（纺织材料与纺织品设计专业论文）混纺纱截面图像的轮廓探测模型与纤维识别分类方法.pdfVIP

混纺纱截面图像的轮廓探测模型与纤维识别分类方法 摘要 混纺纱线中的纤维识别分类是数字图像技术测定纱线混纺比的基础。纱线混 纺比作为纺织品检测的一项常规检测，如何实现科学、高效、准确的检测是学者 们共同关注的课题。传统的化学分析法因无法实现化学性质相似的纱线混纺比的 测定，其局限性逐渐显现出来。利用数字图像技术对混纺纱线进行纤维分类无疑 为测定化学性质相近的纱线混纺比打开了一扇大门。因此，对于它的研究有着重 大的实际意义。 长期以来，人们从不同的角度对混纺纱线纤维识别与分类及混纺比测定等课 题，进行了广泛的研究。但是以往的研究，多是针对特定纤维组分的一种混纺纱 线，基本流程是：图像获取一预处理一个体轮廓探测一提取特征参数一识别分类 一混纺比计算。个体轮廓探测环节都采用作用于二值图像的轮廓跟踪法，为了全 面反映混纺纱线的纤维特征，学者们提取尽可能多的特征参数，而提取的特征参 数对于混纺纱线中纤维分类哪一个参数更关键，学者很少进行过研究。本研究基 于人眼的视觉原理，建立了能够直接作用于灰度图像的目标轮廓探测模型，即光 斑扩散模型；以涤棉和粘棉混纺纱为例，提出了一种适用于不同混纺纱线纤维识 别分类的通用方法，利用特征选择找到最能代表纤维差异的最佳特征或最佳特征 组合，并在前人研究的基础上，完整地实现了这一研究的六个环节，即图像获取、 图像预处理、个体轮廓探测、特征参数提取、特征选择和混纺纱纤维分类。 1 在图像获取环节，采用环氧树脂包埋技术，获得了轮廓清晰、个体分散的 纤维切片图像，是数字图像技术进行混纺纱线纤维的分类研究的基础。 2 在图像预处理环节，采用数学形态学技术，将开、闭运算组合应用，用开 运算去除了细小的杂质，闭运算融合了棉纤维的中腔，得到了较好的处理结果， 并提出了预处理的通用流程，对流程中各个步骤的结构元素尺寸选择做了分析说明。 3 在个体轮廓探测环节，基于视觉原理，提出了一种新的目标轮廓探测模型， 与传统的轮廓跟踪算法不同的是，该模型可以直接作用于灰度图像上，二值化不 再是预处理的必经流程。提出并讨论了光斑扩散模型控制的各个参数，并且用逼 近控制、贴近控制、径长控制和命中率控制等四个控制来获得较为满意的纤维截 面轮廓。对四个参数中控制射线终止条件的贴近控制参数作了理论分析，并利用 混纺纱截面图像的轮廓探测模型与纤维识别分类方法摘要 径长控制参数解决了纤维间的连结问题。利用多点扩散的方法，解决了纤维轮廓 中部分纤维屈曲程度较大不能一次探测出完整轮廓的问题。 4 在特征参数提取环节，以轮廓探测中的径长为基础，提取了面积、离散度、 波动率等较为通用的八个形态特征参数，并以粘棉混纺纱中两种纤维轮廓探测中 的径长分布规律为基础，设计了波动率这一特征参数，对粘棉混纺纱进行识别， 它能较好地反映两种纤维的差异。 5 在特征选择环节，以最大类间距离可分性判据结合聚类分析准确率为标准， 采用穷举法和遗传算法对涤棉、粘棉混纺纱特征参数进行了特征选择。得出结论： 只要特征参数设计合理，针对特定的混纺纤维，可以用一个指标来实现纤维的识 别分类。对于未知纤维的情况，可以通过特征选择的方式来找到分类正确或错判 率最小的特征参数组合。利用遗传算法对特征参数进行了优化组合，得到了与穷 举法一致的结果，而且大大提高了特征选择的效率。推荐在参数较少的情况下采 用穷举法，在参数较多的情况下选择遗传算法进行特征选择。 6 采用神经网络的方法对混纺纱线中纤维进行识别分类，比较了8 个特征参 数和经特征选择的1 个指标经神经网络训练后纤维识别分类结果的不同，得出结 论：特征选择后的1 个参数进行神经网络训练后，纤维分类的效率和准确率都显 著提高，也从另一个方面验证了特征选择的必要性。另外，以纤维样本类间最小 距离作为训练样本的选择方法，提高了训练样本的代表性，达到了提高神经网络 分类准确率的目的。 关键词：纤维分类、图像技术、数学形态学、光斑扩散、特征参数提取、特 征选择、遗传算法、神经网络 作者：杨宝娣 指导老师：顾平 t h eq 堕坚砷t 哩啪幽a n df i b e rc l a s s i f i c a t i o na n dr e c o g n i t i o nw i t ho o s s - s e c t i o n a li m a g eo f b l e n d e dy a r n s a b s 曲c t s t u d yo n c o n t o u rd e t e c t i o nm o d e la n df i b e r c l a s s i f i c a t i o n r e c o g n i t i o nw i t hc r o s s - s e c t i o n a l i m a g eo fb l e n d e dy a r n s a b s t r a c t f i b e rr e c o g n i t i o na n dc l a s s i f i c a t i o no fb l e n d e d y a m s i st h eb a s e m e n ti n d e t e r m i n i n gb l e n d i n gr a t i ob yu s i