织物起毛起球测试评级方法浅析

织物起毛起球测试评级方法浅析
1、标准样照的图像分析
1.1 图像的采集
采用Microtek 4800平板扫描仪对机织物起毛起球标准样照进行扫描，本文考虑样照织物的实际尺寸为9 cm，选用的分辨率为500 dpi，扫描的样照图像总大小为1 100像素×1 100像素，即每厘米大小的织物占122个像素点。

图l所示的图像为截取样照中大小为370像素×370像素，对应实际织物尺寸约为3 cm X 3 cm的区域图像。

1.2 织物纹理的滤除
为有效地分离毛球，必须滤除织物中纱线交织形成的纹理背景。

在时域里很难直接分析图像中叠加在一起的周期性和非周期性成分，即织物纹理与毛球信息。

为此，以MatLab 7.1为工具，采用傅里叶变换将样照图像变换至频域，幅值谱如图2所示。

图中峰点及其附近区域代表了织物的纹理信息。

采用峰点滤波法可找出所有峰点n、6、c、d等。

本文尝试采用2种方法滤除织物纹理。

1)以幅值最大值的50%作为阈值，滤除图2中代表织物纹理的周期性成分，滤波后的幅值谱和滤波结果如图3(a)、(b)所示。

图3(b)中未能清晰反映出毛球，这是因为O点附近的毛球低频信息已被滤除。

2)在图3(a)滤波的基础上，保留以O点为圆心，图2中ab、口c较小者为直径范围内的原有低频信号。

滤波后的幅值谱和滤波结果如图3(c)、(d)所示。

由图3(d)可看出织物纹理得到有效的去除，毛球得到清晰呈现。

2毛球的提取
为提取毛球的特征，先要对图像进行阈值处理以分离毛球。

由于毛球的数量太少，不足以引起直方图发生变化，经过上述滤波后图像的灰度直方图仍显1个峰，所以利用普通的阈值方法是不可行的。

早在1979
年，日本的大津展之¨1提出了一种基于判别分析过程的大津自动阈值选择法(OTSU)，此方法不管图像的直方图有无明显的双峰，都能得到较满意的效果，但OTSU缺陷是当目标物与背景灰度差不明显时，会出现大块黑色区域。

为解决这个问题，本文选用灰度增强的大津阈值法一1，对纹理滤除后的图像进行灰度调整后再阈值，增强目标物与背景的对比度，同时也弥补了上文滤除纹理时削弱毛球信息的缺陷，结果如图4所示。

在起毛起球样照中，存在由于光照不匀引起图像区域亮度不一致的问题，这时，用灰度增强的大津法仅对整幅图像选择1个阈值就无法得到满意的效果。

采用局部阈值的方法可有效解决此问题，即将图像分成许多块，然后在每块内进行自动阈值分割。

本文将图像分成了3×3块(这样进行阈值后的毛球大小和位置接近原图)，在分块的同时对原图进行交叉切分，相邻子块之间有一半面积的重叠，这样可减少灰度不连续现象的影响¨…。

阈值并取反后的毛球图如图5(a)所示.
从图5(a)所示的阈值后毛球图像可看出，图像中还存在一些非毛球的噪声信号(图中用框标出)。

根据本文所采用的扫描分辨率，纱线直径约占2个像素，而毛球的尺寸较纱线直径大，将图像上2个像素点以下的噪声信号滤除，如图5(b)所示。

3结果与讨论
3.1 毛球特征的提取
根据上述方法，对样照图像圆内接最大正方形图像(740像素×740像素)进行处理，所得毛球二值化图像与原图的对比如表1所示。

从表中可看出，毛球位置与原图是对应的，毛球的大小接近实际尺寸。

接着提取每级样照的毛球总面积，统计毛球面积占图像总面积的比例，结果如表2所示。

从数据可以看出随着级数的增大，毛球面积明显减小，级与级之间相差较大，符合1—5级样照图像特征值的变化规律。

3.2 实例分析
按照GB/T 4802.1—1997规定的压力为780 cN，起球转数为600转，用YG 401G型织物平磨仪(磨台直径为9 Cm)分别对3块不同精纺毛织物进行起球试验。

接着采用Microtek 4800平板扫描仪采集图像，为和样照图像的大小基本保持一致(9 cm的织物图像大小为1 100像素×1 100像素，即1 cm内大约122个像素)，可取扫描分辨率为300 dpi。

随后进行图像截取，纹理滤除，毛球提取，等级评定，并按照标准样照
比对法进行人工评定。

以试样l为例，各步骤的图像如图6所示。

3种试样得出的数据如表4所示。

可看出本文方法评定出的等级符合主观评定结果。

4 结论
本文利用扫描仪采集1—5级的精纺毛机织物起毛起球标准样照(光面GB/T 4802.3—2008)的图像，以MatLab 7.1为分析工具完成毛球的提取，以毛球面积及毛球所占比例作为特征值，分析每级样照和实际起毛起球织物。

在傅里叶变换滤除织物纹理的过程中，保留原点附近的毛球低频信息，使得滤波结果中毛球较为清晰;增强的OTSU局部阈值法能够对毛球进行准确有效的提取，真实反映毛球的实际状态。

实际织物的分析结果表明，本文建立的起毛起球评级标准可更客观地表征织物起毛起球等级。