1.本发明涉及图像处理技术领域，尤其涉及一种织物纤维的检测方法、电子设备及计算机可读存储介质。
背景技术：2.织物纤维的鉴别是纺织品检验的重要环节，目前，纤维鉴别的方式有很多，如燃烧试验法、溶解性试验法、化学分析法、着色识别法、显微镜观察法、色谱分析法、热分析法等。然而，这些检测方法都有其局限性，如棉与麻具有相同的化学性质，化学分析法并不适用于区分这两者；燃烧试验法可以鉴别织物中含有的纤维的种类，但是无法定量分析织物的各种纤维的含量；溶解性试验法操作繁琐，且使用的多种试剂有易燃性、腐蚀性，对操作人员的操作技术及安全意识提出了很高的要求；显微镜观察法，需要专业的技术人员通过显微镜观察纤维的纵向、横向切片，根据经验分析纤维在显微尺度下的形态特征来判断纤维的种类及含量，不仅对技术人员有一定的技术要求，而且长时间进行如此繁琐的工作十分消耗人的精力，容易出现辨识错误、统计错误等情况。
3.因此，如何提高织物纤维检测的效率以及准确率成为亟待解决的问题。
技术实现要素：4.本发明的主要目的在于解决织物纤维检测的效率不高、以及准确率也不高的技术问题。
5.本发明第一方面提供了一种织物纤维的检测方法，所述织物纤维的检测方法包括：采集待检测织物的多张显微图像，并对多张所述显微图像进行图像拼接，获得全局图像；对所述全局图像进行图像预处理，并对处理后的图像进行织物纤维骨架提取，获得对应的骨架图像；对所述骨架图像中的交叠纤维进行纤维拆分，获得拆分后的每个单条纤维对应的单条纤维图像；对每张所述单条纤维图像进行特征提取，获得对应的所述单条纤维的至少一种纹理特征参数，并根据至少一种所述纹理特征参数，确定所述单条纤维的纤维类型；统计每一种纤维类型对应的纤维数量，并根据各种纤维类型对应的所述纤维数量，确定所述织物的各种纤维类型占比。
6.可选的，在本发明第一方面的第一种实现方式中，所述对每张所述单条纤维图像进行特征提取，获得对应的所述单条纤维的至少一种纹理特征参数包括：对每张所述单条纤维图像进行灰度变换，获得对应的灰度图像；对所述灰度图像进行灰度拉伸、二值化处理，获得对应的二值图像；对所述二值图像进行小波变换处理，获得对应的多张小波子带图像，并根据每张
所述小波子带图像生成灰度共生矩阵；根据所述灰度共生矩阵中的元素，确定所述纹理特征参数。
7.可选的，在本发明第一方面的第二种实现方式中，所述根据至少一种所述纹理特征参数，确定所述单条纤维的纤维类型包括：若所述纹理特征参数包括多种，则从多种所述纹理特征参数中选取一种或一种以上的所述纹理特征参数，确定为目标纹理特征参数，所述目标纹理特征参数具有比其他未选取的纹理特征参数更好区分纤维类型的能力；根据所述目标纹理特征参数，确定所述单条纤维的纤维类型。
8.可选的，在本发明第一方面的第三种实现方式中，所述根据至少一种所述纹理特征参数，确定所述单条纤维的纤维类型包括：将至少一种所述纹理特征参数代入预设的纤维分类映射函数，获得至少一种所述纹理特征参数对应的分类函数值；将所述分类函数值与预设的纤维类型对应的函数阈值进行比对，确定所述单条纤维的纤维类型。
9.可选的，在本发明第一方面的第四种实现方式中，所述纤维类型包括棉、麻，所述将所述分类函数值与预设的纤维类型对应的函数阈值进行比对，确定所述单条纤维的纤维类型包括：若所述分类函数值小于所述函数阈值，则确定所述单条纤维的纤维类型为棉；若所述分类函数值大于或等于所述函数阈值，则确定所述单条纤维的纤维类型为麻。
10.可选的，在本发明第一方面的第五种实现方式中，所述将至少一种所述纹理特征参数代入预设的纤维分类映射函数，获得至少一种所述纹理特征参数对应的分类函数值包括：从预设的多种纤维分类映射函数中，确定目标纤维分类映射函数，其中，不同织物对应不同的纤维分类映射函数；将至少一种所述纹理特征参数代入所述目标纤维分类映射函数，获得至少一种所述纹理特征参数对应的所述分类函数值。
