關鍵詞：Matlab；GUI界面；App Designer；圖像分類；特征提取；

背景

纖維圖像特征提取與分類是一個涉及圖像處理和模式識別的領域，它在材料科學、紡織工程、生物醫學成像以及任何需要對纖維結構進行分析的領域都有廣泛的應用。纖維可能重疊、交叉或糾纏在一起，使得分割和特征提取變得復雜。不同類型的纖維具有不同的特性，需要開發能夠適應這種多樣性的算法。自動化纖維圖像的分析過程，減少人工干預，提高效率和準確性。

圖像獲取：纖維圖像通常通過顯微鏡（如光學顯微鏡、電子顯微鏡或共聚焦顯微鏡）獲取。圖像可以是二維的，也可以是三維的，取決于顯微鏡的類型和成像技術。圖像預處理：由于實際獲取的圖像可能包含噪聲、模糊、對比度不足等問題，因此需要進行預處理以提高圖像質量。預處理步驟可能包括去噪、對比度增強、二值化、濾波等。圖像分割：圖像分割是將圖像中的纖維與背景分離的過程。可以使用閾值分割、邊緣檢測、區域生長或更高級的機器學習方法來實現。特征提取：特征提取是從分割后的纖維圖像中提取有助于分類的定量屬性。常見的特征包括纖維的長度、寬度、彎曲度、紋理、方向等。圖像分類：分類是根據提取的特征將纖維圖像分配到不同的類別中。可以使用傳統的機器學習算法（如支持向量機、決策樹、隨機森林）或深度學習方法（如卷積神經網絡）進行分類。應用領域：紡織工業，用于評估纖維的質量，如強度、柔軟度和耐久性。生物醫學，在組織工程中分析細胞外基質的纖維結構。材料科學，研究復合材料中的纖維排列和取向。法醫學，通過分析纖維來輔助犯罪現場調查。

圖1 天然纖維分類

Harris特征點檢測

Harris角點檢測算法是一種在計算機視覺中用于識別圖像角點的流行技術。角點是圖像中兩條邊緣或邊界的交點，它們在圖像分析中扮演著關鍵角色，因為它們通常標志著物體的角落或邊界的轉折點。Harris算法通過分析圖像中每個像素點周圍的局部鄰域來檢測這些角點。

算法的第一步是計算圖像中每個像素點的梯度幅度和方向。這通常通過應用Sobel算子或其他梯度算子來完成，這些算子能夠提供圖像在x和y方向上的梯度信息。隨后，算法構造一個2x2的特征響應矩陣，該矩陣的元素是基于高斯權重的像素梯度的加權和，反映了像素鄰域內梯度的變化情況。

接下來，算法計算特征響應矩陣的特征值。角點響應函數R是基于這些特征值計算的，它由矩陣的行列式和跡的加權差定義。這個響應函數能夠量化每個像素點作為角點的可能性。如果響應函數R的值高于某個閾值，那么該點就被認為是一個角點。

為了提高檢測的準確性，算法還包括非極大值抑制過程，這個過程確保了在每個角點候選點的鄰域內，只有響應函數值最大的點會被保留為最終的角點。Harris角點檢測算法因其對光照變化和噪聲的魯棒性，以及不依賴于圖像的特定邊緣方向的特性，在計算機視覺領域得到了廣泛應用，包括在特征匹配、物體識別和三維重建等任務中。

測試流程原理

1. 圖片輸入和圖片預處理模塊：

• 控制面板包含圖片輸入按鈕。預處理按鈕用于處理輸入的圖片并展示處理后的結果。用戶輸入圖片后，進行預處理，然后進入下一頁面。

1. 圖像分割和特征提取模塊：

• 使用算法對纖維圖像進行分割。提取圖像中所需特征并進行標記。輸出分割和特征提取后的圖像，然后進入下一頁面。

1. 纖維圖片數據庫和自動分類器模塊：

• 包含多張處理后的纖維圖片及其對應的纖維名稱、類別和相關參數。設計纖維特征分類函數。圖像分割和特征提取完成后，將所得圖片與數據庫中的圖片進行對比。通過纖維識別方程篩選出最合適的纖維圖片。

1. 輸出模塊：

• 輸出原始圖片。輸出特征分割和提取后的圖片。輸出原始圖片對應的纖維種類。

圖2 圖像分類方法流程圖

實驗結果

筆者基于上述的方法編寫了MATLB代碼，搭建了App Designer GUI軟件界面，能夠快速地實現纖維圖像提取與自動分類。讀取纖維圖片，自動輸入纖維種類，顯示纖維圖像，經過灰度處理，再通過二值化+細化，利用Harris角點檢測算法進行特征點提取，進行匹配相似性計算，從而最終輸入分類結果，顯示纖維種類。筆者寫的部分代碼和UI界面如圖3所示。

圖3 Matlab App Designer GUI分類界面

筆者提供了麻棉、麻粘和再生棉等數據庫，總共包括接近50張圖片，預處理和圖像分割和特征提取須（包括從灰度圖到細化+特征點提取都要有），軟件自動化檢測結果如圖4所示。

圖4 軟件自動化檢測結果

最后，有相關需求歡迎通過公眾號“320科技工作室”與我們聯絡