應(yīng)用目標(biāo)稀少特征的織物疵點(diǎn)圖像分割

管聲啟，師紅宇，趙 霆

(1.西安工程大學(xué)機(jī)電工程學(xué)院，陜西 西安 710048;2.西安工程大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710048)

織物疵點(diǎn)檢測(cè)是紡織品質(zhì)量檢驗(yàn)的重要環(huán)節(jié)之一。傳統(tǒng)的織物疵點(diǎn)檢測(cè)由人工離線完成，這種檢驗(yàn)方法存在著較高的誤檢率和漏檢率，檢測(cè)效率低下，驗(yàn)布具有滯后性［1］，難以滿足在線檢測(cè)的需要［1－3］。隨著計(jì)算機(jī)圖像處理技術(shù)的發(fā)展，基于機(jī)器視覺(jué)的織物疵點(diǎn)檢測(cè)算法的研究成為熱點(diǎn)課題。目前，關(guān)于織物疵點(diǎn)檢測(cè)算法眾多，有不少學(xué)者采用自適應(yīng)閾值分割的方法用于織物疵點(diǎn)檢測(cè)［4］。

Otsu法是一種常見(jiàn)的圖像分割方法，是通過(guò)最大類(lèi)間方差獲得分割閾值，然而這種分割方法分割織物圖像所獲得的疵點(diǎn)區(qū)域通常含有大量的背景紋理信息。為此，李紅梅等［5］提出了同時(shí)滿足類(lèi)間方差最大和類(lèi)內(nèi)方差最小條件的改進(jìn)Otsu法，然后根據(jù)最佳自適應(yīng)閾值進(jìn)行疵點(diǎn)分割;鐘小勇等［6］采用局部閾值分割的自適應(yīng)閾值算法分割織物疵點(diǎn);趙靜等［7］利用圖像信息熵最大時(shí)得到的閾值作為圖像的自適應(yīng)閾值，并用此閾值對(duì)圖像進(jìn)行分割;杜磊等［8］通過(guò)對(duì)分割效果分析，認(rèn)為分割效果好壞依次為局部閾值分割算法＞改進(jìn)的Otsu算法＞Oust算法＞最大熵閾值算法。局部閾值分割算法的分割效果與分割窗口大小和用于控制圖像分割程度系數(shù)有關(guān)，在實(shí)際分割中，改進(jìn)的Otsu算法應(yīng)用更為廣泛。通過(guò)分析可以看出，這些方法直接根據(jù)織物圖像特征確定閾值，然后利用確定的閾值進(jìn)行分割，其關(guān)鍵在于所確定的閾值是否適合各類(lèi)織物圖像中的疵點(diǎn)分割。祝雙武等［9］提出了一種新的基于紋理結(jié)構(gòu)分析的織物疵點(diǎn)檢測(cè)方法，通過(guò)計(jì)算紋理圖像的局部不平整度來(lái)定位疵點(diǎn)，并采用Otsu算法自動(dòng)獲取閾值進(jìn)行圖像分割;趙波等［10］采用顯著性區(qū)域特征進(jìn)行疵點(diǎn)定位，然后最大熵對(duì)疵點(diǎn)圖像進(jìn)行分割。這些方法是通過(guò)織物圖像進(jìn)行預(yù)處理，以提高疵點(diǎn)與背景紋理的對(duì)比度;然后通過(guò)確定閾值進(jìn)行疵點(diǎn)圖像的分割。可以看出，無(wú)論采用哪種自適應(yīng)閾值分割方法，分割閾值直接會(huì)影響著分割效果;因此，自適應(yīng)閾值的確定是基于閾值分割方法的關(guān)鍵。

傳統(tǒng)的Otsu閾值分割方法是基于圖像本身數(shù)據(jù)分析而確定的閾值，沒(méi)有充分考慮到檢測(cè)目標(biāo)本身特征，對(duì)目標(biāo)大小非常敏感，目標(biāo)區(qū)域通常含有大量背景信息。對(duì)于特征明顯的目標(biāo)檢測(cè)，人類(lèi)視覺(jué)系統(tǒng)直接從視圖中搜索與檢測(cè)目標(biāo)匹配的特征，然后實(shí)現(xiàn)目標(biāo)檢測(cè)，從而提高與背景紋理對(duì)比度低的檢測(cè)目標(biāo)的檢測(cè)準(zhǔn)確率。為了模擬人類(lèi)這種感覺(jué)機(jī)制，本文在分析織物疵點(diǎn)特點(diǎn)的基礎(chǔ)上，提出了基于目標(biāo)特征的織物疵點(diǎn)分割方法;并通過(guò)實(shí)驗(yàn)驗(yàn)證算法的有效性。