11.可选的，在本发明第一方面的第六种实现方式中，所述纤维类型包括棉、麻，所述根据各种纤维类型对应的所述纤维数量，确定所述织物的各种纤维类型占比包括：将棉对应的第一纤维数量、麻对应的第二纤维数量，棉对应的密度、麻对应的密度，棉对应的平均宽度、麻对应的平均宽度、以及预设的棉的修正系数、麻的修正系数，代入预设的棉/麻混纺占比计算公式，计算获得所述织物的棉/麻混纺占比。
12.可选的，在本发明第一方面的第七种实现方式中，对所述骨架图像中的交叠纤维进行纤维拆分包括：以预设步长沿所述交叠纤维对应的骨架的每一个端点向所述骨架的交叉点方向，计算所述骨架的曲率；基于所述骨架的曲率，对所述交叠纤维进行纤维拆分。
13.本发明第二方面提供了一种电子设备，所述电子设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执行如上述任一项所述的织物纤维的检测方法。
14.本发明的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的织物纤维的检测方法。
15.本发明提供的技术方案中，在进行织物纤维检测时，通过采集待检测织物的多张显微图像，并对多张显微图像进行图像拼接，获得全局图像，对全局图像进行图像预处理，并对处理后的图像进行织物纤维骨架提取，获得对应的骨架图像，然后对骨架图像中的交叠纤维进行纤维拆分，获得拆分后的每个单条纤维对应的单条纤维图像，对每张单条纤维图像进行特征提取，获得对应的单条纤维的至少一种纹理特征参数，并根据至少一种纹理特征参数，确定单条纤维的纤维类型，统计每一种纤维类型对应的纤维数量，并根据各种纤维类型对应的纤维数量，确定织物的各种纤维类型占比，不需要依赖人工操作，不仅提高了织物纤维检测的效率，还提高了织物纤维检测的准确率。
附图说明
16.图1为本发明实施例中织物纤维的检测方法的一个实施例示意图；图2为本发明实施例中一种交叉纤维对应的骨架图像示意图；图3为本发明实施例中一种棉麻对应的同质性的概率密度函数曲线示意图；图4为本发明实施例中一种棉麻对应的能量的概率密度函数曲线示意图；图5为本发明实施例中电子设备的一个实施例示意图。
具体实施方式
17.本发明实施例提供了一种织物纤维的检测方法、电子设备及计算机可读存储介质，本发明实施例在进行织物纤维检测时，通过采集待检测织物的多张显微图像，并对多张显微图像进行图像拼接，获得全局图像，对全局图像进行图像预处理，并对处理后的图像进行织物纤维骨架提取，获得对应的骨架图像，然后对骨架图像中的交叠纤维进行纤维拆分，获得拆分后的每个单条纤维对应的单条纤维图像，对每张单条纤维图像进行特征提取，获得对应的单条纤维的至少一种纹理特征参数，并根据至少一种纹理特征参数，确定单条纤维的纤维类型，统计每一种纤维类型对应的纤维数量，并根据各种纤维类型对应的纤维数量，确定织物的各种纤维类型占比，不需要依赖人工操作，不仅提高了织物纤维检测的效率，还提高了织物纤维检测的准确率。
18.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
19.为便于理解，下面对本发明实施例的具体流程进行描述，本发明实施例提供的技
术方案，各步骤的执行主体可以是电子设备。在一种可能的实现方式中，该电子设备可以是图像处理器。需要说明的是，在其他可能的实现方式中，该电子设备也可以是图像处理器以外的其他类型终端设备，本技术中不作具体限制。
20.请参阅图1，本发明实施例中织物纤维的检测方法的一个实施例包括：101、采集待检测织物的多张显微图像，并对多张所述显微图像进行图像拼接，获得全局图像；其中，待检测织物可以为棉麻混纺织物，也可以是其他混纺织物。示例性的，使用哈氏切片器，对织物进行切割，获得其破碎的纤维碎屑织物样本，并将该样本置于载玻片上，滴上石蜡油，使用如玻璃棒等硬物将石蜡油涂抹均匀，最后盖上盖玻片。将此样本放于光学显微镜下，通过显微镜相机进行成像。
