基于小波能量的簇絨地毯跳紗疵點(diǎn)的檢測方法

翟琳琳，陳廣鋒

(東華大學(xué)紡織裝備教育部工程研究中心，上海201620)

簇絨地毯的外觀檢測是對(duì)其進(jìn)行質(zhì)量控制的重要項(xiàng)目之一［1］。長期以來，對(duì)于簇絨地毯中的疵點(diǎn)都是通過人工檢測，檢驗(yàn)人員按照個(gè)人經(jīng)驗(yàn)對(duì)地毯等級(jí)做出評(píng)定，這種方法受檢驗(yàn)人員的主觀因素影響較大［2］，效率低、漏檢率高，且勞動(dòng)強(qiáng)度大，難以得到準(zhǔn)確的檢驗(yàn)結(jié)果?；跈C(jī)器視覺的疵點(diǎn)檢測技術(shù)具有快速、準(zhǔn)確和低成本等特點(diǎn)，可以有效解決地毯疵點(diǎn)的在線檢測問題。

簇絨地毯的疵點(diǎn)種類很多，有破損、臟污、跳紗、斷紗等，均呈現(xiàn)復(fù)雜的外觀形態(tài)。疵點(diǎn)可以產(chǎn)生于生產(chǎn)過程中的任何階段，而且地毯紗線較粗，紋理粗糙，地毯的顏色和式樣也多種多樣，這都為疵點(diǎn)檢測帶來一定的難度。目前，針對(duì)布匹表面疵點(diǎn)檢測的相關(guān)理論研究很多，檢測技術(shù)也已經(jīng)比較成熟，比如紋理分析方法、傅立葉變換法等，但由于簇絨地毯上疵點(diǎn)的復(fù)雜性，針對(duì)于地毯上疵點(diǎn)檢測的研究還很少。筆者針對(duì)簇絨地毯的跳紗類疵點(diǎn)進(jìn)行了研究，并提出一種基于小波能量的疵點(diǎn)檢測方法，有效地實(shí)現(xiàn)簇絨地毯上此類疵點(diǎn)的檢測。圖像疵點(diǎn)檢測流程為:1)利用圖像采集系統(tǒng)對(duì)地毯圖像進(jìn)行采集;2)對(duì)采集到的圖像進(jìn)行預(yù)處理;3)對(duì)地毯圖像進(jìn)行判斷，判斷其是否存在疵點(diǎn);4)對(duì)存在疵點(diǎn)的圖像進(jìn)行疵點(diǎn)分割，提取疵點(diǎn)信息并在源圖像中進(jìn)行定位。

1 簇絨地毯圖像預(yù)處理

采集到的地毯圖像存在著噪聲信號(hào)，需要對(duì)圖像進(jìn)行處理以修正灰度和校正畸變。圖像預(yù)處理的主要目的是消除地毯圖像中的正常紋理，增強(qiáng)疵點(diǎn)圖像信息的可檢測性和最大限度地簡化數(shù)據(jù)［3］，從而改進(jìn)圖像分割和疵點(diǎn)識(shí)別的可靠性。本文使用空間域?yàn)V波的方法對(duì)簇絨地毯上的跳紗疵點(diǎn)圖像進(jìn)行濾波處理，以達(dá)到平滑正常紋理，突出疵點(diǎn)信息的目的。

空間濾波器是由一個(gè)鄰域和對(duì)該鄰域所包圍的圖像像素執(zhí)行的預(yù)定義操作組成的，其濾波的過程為:對(duì)圖像中的每一點(diǎn)(x，y)，重復(fù)下面的操作:1)對(duì)預(yù)先定義的以(x，y)為中心的鄰域內(nèi)的像素進(jìn)行運(yùn)算;2)將1)中運(yùn)算的結(jié)果作為(x，y)點(diǎn)的新響應(yīng)。

如果鄰域中的像素計(jì)算為線性運(yùn)算，則又稱為線性空間域?yàn)V波，否則稱為非線性空間域?yàn)V波。在圖像中的任意一點(diǎn)(x，y)，濾波器的響應(yīng)g(x，y)是濾波器系數(shù)與該濾波器所包圍的圖像像素乘積之和:

