基于區(qū)域生長(zhǎng)法的自適應(yīng)圖像分割的網(wǎng)眼織物瑕疵檢測(cè)*

蘭瑜潔，鐘舜聰，2*

(1.福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院光學(xué)/太赫茲及無損檢測(cè)實(shí)驗(yàn)室，福建福州350108;2.福建省醫(yī)療器械和生物技術(shù)重點(diǎn)實(shí)驗(yàn)室，福建福州350000)

0 引言

經(jīng)編網(wǎng)眼織物是一種含有網(wǎng)眼形小孔的織物面料，因其具有質(zhì)地輕、回彈性好、柔軟性好等特點(diǎn)，在服裝、醫(yī)用、航天等領(lǐng)域具有較為廣泛的應(yīng)用［1］。在織物加工過程中，由于機(jī)械故障或人為操作不當(dāng)，產(chǎn)品很容易出現(xiàn)各類瑕疵。瑕疵的出現(xiàn)不僅會(huì)對(duì)產(chǎn)品的外觀造成破壞，還會(huì)嚴(yán)重降低產(chǎn)品的質(zhì)量。在工業(yè)生產(chǎn)中，織物瑕疵檢測(cè)主要是實(shí)現(xiàn)織物上可能出現(xiàn)的瑕疵的識(shí)別和定位，從而保證生產(chǎn)質(zhì)量［2］。隨著工業(yè)自動(dòng)化的發(fā)展，因具有可靠性高、檢測(cè)速度快等特點(diǎn)，機(jī)器視覺技術(shù)開始逐漸取代傳統(tǒng)上的人工視覺檢測(cè)，在工業(yè)生產(chǎn)質(zhì)量監(jiān)控環(huán)節(jié)發(fā)揮著越來越重要的作用［3］。

針對(duì)機(jī)器視覺在織物瑕疵檢測(cè)上的應(yīng)用，國(guó)內(nèi)外學(xué)者已提出了大量的算法。這些算法歸結(jié)起來主要有三大類:基于統(tǒng)計(jì)學(xué)特征的方法、基于頻譜分析的方法和基于模型的方法［4］。基于統(tǒng)計(jì)學(xué)特征方法主要是利用不同的表示方式來定義圖像像素灰度值的空間分布情況，通過研究灰度值的分布來進(jìn)行瑕疵的檢測(cè)。如:Haralick 等人［5］以二階統(tǒng)計(jì)量的形式利用灰度共生矩陣來測(cè)量像素灰度值的空間相關(guān)性，從而來描述圖像紋理特性;T.Kasparis 等人［6］利用分形特征來實(shí)現(xiàn)對(duì)織物紋理的描述。基于頻譜分析的方法主要是將待測(cè)織物圖像進(jìn)行變換后，在頻域內(nèi)對(duì)其進(jìn)行分析，利用圖像在頻域中的特性進(jìn)行瑕疵的檢測(cè)。如:Chan 和Pang［7］利用分析傅里葉變換后的頻率譜特性進(jìn)行瑕疵的分類;Yang 等人［8］利用自適應(yīng)小波對(duì)瑕疵進(jìn)行檢測(cè);Escofet 等人［9］應(yīng)用多尺度和多分辨率Gabor 濾波器進(jìn)行瑕疵檢測(cè)?；谀Ｐ偷姆椒ㄍㄟ^隨機(jī)過程對(duì)圖像紋理進(jìn)行建模，從而將瑕疵檢測(cè)問題轉(zhuǎn)化成統(tǒng)計(jì)假設(shè)檢驗(yàn)問題［10］。如:Serafim［11］提出了利用二維自回歸模型結(jié)合多分辨率金字塔實(shí)現(xiàn)瑕疵分割的方法;Cohen［12］利用高斯馬爾可夫模型對(duì)無瑕疵織物紋理進(jìn)行建模來對(duì)織物瑕疵進(jìn)行檢測(cè)。然而，這些算法的針對(duì)的主要是平紋和斜紋的織物瑕疵檢測(cè)，在網(wǎng)眼織物這類特殊布料檢測(cè)的研究上，還存在著一定的空白［2］。由于網(wǎng)眼織物紋理周期較大且網(wǎng)眼孔徑尺寸遠(yuǎn)大于紗線直徑的特點(diǎn)，現(xiàn)有的算法在網(wǎng)眼織物瑕疵檢測(cè)上適用性也有待進(jìn)一步的優(yōu)化。

