Gabor小波和LBP結(jié)合的一種中厚板缺陷識(shí)別算法

摘 要：針對(duì)傳統(tǒng)的Gabor小波存在提取特征維數(shù)高、識(shí)別時(shí)間長(zhǎng)的缺點(diǎn)，對(duì)Gabor小波的使用方法進(jìn)行了改進(jìn)。首先利用Gabor小波的幅值直接與鋼板表面圖像作乘積得到Gabor圖像，然后基于局部二值模式得到缺陷的紋理圖像，接下來(lái)提取出紋理圖像的灰度直方圖信息，作為鋼板表面圖像的特征，最后使用支持向量機(jī)作為分類器，實(shí)驗(yàn)結(jié)果表明，基于本文提出方法作用于未經(jīng)過預(yù)處理的鋼板，識(shí)別率達(dá)到95%。每張圖像識(shí)別時(shí)間平均為0.14s，實(shí)驗(yàn)結(jié)果表明該方法切合實(shí)際應(yīng)用的要求。

關(guān)鍵詞：Gabor小波；局部二值；計(jì)算機(jī)視覺

中圖分類號(hào)：TP391.41

鋼板的表面質(zhì)量直接影響到最終產(chǎn)品的質(zhì)量與性能，是鋼板重要的質(zhì)量指標(biāo)之一。在鋼板的生產(chǎn)過程中，由于原材料、軋制設(shè)備和軋制工藝的影響，導(dǎo)致鋼板表面出現(xiàn)裂紋、劃傷、網(wǎng)紋、麻點(diǎn)和凸起等不同類型的缺陷[1]?；贕abor小波一系列尺度方向?yàn)V波器組和鋼板表面圖像作卷積，提取的圖像特征可以體現(xiàn)人腦視覺神經(jīng)的特性。LBP屬于一種常用紋理表達(dá)方法，可以高效地反映鋼板表面圖像的局部特征。Gabor小波與LBP組合的方法——LGBPHS[2]也取得了不錯(cuò)的識(shí)別效果，體現(xiàn)了很好的魯棒性。然而，無(wú)論對(duì)于Gabor小波或是LBP以及LGBPHS來(lái)講，所得到的圖像特征維數(shù)都很高。特征向量維數(shù)太高，會(huì)產(chǎn)生大量無(wú)用特征，浪費(fèi)大量的存儲(chǔ)空間和運(yùn)行時(shí)間。本文擬將Gabor小波和LBP結(jié)合，試圖發(fā)現(xiàn)一種新的特征提取方法，來(lái)消減特征維數(shù)。最后使用徑向基核函數(shù)的支持向量機(jī)（SVM）作為分類器。

1 特征提取方式

1.1 Gabor小波圖像

Gabor小波屬于小波變換，多通道Gabor小波能夠提取目標(biāo)在空域和頻域的局部特征信息，選擇Gabor小波是因?yàn)楦鶕?jù)生物學(xué)角度發(fā)現(xiàn)：鋼板表面特征經(jīng)常受到光照、姿態(tài)等多種外界因素的影響，若是直接針對(duì)圖像的灰度值進(jìn)行缺陷識(shí)別，比較難達(dá)到要求的識(shí)別目標(biāo)，如果使用二維Gabor小波能得到圖像空間位置、空間頻率和方向等有選擇性的局部結(jié)構(gòu)信息，上述性質(zhì)都很適合于體現(xiàn)鋼板表面缺陷特征。Gabor小波的核函數(shù)可以精確的表達(dá)哺乳動(dòng)物視覺皮層細(xì)胞的感受野，可以于局部空間以及方向性的選擇上展現(xiàn)很好的特征，Gabor核函數(shù)如式（1）所示：

（1）

公式（1）中的μ和ν分別定義Gabor核的方向和大小，z=（x，y），其中||·||表示范數(shù)計(jì)算規(guī)則，小波矢量如式（2）所示：kμ，ν=kνeiΦμ （2）

kν=kmax/fν并且Φμ=πμ/8，其中kmax表示最大頻率，f表示核與核間在頻域空間中的系數(shù)。在（1）式中的Gabor核是自相似的，因?yàn)樗梢栽谀感〔ɑA(chǔ)上通過小波系數(shù)kμ，ν在尺度和方向上的改變來(lái)生成。每一個(gè)核都是由一個(gè)高斯包絡(luò)復(fù)平面波組成，而在公式（1）中的方括號(hào)中兩項(xiàng)分別代表了震蕩部分和補(bǔ)償直流分量。當(dāng)表示高斯窗寬與波長(zhǎng)之比的數(shù)σ值較大時(shí)，補(bǔ)償直流分量可以忽略不計(jì)。通常情況下采用5個(gè)尺度，ν∈{0，1，2，3，4}，8個(gè)方向μ∈{0，1，2，3，4，5，6，7}參數(shù)σ=2π，kmax=π/2， 。