n gi m a g ea n a l y s i sm e t h o d a sar e g u l a rt e s ti nt e x t i l e s p e c i f i c a t i o n , h o wt od e t e r m i n et h eb l e n d i n gr a t i oo fb l e n d e dy a r n sq u i c k l ya n d e f f i c i e n t l yi sr e c e i v e da t t e n t i o nf r o mm a n ys c h o l a r sm o r ea n dm o r e t h et r a d i t i o n a l c h e m i c a lm e t h o dh a si t sl i m i t a t i o n sa si tc a n n o td i s t i n c tt h eb l e n d e dy a m sw i t hs i m i l a r c h e m i c a lc h a r a c t e r i s t i c s i m a g ep r o c e s s i n gt e c h n i q u eo p e n e dt h ew a yf o rs o l v i n gt h e s e p r o b l e m s s ot h er e s e a r c ho ni th a sp r a c f i c a b i f i t ya n ds i g n i f i c a n c e e x t e n s i v er e s e a r c h e so nf i b e rc l a s s i f i c a t i o na n db l e n d i n gr a t i od e t e r m i n a t i o nf r o m d i f f e r e n ta s p e c t sh a sl a s t e df o ral o n gt i m ei nt h el a s t2 0y e a r s t h e s er e s e a r c h e sa r e m o s t l yo ng i v e nf i b e r si nak i n do fb l e n d e dy a m t h eb a s i cp r o c e d u r ei sa sf o l l o w ：f r o m i m a g ec a p t u r i n g ，i m a g ep r e p r o c e s s i n g ，o b j e c td e t e c t i o n ，f e a t u r ep a r a m e t e re x t r a c t i o n , f i b e rr e c o g n i t i o na n dc l a s s i f i c a t i o n ，a n dc a l c u l a t i o no fb l e n d i n gr a t i o t r a d i t i o n a l d e t e c t i o nm e t h o dw o r k so n l yo nt h eb i n a r yi m a g e s r e s e a r c h e r sw o u l de x t r a c tm o r e p a r a m e t e r st or e f l e c tt h ew h o l ef e a t u r e ，b u ti ti ss e l d o md i s c u s s e dw h i c hp a r a m e t e r sp l a y t h ek e yr o l ei nf i b e rr e c o g n i t i o na n dc l a s s i f i c a t i o ni nt h e s er e s e a r c h e s o nt h eb a s i so fh u m a n v i s i o n ，an e w c o n t o u rd e t e c t i o nm o d e lw a sp r o p o s e di nt h i s p a p e r t h en e wm o d e l ，f a c u l ad i f f u s i o n ，w a sw o r k i n go nt h eg r a ys c a l ei m a g ed i r e c t l y ag e n e r a lm e t h o dt or e c o g l l i z ea n dc l a s s i f yt h ed i f f e r e n tf i b e r si nd i f f e r e n tb l e n d e d y a r n si sa l s op u tf o r w a r d f e a t u r es e l e c t i o nw a su s e dt oo b t a i nt h eb e