Delphi编程图像处理在针织物疵点检测中的应用

计算机应用

Delphi编程图像处理在针织物疵点检测中的应用

李日东,朱文俊,杨 柳

(西安工程大学纺织与材料学院,陕西西安710048)

[摘要] 简介了针织物常见疵点,并采用可视化编程工具Delphi进行编程,综合利用噪声处理、二值化处理、边缘增强、边缘检测、二值图像细化等一系列图像处理和识别方

法,对针织物进行疵点检测,提出了图像处理在针织物疵点检测中的一般方法。

[关键词] 针织物疵点;图像处理;疵点检测

[中图分类号]TP391 41 [文献标识码]A [文章编号]1003 1308(2009)03 0051 06

1 引 言

织物疵点检测在纺织品检测中是最重要的检测项目之一。长期以来,疵点的检测都是由人工视觉完成的,也就是检测人员先按照自己的经验对织物进行评分,再根据评等标准对织物等级做出评定,并填写各种织物疵点报表。这种方法存在着较明显的缺陷,如劳动强度大、效率低、漏检率高等。另外,这种方法受检测人员主观因素的影响也较大,因而难以得到准确的检测结果。

随着近年来计算机技术的飞速发展,图像处理技术已经应用于越来越多的行业,在纺织品检测中,其优点在于能够快速、直观地反映二维信息体,既可以减少检测人员主观上的干扰,还可以改变目测识别时的效率低下。目前,图像处理技术在纺织品领域中的应用主要分为三类:纤维检测、纱线检测和织物的检测。

其中,纤维检测主要是针对纤维横截面形状、直径、网棉均匀度、纤维异型度等方面进行检测。纱线检测主要是针对纱线细度、直径、纱线混合状态等方面进行检测。而在织物方面,主要是针对织物褶皱分析、织物表面纹理分析,以及织物疵点等进行检测。

本文将从针织物的疵点检测入手,对图像处理在纺织疵点检测中的应用进行研究。纺织品疵点检测的具体流程如图1所示。

2 针织物的常见疵点

织物疵点大多是在编织和后整理过程中形成的,不仅种类繁多,而且疵点大小不一,形态各异[1]。就针织物而言,常见的疵点有横裆疵、鸟眼花纹疵、细支纱疵、纹路歪

[收稿日期]2009 04 06;[修订日期]2009 06 10

图1 纺织品疵点检测流程图

斜、三角眼、抽丝、直条痕、松眼横列、脱套、漏针、破洞、集圈疵点、针路疵点、织物起皱等(参见图2)。

据有关资料显示,疵点种类出现最多的工艺流程是编织过程,约占所有疵点类型的80%;而在染色、印花和后整理工艺当中,出现疵点的比例不足10%[2]。另外,根据现有的检测技术,检测染色、以及印花后的疵点极其困难,所以大部分的检测技术都是

基于染色前对织物进行检测。

图2 部分常见针织物疵点

3 图像处理检测针织物疵点

3 1 图像去除噪声和锐化

3 1 1 图像的平滑

在输入图像的过程中,图像可能存在各种寄生效应,如可能受到各种噪声源的干扰,混入各种高频噪声,以及光电转化过程中的噪声、相片颗粒噪声和信息传输中的误差等,因而不能保证正确地求出数字图像的密度信息。但是,要想得到正确的图像信息,就必须消除噪声,可以采用领域平均法在空间域上对图像进行平滑处理。该方法的核心,是求出图像中以某点为中心的、一个领域范围内的图像像素之平均值,并以此平均值作为该中心点的灰度值。图像处理中常用的平滑模板,一般有以下三种:111

1

11111算子核z =9,111121111算子核z =10,121242121

算子核z =163 1 2 图像的锐化

在图像系统中,由于摄影系统的聚焦不良和信号传输系统信号频带过窄,造成图像中目标轮廓的模糊是必然的。图像的模糊,实际上是由于频率高的空间频率成分低于频率低的空间频率成分而造成的,这一影响表现于均匀灰度区域间的边界部分(边缘),如图3所示。

因此,要消除模糊,就必须增强图像中频率高的空间频率成分,即图像的锐化(或细微层次调整)。图像锐化是一种改善图像质量的方法。从数学角度上讲,就是对图

图3 模糊边缘带来的影响

像进行微分化处理。在图像中,边缘是由灰度级和相邻域点不同的像素点构成的。因此,若想增强边缘,就应该突出相邻点间的灰度级变化。微分运算可用来求解信号的变化率,因而具有加强高频分量的作用。如果将其应用在图像上,就可使图像的轮廓清晰。由于常常无法确定轮廓的取向,因而挑选用于轮廓增强的微分算子时,必须选择那些既不具备空间方向性、又具有旋转不变性的线性微分算子。采用这种方法,可以去掉!模糊图像∀,使其变得轮廓分明[3]。在图像处理中,常用的微分算子有以下四种:

0-10

-15-1 010,

-1-1-1

-19-1

-1-1-1

,

1-21

-25-2

1-21

,

-1-2-1

-219-2

-1-2-1

3 2 灰度和二值化

3 2 1 灰度处理

在将图像进行灰度处理后,根据灰度直方图,观察图像中是否有!局部像素集中∀的现象存在。若有,则需进行灰度直方图拉伸处理。图像直方图用于描述图像中各灰度级出现的相对频率,基于直方图的灰度变换,可调整图像直方图达到一个预定的形状。比如,一些图像由于灰度都集中分布在较窄的区间内,对比度很弱,图像细节看不清楚。此时,可采用图像灰度直方图进行拉伸处理,使得图像的灰度分布趋向均匀,图像所占有的像素灰度间距拉大,加大图像反差,增强图像对比度,达到增强和改善视觉效果的目的。灰度直方图体现的是每一级灰度上像素的频率数,对于一些对比度不好的图像,其直方图中灰度级拉伸效果并不是很好,所以通过拉伸直方图,可以提升对比度。在疵点检测中,有时由于输入的图像对比度较弱,致使灰度分布较窄,所以必须经灰度直方图拉伸处理,才能使图像细节变得清晰。

3 2 2 二值化

图像经过二值化处理之后,再对图像做进一步处理时,图像的几何性质只与0和1的位置有关,不再涉及到图像的灰度值,使得处理变得简单,而且数据的压缩量很大。图像二值化的具体方法是:通过设定阈值(Threshold),把灰度图像变换成仅用两个值(0和1)来分别表示的!图像目标∀和!图像背景∀的二值图像,其中目标取值为1,背景取值为0。二值化的方法有很多,阈值的选择是二值化的关键。阈值的选择主要可以