1 織物疵點(diǎn)圖像分割理論

1.1 織物疵點(diǎn)特征分析

織物是由經(jīng)、緯紗線按一定的浮沉規(guī)律交織而成，表現(xiàn)為周期性重復(fù)變化，織物疵點(diǎn)是在織造過(guò)程中由工藝或者原材料異常產(chǎn)生的，是織物紋理的局部異常，表現(xiàn)為局部突變特征［11］。目前，織物疵點(diǎn)種類(lèi)繁多，常見(jiàn)的疵點(diǎn)多達(dá)幾十種，其形態(tài)、特征各異;為了減少算法復(fù)雜性，對(duì)織物疵點(diǎn)分類(lèi)研究也日趨成為熱點(diǎn)，比如按照疵點(diǎn)在織物紋理中分布情況可分為局部疵點(diǎn)，離散性疵點(diǎn)和方向性疵點(diǎn)，如圖1所示。

圖1 疵點(diǎn)示例Fig.1 Sample of defects.(a)Local defect;(b)Isotropic defect;(c)Directional defect

局部疵點(diǎn)僅僅表現(xiàn)在織物圖像某個(gè)局部發(fā)生異常;離散疵點(diǎn)表現(xiàn)為織物紋理中的離散分布，且每個(gè)疵點(diǎn)面積較小;方向性疵點(diǎn)在織物圖像中呈現(xiàn)方向性的分布。雖然每種疵點(diǎn)具有一定的共同特性，但對(duì)于具體的疵點(diǎn)來(lái)說(shuō)，這種共同特征會(huì)因?yàn)椴杉闆r、織物紋理種類(lèi)、疵點(diǎn)形態(tài)等因素的不同而波動(dòng)。例如:方向性疵點(diǎn)有水平方向和垂直方向疵點(diǎn)之分，這些方向性疵點(diǎn)有可能存在于平紋紋理或斜紋紋理中，有些疵點(diǎn)方向性特征比較明顯，有些方向性不明顯，如圖2所示。因此，根據(jù)織物疵點(diǎn)分布狀態(tài)的特征也很難把此類(lèi)疵點(diǎn)全部檢測(cè)出來(lái)。

圖2 方向性疵點(diǎn)的示例Fig.2 Samples of directional defects.(a)Directional defect 1;(b)Directional defect 2;(c)Directional defect 3

絕大部分織物疵點(diǎn)在織物紋理中，表現(xiàn)為少數(shù)區(qū)域的局部異常，即稀少性。利用這個(gè)疵點(diǎn)特征就能把織物疵點(diǎn)檢測(cè)出來(lái)。

1.2 基于目標(biāo)稀少特征的分割

在織物紋理圖像中，織物疵點(diǎn)數(shù)目是比較少的;而人類(lèi)視覺(jué)總是對(duì)視野中的少數(shù)目標(biāo)表現(xiàn)出很強(qiáng)的興趣，如果能利用人類(lèi)視覺(jué)這種特性，就有可能把這些目標(biāo)與背景存在差異不大的疵點(diǎn)分割出來(lái)。通常稀少目標(biāo)必須滿足以下條件:

1)目標(biāo)區(qū)域必須與背景區(qū)域存在一定的區(qū)分度，存在一定的對(duì)比度;

2)目標(biāo)區(qū)域數(shù)目與背景區(qū)域數(shù)目相比較是很少的;

3)假設(shè)目標(biāo)區(qū)域灰度值高于大部分背景區(qū)域(目標(biāo)區(qū)域較亮)。為了滿足上述條件，式(1)如下:

式中:Imax(i，j)表示在濾波后織物圖像(i，j)處的大于δotsu的像素點(diǎn)，δotsu為最大類(lèi)間方差確定的閾值;Irarity表示目標(biāo)興趣區(qū)域的稀少度，其數(shù)值越大表明越稀少;num［Imax］δ(n+1)、num［Imax］δ(n)分別表示在［δotsu，255］之間進(jìn)行 N等分得到一系列閾值δ(1)、…、δ(n －1)、δ(n)、…、δ(N)中的第 n+1 和n次分割時(shí)興趣區(qū)域數(shù)目;Irarity(max)表示最佳稀少度，即前后相鄰兩次分割后興趣區(qū)數(shù)目差最大，這說(shuō)明興趣區(qū)域數(shù)目已經(jīng)迅速的變成稀少。

根據(jù)式(1)，找出最佳稀少度對(duì)應(yīng)的閾值δ(n+1)，采用閾值δ(n+1)分割興趣區(qū)，興趣區(qū)域必須滿足式(2):