s tf e a t u r eo rf e a t u r e c o m b i n a t i o nt or e c o g n i z et h ed i f f e r e n tf i b e r si nb l e n d e dy a r ne f f e c t i v e l y t h i sa r t i c l e d e a l sw i t ht h ed e t a i l si nt h es i xa s p e c t s - 粕g ec a p t u r i n g ，i m a g ep r e p r o c e s s i n g ， i n d i v i d u a ld e t e c t i o n ，f e a t u r e p a r a m e t e r se x t r a c t i o n ，f e a t u r es e l e c t i o na n df i b e r r e c o g n i t i o na n dc l a s s i f i c a t i o nw h i c hc o m p o s et h ew h o l ep r o c e s so ft h i sr e s e a r c h 1 l i t h e c o n t o u r d e t e c t i o n m o d e l a n d f i b e r o a s s i f i c a t i o n a n d r e c o g n i t i o n w i t h c r o s s - s e c t i o n a l i m a g e o f b l e n d e d y a r n s a b s u a a 1 o ni m a g ec a p t u r i n g ，e p o x yr e s i ne m b e dt e c h n i q u ei sa p p l i e dt og e th i g hq u a l i t y a n dc l e a rf i b e rc r o s ss e c t i o ni m a g e s i m a g ew i t ht h es c a t t e r e df i b e ra n dd i s t i n c to b j e c t o u t l i n ei st h ek e yt or e c o g n i z ea n dc l a s s i f yt h ef i b e rb yu s i n gi m a g et e c h n o l o g y , i ti s a l s ot h eb e t t e rf o u n d a t i o nf o rt h ef o l l o w i n gr e s e a r c h e s 2 o ni m a g ep r e p r o c e s s i n g ，t h eb e t t e rr e s u l t sa r eo b t a i n e db yc o m b i n i n go p e n i n g a n dc l o s i n g o p e n i n gw a st or e m o v et h es m a l li m p u r i t ya n dn o i s e ，a n dc l o s i n gw a st o f u s et h el u m e no fc o t t o n ag e n e r a ls o l u t i o nb a s e do nm a t h e m a t i c a lm o r p h o l o g yi s a d v a n c e dt om a k ep o s s i b l eb a t c ho p e r a t i o n so ni m a g e s i ti sd i s c u s s e dh o wt os e l e c tt h e b e s ts t r u c t u r a le l e m e n t 3 o ni n d i v i d u a ld e t e c t i o n , an e wm o d e l ，f a c u l ad i f f u s i o n ，i sp u tf o r w a r d c o m p a r e dw i t ht h et r a d i t i o n a l c o n t o u rt r a c i n ga r i t h m e t i c ，t h en e wm o d e lw o r k s d i r e c t l yo ng r a y - s c a l ei m a g e sr a t h e rt h a nb i n a r yi m a g e s ，t h u sm a k i n gt h ei m a g e b i n a r i z a t i o nw h i c ha l w a y st e n d st oc a u s ec o n s i d e r a b l es i g n a ll o s sn