1 ) 可以进一步写为 喇一l以一i = x ( 2 r ) ( 睇) “+ 略苫( 2 r + 1 ) ( 嚼) “ 由于 孵：( 。讲) ：。纸，：暇， 2 因此，上面求和式( 2 2 ) 可以改写成 = 篓捌咳+ 蝶粪啦川，喔 定义两个长为5 2 的子序列 厅桀钉x ( 2 q r ：，- o ，1 ，z _ 2 t 【厅( ，) =+ 1 ) ” 它们对应的5 2 点盘刀1 如下 ( 2 1 ) ，的取值范 ( 2 2 ) ( 2 3 ) ( 2 4 ) ( 2 5 ) 后= 0 ，l ，2 一l ( 2 6 ) 这样，序列x ( n ) 的_ 点胛就可以通过下面的式子计算 x ( k ) = g ( k ) + 嘭日( 七) 七= 0 , 1 ，2 n 一1 上式表明：x ( k ) 可以用两个肜2 点的a ( k ) 和觚k ) 重建出来。 由旋转因子的性质，不难得到 秽+ 争：形硝：一嘭 于是 lx ( k ) = g ( k ) + 吲日( 七) l z ( 后+ 譬) = g ( 铲蝶日( 七) 七：0 ，1 ，2 学一1 ( 2 7 ) ( 2 8 ) ( 2 9 ) 显然，这种奇偶分解过程可以不断进行下去，分解到最后，运算就成了两个原序列值进行 加减运算。 上面的分析过程可以用图2 3 来说明。 2 2 4 阈值操作 图2 - 3n = 8 时的f f t 流程图 设原始图像为f ( x ，y ) ，通过某种方法选取阈值t ，即可以按照如下规则利用此阙值将 图像分割为两部分，g ( x ，y ) 表示分割后的图像，则 r 1 当f k y ) t 酏y ) ： o 当i 芋j j “= o当i = j j u = j ” ( 4 ) 单调性：即加入新的特征时，判据不减小。 以( x l ，x 2 ，x d ) j u ( x l ，z 2 ，x d ，x d + 1 ) 4 2 3 基于可分性判据的类内类间距离 各类样本可以分开是因为它们位于特征空间的不同位置，显然这些区域之间距离越 大，类别可分性就越大。 第四章模式识别 先考虑最简单的两类情况，q 和彩：，国。中任一点与翻：中的每一点都有一个距离，把 所有这些距离相加求平均，可用这个均值来代表这两类之间的距离。 在多类的情况下，令x p ，巧门分别为国，类及缈，类中的d 维特征向量，占( x ”可门) 为 这两个向量间的距离，则各类特征向量间的平均距离为： w = 三喜- 只窆- 弓墨i ) k = l 壹i = 1 删，q 式中c 为类别数，栉为国，类中的样本数，仃，为m ，类中的样本数， 验概率。 ( 4 1 ) 只，只是相应类别的先 多维空间中两个向量之j 司有多种距离度量，在欧式距离情况f 有： j ( z ：”，x j 门) = ( 工：”一一n ) 7 ( 霉一n ) 用m 表示第f 类样本的均值向量： m 一2 寺酽 “2 用m 表示所有各类的样本及总平均向量： m = 枷。 ( 4 f 3 ) 将式( 4 2 ) 和式( 4 3 ) 代入式( 4 1 ) 得 以c x ，= 喜只陪砉g p 一) r 般，一) + ，一所) 7 妇，埘) c 。舢 括号中的第二项是第i 类的均值向量与总体均值向量m 之间的平方距离，用先验概率加权 平均后可以代表各类均值向量的平均平方距离： c 只坼，一埘) m ，一m ) ：要妻只竞弓b ，一m ，b ，一) c 。_ 5 ) 也可以用下面定义的矩阵写出以( 功的表达式。 令 瓦= 只，一m x 州，一m ) 7 ( 4 6 ) 以及 瓦= 主只芝雠“一碍k 一珑r ( 。m ，- 1 ，j 女= 】 则 以g ) = 即瓯+ 夏) ( 4 上面的推导是建立在有限样本集上的，式中的删，m ，瓦，瓦是对母体类均值肼、 第四章模式识别 总体均值，类间离散度矩阵咒和类内离散度矩阵s 。在样本基础上的估计值，1 ，s h ， 瓯的表达式如下： h = e x = e i x s b = # 0 ，一) 0 ，一) 7 ( 4 9 ) ，；】 ：窆只e k 一声，融一l ，) 7 ( 4 1 0 ) k l 各类之间的平均距离也可表示为： 厶( x ) = 护p 。