基于计算机截面图像的棉/苎麻自动分析系统

论文摘要

目前，商检系统确定棉和苎麻纤维混纺品的成份百分比主要采用人工分析的方法，这种检测方法依赖于检测人员的主观判断，检测人员的经验、技术等因素会影响结果的客观性和准确性。人工检测方法费时、费力，并且效率低。因此，商检系统需要一种高速、客观、准确的苎麻和棉纤维分析方法。本论文研究如何采用计算机图像处理和模式识别相关技术，实现基于纤维截面图像的苎麻和棉纤维种类识别和成份分析，为建立棉和苎麻纤维种类识别以及成份分析的全自动系统奠定基础，从而实现纤维种类无人工干预、客观、准确地识别。主要研究工作有显微放大纤维截面图像光照不均现象的校正处理、纤维截面图像的预处理（边缘检测、纤维掩码、截面分离、骨架提取等等）、纤维截面特征参数的定义和提取以及基于SVM的纤维自动分类。具体如下：论文首先提出用离均差线性迭代算法进行纤维图像点光源光照不均的校正处理。通过计算图像的离均差，寻找需要进行迭代运算的特征点集合；对每个特征点用其局部强度平均值代替灰度值，以得到的新图像作为新的处理对象，反复迭代运算直至图像的标准偏差收敛。在逐次迭代的过程中，光照不均的影响被消除，同时保留了纤维的边缘信息。算法能有效去除显微放大纤维截面图像中由点光源引起的光斑效应，为后续图像处理消除不利影响。其次对传统Canny边缘算子提出改进，提出基于纤维截面图像内容的Canny高、低阈值的自适应算法，在Canny边缘检测算法的边缘跟踪部分提出了两个概念：“边缘长度”和“边缘分叉间平均间隔”，并以它们作为区分纤维边缘和噪声伪边缘的重要标识。改进后的Canny边缘算子延续了传统Canny边缘算子高效的特征，进一步提高了Canny边缘检测算子的输出信噪比，尤其对分布密度、分布数量各不相同的纤维截面图像具有满意的输出信噪比。对于低分辨率纤维截面图像和细微边缘的边缘检测，本文采用了基于B-Spline插值边缘检测算子，插值边缘算子对输入图像先进行插值而非高斯平滑，能有效克服Canny边缘检测算子在低分辨率图像检测方面的缺陷，改善边缘输出的信噪比和光滑度。为了解决部分纤维截面相互粘连的问题、克服纤维截面图像边缘检测的双边缘效应，论文接着提出纤维掩码的概念。首先提出的背景填充法纤维掩码能有效克服双边缘效应，亦能较好地分离相互粘连的纤维截面。但背景填充法去掉了截面外轮廓像素点，改变了截面的周长、面积等特征参数，给纤维分类的正确性带来不确定因素。为了进一步提高纤维掩码的可应用性，本文进一步提出了二分法纤维边缘掩码算法。考虑到边缘上像素点的离均差值一般较小，算法设定了两个离均差阈值，其中低阈值用于确定纤维的存在性，高阈值用于连通低阈值检测得到的边缘像素点，以得到完整的纤维边缘掩码。在纤维边缘掩码的基础上，本文提出了基于欧氏距离变换的纤维截面分离算法。首先以“纤维边缘掩码”为特征点集合，计算输入图像各像素点的最短欧氏距离，并设定阈值以区分“图像背景”和“纤维内腔”，然后以“纤维内腔”为特征点集合，计算“纤维边缘掩码”各像素点的最短欧氏距离。对于那些仅仅距离某个内腔子集合最近、且与其连通的边缘掩码点，被认为与该子集合属于同一个纤维截面，那些与多个内腔子集合距离相等的边缘掩码点则放在一个公共集合中，这个公共集合中的像素点与哪个纤维截面相邻，则认为该像素点属于这个纤维截面。得到独立的纤维截面以后，论文研究了纤维截面的骨架线提取。然后论文研究并分析了已有的棉/苎麻截面特征参数，根据纤维截面特征，提出用5链码和与5链码差曲线对纤维截面骨架线进行描述，对角点、凹陷等特征进行了新的定义和定量分析。利用链码对纤维截面骨架进行描述，可以将二维的形状概念简化成一维的函数，以利用信号分析技术提取纤维截面特征。最后对核主元分析法（Kernel Principal Component Analysis，KPCA）与支持向量机（Support Vector Machine，SVM）进行了研究。KPCA能够在高维空间提取纤维截面的一些非线性特征。SVM具有较强的推广能力、能改善由于样本缺少及样本数据残缺带来的性能降低，且SVM在理论上可以得到全局最优的解析解、不存在局部最优化问题等优势，因此本文选用SVM对棉/苎麻纤维截面进行分类。先采用100对棉/苎麻纤维截面作为样本进行训练，然后用训练所得的分类模型对棉/苎麻混纺纤维截面进行分类，并对结果进行分析。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 硬件系统简介
• 1.4 本文主要研究内容
• 本章参考文献
• 第二章 纤维图像光照不均校正处理
• 2.1 概述
• 2.2 均值滤波
• 2.3 特征点集合和标准偏差
• 2.4 一维高斯信号的离均差线性迭代
• 2.5 点光源图像的离均差线性迭代算法
• 2.6 图像评价标准
• 2.6.1 熵值法
• 2.6.2 PSNR
• 2.7 实验结果及分析
• 2.8 本章小结
• 本章参考文献
• 第三章 纤维截面图像的预处理
• 3.1 边缘检测
• 3.1.1 问题的提出
• 3.1.2 自适应阈值 Canny 边缘检测
• 3.1.3 基于 B-Spline 插值的边缘检测
• 3.2 纤维掩码
• 3.2.1 问题的提出
• 3.2.2 背景填充法纤维截面掩码提取
• 3.2.3 二分法纤维边缘掩码提取
• 3.3 纤维截面分离
• 3.3.1 图像分割算法简介
• 3.3.2 欧氏距离变换基本概念
• 3.3.3 基于欧氏距离变换的分离算法
• 3.3.4 实验结果及分析
• 3.4 骨架提取
• 3.4.1 骨架提取概述
• 3.4.2 基本概念
• 3.4.3 中轴提取
• 3.4.4 实验结果及分析
• 3.5 本章小结
• 本章参考文献
• 第四章 纤维截面特征参数提取
• 4.1 纤维截面特征参数研究
• 4.1.1 周长和面积
• 4.1.2 圆整度
• 4.1.3 掩码率
• 4.1.4 凹陷与角点
• 4.2 基于链码的纤维特征参数研究与提取
• 4.2.1 链码、相对链码、绝对链码
• 4.2.2 n 链码和、 n 链码差
• 4.2.3 纤维截面骨架的链码描述
• 4.2.4 基于 5 链码和与 5 链码差的纤维特征参数提取
• 4.3 本章小结
• 本章参考文献
• 第五章 基于核主元分析和支持向量机的纤维分类
• 5.1 概述
• 5.2 PCA 和 KPCA
• 5.2.1 PCA 基本原理
• 5.2.2 KPCA 基本原理
• 5.3 SVM 基本方法
• 5.3.1 线性情况
• 5.3.2 非线性情况
• 5.3.3 关于 SVM 方法的说明
• 5.4 基于 SVM 的分类器设计
• 5.4.1 数据尺度变换
• 5.4.2 分类模型
• 5.4.3 样本训练
• 5.5 分类结果及分析
• 5.6 本章小结
• 本章参考文献
• 第六章 总结
• 符号与标记（附录 1）
• 致谢
• 攻读博士学位期间已发表的论文