ol o n g e rn e c e s s a r y f a c u l ac o n t r o l l i n gp a r a m e t e r sw e r ep u tf o r w a r da n dd i s c u s s e d t h ed i f f u s i o no p e r a t i o n i sc o n 缸o u e db yf o u rf a c t o r si n c l u d i n ga p p r o x i m a t i o n , c l o s i n g ，l e n g t h q i m i t i n ga n d h i t - r a t ea n dt h eh i g hq u a l i t yi m a g e sc a nb eg o t ，n l ei m p o r t a n tf a c t o r , c l o s i n g ，w a s p r o b e da n dt h em e t h o do fm u l t i - p o i n td i f f u s i o nw a sp r o p o s e dt os o l v et h ep r o b l e m w h i c ht h ef i b e rp a r to u t l i n ew i t ht i i g hd e f l e c t i o nw a sn o td e t e c t e di no n et i m e 4 o nf e a t u r ep a r a m e t e re x t r a c t i o n ，e i g h tn e ws h a p ei n d i c e sa r ea d v a n c e df r o mt h e a n g e lo f “s p a n ”t h e ya r e t h ed i m e n s i o n , p e r i m e t e r ，a n da b n o r m i t ya n ds oo n a c c o r d i n gt ot h es p a nd i s t r i b u t i o nc h a r a c t e r ，t h ef e a t u r ep a r a m e t e rw h i c hc a nb es t a n d f o rt h ed i s t i n g u i s hc h a r a c t e r i s t i c so ft h er a y o n c o t t o nb l e n d e dy a m sa r ed e s i g n e d h o w t os e l e c tf e a t u r ep a r a m e t e r st of o r mf e a t u r ev e c t o r sa r ed i s c u s s e d 5 o nf e a t u r es e l e c t i o n ，t h em e t h o dc o m b i n i n gt h el a r g e s tc a t e g o r yw i t h i nd i s t a n c e b e t w e e nc a t e g o r i e sa n dt h eh i e r a r c h i c a lc l u s t e r i n ga l g o r i t h mw a su s e dt os e l e c tt h eb e s t f e a t u r ep a r a m e t e r so fc o t t o n p o l y e s t e r , c o t t o n r a y o ni n2 5 5f e a t u r ec o m b i n a t i o n sw i t l l e x h a u s ta l g o r i t h m t h ec o n c l u s i o ni st h es i n g l ei n d i c e sc a nd i s t i n c tt h eb l e n d e dy a m s w e l lw h e nt h ep a r a m e t e rd e s i g n e dr e a s o n a b l y i ft h ef i b e ri nb l e n d e dy a r n sa r eu n k n o w n ， t h i sm e t h o dc a nh e l pt og e tt h e b e t t e ro rt h es m a l l e s ts u b s e to ff e a t u r e s g e n e t i c m g o r i t h mw a st or e a l i z et h ef e a t u r eo p t i m i z a t i o n ；i td r e wt h es a m ec o n c l u s i o nw i t h i v t h ec o n t o u rd e t e c t i o