由于網(wǎng)眼織物紗線分布稀疏，瑕疵區(qū)域和網(wǎng)眼織物自身的紋理背景(紗線或孔隙)的灰度值十分接近:紗線聚攏瑕疵(相對(duì)大面積白色區(qū)域)和織物背景紗線灰度值接近;破洞瑕疵(相對(duì)大面積黑色區(qū)域)和網(wǎng)眼布孔隙灰度值接近。如果不剔除織物自身背景紋理的干擾，提取出來的瑕疵圖像總會(huì)不可避免地混入較多的自身紋理背景的成分，很難對(duì)瑕疵區(qū)域進(jìn)行完整地分割。因?yàn)榫W(wǎng)眼織物本身結(jié)構(gòu)特性所帶來的這類噪聲在成像過程中是無法避免的，通過一定的濾波方法改善紋理背景的灰度分布對(duì)瑕疵的提取來說是有其必要性的。

經(jīng)過濾除特定頻率成分后的網(wǎng)眼織物圖像具有瑕疵區(qū)域圖像灰度分布均勻，非瑕疵區(qū)域整體灰度均勻、局部灰度值存在遠(yuǎn)小于織物本身周期的周期性波動(dòng)的特點(diǎn)，通過一般的僅以像素灰度值為基礎(chǔ)的閾值分割方法很難自適應(yīng)地獲得一個(gè)合適閾值來達(dá)到理想的分割效果，并且可能引入大量的背景噪聲，對(duì)瑕疵提取的準(zhǔn)確性和瑕疵區(qū)域的定位造成不必要的干擾。

因此，本研究采用灰度級(jí)結(jié)合像素連通性的區(qū)域生長(zhǎng)法［13］來使這類問題得到有效解決。

1 經(jīng)編網(wǎng)眼織物瑕疵檢測(cè)算法

針對(duì)濾波后圖像的灰度分布特點(diǎn)，區(qū)域生長(zhǎng)法與其他經(jīng)典的分割方法相比，具有可以實(shí)現(xiàn)瑕疵區(qū)域的完整提取、抗噪性強(qiáng)、易于準(zhǔn)確實(shí)現(xiàn)分割參數(shù)的自適應(yīng)求取等優(yōu)勢(shì)。

因此，本研究提出一種針對(duì)這類布料的檢測(cè)方法，通過在濾除與織物背景紋理相關(guān)頻率成分的基礎(chǔ)上利用自適應(yīng)的區(qū)域生長(zhǎng)法對(duì)瑕疵區(qū)域進(jìn)行分割，可取得較好的檢測(cè)結(jié)果。

算法總體流程圖如圖1所示。

圖1 算法流程圖

首先筆者設(shè)計(jì)帶阻濾波器通過頻域?yàn)V波將織物紋理背景與瑕疵區(qū)域分離，再根據(jù)濾波后圖像的灰度分布情況自適應(yīng)地設(shè)定區(qū)域生長(zhǎng)法的分割參數(shù)實(shí)現(xiàn)瑕疵區(qū)域的提取，最后通過形態(tài)學(xué)處理過濾由于濾波后圖像灰度分布和區(qū)域生長(zhǎng)法固有特性所共同產(chǎn)生的小面積“偽瑕疵”區(qū)域，最終實(shí)現(xiàn)瑕疵的準(zhǔn)確分割。

