一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法

摘要

本发明涉及一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法，首先对采集图像中的所有标记物体轮廓进行面积计算，面积小于设定阈值的视为采集误差进行剔除，减少大量统计计算的冗余信息，在判断是否为有效成像的单根纸浆纤维方面，在形态参数计算前对纤维进行细化并判断端点个数，辨别并去除集结成团的多根纤维或纤维团，与传统的直接测量相比，降低测量的计算量，同时提高了计算精度。本发明能准确地识别出单根纸浆纤维，并且给出针对单根纤维识别的具体计算方法，使后续的纸浆纤维的长度、卷曲度等形态参数统计计算更加精确，为增加参数测量的可信度奠定了基础。

说明书

技术领域

本发明涉及一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法，可用于减少纸浆纤维形态参数的测量量，提高纤维形态参数的统计测量精度，增加参数测量结果的可信度。

背景技术

纤维形态学参数对纤维分析有着至关重要的作用，然而在纤维形态学参数的测量中面临着许多问题。就采集的纤维图像来说，只有单根纤维的形态学参数才是我们需要的，然而纤维溶液中的杂质、镜头附着的灰尘和凝集成团的纤维都会出现在采集的图像中，对以图像为基础的纤维测量造成巨大的影响，也是纤维测量不精确的根源。因此要得到纤维的精确参数，就必须将单根纤维识别出来再进行计算。

传统的纸浆纤维形态参数计算方法，通常是对所有轮廓的面积或周长特征量进行提取，然后依据经验来区分纤维，而有些纤维团的特征和单根纤维的特征差别并不明显，因此传统的计算方法计算量大且计算不精确。

发明内容

本发明的目的是：克服传统纸浆纤维形态参数计算方法的不足，提出一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法。

本发明的技术方案为：对采集图像中的所有轮廓进行面积计算，对面积过小的进行剔除，去除非纤维轮廓的干扰，然后在形态参数计算前对大于某一阈值的纤维轮廓进行细化，并判断端点个数辨别出单根纤维，再依据给出的方法进行参数计算。

具体步骤如下：

（1）利用OPENCV对采集的图像进行预处理，然后对图像中的物体轮廓进行标记，记录轮廓的面积信息；

（2）采用面积阈值法对轮廓面积大小进行判断，从而剔除面积小于设定阈值的轮廓，将其视为成像镜头附着物或溶液悬浮颗粒，对面积大于设定阈值轮廓进行下一步计算；

（3）将面积大于设定阈值的轮廓视为纸浆纤维的轮廓进行细化，细化为单像素的骨架线条，然后判断线条端点个数；

（4）对只有两个端点线条即纸浆纤维的长度、卷曲度等形态参数进行计算，剔除零端点和多端点的纤维团。

其中纤维长度是指纤维在不受外力影响下，伸直时测得的两端间距离；卷曲度是指纤维的伸直长度L与卷曲长度L0之差数(L-L0)对伸直长度L的百分率。

所述步骤（1）中用连通标记法进行面积测量，统计具有公共标号元素的组，即可得到各个轮廓的面积。

所述步骤（2）中还可以通过计算图像中轮廓的周长来剔除图像中附着物或悬浮颗粒。

本发明的基本原理是：

采集的显微图像中除单根纤维外还存在许多聚集的纤维团和成像镜头附着物或溶液悬浮颗粒造成的采集误差，轮廓面积或周长的测量对于去除面积较小的采集误差十分有效。传统的测量方法直接根据轮廓面积或周长的特征依据经验来进行识别和计算，无法区分单根纤维和聚集的纤维团，精确度非常低。本发明先以轮廓面积作为特征进行识别，每个单联通区域内像素点个数表示为该轮廓的面积，对面积较小的轮廓进行剔除；然后通过对细化后线条的端点个数进行判断，让分类间隔最大化，能精确的在附着物、单根纤维和聚集纤维中将单根纤维区分出来。

本发明与现有技术相比的优点在于：

在识别方面，将所有轮廓的面积特征进行计算，仅用于区分是否为纤维，去除杂质的影响，细化纤维来判断此纤维端点的数量特征，从而判断是否为单根纤维，比传统的仅用面积或周长作为纤维的特征更加精确。

