一种基于自动识别比例尺的纤维长度测量方法

1.本发明涉及纤维长度测量技术领域，具体是一种基于自动识别比例尺的纤维长度测量方法。


背景技术：

2.由于纺纱工艺上的需要，渐渐出现多种形式的纤维长度检验方法和仪器，例如排图法、梳片式、测厚式、光电式、气流式、电容式等。各种方法和仪器所测得的长度指标不完全相同。随着科学的发展又出现了半自动和全自动纤维长度仪，向着正确、快速、和多指标的测试方向发展。现有技术中常采用人工或半自动的方式对纤维进行测量，这种方式耗时费力，且容易出现误差。目前的纤维测量方法主要基于线段的长度和曲率来计算纤维长度，但是对于复杂的纤维形状和弯曲程度较高的纤维，由于其实际长度与线段长度存在较大误差，导致测量结果不够准确。在现有技术中，虽然已经存在了多种纤维长度检验方法和仪器，例如排图法、梳片式、测厚式、光电式、气流式、电容式等，但它们仍然存在一些缺陷，传统的纤维长度检测方法需要手动测量比例尺，这种操作容易受到人为因素的干扰，导致测量结果的不准确；一些自动化纤维长度仪器虽然能够减少人为干扰，但需要人工调节仪器参数和操作，操作复杂，需要一定的专业知识和技能。
3.因此需要改进现有对纤维长度进行测量的方法。


技术实现要素：

4.本发明要解决的技术问题是提供一种基于自动识别比例尺的纤维长度测量方法，用以对给定长度的比例尺的纤维图像进行纤维长度的自动测量。
5.为了解决上述技术问题，本发明提供一种基于自动识别比例尺的纤维长度测量方法，包括：采集纤维的图像，采集的纤维图像中包括一个已知实际长度为l红色的比例尺，计算采集的纤维图像上的比例尺的每个像素的实际长度，然后根据采集的纤维图像上纤维的拟合曲线的像素长度计算获得纤维的实际长度。
6.作为本发明的一种基于自动识别比例尺的纤维长度测量方法的改进：
7.所述比例尺的每个像素的实际长度的过程为：
8.(1)、将所述纤维图像从rgb颜色空间转换为hsv颜色空间；
9.(2)、在hsv颜色空间的图像上，将红色的像素点设为白色，其他颜色的像素点设置为黑色，生成掩模图像；
10.(3)、通过canny边缘检测算法掩模图像进行边缘检测获得二值图像；
11.(4)、使用霍夫变换来检测二值图像，获得二值图像中所有线段的端点的坐标，然后通过计算所有线段的像素长度获得最长的线段并计算：
[0012][0013]
其中，length为每个像素所代表的实际长度，(x2，y2)和(x1，y1)分别为最长线段的
两端点坐标。
[0014]
作为本发明的一种基于自动识别比例尺的纤维长度测量方法的进一步改进：
[0015]
纤维的所述实际长度的计算过程为：
[0016]
(1)、将所述纤维图像的图像格式从rgb转换为bgr，然后转换为灰度图像；
[0017]
(2)、将所述灰度图像采用sobel算子进行边缘检测获得纤维的边缘，然后进行二值化处理转换为黑白图像；
[0018]
(3)、对黑白图像行闭运算后再识别最大连通区域获得包括明显的纤维主体图像；
[0019]
(4)、对纤维主体图像进行高斯平滑处理得到更加平滑的曲线主体，然后对平滑后的主体进行骨架化操作得到单像素轴线；
[0020]
(5)、将单像素轴线使用b样条曲线进行拟合，然后在拟合得到的平滑曲线上均匀间隔分段取点，计算每两个相邻点之间的像素距离并相加得到单像素轴线的像素长度；将单像素轴线的像素长度与所述每个像素的实际长度length相乘得到纤维的所述实际长度。
[0021]
本发明的有益效果主要体现在：
[0022]
本发明结合自动识别图像上的比例尺和根据纤维的拟合曲线的计算像素长度，来自动计算纤维的真实长度，提高了测量纤维长度的精度和效率，相较于传统的手动测量方法，省去了人工测量的步骤，从而减少了人为误差，并提高了测量的准确性；本发明的测量方法可以提高测量的速度，以便更快地处理大量数据。
附图说明
[0023]
下面结合附图对本发明的具体实施方式作进一步详细说明。