1.1 頻域?yàn)V波

在網(wǎng)眼織物圖像中，最顯著的特征是織物呈一定間隔重復(fù)的背景紋理。在空間域中，它以織物紋理周期性成分的形式與高頻圖像細(xì)節(jié)成分、低頻圖像背景灰度成分、噪聲等多種頻率成分混雜在一起，在空間域中很難將這些成分相互分開。因此，本研究通過將織物灰度圖像轉(zhuǎn)換到在頻率域進(jìn)行分析和處理，以實(shí)現(xiàn)對(duì)圖像背景紋理信息的削弱。

由于圖像頻率是表征圖像空間域中灰度值變化的指標(biāo)，圖像頻譜圖具有十分重要的物理意義。圖像在空域和頻域之間的變換主要是通過二維離散傅里葉變換對(duì)來實(shí)現(xiàn)。

一個(gè)MxN 大小的二維函數(shù)f(x，y)的離散傅里葉變換對(duì)為［14］:

在進(jìn)行網(wǎng)眼織物檢測(cè)時(shí)，由于濾波器選擇不當(dāng)(如理想濾波器響應(yīng)曲線在截止頻率處的突然跳變)所帶來的振鈴現(xiàn)象會(huì)使重建后的瑕疵區(qū)域邊界的灰度值產(chǎn)生較大波動(dòng)，從而對(duì)后續(xù)瑕疵區(qū)域的提取造成較大影響(如產(chǎn)生虛假邊界，瑕疵定位錯(cuò)誤等)，因此，為了在可接受的振鈴現(xiàn)象的基礎(chǔ)上能夠達(dá)到較好的濾波效果，本研究采用二階巴特沃斯濾波器實(shí)現(xiàn)頻域?yàn)V波［15］。

n 階巴特沃斯帶阻濾波器的傳遞函數(shù)定義如下:

式中:D0—帶阻濾波器的中心頻率，W—濾波器阻帶帶寬，n—濾波器階數(shù)。

1.2 區(qū)域生長(zhǎng)法分割

在減弱了織物正常紋理背景對(duì)瑕疵提取的干擾后，需要選取適當(dāng)?shù)膱D像分割方法將包含瑕疵的區(qū)域完整地識(shí)別出來。圖像分割主要是通過目標(biāo)區(qū)域的灰度、紋理、輪廓等特征與非目標(biāo)區(qū)域的差別來實(shí)現(xiàn)目標(biāo)區(qū)域的提?。?6］。在織物瑕疵檢測(cè)中，圖像分割的好壞將直接影響瑕疵區(qū)域提取的精度和準(zhǔn)確性。

基于區(qū)域分割技術(shù)的區(qū)域生長(zhǎng)法是一種根據(jù)事先定義的準(zhǔn)則將像素或子區(qū)域聚合成更多區(qū)域的過程，即選取一組具有某種特征的像素點(diǎn)為初始“種子”點(diǎn)，將與“種子”點(diǎn)具有相似特征的相鄰像素點(diǎn)附加到生長(zhǎng)區(qū)域中來實(shí)現(xiàn)圖像相似區(qū)域的合并，主要適用于目標(biāo)區(qū)域內(nèi)部特征具有一定的相似性且與非目標(biāo)區(qū)域不連續(xù)的圖像的分割。

其基本公式如下所示:

令R 表示整幅圖像區(qū)域?？梢詫⒎指羁闯墒菍劃分為n 個(gè)子區(qū)域R1，R2，…，Rn的過程:

(b)Ri是一個(gè)連通的區(qū)域，i=1，2，…，n;

(c)Ri∪Rj=φ，對(duì)所有的i 和j，i≠j;

(d)P(Ri)=TURE，對(duì)于i=1，2，…，n;