nm o d e la n dh b e rc l a s s i f i c a t i o na n dr e c o g n i t i o nw i t h ( x 髓- s e c t i o n a li m a g eo f b l e n d e dy a m sa b s 嗽 e x h a u s ta l g o r i t h ma n dt i m es a v i n gi so b v i o u s l y i tb u i l d st h eg o o df e a t u r es e l e c t i o n f o u n d a t i o nw h e nt h ep a r a m e t e r sa r ee x t r a c t e dm o r e 6 c l a s s i f yt h ed i f f e r e n tf i b e r so fb l e n d e dy a mb a s e do nn e u r a ln e t w o r k i ti s c o m p a r e dt h ef i b e rr e c o g n i t i o nr e s u l t sb e f o r ea n da f t e rf e a t u r es e l e c t i o n t h ef e a t u r e s e l e c t i o ni st h eb e s tw a yt oi m p r o v et h ee f f i c i e n c ya n dc l a s s i f i c a t i o na c c u r a c yo ft h e n e t w o r k t h em i n i - d i s t a n c eb e t w e e nc l a s s e sw a st os e l e c tt h et r a i n i n g s a m p l e st o e n h a n c et h er e c o g n i t i o na c c u r a c y k e yw o r d s ：f i b e rc l a s s i f i c a t i o n ；i m a g ea n a l y s i s ；m a t h e m a t i c a lm o r p h o l o g y ；f a c u l a d i f f u s i o n ；f e a t u r ep a r a m e t e re x t r a c t i o n ；f e a t u r es e l e c t i o n ；g e n e t i ca l g o r i t h m ；n e u r a l n e t w o r k v w r i t t e nb yy a n gb a o d i s u p e r v i s e db yg up i n g 苏州大学学位论文独创性声明及使用授权声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立 进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文 不含其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏 州大学或其它教育机构的学位证书而使用过的材料。对本文的研究作 出重要贡献的个人和集体，均已在文中以明确方式标明。本人承担本 声明的法律责任。 研究生签名：五鸳壁毖e t 期： 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论 文合作部、中国社科院文献信息情报中心有权保留本人所送交学位论 文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论 文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的 保密论文外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的 全部或部分内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。 研究生签名：盏幺：篁：经日期：叠：! 竺：三皇 导师签名日 期： 混纺纱截面图像的轮廓探测模型与纤维识别分类方法第一章绪论 第一章绪论 1 1 引言 计算机图像技术起源于2 0 世纪2 0 年代，经过半个多世纪的发展，目前已广 泛地应用于科学研究、工农业生产、医疗保健、航空航天、军事等各个领域。随 着信息技术的飞速发展，计算机图像技术在纺织领域中的应用日益广泛，纺织生 产自动化已成为一种必然趋势。数字图像处理技术是指将图像信号转换成数字格 式，并利用计算机进行处理的过程。其内容包括数字图像变形技术、图像的傅立 叶分析技术、图像分割、边缘提取、形状描述、形态学分析、彩色图像处理等【1 1 。 计算机图像技术自2 0 世纪8 0 年代后期进入纺织测试领域以来，一直在扩展 其应用范围，从原料、半制品到成品的检验，从机织物、针织物到非织造布的检 验，以及模拟控制产品质量，均可借助图像处理技术完成口- 9 。