一种基于图像分析的籽棉含杂率检测方法

摘要

本发明公开了一种基于图像分析的籽棉含杂率检测方法，通过相机拍摄获取含杂籽棉图像，首先对图像进行灰度化、灰度拉伸和中值滤波处理，以增强图像的信息特征，提高对比度；接着分别运用最大类间方差法和多种算子结合的边缘检测分割图像，使图像转换为二值图像，即像素值只有0或1的图像；然后用数学形态学操作对分割后的二值图像进行处理优化；最后通过连通区域分析算法确定杂质区域的总像素面积，并得出其在整个图像像素面积中的占比，作为最终含杂率。本发明提供的方法可以快速的分割出籽棉图像中的杂质，并得出相应的含杂率，为后续清除工序的安排提供帮助。

说明书

技术领域

本发明涉及图像处理分析技术邻域，具体涉及一种基于图像分析的籽棉含杂率检测方法。

背景技术

棉花中杂质的存在一直是一个不可避免的难题。其中，籽棉中的杂质含量尤为突出，若不对籽棉中的杂质进行去除处理，会直接影响到后续生产过程中籽棉的加工质量，会使得皮棉的含杂量增加，品级被降低。粗大的杂质更是容易堵塞机器，从而加快机器的磨损，减少机器的工作时长。因此，在棉花加工前及加工过程中，杂质的检测是十分重要的，旨在及时发现，及时处理，保证将其不良影响降到最低。

图像处理技术的不断研究与发展，使其在纺织行业中的运用越来越宽泛。近年来，国内外研究人员将其应用到了棉花检测领域中，并取得了较好的成果。然而，目前基于图像的棉花检测更多偏向的是异性纤维的检测与剔除，而针对含杂率的运用相对较少。含杂率的检测，可以明确棉花中杂质的含量，为后续清除工序的安排提供依据，同时也可用于判定棉花的质量是否符合标准。

发明内容

本发明的目的在于提供一种基于图像分析的籽棉含杂率检测方法，以解决检测含杂籽棉图像含杂率的问题。

本发明采用的技术方案为：

一种基于图像分析的籽棉含杂率检测方法，具

体包括以下步骤：

步骤1，采集含杂籽棉图像，对采集的图像进行灰度化、灰度拉伸和中值滤波处理，得到预处理图像；

步骤2，对步骤1得到的预处理图像运用最大类间方差法处理，得到含杂籽棉的分割图像，即二值图像；

步骤3，对步骤1得到的预处理图像运用多种算子结合的边缘检测处理，得到含杂籽棉的分割图像；

步骤4，对含杂籽棉的分割图像通过数学形态学操作，得到后处理图像；

步骤5，对后处理图像通过连通区域分析算法，确定杂质的总像素面积，并得出其在整个图像像素面积中的占比，作为最终含杂率。

进一步地，所述步骤1的中值滤波处理是用邻域中各点的中值代替原灰度值，去除图像中的孤立噪声点，应用5×5模板。

进一步地，所述步骤2对预处理图像运用最大类间方差法处理，得到含杂籽棉的分割图像，具体步骤包括：

步骤2.1，设预处理图像的像素值总数为N，灰度值的范围是 [0,L-1]，其中灰度级为i的像素点有n

步骤2.2，在灰度值T处将图像内所有的像素分为A和B两个组，A组的灰度值范围为[0,T],B组灰度值范围[T,L-1]，由图像的灰度分布概率可得总均值为：

则A、B两组的均值分别为：

其中，

u

步骤2.3，A、B两组的类间方差是：

步骤2.4，让T在灰度范围[0,L-1]内依次取值，直到类间方差σ

其中，f(x,y)表示预处理后图像中像素点的灰度值；g(x,y)表示分割后图像的灰度值，即只有黑白两种颜色的二值图像。

进一步地，所述步骤3对预处理图像运用多种算子结合的边缘检测处理，得到含杂籽棉的分割图像，具体步骤包括：

步骤3.1，用Prewitt边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.2，用Roberts边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.3，用Sobel边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.4，用Canny边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.5，将上述算子所得图像I

进一步地，所述步骤3.4中Canny边缘检测算子的检测方法具体包括：

步骤3.4.1，利用高斯滤波器对图像进行平滑处理，所选高斯函数为：

步骤3.4.2，利用一阶偏导的有限差分计算出滤波后图像梯度的幅值和方向，高斯函数在方向n上的一阶导数为：

将f(x,y)与G(x,y)卷积，改变n，当f(x,y)*G(x,y)的值达到最大时， n的方向即为梯度的方向，这时，

幅值：G＝|f(x,y)*G(x,y)| (10)