(e)P(Ri∪Rj)=FALSE，對(duì)于任意相鄰區(qū)域Ri和Rj。

這里，P(Ri)是定義在集合Ri的點(diǎn)上的邏輯謂詞，φ 是空集。

1.3 形態(tài)學(xué)處理

因?yàn)楸狙芯糠謩e取灰度最大值和最小值對(duì)應(yīng)像素點(diǎn)為種子點(diǎn)以同時(shí)滿足兩類瑕疵(加性瑕疵、減性瑕疵)的檢測(cè)，即使圖像不存在相應(yīng)的瑕疵或僅存在其中一類瑕疵，根據(jù)算法本身的性質(zhì)，在兩張分割結(jié)果圖仍分別會(huì)出現(xiàn)至少一個(gè)標(biāo)記區(qū)域。根據(jù)網(wǎng)眼織物頻率域?yàn)V波后無瑕疵區(qū)域紋理背景呈定向小周期波動(dòng)的特性和區(qū)域生長(zhǎng)法的分割特點(diǎn)，當(dāng)相應(yīng)的圖像上不存在瑕疵時(shí)，最大、最小灰度值點(diǎn)將落在非瑕疵區(qū)域上，此時(shí)分割出的結(jié)果將以若干分散的小面積區(qū)域形式體現(xiàn)。通過形態(tài)學(xué)處理可以很好地將這些“偽瑕疵”去除。

首先，本研究通過形態(tài)學(xué)運(yùn)算提取二值圖像中像素間具有8 連通性的連通分量。令Y 表示i 個(gè)包含于集合A 中的連通分量，確定出區(qū)域Y 中的一個(gè)點(diǎn)P。通過如下迭代表達(dá)式生成Y 中的所有元素:

式中:X0= P;B—八連通區(qū)域?qū)?yīng)的結(jié)構(gòu)元素。當(dāng)Xk=Xk－1時(shí)算法收斂，且令Y=Xk。

筆者再通過計(jì)算所提取出的連通區(qū)域面積，保留面積大于一定閾值(該閾值通過實(shí)驗(yàn)設(shè)定為紋理基元所占的面積的2 倍)的區(qū)域，將其余的小面積區(qū)域剔除。最后本研究將分別經(jīng)過形態(tài)學(xué)處理后的兩幅圖像進(jìn)行“或”操作，得到最終的瑕疵分割結(jié)果。

2 試驗(yàn)與結(jié)果分析

2.1 不同濾波方式對(duì)網(wǎng)眼布紋理背景濾除效果的比較

通過實(shí)驗(yàn)發(fā)現(xiàn)，濾除原點(diǎn)外能量最大集中區(qū)域?qū)?yīng)頻率成分后的重建圖像中紋理背景仍較為明顯(背景條紋灰度值與瑕疵區(qū)域仍較為接近)不利于后續(xù)瑕疵區(qū)域的提取，因此，筆者進(jìn)一步濾除能量次大集中區(qū)域?qū)?yīng)的頻率成分。待測(cè)網(wǎng)眼布圖像、濾除兩部分頻率成分后的頻譜圖及重建后圖像如圖2所示。

圖2 濾波后的頻譜圖及重建圖像

從圖2(c)中可以看出，經(jīng)過兩次濾波已經(jīng)基本可以保證在較好地保留瑕疵區(qū)域邊緣信息的前提下均化織物的正常紋理背景，此時(shí)背景灰度分布已足夠均勻且可以較好地與瑕疵區(qū)域區(qū)分開來，為瑕疵區(qū)域的提取創(chuàng)造了較為有利的條件。

在濾波方式的設(shè)計(jì)中，本研究對(duì)比了理想低通濾波［17］和本研究中的濾波方式濾波后的重建圖像。原圖像經(jīng)過理想低通濾波和本研究中的濾波方式濾波的效果圖分別如圖3(a)、3(b)所示。