一幅圖像的Gabor小波濾波表示是式（1）的定義得到的Gabor核與圖像的卷積結(jié)果，用I（x，y）表示一幅圖像的灰度分布，圖像I與Gabor核Ψμ，ν的卷積由下式定義：Oμ，ν（z）=I（z）*Ψμ，ν（z） （3）

z=（x，y），*表示卷積計(jì)算，Oμ，ν（z）是對(duì)應(yīng)與方向參數(shù)μ和尺度參數(shù)ν去不同值的結(jié)果，即有S={O0，0（z），O0，1（z）…O0，7，O1，0，……O4，7}，對(duì)于式子（3）中的卷積結(jié)果Oμ，ν（z）我們采用快速傅里葉變換的有：

F{Oμ，ν（z）}=F{I（z）}F{Ψμ，ν（z）} （4）

Oμ，ν（z）=F-1{F{I（z）}F{Ψμ，ν（z）}} （5）

這里的F和F-1分別表示傅里葉和反傅里葉變換。通過上面的計(jì)算可以得到對(duì)應(yīng)的鋼板表面Gabor小波圖。

1.2 局部二值（LBP）

LBP表示圖像局部結(jié)構(gòu)內(nèi)鄰域像素和中心像素的大小比較，因此不會(huì)受線性變化因素影響。

圖1 局部結(jié)構(gòu)

圖1為灰度圖像局部結(jié)構(gòu)，P個(gè)像素均與的圍繞在以半徑為R中心為gc的四周鄰域，分別記作，值可以通過中心點(diǎn)gc與鄰域點(diǎn)gp相比較得到：

（6）

使用式（6）LBP模式計(jì)算圖像中每個(gè)像素后，能夠得到紋理分布直方圖，假設(shè)所的圖像大小為I×J，則：

（7）

其中，是中的最大值。

為了很好描述紋理特征并且降低特征數(shù)目并，尋找到一種LBP擴(kuò)展算子，稱作統(tǒng)一化模式（Uniform Pattern）。上述統(tǒng)一化模式有著相似的特點(diǎn)，即能夠表達(dá)圖像的大部分紋理模式。LBPriu2P，R，可以實(shí)現(xiàn)旋轉(zhuǎn)不變性，能夠獲得P+2種不同的模式值。

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中，本文使用的鋼板表面圖像庫(kù)是在某鋼廠現(xiàn)場(chǎng)采集，對(duì)于中厚板圖像，本文將裂紋缺陷圖像作為正樣本，大小128×128共210幅，將光照不均圖像和氧化鐵皮圖像作為負(fù)樣本，大小128×128共194幅。由于支持向量機(jī)（Support Vector Machine，SVM）作為分類器有著適于小樣本分類和多類分類的優(yōu)點(diǎn)，本文中采用支持向量機(jī)作為分類器，選取徑向基核函數(shù)作為分類器核函數(shù)，訓(xùn)練集與測(cè)試集中每類特征并未進(jìn)行降維，而直接送入SVM進(jìn)行訓(xùn)練與測(cè)試。對(duì)于每類選擇訓(xùn)練樣本為5、頻率個(gè)數(shù)為8的情況下，得到訓(xùn)練時(shí)間為27.41s，測(cè)試時(shí)間為27.55s。對(duì)于每一張鋼板圖像，測(cè)試所用的時(shí)間為27.55/200=0.14s。在實(shí)際應(yīng)用中，只要事先進(jìn)行訓(xùn)練，按每張鋼板圖像0.14s的識(shí)別時(shí)間，以及95%的識(shí)別率能滿足實(shí)際應(yīng)用的需求。使用支持向量機(jī)作為分類器，可以將支持向量機(jī)用硬件來(lái)實(shí)現(xiàn)，符合工程上的實(shí)際應(yīng)用。

3 結(jié)束語(yǔ)

本文討論了Gabor小波以及LBP的基本原理及其相互結(jié)合在鋼板表面檢測(cè)的應(yīng)用，使用Gabor在尺度和方向上的變換獲取特征，通過LBP獲取鋼板表面細(xì)節(jié)的紋理特性，采用一種根據(jù)距離對(duì)樣本進(jìn)行降采樣的策略來(lái)實(shí)現(xiàn)對(duì)較遠(yuǎn)距離的鋼板表面識(shí)別，使得鋼板表面的識(shí)別率大大提高，并且也保證了較遠(yuǎn)距離鋼板表面識(shí)別的準(zhǔn)確性。

參考文獻(xiàn)：

[1]徐科，徐金梧，陳雨來(lái).冷軋帶鋼表面缺陷在線監(jiān)測(cè)系統(tǒng)[J].北京科技大學(xué)學(xué)報(bào)，2002（03）：329-332.

[2]H.Marko，P.Matti，S.Cordelia.Description of interest regions with center-symmetric local binary pattern[A].Conference on Computer Vision Graphics and Image Processing[C]，2006（4338）：58-69.

作者簡(jiǎn)介：李輝（1976.01.27-），男，四川岳池人，本科，計(jì)算機(jī)專業(yè)，助工，研究方向：計(jì)算機(jī)應(yīng)用。

作者單位：重慶鋼鐵股份有限公司，重慶 401258