[0024]
图1为本发明一种基于自动识别比例尺的纤维长度测量方法的示意图；
[0025]
图2为采集的原始图像在本发明的sobel算子边缘检测、闭运算、识别最大连通区域和骨架化处理和拟合曲线各个阶段的结果示意图。
具体实施方式
[0026]
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
[0027]
实施例1、一种基于自动识别比例尺的纤维长度测量方法，如图1-2所示，通过自动识别图像上的比例尺，并根据纤维的拟合曲线的像素长度来自动计算纤维的真实长度，包括以下具体步骤：
[0028]
1、采集图像
[0029]
本实施例采用蔡司电镜仪器采集纤维的图像，采集图像格式为png，图像大小不限制，采集的同时在图像中设立一个已知实际长度为1mm的红色的比例尺，用以对所采集图像的像素与实际尺寸的比例换算。
[0030]
2、图像处理
[0031]
2.1、基于hsv颜色空间的红色线段测量
[0032]
2.1.1、颜色空间转换
[0033]
在计算机中，将步骤1所采集的纤维图像从rgb(red,green,blue)颜色空间转换为hsv(hue,saturation,value)颜色空间。在rgb色彩空间中，同一颜色的不同亮度或饱和度
的表现形式并不相同，因此在处理颜色时需要进行复杂的计算，而hsv颜色空间可以更好地处理颜色信息，并且可以通过调整色相、饱和度和值三个通道的阈值来选择特定颜色的区域。与rgb相比，hsv空间更符合人类视觉感知的方式，用颜色名称来描述一个物体的颜色，比如“红色”、“绿色”等，而不是用数字来描述颜色的具体数值。hsv空间中的色相对应于颜色名称，饱和度对应于颜色的纯度或浓度，明度则对应于颜色的亮度。这种分离出颜色的基本属性的方式，在处理颜色时更加直观和方便。
[0034]
2.1.2、定义红色范围并创建掩码
[0035]
在颜色空间转为hsv的图像上定义红色的范围(即比例尺的范围)并创建掩码以仅保留红色区域作为感兴趣的颜色区域，为掩码红色比例尺做准备，具体为：
[0036]
(1)定义红色范围
[0037]
在得到hsv颜色的图像与原始图像做逐像素的比较，符合颜色范围的像素点设置为白色(255)，不符合颜色范围的像素点设置为黑色(0)，并生成二值化的掩模图像，以便在图像中只保留想要提取的颜色区域，通过二值化掩模图像，可以有效地将目标颜色与其他颜色分离开来，以便更好地进行后续处理。此外，生成二值化掩模图像还有助于减少图像中噪点和杂散像素的干扰，提高目标颜色提取的精度。
[0038]
在hsv颜色空间中，红色被定义为h通道值在0-10和156-180之间，s和v通道值在一定范围内，根据这个范围，创建两个掩码(mask1和mask2)来分别保留这两个h通道值范围内的红色区域。然后将这两个掩码合并为一个掩码(mask)，以便在后续步骤中保留所有红色区域。
[0039]
2.1.3、边缘识别
[0040]
对步骤2.1.2的掩模图像mask通过canny边缘检测算法进行边缘检测，将图像中比例尺的边缘部分提取出来，形成一个二值图像edges，canny边缘检测算法能够准确地检测到图像中的边缘，保留尽可能多的边缘的同时，尽量去除不必要的噪声，从而提高后续处理的准确性，更精确地检测直线。
[0041]
canny边缘检测是一种广泛使用的边缘检测算法，它通过以下步骤实现边缘检测：
[0042]
1)、去噪：使用高斯滤波器平滑图像以去除噪声。
[0043]
2)、梯度计算：计算图像中每个像素的梯度幅值和方向。
[0044]
3)、非极大值抑制：对图像中每个像素的梯度方向进行非极大值抑制，以保留局部梯度最大值处的边缘像素。
[0045]
4)、双阈值检测：使用双阈值检测策略将梯度幅值分为强边缘、弱边缘和非边缘三类，并且进一步连接强边缘像素，生成完整的边缘。