圖3 濾波效果對(duì)比圖

從圖3(a)中可以看出，理想低通濾波方法雖然在一定程度上實(shí)現(xiàn)了背景紋理灰度的均化，但同時(shí)也導(dǎo)致了瑕疵邊緣的模糊，降低了瑕疵區(qū)域提取的精度。而如圖3(b)所示，本研究中的算法可以在去除紋理背景的前提下較好地保留瑕疵的邊緣和細(xì)節(jié)信息。

2.2 分割算法在網(wǎng)眼布檢測(cè)上檢測(cè)效果比較

針對(duì)濾波后圖像的分割問題，本研究所采用的區(qū)域生長(zhǎng)法以濾波后圖像灰度分布為依據(jù)，具體步驟及相應(yīng)的自適應(yīng)參數(shù)選取方法如下:

(1)初始種子點(diǎn)的選取。從濾波后圖像灰度分布直方圖可知，由于濾波所造成圖像背景中孔隙和紗線的灰度值相互趨向接近(原本圖像背景中孔隙和紗線位置的灰度值互相趨向接近)，原始圖像中原本分布于灰度直方圖兩端的屬于紋理背景的像素點(diǎn)灰度值分布向直方圖中部集中，大部分落在中部區(qū)域。由于上文中提到的濾波方法并不對(duì)瑕疵區(qū)域的灰度值造成較大改變，若待測(cè)織物中存在瑕疵，瑕疵區(qū)域灰度值對(duì)應(yīng)像素點(diǎn)依舊落在灰度直方圖的左(減性瑕疵)右(加性瑕疵)兩端，相應(yīng)地，灰度直方圖中的最小值或最大值對(duì)應(yīng)的像素點(diǎn)一般屬于瑕疵區(qū)域。利用這個(gè)特性，可以自適應(yīng)地設(shè)定種子點(diǎn)的為待測(cè)圖像的最小灰度值MIN 對(duì)應(yīng)像素點(diǎn)或最大值灰度值MAX 對(duì)應(yīng)像素點(diǎn)，即可以從瑕疵區(qū)域中的相應(yīng)灰度值最值點(diǎn)出發(fā)尋找相鄰區(qū)域中與種子性質(zhì)相似的像素，將其歸并為同一區(qū)域。

(2)確定區(qū)域生長(zhǎng)準(zhǔn)則。利用濾波后圖像自身的灰度分布，自適應(yīng)地設(shè)定適當(dāng)?shù)幕叶燃?jí)絕對(duì)差值作為區(qū)域生長(zhǎng)法的生長(zhǎng)閾值(當(dāng)相鄰像素點(diǎn)間的灰度差值大于該閾值時(shí)停止生長(zhǎng))。鑒于瑕疵區(qū)域面積一般相對(duì)整個(gè)圖幅較小，所占的像素點(diǎn)數(shù)較少，不會(huì)對(duì)灰度分布的總體情況有太大影響，濾波后的圖像灰度的總體分布仍類似于正態(tài)分布［18］。借鑒正態(tài)分布特性，求取灰度均值μ 和標(biāo)準(zhǔn)差σ。設(shè)置灰度差閾值T1、T2分別為T1=MAX－(μ +2σ)，T2=(μ－2σ)－MIN 基本可以保證瑕疵區(qū)域所包含的像素點(diǎn)大部分落在將要被提取灰度范圍內(nèi)，從而保證瑕疵區(qū)域能夠較完整地被分離和提取出來。

(3)利用得到的生長(zhǎng)閾值比較種子點(diǎn)與八連通鄰域像素點(diǎn)的灰度值的絕對(duì)差值，將符合條件的像素點(diǎn)添加到生長(zhǎng)區(qū)域中，直至在相鄰區(qū)域找不到符合條件的像素點(diǎn)后生長(zhǎng)停止，得到最終的分割結(jié)果。

