论文部分内容阅读
纤维成分的识别涉及数字图像处理、计算机视觉和灰色系统理论等多个科研领域的研究课题。而随着科学水平的进步,纤维的种类越来越多,而纺织物中纤维成分的含量对其性能、价格都有很大的影响,因此纤维成分的检测变得异常重要。人工的纤维识别方法存在诸多弊端,而数字图像处理技术的飞速发展使得纤维自动识别系统的实现成为可能。但实现完全自动化的识别纤维成分仍有很多难题亟待解决。经包埋、切片采集得到的纤维图像存在光照不均匀、边缘模糊、噪声污染严重等问题,这些都给后续的纤维图像的分离、特征提取和识别统计带来了很大的难题。因此,纤维自动识别系统中纤维图像的边缘检测是至关重要的。因而有必要研究一种能够有效地提取出低质量的纤维图像边缘信息的且有较好的鲁棒性的边缘检测算法。本文通过对低质量的纤维图像进行研究,结合灰色预测模型、灰色关联度在图像边缘检测中的应用及方向图算法的思想设计了一种新的边缘检测算法。主要的研究工作包括:由于采集到的纤维图像存在较严重的噪声污染,直接进行图像的边缘检测不能得到较好的结果,故本文先对图像进行高斯滤波处理,以改善图像的质量,抑制不必要的噪声。对于纤维图像存在目标与背景区分不明显、粘连等现象,本文先获取纤维的外轮廓,然后再对粘连纤维进行边缘检测处理。在获取纤维的外轮廓时,基于灰色关联度在图像边缘检测中的思想提出了把灰色关联度应用于图像感兴趣区域(Region of Interest, ROI)的提取中,基于灰色预测模型可以进行准确的边缘定位、Niblack算法可以获得丰富的边缘信息及利用双尺度进行图像边缘检测的思想,提出了图像外轮廓提取的算法。此方法可以获取完整、连续的外边缘信息,但无法消除纤维内部的虚假边缘,从而易造成对纤维的过度分割,由此,利用填充算法及轮廓跟踪算法得到纤维图像的外轮廓。然后,根据方向图算法可以检测出图像较弱的边缘优点,但其检测得到的边缘易出现断裂现象,提出将以上算法得到的外轮廓与原图结合,并把背景区域(非ROI)填充为图像的均值,从而达到增强纤维外边缘的效果,接着用方向图算法的思想进行边缘检测。最后,对获取的边缘进行细化、去毛刺处理,从而得到单像素的、连续的边缘。通过大量的实验验证和算法分析,本文提出的纤维图像边缘检测算法能够克服传统边缘检测算法易出现边缘断裂、虚假边缘等现象的缺陷。该算法可以准确地提取出纤维图像的边缘,并能够有效地获得粘连纤维图像的边缘信息,保证了后续分离、识别的准确性。