2 疵點(diǎn)圖像的判定

文中使用小波能量對(duì)地毯圖像中是否存在疵點(diǎn)進(jìn)行判斷。小波是傅立葉分析的發(fā)展，二維的小波變換可以分離為對(duì)圖像數(shù)據(jù)的行和列分別作一維的小波變換;每次濾波后的下采樣使數(shù)據(jù)總量保持不變。所以小波變換的方法可以很方便地應(yīng)用于疵點(diǎn)的實(shí)時(shí)檢測中，同時(shí)小波變換具有良好的時(shí)頻局部特征，對(duì)奇異信號(hào)有很好的檢測能力。地毯圖像中正?？椢锛y理信號(hào)可以看成是平穩(wěn)光滑的低頻信號(hào)，而疵點(diǎn)區(qū)域因?yàn)榛叶戎档耐蛔?，而成為高頻信號(hào)。對(duì)疵點(diǎn)圖像進(jìn)行小波分解，提取其高頻細(xì)節(jié)分量，對(duì)細(xì)節(jié)圖像進(jìn)行小波能量的計(jì)算便可以判斷出圖像中是否有疵點(diǎn)的存在［4］。

2.1 二維離散小波變換檢測原理

二維小波將紋理圖像在不同尺度的伸縮和平移變換中每一層次的圖像都分解為4個(gè)不同頻率的圖像，其中包含1個(gè)平滑逼近子圖像和3個(gè)細(xì)節(jié)分量圖像，每個(gè)圖像為原圖像的四分之一大?。?］。設(shè)二維圖像信號(hào)為f(x，y)，則二維小波變換的快速分解算法為:

文中采用小波3級(jí)分解地毯圖像。如圖1所示，其中LL是平滑逼近，LH是垂直細(xì)節(jié)分量，HL是水平細(xì)節(jié)分量，HH是對(duì)角細(xì)節(jié)分量［6］。

圖1 二維小波三層分解示意Fig.1 Schematic diagram of three-layer decomposition of two-dimensional wavelet

經(jīng)過小波分解后，各細(xì)節(jié)的能量可以分別表示為［7，9］:

第i層近似細(xì)節(jié)圖像的能量:

第i層垂直細(xì)節(jié)圖像的能量:

取一組無疵點(diǎn)地毯圖片，根據(jù)小波分解得到的細(xì)節(jié)圖像，分別計(jì)算各圖片的能量值，并設(shè)定一個(gè)能量值作為判斷有無疵點(diǎn)的依據(jù)。地毯疵點(diǎn)的判定準(zhǔn)則為:設(shè)常量ξ＞0，Ei為第i層子圖能量，LevelN為分解總層數(shù)，當(dāng)對(duì)某一i值成立時(shí)，可判定該圖像中包含有疵點(diǎn)。

3 疵點(diǎn)分割

文中使用Otsu法實(shí)現(xiàn)疵點(diǎn)圖像的自動(dòng)閾值分割，Otsu算法是在判決分析最小二乘法原理的基礎(chǔ)上推導(dǎo)出來的，是比較常用的計(jì)算方法［8］。

設(shè)圖像中灰度為i的像素?cái)?shù)為ni，灰度范圍為［0，L-1］，則總的像素?cái)?shù)為 N= ，各灰度值出現(xiàn)的概率為:Pi=ni/N。

把圖像中的像素用閾值T分成兩類C0和C1，C0由灰度值在［0，T-1］的像素組成，C1由灰度值在［T，L-1］的像素組成，則兩個(gè)區(qū)域的總方差為:

式中，讓T在［0，L-1］范圍內(nèi)取值，使σB2最大的T值便是最佳區(qū)域分割閾值。

使用此方法不需要人為設(shè)定其他參數(shù)，是一種自動(dòng)選擇閾值的方法。由于地毯表面粗糙，閾值的選擇與地毯的紋理粗細(xì)、密度等密切相關(guān)，僅僅使用自動(dòng)閾值不能得到很好的效果，所以根據(jù)實(shí)際情況將閾值設(shè)定為自動(dòng)閾值的0.56倍。