本研究所采用的區(qū)域生長(zhǎng)法以最大灰度值MAX對(duì)應(yīng)像素點(diǎn)為種子、灰度差閾值為T1的分割結(jié)果和以最小灰度值MIN 對(duì)應(yīng)像素點(diǎn)為種子、灰度是差閾值為T2得到的分割結(jié)果分別如圖4(a)、4(b)所示。結(jié)果顯示，利用所計(jì)算出來的參數(shù)進(jìn)行區(qū)域生長(zhǎng)法分割可以達(dá)到較好的分割效果且不會(huì)引入過多的背景噪聲(即具有較強(qiáng)的抗噪聲干擾能力，特別是光照不均和灰度均值整體變化的情況下具有較大優(yōu)勢(shì))。分割后圖像經(jīng)過形態(tài)學(xué)處理后最終獲得的瑕疵區(qū)域如圖4(c)所示。從圖4(c)中可以看出，如圖4(b)所示的無瑕疵區(qū)域圖像中的小面積“偽瑕疵”經(jīng)過上述形態(tài)學(xué)處理后被正確濾除，證明了本研究中所用的形態(tài)學(xué)處理方法能夠?qū)φ`判區(qū)域進(jìn)行有效地過濾，并獲得正確的檢測(cè)結(jié)果。

在以濾除紋理背景后圖像為基礎(chǔ)的瑕疵分割上，本研究將所采用的算法與其他幾種經(jīng)典的閾值分割算法的分割效果進(jìn)行了比較，檢測(cè)效果如圖5所示。

圖4 瑕疵區(qū)域提取結(jié)果

圖5 幾種方法對(duì)濾波后的圖像進(jìn)行瑕疵區(qū)域分割效果圖

如圖5(b)、5(c)所示［19-20］，兩種常用的自動(dòng)閾值區(qū)域分割法對(duì)濾波后的圖像分割效果不是很令人滿意，且其分割結(jié)果受由光照不均所帶來的灰度分布漸變現(xiàn)象影響很大?？紤]到可能是因?yàn)樯厦孀詣?dòng)閾值選取所得的值與最優(yōu)的分割閾值有所偏差，本研究通過人工選取分割閾值進(jìn)行實(shí)驗(yàn)，得到了如圖5(d)所示結(jié)果。從而進(jìn)一步證明了，由于背景不均且存在局部波動(dòng)的原因，瑕疵區(qū)域提取的完整性與可能帶入的背景干擾區(qū)域總是存在著一定的矛盾。也就是說，很難找到一個(gè)合適的分割閾值來同時(shí)克服將正常紋理背景區(qū)域誤歸為瑕疵區(qū)域(過分割)或?qū)㈣Υ脜^(qū)域誤判為正常紋理背景(欠分割)的現(xiàn)象。并且，即使合適的分割閾值確實(shí)存在，針對(duì)不同的圖像也很難設(shè)定一個(gè)通用的依據(jù)來自適應(yīng)地獲得相應(yīng)的閾值。本研究中利用統(tǒng)計(jì)學(xué)方法結(jié)合區(qū)域生長(zhǎng)法對(duì)瑕疵區(qū)域進(jìn)行提取克服了這個(gè)難題，實(shí)現(xiàn)了瑕疵區(qū)域的自動(dòng)分割，整個(gè)瑕疵檢測(cè)過程不需要人為干預(yù)，且能夠有效應(yīng)對(duì)光照不均所可能帶來的瑕疵定位錯(cuò)誤問題。

從上面的比較中可以得出，網(wǎng)眼布圖像經(jīng)過頻域?yàn)V波后，利用區(qū)域生長(zhǎng)法對(duì)其分割相較于其他分割方法的優(yōu)勢(shì)如下:易于自適應(yīng)地實(shí)現(xiàn)瑕疵區(qū)域的完整分割，不需要人工干預(yù);抗干擾(光照不均，光照條件變化等)能力強(qiáng)，分割結(jié)果受噪聲影響小;分割精度高，區(qū)域完整邊界清晰，能夠有效克服過分割和欠分割現(xiàn)象。