在實(shí)際檢測(cè)中，目標(biāo)區(qū)域灰度有可能高于背景紋理信息，也有可能低于背景紋理信息。為了滿足使本算法適應(yīng)各類(lèi)情況的目標(biāo)分割，本文首先對(duì)濾波織物圖像在［δotsu，255］區(qū)間確定系列閾值，然后通過(guò)稀少性特征確定分割閾值，分割出亮度較高的疵點(diǎn);如果不能通過(guò)稀少性分割出疵點(diǎn)區(qū)域，說(shuō)明疵點(diǎn)亮度較暗，本文將對(duì)預(yù)處理織物圖像反色處理(即采用255－Imax(i，j)代替圖像 Imax(i，j)像素值)使疵點(diǎn)亮度處于［δotsu，255］區(qū)間，然后重復(fù)前面步驟通過(guò)系列閾值分割，確定最終分割閾值。

2 織物疵點(diǎn)圖像分割過(guò)程

本文織物疵點(diǎn)圖像分割過(guò)程如圖3所示。分別對(duì)采集的織物圖像進(jìn)行滑動(dòng)均值濾波、圖像分割、形態(tài)學(xué)濾波等步驟完成對(duì)疵點(diǎn)的檢測(cè)。

2.1 織物圖像的滑動(dòng)均值濾波

織物紋理總是具有周期性，具體表現(xiàn)為紋理基元的重復(fù);疵點(diǎn)反映周期性紋理的局部破壞，表現(xiàn)為紋理基元上的突變。如果能抑制正常紋理基元信息，就能突出疵點(diǎn)信息。為此，通過(guò)自相關(guān)函數(shù)確定基元尺寸，以基元尺寸大小的窗口在織物圖中滑動(dòng)，以其均值代替窗口中心的像素點(diǎn)灰度值。其滑動(dòng)均值濾波過(guò)程如下。

圖3 織物疵點(diǎn)圖像分割過(guò)程Fig.3 Segmentation processing of fabric defect images

首先，分別根據(jù)式(3)、(4)計(jì)算織物紋理的水平和垂直方向自相關(guān)函數(shù)，獲得到水平自相關(guān)曲線和垂直自相關(guān)曲線。

式中:Cx表示水平方向自相關(guān)函數(shù)、Cy表示垂直方向自相關(guān)函數(shù)，M ×N表示圖像尺寸，fi，j表示圖像在(i，j)像素灰度值，x表示圖像行的序號(hào)，y表示圖像列的序號(hào)。

其次，以水平自相關(guān)曲線的2個(gè)峰值之間長(zhǎng)度作為基元的水平尺寸，以垂直自相關(guān)曲線的2個(gè)峰值之間長(zhǎng)度作為基元的垂直尺寸;采用式(5)、(6)、(7)分別計(jì)算基元水平尺寸lx、基元垂直尺寸ly和基元窗口 Tx，y大小。

式中:mun［max(cx)］表示水平自相關(guān)曲線極大值數(shù)目，mun［max(cy)］表示垂直自相關(guān)曲線極大值數(shù)目。

最后，按照式(8)計(jì)算基元窗口均值，以基元窗口在織物圖像中滑動(dòng)，以基元均值Ma，b代替相應(yīng)基元窗口尺寸中心像素點(diǎn)(a，b)的灰度值，通過(guò)遍歷整個(gè)織物圖像，從而抑制織物紋理信息。

式中a、b分別表示基元中心點(diǎn)的橫坐標(biāo)和縱坐標(biāo)。

2.2 織物圖像分割

圖4示出織物圖像的預(yù)處理。式(1)確定最佳稀少度和分割閾值;然后根據(jù)式(2)對(duì)預(yù)處理后的織物圖像進(jìn)行分割，形成疵點(diǎn)興趣區(qū)，如圖5所示。

圖4 織物圖像預(yù)處理Fig.4 Pre-processing of fabric image.(a)Original image;(b)Image after pre-processing

圖5 離散疵點(diǎn)興趣區(qū)示例Fig.5 Sample of isotropic defect interest region.(a)Interest region number curve;(b)Rarsity curve;(c)Defect of interest region

從圖中可看出，對(duì)邊撐疵采用稀少性特征分割;在［δotsu－255］區(qū)間，對(duì)圖4中的預(yù)處理織物圖像灰度值進(jìn)行8等分，然后計(jì)算不同閾值下興趣區(qū)域數(shù)目和稀少度如圖5(a)、(b)所示;在圖5(a)中興趣區(qū)域數(shù)目在橫坐標(biāo)3～4之間下降最快(在圖(b)中橫坐標(biāo)在3處稀少度最大)，說(shuō)明在圖5(a)中4處對(duì)應(yīng)閾值能夠使興趣區(qū)域明顯稀疏，目標(biāo)與背景基本被分離出來(lái)，按照此處閾值分割效果如圖5(c)所示。