在计算方面，依据面积来区分是否为纤维，以端点个数来区分是否为单纤维，能够更加精确和迅速地区分出单根纤维。比传统计算方法相比具有计算速度快，计算精度高的优点。

附图说明

附图1为本发明的识别方法流程图；

其中，a为不同纤维的轮廓面积或周长阈值；

b为纤维图像细化后端点阈值，一般为2；

附图2为以面积和圆形度作为特征对轮廓进行识别的效果图；

附图3为经过预处理以后的纤维图像；

附图4为经过预处理以后的纤维图像；

附图5为附图3连通标记后剔除面积小于设定阈值的轮廓后，将面积大于设定阈值一个轮廓画轮廓到一幅二值图像中；

附图6为附图4连通标记后剔除面积小于设定阈值的轮廓后，将面积大于设定阈值一个轮廓画轮廓到一幅二值图像中；

附图7为八邻域示意图；

附图8为附图4轮廓细化并判断端点的效果图；

附图9为附图5轮廓细化并判断端点的效果图。

具体实施方式

下面结合附图对本发明做进一步的解释。

如附图1所示，本发明的具体包括如下步骤：

（1）采集图像并利用OPENCV对采集的图像进行图像灰度化、图像增强、滤波、平滑、二值化、膨胀、腐蚀的预处理。从附图3经过预处理的纤维图像可以看出虽然经过预处理，图像内依然含有非纤维成分的杂质，且非纤维成分的面积明显小于纤维面积，但是单根纤维和聚集纤维却难以通过面积或周长来区分，从附图2以面积和圆形度作为特征对所有轮廓进行识别的效果图可以得到佐证，其中黑色实心小点为附着物，黑色实心大点为单根纤维，黑色空心大点为聚集纤维。

对预处理后的图像进行连通标记来测量面积，连通标记算法：扫描图像，找到没有标记的像素值为1的点，给它分配一个新的标记i，递归分配标记i给此点的邻点，如果不存在没标记的点，则停止。连通标记算法可以找到图像中的所有连通成份，并对同一连通成份中的所有点分配同一标记。

（2）把步骤（1）中每个连通区域内像素点个数之和看作该轮廓的面积，小于设定的阈值时剔除，对预处理后图像的各个轮廓进行分析，可以明显得出图像具有非纤维成分的面积远远小于纸浆纤维本身的面积的特点，因此，利用以连通标记法为基础的面积阈值法可以成功的将这些非纸浆纤维成分去除。附图5-6为连通标记后剔除面积小于设定阈值的轮廓后，将剩余的面积大于设定阈值的每一个轮廓画轮廓到一幅二值图像中。

（3）对步骤（2）中大于设定阈值的轮廓进行细化，然后对细化后线条上的像素点进行判断。如附图7所示，如果两个像素有公共边界，并且至少共享一个顶角，则称它们为八邻域。若某一像素点八邻域内只有一个像素点则该像素点为此线条的端点，记录该线条的端点个数，附图8-9为轮廓细化并判断端点的效果图，由效果图可以看出端点数等于2的是单根纤维，端点数大于或是小于2的是聚集纤维。

（4）若步骤（3）中判断线条上的端点个数为2，则此纤维就是单根纤维，设曲线y=f(x)是区间[a,b]上的函数，则可用曲线的长度来表示纤维的长度，a和b分别为纤维的两个端点：

（1）

当把区间[a,b]分为n段无限小的区间时，上式可表示为：

（2）

由于曲线函数的拟合过于复杂，所以在上式的基础上，把纤维的长度近似看作为每个像素点之间位置的叠加，从端点开始寻找下一个像素，直到第二个端点结束。若下一个像素点位于上一个像素点八邻域的水平和垂直位置则记他们之间的距离为1个像素点；若下一个像素点位于上一个像素点八邻域的对角线位置则记他们之间的距离为个像素点，若一个纤维有m个距离为1和n个距离为的像素点构成，则此纤维长为：

记录下上述单个纤维的两个端点坐标分别为（i1，j1)和(i2,j2)，则卷曲长度为：

卷曲率为：

P为卷曲率；

L为伸直长度；

L0为卷曲长度。

纤维的长度标定：采用上述的方法测量后，得到的是以像素点的个数为单位的结果，此时得到的纤维长度是用单根纤维细化后线条包含的像素点个数来表达的。而实际中纤维长度测量应用的数据是以微米（um）为长度单位的，所以必须将像素点标定为标准单位后才能应用到实际工作中。实际长度与以像素点个数表示长度的关系可用下式表示：

l：以微米为单位的纤维长度；

L：以像素点个数为单位的纤维长度；

p：比例系数。

当步骤（2）使用轮廓周长来剔除图像中附着物或悬浮颗粒时，则对预处理后的图像进行轮廓跟踪：

①从左到右、从上到下扫描图像，找到第一个像素点作为连通区域S的起始点s(k)，k=0;

②用C表示当前边界上被跟踪的像素点．令C=s(k)，记C左4邻点为b，b不属于区域S

③按逆时针方向从b开始将C的8个8邻点分别记为n₁，n₂，n₃，……，n_8，k=k+1；

④从b开始，沿逆时针方向找到第一个n_i属于区域S，

⑤令c=s(k)=n_i，b=n_i-1

⑥重复步骤③、④、⑤，直到s(k)与起始点s(0)重合。

记录s(k)与起始点s(0)重合时k值即为本轮廓周长。若周长小于设定阈值则剔除，只对周长大于设定阈值的轮廓进行下一步计算。所述计算过程如上述步骤（3）、步骤（4）所述，在此不再详述。