21.由于高倍放大，显微镜只能对实际尺寸约1mm
×
1mm的区域进行成像，要对整个载玻片上的织物纤维进行检测，需要对载玻片上的区域进行扫描，获得不同区域的显微图像，将多张显微图像进行图像拼接，得到一个全局图像。
22.示例性的，图像拼接操作包括但不限于采用特征提取算法对显微图像进行特征提取、图像变形、图像融合等图像处理。其中，特征提取算法包括但不限于sift（scale invariant feature transform）特征点检测算法、fast（features from accelerated segment test）角点检测算法等。图像变形是对每个显微图像关于全局图像进行偏移与映射。图像融合是将多个显微图像的重叠区域融合，包括但不限于羽化处理。
23.102、对所述全局图像进行图像预处理，并对处理后的图像进行织物纤维骨架提取，获得对应的骨架图像；其中，图像预处理包括但不限于灰度变换、图像增强、图像滤波、形态学处理、颗粒分析等多种图像处理方式中的至少一种。
24.为了准确检测织物纤维，对经过图像预处理后的图像进行织物纤维骨架提取，获得对应的骨架图像。骨架图像通过骨架以简略的形式描述单条形态的纤维、交叉重叠形态的纤维。例如，如图2所示，图2为一种交叉纤维对应的骨架图像。
25.103、对所述骨架图像中的交叠纤维进行纤维拆分，获得拆分后的每个单条纤维对应的单条纤维图像；如果骨架图像中的纤维没有交叉重叠，则不需要进行纤维拆分。而对于骨架图像中的交叠纤维，利用交叠纤维对应的骨架，拆分交叠纤维，例如，如图2所示的交叉纤维，将其拆分为上下走向的纤维1，左右走向的纤维2。拆分后的每个单条纤维对应一张单条纤维图像。
26.可选的，在一实施例中，上述步骤103具体包括：以预设步长沿所述交叠纤维对应的骨架的每一个端点向所述骨架的交叉点方向，计算所述骨架的曲率；基于所述骨架的曲率，对所述交叠纤维进行纤维拆分。
27.例如，预设步长s，该预设步长s的具体值可根据实际情况进行灵活设置，在此做不具体限制。以预设步长s沿交叠纤维对应的骨架的每一个端点向骨架的交叉点方向，按照下列公式计算骨架的曲率|k|：
示例性的，预先设置曲率对应的第一阈值t1和第二阈值t2，其中，第一阈值t1和第二阈值t2的具体值可根据实际情况进行灵活设置，在此做不具体限制。若骨架上某点对应的曲率|k|大于第一阈值t1，则确定该点为纤维的交叉点，纤维在此交叉点打断。若骨架上某点对应的曲率|k|小于第二阈值t2，则确定纤维走向一致，该点衔接的纤维段被视为同一条纤维。依此完成纤维拆分，获得拆分后的每个单条纤维。
28.104、对每张所述单条纤维图像进行特征提取，获得对应的所述单条纤维的至少一种纹理特征参数，并根据至少一种所述纹理特征参数，确定所述单条纤维的纤维类型；与目前利用纤维几何形状作为辨识纤维类型的方式不同，本实施例中利用纤维内部纹理分布情况来判断纤维类型。
29.可选的，在一实施例中，上述步骤104具体包括：对每张所述单条纤维图像进行灰度变换，获得对应的灰度图像；对所述灰度图像进行灰度拉伸、二值化处理，获得对应的二值图像；对所述二值图像进行小波变换处理，获得对应的多张小波子带图像，并根据每张所述小波子带图像生成灰度共生矩阵；根据所述灰度共生矩阵中的元素，确定所述纹理特征参数。
30.对于每张单条纤维图像，首先对该单条纤维图像进行灰度变换，得到灰度图像。然后，示例性的，对灰度图像在0-255灰度空间作灰度拉伸，并对灰度拉伸后的图像进行二值化处理，获得对应的二值图像，此操作的目的是为了减少图像的无序的纹理、噪声等干扰信息量，从而能够直观地显示显著纹理的分布均匀性。
31.接着对二值图像进行小波变换处理，获得多张小波子带图像。例如，对二值图像进行一级小波变换，得到ll、lh、hl、hh四张小波子带图像。又如，对二值图像进行二级小波变换，得到lll、llh、lhl、lhh四张小波子带图像。