近年来，随着模糊 数学、神经网络、人工智能、遗传算法等新方法的引入，图像处理过程更接近于 人类视觉与思维的作用过程。数字图像处理技术在纺织品检测领域中的应用也正 朝着智能化的方向发展1 0 1 。 纺织品检测有主观检测和客观检测两类【l l 】。主观检测是通过检测人员的触觉 及视觉印象对纺织品做出评价，通常应用在对产品外观及风格的评定，虽然检测 方法快速简便，面广量大，但往往主观因素对检测结果影响很大，且人员间存在 偏差，不能直接用于指导生产。客观检测是指通过仪器对材料性能进行检测，依 据实验数据做出评定。客观检测在实验仪器、实验方法不断完善、发展和开发的 过程中，检测指标、检测结果愈加趋于客观准确。 数字图像技术作为纺织品客观检测中的一个重要手段，其应用主要涉及三个 方面【1 2 】： ( 1 ) 纤维检测。如羊毛纤维卷曲程度分析、化学纤维异形度分析、纤维识 别等。 ( 2 ) 纱线检测。如纱线外观形态，纱线混合状态和条干均匀度、纱线毛羽程 度分析、混纺纱中纤维分布规律分析以及混纺比测定等。 ( 3 ) 织物外观形态检测。如织物组织识别、织物密度测定、织物表面起毛起 球效应测定、织物疵点检测以及非织造布取向度分析等。 混纺纱截面图像的轮廓探测模型与纤维识别分类方法第一章绪论 本论文所研究内容属于上述第二类，在研究纤维截面特征的基础上，对混纺 纱线中的不同纤维进行识别和分类，对用数字图像技术研究纱线的混纺比测定奠 定基础。 1 2 国内外相关课题w 的研究 长期以来，混纺纱线混纺比的测定采用化学溶解称重的方法【1 3 1 。但是，当混 纺纱中两种或几种纤维具有相似的化学性质时( 如粘胶与棉) ，化学方法不能有 效地工作。在这种情况下，学者们开始研究根据不同种类纤维截面形态的差异， 利用图像处理技术，来识别混纺纱线的不同纤维，从而达到测定纱线混纺比的 目的。 早在1 9 8 7 年，s s m u t s 和h u n t e r 等 1 4 4 5 1 就使用图像技术识别不同级别的马海 毛，并提出将髓腔率作为特征参数。h u n t e r 1 6 - 1 7 根据纤维截面边缘的粗糙程度不 同的特点，利用图像处理技术识别不同种类的纤维。w a t a n a b e a k i r a 等【1 8 】使用数字 图像处理技术检测纱线混合不匀率。b x u 等【1 9 - 2 2 将傅立叶变换用于纤维截面形状 的表征，从棉纤维横截面分析获得棉纤维成熟度的方法。m a t i c - l e i g hr 【2 3 】等通过 对棉纤维横截面的分析提出了胞壁厚度、纤维宽度、成熟度系数等特征指标。d r o b s o n 2 4 1 利用图像处理技术测定了羊毛和羊绒的各种鳞片结构，提出描述各种羊 毛鳞片的不同形态特征的面积、圆整度、形状系数等特征参数。 国内相关课题的研究始于1 9 9 3 年前后，许鹤群等 2 5 1 首次提出应用图像处理技 术分析混纺纱截面，并将这一课题研究分为四个环节，即图像预处理、个体轮廓 探测、特征值提取和特征值统计分析。1 5 年后的今天，图像处理技术发生了巨大 的变化，但该文章中提出的研究框架仍具有重要的指导意义。 1 9 9 4 年，于伟东等f 2 6 】探索化学纤维异形度的图像分析技术，初步提出了一组 用于表征三叶形、哑铃形和v 字形纤维异形度的特征参数，包括外接圆、内切圆、 理论半径等。1 9 9 5 年，吴兆平等【2 7 - 2 s 先后将直方图熵和快速细化算法引入到图像 预处理阶段中来。1 9 9 6 年，余序芬等【2 9 】将数学形态学引入图像预处理，并提出针 对棉、麻纤维的外切矩形充满度和纵向骨架偏离均方差两个特征参数。1 9 9 7 年至 1 9 9 8 年，李艰等1 3 0 - 3 1 】将多尺度空间滤波和数学形态学方法相结合，用于图像噪声 去除和形态修整，并利用多元分析方法对特征值进行识别和分类：1 9 9 9 年，台湾 。本论文把“相关课题”解释为利用图像处理技术分析纤维或纱线的横截面细观形态与结构。 2 混纺纱截面图像的轮廓探测模型与纤维识别分类方法第一章绪论 学者c h i n g - i u a ns u 等【3 2 】使用图像处理技术研究涤粘混纺纱中纤维的分布规律。 2 0 0 0 年，徐回祥等【3 3 】使用图像处理技术实现了棉和苎麻纤维的识别，并提取了纤 维横截面c v 值、棉纤维的边界曲线扭曲数、麻纤维的表面横节等三个特征参数。 2 0 0 2 年，谢莉青等【蚓将m a t l a b 用于图像预处理，同时提出适用于麻纤维的三 个特征参数，即圆整度、延展度和异形系数。2 0 0 4 年，董彬等 3 5 - 3 6 尝试将人工神 经网络应用于对特征值的模式识别。同一时期，于伟东等【3 7 。3 8 】利用m a t l a b 平台， 将小波技术和分水岭分割( w a t e r s h e d ) 引入图像预处理，并提出利用“组合对”二 维解析边界函数进行特征值统计分析。2 0 0 6 年，贾立峰等【3 9 】提取纤维直径和三个 颜色特征分量运用神经网络技术实现了对棉麻纤维的自动识别。2 0 0 7 年，沈巍 等【加】将h s v 颜色模型应用于对羊毛羊绒的混纺比图像分析中。