[发明专利]一种基于最大熵与DBSCAN相融合的毛羽检测方法

摘要

本发明公开了一种基于最大熵与DBSCAN相融合的毛羽检测算法，具体为：首先，将待检测的纱线图像缩放至256×256像素，并将其转换为单通道BMP格式，并对纱线图像进行双边滤波处理，之后采用最大熵阈值分割纱线图像，再利用开运算处理经过最优阈值处理后的纱线图像，对纱线毛羽进行细化，最后采用密度聚类算法对细化后的纱线图像的毛羽进行处理，得到毛羽根数及长度。本方法在提取毛羽时利用最大熵阈值处理纱线图像，能够最大限度的保留毛羽的完整信息，避免造成毛羽在阈值过程中被分割断开的情况。同时，结合DBSCAN聚类算法统计出毛羽的根数及其每根毛羽的长度，精确度高，误差小。

主权项

1.一种基于最大熵与DBSCAN相融合的毛羽检测方法，其特征在于，具体按照以下步骤实施：/n步骤1，将待检测的纱线图像缩放至256×256像素，并将其转换为单通道BMP格式；/n步骤2，对经步骤1后得到的纱线图像进行双边滤波处理；/n步骤3，采用最大熵阈值分割纱线图像；具体步骤如下：/n步骤3.1，经步骤2后，设定阈值T(0≤T≤225)，利用纱线图像中灰度级小于阈值T的所有像素点构成拟定背景区域，利用图像中灰度级大于或者等于阈值T的所有像素点构成拟定目标区域，计算拟定背景区域和拟定目标区域中每个像素点的概率密度p(i)，如式(3)所示；/n /n式(3)中，n_i为像素值为i的像素点数目，N为图像中像素点的总数目；/n步骤3.2，经步骤3.1后，计算拟定背景区域中所有像素点的累计概率密度P₀(T)，如式(4)所示：/n /n步骤3.3，经步骤3.2后，计算拟定目标区域中所有像素点的累计概率密度P₁(255-T)，如式(5)所示：/n /n步骤3.4，经步骤3.3后，分别计算阈值T下拟定背景区域中像素点的熵值之和H₀和拟定目标区域中像素点的熵值之和H₁，如式(6)及式(7)所示；/n /n /n步骤3.5，经步骤3.4后，计算在阈值T下纱线图像的总熵值H，如式(8)所示：/nH＝H₀+H₁ (8)；/n步骤3.6，重复步骤3.1至3.5，计算每个阈值T(0≤T≤225)，下图像的总熵值，将总熵值最大时的阈值T作为最优阈值，并将纱线图像中灰度级小于最优阈值的所有像素点归为背景区域，将图像中灰度级大于或者等于最优阈值的所有像素点归为目标区域，从而实现纱线图像的分割；/n步骤4，经步骤3后，利用开运算处理经过最优阈值处理后的纱线图像，提取纱线条干，再对纱线条干进行膨胀，利用最优阈值处理后的纱线减去膨胀后的纱线条干，得到纱线毛羽，最后，对纱线毛羽进行细化，得到细化后的纱线图像；/n步骤5，采用密度聚类算法对细化后的纱线图像的毛羽进行处理，得到毛羽根数及长度；具体步骤如下：/n步骤5.1，将纱线图像中的一个像素点作为待检测像素点x_i，将待检测像素点x_i的邻域半径Eps设为5，将待检测像素点在邻域半径内像素点密度阈值MinPts设为6，得到待检测像素点在邻域半径内像素值为255时的像素点的总个数N(x_i)；/n步骤5.2，若|N(x_i)|≥MinPts，则创建一个以待检测像素点x_i为核心对象的类，并将待检测像素点x_i在邻域半径内的像素点加入到该类中，并对该类中的每个像素点进行标记；若|N(x_i)|＜MinPts，则将待检测像素点x_i标记为噪声，去除；/n步骤5.3，重复步骤5.1和5.2，直至将纱线图像中未标记的像素点检测完毕，所得到的类的个数为纱线图像中毛羽的根数，每一类中像素点的总个数乘以每个像素点对应的实际长度为毛羽的长度。/n