方向：

步骤3.4.3，对所得到的梯度幅值运用极大值抑制，找出像素梯度的局部极大值点，将其他非极大值点置为0，细化边缘；

步骤3.4.4，采用双阈值的算法检测和连接图像的边缘。

进一步地，所述步骤4中数学形态学操作包括区域填充、闭运算和删除小面积。

进一步地，所述连通区域分析算法按照8邻域的方式进行，将二值图像内像素值为1的点整合成连通区域，然后从上到下、从左到右进行扫描，记录每个连通区域内的像素个数，并计算得出总的像素个数，即为杂质总的像素面积，最后运用杂质的总像素面积和整个图像的总像素面积，得出最终的含杂率。

本发明的有益效果是：

(1)最大类间方差法分割图像可以大大的降低误分割的概率，而且不管图像的灰度直方图中是否有明显的波峰波谷，都能够得到令人比较满意的结果。

(2)Roberts算子的定位精准度高，但却对噪声较为敏感；Sobel 算子和Prewitt算子可抑制噪声，但却存在较多的间断点；Canny算子的检测精度高，对虚假边缘有抑制作用，但对含杂的籽棉图像来说， Canny算子的检测过于细致，往往有一点变化的棉花区域就会被检测出来。因此本发明将多种边缘检测算子结合起来，提高了边缘检测的精度。

(3)本发明提供的一种基于图像分析的籽棉含杂率检测方法可以应用于生产线上，检测速度快，成本低。

附图说明

图1是本发明一种基于图像分析的籽棉含杂率检测方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，以下结合具体实施方式，对本发明进行进一步详细说明。

如图1，一种基于图像分析的籽棉含杂率检测方法，具体包括：

步骤1，对含杂籽棉图像，进行灰度化、灰度拉伸和中值滤波处理，以增强图像的信息特征，提高对比度，得到预处理图像。

步骤1中的中值滤波处理是用邻域中各点的中值代替原灰度值，去除图像中的孤立噪声点，应用5×5模板。

步骤2，对预处理图像，运用最大类间方差法处理，得到含杂籽棉的分割图像，即二值图像。

步骤2.1，设图像的像素值总数为N，灰度值的范围是[0,L-1]。其中灰度级为i的像素点有n

步骤2.2，在灰度值T处将图像内所有的像素分为A和B两个组，A组的灰度值范围为[0,T],B组灰度值范围[T,L-1]。由图像的灰度分布概率可得总均值为：

则A、B两组的均值分别为：

其中，

u

步骤2.3，A、B两组的类间方差是：

2.4，让T在灰度范围[0,L-1]内依次取值，直到类间方差σ

其中，f(x,y)表示预处理后图像中像素点的灰度值；g(x,y)表示分割后图像的灰度值，即只有黑白两种颜色的二值图像。

步骤3，对预处理图像，运用多种算子结合的边缘检测处理，得到含杂籽棉图像的分割图像。

步骤3.1，用Prewitt边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.2，用Roberts边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.3，用Sobel边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.4，用Canny边缘检测算子对预处理后的图像进行边缘检测，得到图像I

步骤3.4.1，利用高斯滤波器对图像进行平滑处理。所选高斯函数为：

步骤3.4.2，利用一阶偏导的有限差分计算出滤波后图像梯度的幅值和方向。高斯函数在方向n上的一阶导数为：

将f(x,y)与G(x,y)卷积，改变n，当f(x,y)*G(x,y)的值达到最大时， n的方向即为梯度的方向，这时，

幅值：G＝|f(x,y)*G(x,y)| (10)

方向：

步骤3.4.3，对所得到的梯度幅值运用极大值抑制，找出像素梯度的局部极大值点，将其他非极大值点置为0，细化边缘。

步骤3.4.4，采用双阈值的算法检测和连接图像的边缘。

步骤3.5，将上述算子所得图像I

步骤4，对含杂籽棉的分割图像，通过区域填充、闭运算和删除小面积的数学形态学操作，进一步处理优化，得到后处理图像。

步骤5，对后处理图像，通过连通区域分析算法确定杂质区域的总像素面积，并得出其在整个图像像素面积中的占比，作为最终含杂率。

连通区域分析算法按照8邻域的方式进行，从像素值为1的点开始，分别向上、下、左、右、左上、左下、右上、右下八个方向进行扫描，将具有相同像素值的点，整合为成连通区域并标记。标记后的二值图像内，各个连通区域标有不同的像素数。再从上到下、从左到右进行扫描，记录每个连通区域内的像素个数，并计算得出总的像素个数，即为杂质总的像素面积。

本发明提供了一种基于图像分析的籽棉含杂率检测方法，运用图像处理分析技术，实施对含杂籽棉图像含杂率的检测，检测时间短，运行速度快，操作成本低。图像分割部分，采用最大类间方差法降低了误分割的概率；采用多种算子结合的边缘检测提高了检测的精度。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。