[0046]
2.1.4、使用霍夫变换直线检测并计算比例尺的长度。
[0047]
使用霍夫变换来检测步骤2.1.3边缘检测后获得的二值图像edges中的所有线段，将线段的表示从图像空间坐标系中的(x,y)坐标表示转换为极坐标(r,θ)表示，将曲线上的点映射到极坐标空间中的一条曲线上，使得在极坐标空间中的曲线与在原始坐标系中的曲线上的点之间存在一一对应的关系。通过极坐标空间中的点，可以得到在原始坐标系中的线段参数，从而检测出线段。通过霍夫变换，可以在参数空间中找到交点，这些交点对应于图像中的线段。通过计算线段端点之间的距离，即可得到红色线段的像素长度。相较于计算外接矩形的长度方向像素更加准确，适合对除水平红色标尺线段外的斜向线段。常规外接
矩形还是最小外接矩形，对红色线段进行测量时候都会产生很大的误差，本发明摒弃了传统的外接矩形方式使用霍夫变换直线检测线段长度，误差可以控制在1个像素(0.0034mm)以内。具体过程为：
[0048]
(1)、hough变换：通过对步骤2.1.3边缘检测后获得的二值图像edges执行霍夫变换，检测获得图像中所有线段的端点的坐标、位置和方向，。
[0049]
(2)、寻找最长的线段：
[0050]
在使用霍夫检测直线后，通过计算欧几里得距离来获得所有线段的像素长度，即：
[0051][0052]
其中，pixel_size值表示线段的长度方向像素数，(xi，yi)和(xj，yj)分别为线段的两端点坐标；
[0053]
遍历计算所有线段的长度，最长线段的长度即为步骤1中预设的红色的比例尺的像素长度；步骤1中所预设的比例尺的实际长度为l(单位为毫米)，则每个像素所代表的实际长度length可以计算为：
[0054][0055]
其中，(x2，y2)和(x1，y1)分别为最长线段的两端点坐标
[0056]
在图像处理中使用像素来测量长度的好处是可以方便、快速、精确地获取图像中各个对象的尺寸信息，同时避免了人工测量的误差和主观性。通过计算线段的长度，可以得到红色线段(即步骤1中预设的比例尺)实际长度在图像上对应的像素长度，进而用于后续将纤维长度的像素长度转换为实际长度的计算。该算法基于勾股定理，利用线段的两个端点的坐标计算线段长度，准确性较高。通过将像素大小与实际长度相除，可以得到像素与实际距离的比例关系，方便后续的实际长度测量。
[0057]
2.2、处理图像中的纤维部分提取骨架
[0058]
2.2.1、将图像转化为rgb格式并进行灰度化处理
[0059]
在计算机中，将步骤1所采集的图像格式从rgb转换为bgr，然后转换为灰度图像，在处理图像时，如果只考虑彩色通道，可能会失去很多信息。比如，在分析图像的形状和边缘时，颜色通道的信息可能会干扰和妨碍分析，而灰度图像只包含亮度信息，更加简单。灰度化处理可以将图像转化为黑白灰度图像，使得纤维的轮廓更加清晰、明显，方便后续的纤维长度测量算法对纤维轮廓的提取。
[0060]
2.2.2、sober检测边缘
[0061]
对步骤2.2.1获得的灰度图像采用sobel算子进行边缘检测得到图像的梯度，从而获得纤维的边缘。sobel算子是一种常见的边缘检测算子，它可以通过计算图像在水平和垂直方向上的梯度来检测边缘，在拍摄纤维图的时候，纤维图接近半透明状态，在图像中，边缘通常代表着像素值的大幅度变化，因此在纤维图像和背景图像很接近的情况下，纤维和背景的像素值差异较小，因此sobel算子能够较好地提取纤维轮廓，并去除背景噪声，对纺织品的纤维图可以提供更好的边缘细节。
[0062]
2.2.3.对sober算子检测边缘后的梯度图像进行二值化处理转换为黑白图像
[0063]
二值化的作用是将经过sobel边缘检测处理后的图像进行二值化，将其转换为只
有黑白两种像素值的图像，使得后续的连通域分析更加准确。通过阈值分割将图像二值化，背景像素值被设为0，纤维像素值为255，方便了纤维的检测和分析。
