棉花污染物尺寸小、种类多，其染色性能与棉花有很大差异，是影响棉纺织品品质的瓶颈问题[1]。当前主要采用人工剔除，但主观性强,劳动成本高,且检出率低[2]。

    国内外学者研究利用机器视觉系统检测污染物[3-5]，目前采用灰度阈值法识别棉花图像较为主流[3-4]。由于目标在整幅图像中所占比例非常小，且与背景颜色相似，灰度直方图呈单峰特性[4]，分割前需辅以图像增强方法和预处理算法提高对比度，但与棉花颜色相近的污染物检出率仍很低[5]。
    棉花污染物检测的难点之一在于：传统的视觉系统只能按照选定的相机像素和预设的速度采集图像，图像数据大部分用于表征背景，描述小目标的信息不足。而人类能够利用视觉注意机制:第一阶段即预注意阶段，以并行方式独立地进行自动检测或提取初级视觉特征，然后通过特征处理获得感兴趣区域；第二阶段即注意阶段，通过连续地转移视点，扫描显著图上的感兴趣区域，获取更高分辨率信息，详细地、高级地进行处理[6]，准确有效地解决大背景小目标检测问题。参考文献[5,7-8]提出了一种具有视觉注意机制的主从式机器视觉系统，把传统的一次检测过程分为两次:首先找出感兴趣区域，剔除区域外的大部分冗余数据；然后再对可疑目标区域进一步处理。
    本文提出该类系统的检测算法：在预注意阶段，主相机获取全局图像，利用离散余弦变换和支持向量机分别提取和识别特征，确定目标所在的感兴趣区域；在注意阶段，感兴趣区域正上方的从相机工作，获取该区域的局部图像，根据目标的先验特征对图像进行分割处理，利用均值和方差进行线性融合，识别污染物。
1 检测算法
    新型系统由一台主相机和多台从相机串行构成，能根据目标和背景的分布，不规则地采样和处理图像，使目标对应的图像分辨率高、总体图像的数据量小。首先根据主相机粗略的全局图像大致判断目标所在区域，然后所在区域正上方的从相机获取高分辨率的目标区域的局部图像，继而处理这些图像、识别目标，其流程图如图1所示。

1.2 注意算法
    在线图像处理的算法要求处理速度快，鲁棒性强，检测精确。均值和方差方法相对简洁，且容易结合检测规范、自上而下的先验知识，其算法流程如图5所示。

    主要步骤如下：
　 (1)采用线性平滑滤波器对局部图像进行均值滤波。
    (2)计算图像的均值Mean，以4×4像素分割图像，产生4 800个子图像。根据检测的最小污染物面积和成像面积,计算发现4×4像素既能反映目标的尺寸特征,又能识别最小污染物，保证目标的边缘完整，同时兼顾处理速度，能够获得良好的检测效果。
    (3)对子图像提取均值和方差特征。均值分割阈值计算遵从：Aver=Mean-Auto。Aver指均值分割阈值，Auto指自动阈值法确定的阈值[5]，统计发现方差分割阈值Var=20为宜。
    (4)计算子图像均值和Mean的差，如果该差的绝对值大于Aver，则该子图像含有污染物。计算完子图像后，合成一副与局部图像大小相同的均值分量图像。
　(5)如果子图像方差大于方差阈值Var，则认为该子图像含有污染物。计算完子图像后，合成一副与局部图像大小相同的方差分量图像。
　(6)将上述两个分量归一化后线性融合成一个二值图像。采用label命令标记二值图像，识别污染物。局部图像处理前后如图6所示。

2 实验及分析
    算法由Matlab撰写，检测样本选取70幅棉花图像，主要污染物为叶子、包装带等，含有污染物共计197个，其中未含污染物的棉花图像共计5幅。各类算法检测的结果见表1。

    其中新算法识别污染物191个，漏报6个，虚警23个。在线检测中大部分棉花图像并不带有污染物，对5幅无污染物图像统计，虚警数0。
　新算法的优势在于：(1)注意机制去除了部分冗余的背景信息，提高了目标所在区域的分辨率；(2)考虑了检测规范。
    提出了一种基于视觉注意机制的检测算法，并以棉花污染物检测作为实例验证，最后与其他算法进行了比较。它首先利用预注意算法确定目标可能所在的感兴趣区域，然后基于检测规范、目标的先验知识，利用均值和方差识别和定位目标。
　 算法仍有不足：注意机制与人类视觉存在一定差距，此外主从式串行系统中，预注意阶段感兴趣区域的确定关系到注意阶段目标识别的精度，今后应重点考虑并行式系统。
参考文献
[1] 王新龙,李娜. 棉花中异性纤维专题综述[J]. 中国棉花加工,2002(5):29-30,48.
[2] GILLIAN N H. Non-wool contamination in carbonized wool[R]. CSIRO, Report G73, Australia, 1992.
[3] 贾婷婷. 数字图像处理在原棉异物识别应用中的研究[D].上海：东华大学, 2007.
[4] 杨文柱,李道亮,魏新华,等. 棉花异性纤维图像分割方法[J]. 农业机械学报, 2009,40(3):156-160,171.
[5] 李国辉,苏真伟,夏心怡. 基于不规则成像机器视觉的棉花白色异纤检测算法[J]. 农业机械学报, 2010,41(5):
164-167.
[6] TREISMAN A, GELADE G. A feature-integration theory of attention [J]. Cognitive psychology, 1980,12(1):97-136.
[7] Su Zhenwei, Wang Jinwei, Huang Mingfei,et al. A machine vision system with an irregular imaging function[C]. Proceedings of the 5th International Symposium on Image and Signal Processing and Analysis, Istanbul,Turkey,2007:458-463.
[8] 李国辉,苏真伟,晏开华,等. 可疑目标区域的机器视觉检测算法[J]. 四川大学学报: 工程科学版, 2010,42(1):
233-237.