2 0 0 8 年，严加亮 等h 1 1 利用图像处理技术实现了棉和l y o c e l l 纤维的鉴别。2 0 0 9 年，刘敬知【4 2 】运用 图像技术对西藏细羊毛进行自动识别。 在利用计算机图像处理技术用于混纺纱线纤维识别和混纺比测定的技术发展 的过程可以看出，随着新技术、新算法的推陈出新，该技术也逐渐完善。但是， 比起图像处理技术发展的历史，图像处理技术应用于纺织品检测的研究只有2 0 余 年的时间，因此，研究图像处理技术在其他领域的应用对于本课题有着很强的借 鉴意义。 图像处理技术主要包括以下几个部分： ( 1 )图像预处理，其目的是对图像去除噪声，改善图像质量； ( 2 )目标提取，主要目的是在图像中获取有意义的区域； ( 3 ) 特征提取及特征选择，目的是要获取对目标的有效特征和表达； ( 4 )目标识别及分类，是在提取特征的基础上实现判别和分类。 1 2 1 图像预处理和图像目标提取的研究 在计算机图像处理过程中，为提高图像质量，以便于后面的目标提取和轮廓 探测，要对图像进行预处理。预处理的目的是平滑、增强图像、去除噪声。在多 数空域预处理算法时涉及到领域处理，典型的算法有中值滤波、均值滤波等 4 3 1 。 对图像还可以采取增强对比度的形式来改善图像嗍。近年来，数学形态学在数字 图像处理领域有了广泛的应用，它以集合运算为基础，其基本思想是用具有一定 形态的结构元素来度量图像中的形态以解决问题，基本算法是腐蚀、膨胀、开启 和闭合f 4 习。余序芬等1 2 9 在1 9 9 6 年将数学形态学技术应用于边缘检测实现了棉麻纤 3 混纺纱截面图像的轮廓探测模型与纤维识别分类方法第一章绪论 维的自动识别。而分水岭和小波变化技术在近年来也引用到了图像的预处理过程 中【3 7 硼。 目标提取是图像处理和识别的一项关键技术，其目标轮廓探测即目标的边缘 提取的准确性直接影响后续工作的准确性。自2 0 世纪7 0 年代起备受关注，如今 已经提出上千种图像边缘分割方法。主要有基于阈值闱、边缘图像【4 7 4 8 1 、聚类分 析 4 9 - 5 0 、模糊技术【5 1 1 、神经网络【5 2 - 5 3 1 、遗传算法【5 4 1 等方法的图像分割方法。而随 着模式识别技术的发展，人们逐渐认识到单一的方法很难达到让人满意的结果， 因此，各种方法的综合应用势在必行。在灰度图像的边缘提取中，基于遗传算法 的阈值分割法应用非常广泛，它用于指纹识另l j t 5 5 j ，医学超声波技术【5 6 1 等各个领域。 但这些轮廓探测技术的应用都是基于轮廓跟踪方法的二值化图像的。 1 2 2 特征参数提取和特征选择的研究 在前人的研究中，特征参数的提取大多数是基于二值化的图像的。在轮廓探 测阶段工作的基础都建立在二值图像上，这使得图像的二值化是图像处理的一个 必要步骤。在此基础上，对于待测定目标的特征参数的提取都是针对特定的混纺 纱线组成纤维的，而且为了尽可能全面地反映纤维的截面特征，学者都尽可能地 提取较多的指标【1 6 - 4 2 ，再对这些指标进行分析，对纤维进行识别。但是在很多时 候，我们无法判断提取的指标是否真的对纤维的识别起关键作用。特征是决定相 似性和分类的关键。特征提取的过程中， 冗余度，影响模式识别的速度和准确性。 许多特征不是独立的，即这些特征具有 特征选择是解决这一问题的有效办法， 就是对原始特征进行选择，丢弃那些不易判别或相关性强的特征，这实质上是个 组合优化的问题。在混纺纱线纤维分类或混纺比的研究中，学者们对特定纤维的 差异进行特征参数设计，再分析提取的特征参数来识别纤维或分类，但尚未发现 有文献对特征参数的选择做过相关研究。在模式识别技术中，特征选择是一个非 常重要的步骤，从大量的候选特征中找出代表问题的空间最优特征子集，将很大 程度上减少分类系统的代价和运行时间，在信息繁冗的大样本识别领域是必不可 少的过程。 特征选择伴随着模式识别技术的发展而不断得以发展。模式识别中的特征选 择是为目标分类服务的。许多学者 5 7 - 6 2 1 对特征选择的算法研究也在随科学技术的 发展而发展。近年来，遗传算法被认为是组合优化方法的首选算法【6 3 - - 6 4 ，得到了 广泛的发展 6 5 - 6 6 。在国内，陈卫东【6 刀等人利用样本间距离运用遗传算法对昆虫特 4 混纺纱截面图像的轮廓探测模型与纤维识别分类方法第一章绪论 征进行优化选择并实现了分类，孙雷【6 8 】等人采用类内类间距离判据的方法，利用 遗传算法实现了对文本的特征优化和分类识别，周贤【6 9 】等人采用样本间距离的方 法利用遗传算法实现了对炭素制品x 射线的缺陷特征选择。遗传算法中的适应度 函数的选取也是至关重要的，利用距离可分性判据和熵函数可分性判据都是较为 常用的选择。而样本在图像处理过程中以特征向量的形式体现，样本的特征参数 空间信息体现在维数上，从高维到低维的过程就是特征提取或特征选择的过程。 基于距离可分特征选择是较为成熟的算法，有关它的研究也在不断得到进展f r o 。 遗传算法和不同聚类方式的组合【7 m 2 】也是研究的热点问题。 在纺织品的检测和研究领域，杨晓波 7 3 1 在2 0 0 2 年将遗传算法用于织物起皱 等级评定的特征选择，2 0 0 4 年，寇强强等【7 4 】改进了这一算法用于评定织物起皱等 级。而在纤维的识别和分类的技术研究中，遗传算法的运用并未见相关报道。