[0064]
2.2.4.对二值化处理转换的黑白图像进行闭运算(膨胀和腐蚀操作)得到一个没有缝隙的完整纤维主体。
[0065]
因为纤维宽度不匀有粗有细还有断缺且接近透明，识别时会在纤维中产生空隙从而影响下一步的识别操作，闭运算是将一个5*5的正方形结构元素在步骤2.2.3的纤维主体图像上进行膨胀操作，再进行腐蚀操作，被用来填充纤维轮廓的空隙和补齐断缺部分，以消除纤维断裂的影响，让纤维更加完整，更加便于下一步操作。
[0066]
具体来说，执行闭运算时，先进行膨胀操作，将目标区域扩大一定的像素，然后再进行腐蚀操作，将目标区域缩小回原来的大小。这样，可以填补目标区域内的小孔洞和断裂部分，使目标更加完整。同时，闭运算还可以平滑目标的边界，使得目标轮廓更加连续，从而便于后续处理操作。
[0067]
2.2.4.对闭运算后的图像识别最大连通区域得到纤维主体图像
[0068]
识别边缘后的图像上噪点(除纤维外的白色像素)很多，对闭运算后的图像后一般无法直接识别纤维主体，需要通过对比连通区域大小，选择纤维连通区域(最大的连通区域)从而可以很好的对连通区域进行识别。连通区域(connected component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(region，blob)。连通区域分析(connected component analysis,connected component labeling)是指将图像中的各个连通区域找出并标记。识别连通域可以分为三步：
[0069]
1、识别每个像素的邻域像素，如果邻域为相同像素则这两个像素视为连通域。这一步将记录所有连通域坐标、宽度、高度和面积信息，以便下一步识别纤维主体。
[0070]
2、遍历每个连通区域的面积，找到最大的连通区域。
[0071]
3、将除最大连通区域以外的区域的像素值全部置零，保留最大连通区域的像素值。
[0072]
识别连通区域后获得包含最大连通域的图像，即包括明显的纤维主体图像。
[0073]
2.2.5.对纤维主体进行高斯平滑处理和骨架化，得到单像素轴线。
[0074]
对上一步获得的纤维主体图像进行高斯平滑处理得到更加平滑的曲线主体，然后对平滑后的主体进行骨架化操作得到单像素轴线。
[0075]
高斯平滑处理是一种图像平滑滤波器，其目的是通过将每个像素与其周围像素的加权平均值来减少图像中的噪声和细节，使得图像中的噪声平滑化，图像更加均匀和自然，同时保留较好的图像细节。本发明使用高斯平滑处理进一步平滑识别连通区域后获得的纤维主体图像中的线段，使得单像素轴线更加连续和平滑，高斯平滑也能够减少噪声的影响，从而提高算法的鲁棒性。
[0076]
骨架化(skeletonization)是一种用于将二值化图像转换为其“骨架”的技术，通常也称为薄化(thinning)。骨架化采用了八邻域细化算法(eight-connected thinning algorithm)对二值化图像进行处理，直到所有边缘像素都被删除。
[0077]
首先需要遍历二值化图像中的每个像素，对于每个像素，判断它是否是边缘像素(也称为骨架像素)。如果是，则对它进行八邻域检查，即检查周围8个像素是否都是背景像素(即黑色像素)，如果是，则将该像素删除；否则，保留该像素不变。这个过程会不断地重
复，直到所有的边缘像素都被删除，得到一个纤维骨架图像。
[0078]
2.2.6.对骨架化后的图像进行曲线拟合并计算拟合曲线长度，并将处理后的图像进行保存和显示。
[0079]
对于步骤2.2.5所获得的纤维骨架图像中的单像素轴线使用b样条曲线进行拟合，得到一条平滑曲线。b样条曲线是一种精确的曲线拟合方法，它可以平滑地拟合数据，不会像线性拟合那样过度拟合。然后在拟合得到的平滑曲线上均匀间隔取6000个点，计算每两个相邻点之间的像素距离并相加得到距离和即为单像素轴线的像素长度。最后通过步骤2.1.4所获得的每个像素所代表的实际长度length，将单像素轴线的像素长度转换为实际长度。