32.然后，对每一张小波子带图像生成灰度共生矩阵，灰度共生矩阵统计了原图像中存在的纹理特征，基于灰度共生矩阵可以提取出纤维的多种纹理特征参数。其中，纤维的纹理特征参数包括但不限于能量、对比度、熵、同质性、差异性、相关性等。
33.示例性的，根据灰度共生矩阵中的元素p(i，j)，按照下列公式确定能量：其中，i，j分别表示灰度共生矩阵中的行号与列号。能量反映了图像灰度分布均匀程度和纹理粗细度，不同的纤维类型，对应的纹理粗细度不同。
34.又如，按照下列公式确定熵：
之后，根据获得的至少一种纹理特征参数，确定单条纤维的纤维类型。其中，纤维类型包括棉、麻等。
35.可选的，在一实施例中，上述步骤104具体包括：若所述纹理特征参数包括多种，则从多种所述纹理特征参数中选取一种或一种以上的所述纹理特征参数，确定为目标纹理特征参数，所述目标纹理特征参数具有比其他未选取的纹理特征参数更好区分纤维类型的能力；根据所述目标纹理特征参数，确定所述单条纤维的纤维类型。
36.对于多种纹理特征参数，其中某些纹理特征参数能较好地区分不同的纤维类型，而有些纹理特征参数则不能明显区分不同的纤维类型。因此，可选的，从多种纹理特征参数中选取一种或一种以上的能明显区分不同的纤维类型的纹理特征参数，作为目标纹理特征参数，舍弃区分度不高的纹理特征参数。只根据选取的目标纹理特征参数，确定单条纤维的纤维类型。
37.例如，利用不同纤维类型对应的能量的特征值，可以获得对应的正态分布的概率密度函数曲线图，比如，如图3所示，在图3中，曲线1为棉对应的同质性的概率密度函数曲线，曲线2为麻对应的同质性的概率密度函数曲线，其中，曲线的横坐标为特征值，纵坐标为概率密度。曲线1和曲线2的区分度高，因此，将同质性确定为目标纹理特征参数，基于同质性确定单条纤维的纤维类型是棉或麻。
38.又如，利用不同纤维类型对应的熵的特征值，可以获得对应的正态分布的概率密度函数曲线图，比如，如图4所示，在图4中，曲线3为棉对应的能量的概率密度函数曲线，曲线4为麻对应的能量的概率密度函数曲线，其中，曲线的横坐标为特征值、纵坐标为概率密度。曲线3和曲线4的区分度不高，因此，舍弃能量，不利用能量这个纹理特征参数去确定单条纤维的纤维类型是棉或麻。
39.可选的，在一实施例中，上述步骤104具体包括：将至少一种所述纹理特征参数代入预设的纤维分类映射函数，获得至少一种所述纹理特征参数对应的分类函数值；将所述分类函数值与预设的纤维类型对应的函数阈值进行比对，确定所述单条纤维的纤维类型。
40.示例性的，预先设置纤维分类映射函数：y=f（x1，x2，
…
，xn）其中，x1，x2，
…
，xn是各种纹理特征参数，将各纹理特征参数代入上述公式中，计算得到对应的分类函数值y。
41.示例性的，预先设置纤维类型对应的函数阈值t，函数阈值t的具体值可根据实际情况进行灵活设置，在此做不具体限制。
42.计算得到对应的分类函数值y之后，将分类函数值y与函数阈值t进行比对，根据比对结果确定单条纤维的纤维类型。
43.示例性的，以棉麻混纺织物纤维为例，若分类函数值y小于函数阈值t，则确定单条纤维的纤维类型为棉；反之，若分类函数值y大于或等于函数阈值t，则确定单条纤维的纤维类型为麻。
44.可选的，在一实施例中，上述步骤104具体包括：从预设的多种纤维分类映射函数中，确定目标纤维分类映射函数，其中，不同织物对应不同的纤维分类映射函数；将至少一种所述纹理特征参数代入所述目标纤维分类映射函数，获得至少一种所述纹理特征参数对应的所述分类函数值。
45.示例性的，预先设置多种纤维分类映射函数，例如： f1（x1，x2，
…
，xn）、f2（x1，x2，
…
，xn）等，根据待检测的织物，从多种纤维分类映射函数中，确定该织物对应的纤维分类映射函数，作为目标纤维分类映射函数，例如，将其中的f1（x1，x2，