4 疵點(diǎn)檢測測試

對(duì)采集到的地毯圖像進(jìn)行測試，其中圖2(a)～(c)為正常地毯圖像，圖2(d)～(i)為有跳紗疵點(diǎn)的地毯圖像。

圖2 地毯樣品Fig.2 Carpet samples

根據(jù)對(duì)無疵點(diǎn)地毯圖像的測試結(jié)果可設(shè)定ξ為1 000，則對(duì)地毯樣品圖的判定結(jié)果如表1所示。

將含有疵點(diǎn)的地毯圖像進(jìn)行二值化并提取疵點(diǎn)，由于簇絨地毯的紗線較粗，約為2.5 mm，所以測試中將直徑小于3 mm的疵點(diǎn)視為正常紋理部分，對(duì)于小的疵點(diǎn)區(qū)域采用空洞填充使其成為背景紋理，得到二值化結(jié)果如圖3所示。

表1 地毯樣品測試結(jié)果Tab.1 Test results of carpet samples

為了方便檢測，根據(jù)二值化結(jié)果將疵點(diǎn)部分在源圖像的灰度圖中進(jìn)行定位，首先采用sobel邊緣檢測算子提取疵點(diǎn)的輪廓，將得到的輪廓信息在灰度圖中進(jìn)行疊加，定位結(jié)果如圖4所示。

圖3 地毯樣品圖二值化結(jié)果Fig.3 Binaryzation result of carpet samples

圖4 地毯疵點(diǎn)定位結(jié)果Fig.4 Positioning result of carpet defects

5 結(jié)論

本文針對(duì)簇絨地毯的跳紗類疵點(diǎn)圖像，設(shè)計(jì)了一種基于小波能量的算法，將采集到的地毯圖像經(jīng)小波3層分解得到各級(jí)細(xì)節(jié)子圖，計(jì)算各子圖的能量值。通過與正常圖像細(xì)節(jié)子圖的能量值比對(duì)判斷所檢測的圖像中是否含有疵點(diǎn)，對(duì)含疵點(diǎn)圖像進(jìn)行二值化，并在源圖像的灰度圖中進(jìn)行疵點(diǎn)定位，最后通過實(shí)驗(yàn)驗(yàn)證了此方法的可行性，此方法可以有效地將地毯圖像中的跳紗類疵點(diǎn)檢測出來。

［1］OM H，BISWAS M.An improved image denoising method based on wavelet thresholding［J］.Journal of Signal and Information Processing，2012，3(1):109-116.

［2］蔣蕾，尹業(yè)安，常利利.一種基于計(jì)算機(jī)視覺的織物疵點(diǎn)自動(dòng)檢測方法［J］.計(jì)算機(jī)與現(xiàn)代化，2008(12):153-156，159.JIANG Lei， YIN Yean， CHANG Lili. Anautomatic processing method to inspect and recognize fabric defects based on computer vision inspection［J］.Computer and Modernization，2008(12):153-156，159.

［3］步紅剛，黃秀寶.基于計(jì)算機(jī)視覺的織物疵點(diǎn)檢測的近期進(jìn)展［J］.東華大學(xué)學(xué)報(bào):自然科學(xué)版，2006，32(3):128-133.BU Honggang，HUANG Xiubao.Recent research of fabric defect detection based on computer vision［J］.Journal of Donghua University:Natural Science Edition，2006，32(3):128-133.

［4］BELGE M，KILMER M E，MILLER E L.Wavelet domain image restoration with adaptive edge preserving regularization［J］.IEEE Transactions on Image Processing，2000，9(4):597-608.

［5］NGAN H Y T，PANG G K H，YUNG N H C.Automated fabric defect detection-A review［J］.Image and Vision Computing，2011，29(7):442-458.

［6］BANHANM M R，KATSAGGELOS A K.Spatially adaptive wavelet-based multiscale image restoration［J］. IEEE Transactions on Image Processing，1996，5(4):619-634.

［7］LI W C，TSAI D M.Wavelet-based defect detection in solar wafer images with inhomogeneous texture［J］.Pattern Recognition，2012，45(2):742-756.

［8］VIJAVAREKHA K. Segmentation techniques appliedto citrus fruit images for external defect identification［J］.Research Journal of Applied Sciences(Engineering and Technology)，2012，4(24):5313-5319.

［9］馬鑫宇，林意.基于小波子圖映射的疵點(diǎn)織物判定方法［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(6):166-168，195.MA Xinyu，LIN Yi.Defect fabric determining based on wavelet subgraph mapping［J］.Computer Engineering and Applications，2012，48(6):166-168，195.