早 期的混纺纤维以灰度差异为特征进行识别，大多需要人工参与，这也限制了这一 技术的发展。近几年的纤维混纺纱线多以纤维纵、横截面特征为研究对象，虽着 图像处理和模式识别技术的进展，新技术和新算法的出现，给纺织品检验检测包 括混纺比的测定开辟了很大的研究空间。 1 2 3 目标识别和分类的研究 在纤维的截面图像中，有效识别纤维并将纤维正确分类也是图像技术用于纺 织品检测的又一关键步骤。聚类分析是最常用的一种方法。近几年，神经网络技 术逐渐成熟，也开始应用到纤维识别和纱线混纺比的测定中来【3 5 3 6 】【3 9 1 。在对神经 网络有效分类的研究中，对神经网络结构优化提高纤维的识别准确率，贾立峰等【3 9 1 对单层感知器和三层感知器对结果的影响作了比较，对于如何选择最具有代表性 的训练样本未作阐述。很多研究针对神经网络的结构和算法进行优化f r 5 。7 7 1 ，但 p a r t r i d g e 【7 8 】对用于分类的三层b p 网的研究发现，训练集对泛化能力的影响甚至超 过网络结构对泛化能力的影响。陈小前等f r g 对利用主成分分析法对训练样本进行 降维，降维对减小网络结构提高网络泛化能力有利。然而，在实际应用中，样本 的个数远远大于指标的个数，并且，当样本数量很多时，人们往往随机选取其中 的一部分作为训练样本，这样很可能使训练样本集本身没有包含全部样本的特征， 使预测的结果出现较大的误差。何勇等【8 0 】对利用模糊聚类的方法对样本先分类再 按一定比例选择样本。郝红卫等【8 1 】对提出了最近邻规则的训练样本选择方法，运 5 混纺纱截面图像的轮廓探测模型与纤维识别分类方法 第一章绪论 用因子分析的方法对高维大样本数据先进行预处理，再利用分析得到的公因子进 行聚类，这样除了降维还可以达到较全面反映全部样本特征的训练样本。 二十多年来，随着图像处理技术和模式识别理论的发展，国内相关课题的研 究在图像预处理、特征参数积累和特征值统计分类等方面取得了长足的进步。然 而，该课题中一个不可或缺的关键环节个体轮廓探测自始至终没有实质 性进展的报道。前人对于区分混纺纱线中不同纤维所设计的特征指标，只对特定 的混纺纱线组成纤维进行了分析，这些提取的指标中哪些指标对识别纤维分类起 了较大的作用，并未见详尽的研究报道。已经提取的特征指标是否也适用于其他 的混纺纱线的纤维识别，也未见报道。而分析以前学者的研究结果，有些指标的 提取有相似之处，对于纤维的截面几何特征，是可以设计一些能够反映常见纤维 特征的特征参数，针对不同的纤维能够实现特征参数的自动选择，提高混纺纱线 纤维识别和分类的涵盖范围。 1 3 课题研究的意义与主要内容 由于传统的化学分析称重法无法判定化学性能相似的混纺纱线，且化学分析 法需要将纤维溶解烘干后进行称重计算，费时长，应用也受到限制。尤其是现在 纺织新材料不断地问世，化学分析法就更无法满足要求。2 0 0 7 年，新的纺织品纤 维含量标识标准【8 2 】的出台，要求纺织品上组成纤维要明示标注，且误差要在一定 范围之内，这也给传统的混纺比测定带来了更大的挑战。另外，从科学技术的发 展来看，纺织品的检验在逐渐地从主观检验向客观检验迈进，图像技术也在纺织 品的检测中逐渐发展成熟，利用图像技术检测纺织品的各项性能指标也会在不远 的将来上升为检测标准。 1 3 1 目的与意义 本研究的目的在于解决化学性能相近的纤维混纺纱线的纤维识别分类问题， 对不同的混纺纱横截面的特征参数设计进行讨论，并用特征选择的方法，找出最 能反映混纺纱中纤维的差异的参数，达到对纤维识别分类的目的，用来指导检验 实践。对于纤维已知的情况下，可以识别不同纤维，在纤维未知的情况下，可以 对纤维进行分类，对用图像技术测定纱线的混纺比奠定基础。本文在试样制备， 目标轮廓提取，特征参数优化选择，神经网络的样本训练等方面都采用了新技术 或提出了新观点。用环氧树脂技术获得了清晰的图像，以利于后续的研究。目标 轮廓提取方面提出了直接应用于灰度图像的光斑扩散模型，拓展了过去用轮廓探 6 混纺纱截面图像的轮廓探测模型与纤维识别分类方法第一章绪论 测方法得到纤维截面轮廓的思路。特征参数提取了较为通用的特征参数，对于未 知纤维种类，通过特征选择来找到最佳的特征组合，改变了过去特征提取只针对 特定混纺纱线组成纤维的方式，提高了通用性。将遗传算法用于纤维截面的特征 选择，对于拓展多种纤维混纺、提取多指标的特征选择提供了便捷的方法。在神 经网络用于纤维识别和分类中，验证了特征选择可以大大提高网络的效率，采用 最小距离方法有目的的选择训练样本以提高网络的泛化能力。上述一系列的工作 就是为了将混纺纱线的纤维识别从过去针对特定纤维的识别变成一种比较通用的 形式，来弥补化学分析法的局限性。光斑扩散模型的建立也为数字图像中的轮廓 探测问题开辟了一条新路。 本研究的意义在于：中国入世几年来，纺织品的出口受到了很大的影响，纺 织品相应的生产、检测标准滞后是影响因素之一。目前国内的检验机构仍主要采 用传统的化学分析法来测定混纺纱线性能，这是跟不上科技迅猛发展的速度的。 本文所作的研究，是为了让图像识别技术测定混纺纱线截面特征的技术进一步完 善，这对于推动混纺纱线识别和混纺比测定的标准改革是有着很大意义的。 1 3 2 主要研究内容 利用纤维截面特征的差异来识别混纺纱线中不同纤维，解决化学性质相同的 混纺