+ s b ) 4 2 4 基于概率分布的可分性判据 也可采用其它的可分性判据。例如 ( 1 ) b h a t t a c h a r y y a 距离： 以= 一i n 陆 l q ) p ( 工10 9 2 ) p 出 ( 2 ) c h e r n o f f 界限2 厶= 一i ni p 。 i 彩l 驴“5 0 l 国2 ) 西 其中，占是在 o ，1 区间取值的一个参数。 ( 3 ) 散度： 小他川刚- p ( 咖问h 船出 4 2 5 基于熵的可分性判据 ( 4 1 1 ) ( 4 4 1 2 ) ( 4 1 3 ) 熵的定义为： 日= 一e p ( x ) l g p ( z ) d x ( 4 1 4 ) 式中p ( x ) 式随机变量x 的概率密度函数。 对于数字图像来说，随机变量x 可以是灰度级值、区域灰度、梯度等特征。 4 2 6 基于类别可分离判据的阈值方法 类别可分离判据在图像分割中得到了有效的应用。例如，图像二值化( 使图像中与物 体对应的像素为1 ，与背景对应的像素为0 ) 的一个常用方法就是确定一个灰度阈值，使 图像中灰度值小于( 或大于) 此阈值的像素为物体( 取值为1 ) ，否则为背景( 取值为0 ) 。 其实质就是一个两类分类问题：灰度就是特征值，阈值就是分界点。0 t s u 用类内方差、类 间方差和总方差的比值作为判据给出了一个很有效的分类方法“”。 设原图像为，b ，y ) ，二值化阈值t 将图像中的像素划分为两类( 对应图像中的目标和 背景，分别用c 。和c ，表示) ，c 。= o ，1 ，2 ，f ，c i = 章+ 1 ，t + 2 ，l - 1 ，这是一个两类别 的模式识别问题。 则： 广，g ，y ) r ，则o ，y ) c 。 l 若 f ，则b ，y ) c l 设图像有己个灰度级，灰度范围为 0 ，1 ，2 ，三一l 。n i 为灰度级i 的像素数，图像的总 像素数为：n = + + + n 。 具有给定灰度i 的像素的概率为： 只：生 。 而且 只0 ， p ，= l c 。和c 1 类出现的概率分别是： ”。 彩o = z p f ( 4 1 5 ) j i m 一】 q = p ，= 1 - 0 9 。 ( 4 1 6 ) i = t + l 设图像中像素灰度值d , y - 或等于f 的平均灰度值为g 。，大于f 的所有像素灰度值的平均 值为g ，则： i p ，i p ， g o = 型- = 型一 ( 4 1 7 ) 窆b ( o o 第四章模式识别 f p ，f p ，f p ， 鲈暂。午。笥 p ， “11 一“o 根据模式识别理论，这两类的类间方差仃；为： 盯；= m 。国。一f ) 2 + 国。b 一r ) 2 ( 4 1 8 ) ( 4 1 9 ) 定义仃；为可分离性判据，可以方便地计算出，值，使盯；为最大，f 也就是使两个类能 够分的最开的点，即所要求的目标与背景的阈值点。根据珀目值就可以完成对图像的分割。 基于以上叙述可以看出，此课题的原棉杂质图像边缘检测也可以看作是一个两类的模 式识别问题( 将棉花作为一类，杂质作为另一类) ，因此考虑将上述基于类别可分离判据 的阂值方法应用于原棉杂质图像边缘检测的边缘检测。 2 7 第五章基于d s p 杂质检测系统硬件组成 5 1d s p 简介 第五章基于d s p 杂质检测系统硬件组成 5 1 1d s p 芯片的特征 d s p 即数字信号处理器，是一种具有特殊结构的新型微处理器为了达到快速进行数字 信号处理的目的，d s p 采用特殊软硬件结构，其结构特征主要指以下几个部分“”： ( 1 ) d s p 采用哈佛总线结构：此结构的主要特点是数据和程序分开存储在不同的存储 器空间中，每种存储器独立编址，独立访问，并在系统中相应设置了程序总线和数据总线两 条总线，取值和执行能完全重叠运行，数据的吞吐率高。 ( 2 ) 流水线操作：由于d s p 芯片采用了多组总线的结构，这将容许c p u 同时进行程 序和数据的访问，因而内部可以实现多级逻辑流水线操作( t m s 3 2