[0080]
实验：
[0081]
采用手工测量的纤维长度、传统图像法测量的纤维长度和本发明的一种基于自动识别比例尺的纤维长度测量方法测量的纤维长度进行对比实验，手工测量是采用一根长度合适的纤维，首先使用镊子加持纤维两端，拉直纤维后用直尺进行测量，获取的长度作为本实验的参考长度。传统图像法测量是在蔡司电镜中，按照纤维的方向拉取一个一个的线段，每个线段的首尾相连，这些线段的长度总和即为纤维的像素长度。
[0082]
三种方法对10根不同长度的纤维进行测量实验，对比结果如表1所示：
[0083]
表1、手工测量、传统图像法测量和本发明测量的纤维长度的结果对比
[0084][0085][0086]
由表1可知，相对于传统图像法测量的纤维长度，本发明的测试精度明显较小，从附图2也可以看出本发明的纤维骨架图像中的单像素轴线使用b样条曲线进行拟合的效果很好，基本上完美地拟合了原始图像中的纤维线段。
[0087]
最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

技术特征：
1.一种基于自动识别比例尺的纤维长度测量方法，其特征在于:采集纤维的图像，采集的纤维图像中包括一个已知实际长度为l红色的比例尺，计算采集的纤维图像上的比例尺的每个像素的实际长度，然后根据采集的纤维图像上纤维的拟合曲线的像素长度计算获得纤维的实际长度。2.根据权利要求1所述的一种基于自动识别比例尺的纤维长度测量方法，其特征在于：所述比例尺的每个像素的实际长度的过程为：(1)、将所述纤维图像从rgb颜色空间转换为hsv颜色空间；(2)、在hsv颜色空间的图像上，将红色的像素点设为白色，其他颜色的像素点设置为黑色，生成掩模图像；(3)、通过canny边缘检测算法掩模图像进行边缘检测获得二值图像；(4)、使用霍夫变换来检测二值图像，获得二值图像中所有线段的端点的坐标，然后通过计算所有线段的像素长度获得最长的线段并计算：其中，length为每个像素所代表的实际长度，(x2，y2)和(x1，y1)分别为最长线段的两端点坐标。3.根据权利要求2所述的一种基于自动识别比例尺的纤维长度测量方法，其特征在于：纤维的所述实际长度的计算过程为：(1)、将所述纤维图像的图像格式从rgb转换为bgr，然后转换为灰度图像；(2)、将所述灰度图像采用sobel算子进行边缘检测获得纤维的边缘，然后进行二值化处理转换为黑白图像；(3)、对黑白图像行闭运算后再识别最大连通区域获得包括明显的纤维主体图像；(4)、对纤维主体图像进行高斯平滑处理得到更加平滑的曲线主体，然后对平滑后的主体进行骨架化操作得到单像素轴线；(5)、将单像素轴线使用b样条曲线进行拟合，然后在拟合得到的平滑曲线上均匀间隔分段取点，计算每两个相邻点之间的像素距离并相加得到单像素轴线的像素长度；将单像素轴线的像素长度与所述每个像素的实际长度length相乘得到纤维的所述实际长度。

技术总结
本发明涉及纤维长度测量技术领域，公开了一种基于自动识别比例尺的纤维长度测量方法，采集纤维的图像，采集的纤维图像中包括一个已知实际长度为L红色的比例尺，计算采集的纤维图像上的比例尺的每个像素的实际长度，然后根据采集的纤维图像上纤维的拟合曲线的像素长度计算获得纤维的实际长度。本发明结合自动识别图像上的比例尺和根据纤维的拟合曲线的计算像素长度，来获得纤维的真实长度，提高了测量纤维长度的精度和效率，相较于传统的手动测量方法，省去了人工测量的步骤，从而减少了人为误差，并提高了测量的准确性。并提高了测量的准确性。并提高了测量的准确性。


技术研发人员：赵连英 董福星 喻莉
受保护的技术使用者：浙江理工大学
技术研发日：2023.04.22
技术公布日：2023/8/1