…
，xn）作为目标纤维分类映射函数，之后，将至少一种纹理特征参数代入目标纤维分类映射函数f1（x1，x2，
…
，xn），获得对应的分类函数值。
46.再按照上述介绍的方式，根据获得的分类函数值，确定单条纤维的纤维类型。
47.上述实施例中，不需要使用机器学习、深度学习等复杂的方法构建分类器，只需要构建简单的纤维分类映射函数，通过比较纤维分类映射函数的输出值与纤维类型对应的函数阈值即可实现纤维分类，确定单条纤维的纤维类型。
48.105、统计每一种纤维类型对应的纤维数量，并根据各种纤维类型对应的所述纤维数量，确定所述织物的各种纤维类型占比。
49.通过上述步骤确定了每个单条纤维的纤维类型之后，统计每一种纤维类型对应的纤维数量并记录下来。例如，以棉麻混纺织物纤维为例，统计棉对应的纤维数量、麻对应的纤维数量。之后，基于各种纤维类型对应的纤维数量，确定织物的各种纤维类型占比。例如，基于棉对应的纤维数量、麻对应的纤维数量，确定织物中棉的占比、麻的占比。
50.可选的，在一实施例中，上述步骤105具体包括：将棉对应的第一纤维数量、麻对应的第二纤维数量，棉对应的密度、麻对应的密度，棉对应的平均宽度、麻对应的平均宽度、以及预设的棉的修正系数、麻的修正系数，代入预设的棉/麻混纺占比计算公式，计算获得所述织物的棉/麻混纺占比。
51.示例性的，预先设置棉/麻混纺占比计算公式如下：示例性的，预先设置棉/麻混纺占比计算公式如下：，，其中，pc为棉的占比（重量百分比），pr为麻的占比（重量百分比），nc为棉的第一纤维数量，nr为麻的第二纤维数量，kc为棉的修正系数，kr为麻的修正系数，wc是棉的平均宽度，wr是麻的平均宽度，ρc为棉的密度，ρr为麻的密度，dc、sr为中间变量。
52.上述实施例中，在进行织物纤维检测时，通过采集待检测织物的多张显微图像，并对多张显微图像进行图像拼接，获得全局图像，对全局图像进行图像预处理，并对处理后的
图像进行织物纤维骨架提取，获得对应的骨架图像，然后对骨架图像中的交叠纤维进行纤维拆分，获得拆分后的每个单条纤维对应的单条纤维图像，对每张单条纤维图像进行特征提取，获得对应的单条纤维的至少一种纹理特征参数，并根据至少一种纹理特征参数，确定单条纤维的纤维类型，统计每一种纤维类型对应的纤维数量，并根据各种纤维类型对应的纤维数量，确定织物的各种纤维类型占比，不需要依赖人工操作，不仅提高了织物纤维检测的效率，还提高了织物纤维检测的准确率。
53.请参阅图5，图5是本发明实施例提供的一种电子设备的结构示意图，该电子设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对电子设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在电子设备500上执行存储介质530中的一系列指令操作。
54.电子设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如android、windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
55.存储器520中存储有计算机可读指令，计算机可读指令被处理器510执行时，使得电子设备500执行上述各实施例中的所述织物纤维的检测方法的步骤。
56.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各实施例中的所述织物纤维的检测方法的步骤。
57.本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
58.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。