為了進(jìn)一步驗(yàn)證所提出的區(qū)域生長(zhǎng)法的通用性，除了如圖5所示的長(zhǎng)條瑕疵，該方法還應(yīng)用于點(diǎn)狀瑕疵的區(qū)域分割精度。帶有點(diǎn)狀瑕疵的網(wǎng)眼織物如圖6(a)所示，利用本研究中算法的分割結(jié)果如圖6(b)所示。從圖6 中可以看出其能夠以較高的精度自動(dòng)提取出相應(yīng)的瑕疵區(qū)域，對(duì)網(wǎng)眼織物不同瑕疵的檢測(cè)具有較好的適用性。

圖6 利用本研究中算法對(duì)帶有點(diǎn)狀瑕疵類型的網(wǎng)眼織物圖像的分割效果圖

3 結(jié)束語

本研究結(jié)合頻域?yàn)V波與區(qū)域生長(zhǎng)法的各自優(yōu)勢(shì)以實(shí)現(xiàn)網(wǎng)眼織物的瑕疵檢測(cè)。筆者利用網(wǎng)眼織物網(wǎng)格排布相對(duì)規(guī)整且具有一定周期性的特點(diǎn)，通過濾除與背景紋理相關(guān)的頻率成分得到灰度分布相對(duì)均勻的背景，從而減少網(wǎng)格線以及大孔隙對(duì)網(wǎng)眼布瑕疵檢測(cè)的干擾，同時(shí)，又能夠很好地保留瑕疵區(qū)域的邊緣和細(xì)節(jié)特點(diǎn)，為下一步的瑕疵分割打下較好的基礎(chǔ)。在背景灰度整體趨向均勻但小面積子區(qū)域灰度分布依舊存在較劇烈波動(dòng)的情況下，采用區(qū)域生長(zhǎng)法對(duì)織物瑕疵進(jìn)行分割尤為合適。在瑕疵區(qū)域分割過程中，通過統(tǒng)計(jì)學(xué)方法自適應(yīng)地選取分割參數(shù)，在保證了分割精度的前提下實(shí)現(xiàn)了分割的自動(dòng)化。

本研究所采用的算法能夠較有效地克服了傳統(tǒng)分割方法中所存在的過分割和欠分割現(xiàn)象，且分割效果受外部環(huán)境變化(如光照條件變化，光照不均等)影響較小。在整個(gè)檢測(cè)過程中所涉及的參數(shù)皆為算法通過分析輸入圖像特征自動(dòng)選取，不需要人工的干預(yù)，通用性和適應(yīng)性較強(qiáng)，符合生產(chǎn)實(shí)際的要求。實(shí)驗(yàn)結(jié)果表明，本研究所應(yīng)用的方法具有較高的識(shí)別準(zhǔn)確率和定位精度，瑕疵區(qū)域邊界和細(xì)節(jié)的提取較為精準(zhǔn)，抗干擾能力較強(qiáng)，適用于工業(yè)上的網(wǎng)眼布瑕疵自動(dòng)檢測(cè)。此外，本研究采用的方法在規(guī)則紋理背景的平紋斜紋布料瑕疵檢測(cè)上也具有一定的參考價(jià)值。

［1］余桂平.經(jīng)編網(wǎng)眼布及其應(yīng)用［J］.東華紡織經(jīng)濟(jì)，2014(8):14-16.

［2］ZHONG S，ZHANG Q，YAO L，et al.Fabric defect detection using wavelet-enhanced single-point photoelectric sensing system［J］.Applied Mechanics and Materials，2012，162:497-504.

［3］張秋坤，鐘舜聰.織物瑕疵的實(shí)時(shí)光電檢測(cè)系統(tǒng)［J］，機(jī)電工程，2011，28(11):1324-1326.

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

［5］HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural features for image classification［J］.IEEE Trans.Systems，Man and Cybernetics，1973，3(6):610-621.

［6］KASPARIS T，TZANNES N S，BASSIOUNI M，et al.Texture description using fractal and energy features［J］.Computers ＆ Electrical Engineering，1995，21(1):21-32.

［7］CHAN C H，PANG G K H.Fabric defect detection by Fourier analysis［J］.IEEE Trans.Industry Applications，2000，36(5):1267-1276.

［8］YANG X Z，PANG G K H，YUNG N H C.Discriminative fabric defect detection using adaptive wavelets［J］.Optical Engineering，2002，41(12):3116-3126.

［9］NAVARRO E R，MILLAN M S，PLADELLORENS J.Detection of local defects in textile webs using Gabor filters［J］.Optical Engineering，1998，37(8):2297-2307.

［10］孫華凱.基于多尺度小波表示和Gabor 濾波器虛部的布匹瑕疵檢測(cè)算法研究［D］.西安:西安電子科技大學(xué)通信工程學(xué)院，2011.

［11］SERAFIM A F L.Segmentation of Natural Images Based on Multi-resolution Pyramids Linking of the Parameters of an Autoregressive Rotation Invariant Model Application to Leather Defect Detection［C］//Proc.IEEE 11th IAPR Int'l Conf.Pattern Recognition.Conference C:Image，Speech＆ Signal Analysis.Hagne:［s.n.］，1992:41-44.

［12］COHEN F S，F(xiàn)AN Z G，ATTALI S.Automated inspection of textile fabric using textural models［J］.IEEE Trans.Pattern Analysis ＆ Machine Intelligence，1991，13(8):803-808.

［13］沈凌云，朱 明，郎百和，等.一種用于CTP 版表面瑕疵的自適應(yīng)檢測(cè)算法［J］.長(zhǎng)春理工大學(xué)學(xué)報(bào):自然科學(xué)版，2014，37(6):94-98.

［14］劉直芳，王運(yùn)瓊，朱 敏.數(shù)字圖像處理與分析［M］.北京:清華大學(xué)出版社，2006.

［15］GONZALES R C，WOODS R E.Digital Image Processing，Second Edition［M］.NJ:Pearson Education，Inc.，2002.

［16］肖俊明，彭喜英.基于機(jī)器視覺的圖像分割算法的研究［J］.中原工學(xué)院學(xué)報(bào)，2008，19(1):14-16.

［17］陳利珍，鄧中民.基于紋理濾波與局部熵的織物疵點(diǎn)檢測(cè)［J］.紡織科技進(jìn)展，2011(5):42-44.

［18］ZHOU Jian，WANG Jun.Fabric defect detection using adaptive dictionaries［J］.Textile Research Journal，2013，83(17):1846-1859.

［19］NUZHNAYA T，CHENG Er-kang，LING Hai-bin，et al.Segmentation of Anatomical Branching Structures Based on Texture Features and Graph Cut［C］//IEEE International Symposium on Biomedical Imaging:From Nano to Macro.Chicago:［s.n.］，2011:673-676.

［20］WANG Hong-rui，YANG Jian-li，SUN Hai-jun，et al.An Improved Region Growing Method for Medical Image Selection and Evaluation Based on Canny Edge Detection［C］//International Conference on Management and Service Science.Wuhan:［s.n.］，2011:1-4.

［21］KUMAR A，PANG G K H.Defect detection in textured materials using gabor filters［J］.IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS，2002，38(2):425-440.

［22］CHAN Chi-ho，PANG G K H.Fabric defect detection by fourier analysis［J］.IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS，2000，36(5):1267-1276.

［23］MAK K L，PENG P，YIU K F C.Fabric defect detection using morphological filters［J］.Image and Vision Computing，2009(27):1585-1592.

［24］SARI-SARRAF H，JAMES S.Goddard，Jr.Vision system for on-loom fabric inspection［J］.IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS，1999，35(6):1252-1259.