2.3 形態(tài)學(xué)濾波

由織物圖像分割后所得到的興趣區(qū)通常含有一定噪聲和較小的孤立點(diǎn);為了消除這部分信息對(duì)疵點(diǎn)提取的影響，以織物基元尺寸作為結(jié)構(gòu)元素尺寸，采用先膨脹、后腐蝕的形態(tài)學(xué)閉運(yùn)算操作;通過(guò)閉運(yùn)算不僅能平滑濾波，而且還能能夠除去區(qū)域中的小孔，填平狹窄的斷裂、細(xì)長(zhǎng)的溝壑以及輪廓的缺口。圖5(c)的形態(tài)學(xué)濾波結(jié)果如圖6所示，織物圖像中的噪聲和孤立點(diǎn)被有效的抑制。

3 試驗(yàn)與分析

圖6 形態(tài)學(xué)濾波結(jié)果Fig.6 Morphological filtering result

選擇從工業(yè)現(xiàn)場(chǎng)采集的不同紋理的邊跳紗、邊撐疵、經(jīng)縮波浪、油緯以及百腳疵點(diǎn)圖像進(jìn)行實(shí)驗(yàn)，圖像大小為256像素×256像素。為了驗(yàn)證本文算法的有效性，采用Oust改進(jìn)算法(文獻(xiàn)［5］采用的方法)、基于本文均值濾波的Oust改進(jìn)算法以及本文方法進(jìn)行織物疵點(diǎn)圖像分割。

試驗(yàn)與檢測(cè)結(jié)果如圖7所示?；诟倪M(jìn)Ostu分割效果圖7(b)中，含有大量的正常紋理信息與噪聲信息，說(shuō)明這種方法確定的閾值不能實(shí)現(xiàn)正常紋理與疵點(diǎn)的完全分離;基于濾波的改進(jìn)Ostu分割效果圖7(c)中，正常紋理基本被抑制，但分割后的圖中仍然含有大量噪聲;分析主要原因可能是通過(guò)滑動(dòng)濾波能夠消除正常紋理對(duì)分割的影響，但那些與疵點(diǎn)灰度值接近的噪聲不能通過(guò)其確定的閾值實(shí)現(xiàn)與疵點(diǎn)的分離，這說(shuō)明所確定的閾值不是最優(yōu)閾值;本文方法的分割效果如圖7(d)所示，織物疵點(diǎn)與背景紋理完全分離，表明本文的分割方法不僅利用滑動(dòng)窗口濾除正常紋理信息，而且利用織物疵點(diǎn)目標(biāo)的稀少能夠確定最佳閾值，使與疵點(diǎn)接近的噪聲被分離。另外，當(dāng)在測(cè)試織物圖像中增加高斯噪聲時(shí)，采用本文算法也能較完整分割出疵點(diǎn)信息，說(shuō)明算法具有較強(qiáng)的魯棒性。

圖7 織物疵點(diǎn)檢測(cè)算法對(duì)比Fig.7 Detection algorithms of fabric defect.(a)Segmentation result of harness skip;(b)Segmentation result of temple mark;(c)Segmentation result of shrinkage;(d)Segmentation result of oiled pick;(e)Segmentation result of mis-picks

4 結(jié)論

傳統(tǒng)的織物疵點(diǎn)檢測(cè)算法不能有效地分割疵點(diǎn)信息，本文通過(guò)研究織物疵點(diǎn)紋理及疵點(diǎn)特征，利用基元窗口濾波抑制正常紋理對(duì)圖像分割的影響，并利用疵點(diǎn)的稀少特征，通過(guò)預(yù)分割確定最佳閾值，在此基礎(chǔ)上，分割出疵點(diǎn)興趣區(qū)，最后通過(guò)形態(tài)學(xué)濾波消除噪聲和較小的孤立點(diǎn)，從而實(shí)現(xiàn)對(duì)織物疵點(diǎn)的準(zhǔn)確分割。由于有效地利用了織物紋理與織物疵點(diǎn)特點(diǎn)，本文織物疵點(diǎn)圖像分割算法能夠解決織物疵點(diǎn)分割閾值確定的問(wèn)題。與傳統(tǒng)算法相比，具有較高的分割準(zhǔn)確性和較強(qiáng)的魯棒性。

［1］KUMAR A. Computer-vision-based fabric defect detection:a survey［J］.IEEE Transactions on Industrial Electronics，2008，55(1):348 －363.

［2］GUAN Shengqi，GAO Zhaoyuan.Fabric defect image segmentation based on visual attention mechanism of wavelet domain［J］.Textile Research Journal，2014，84(10):1018－1033.

［3］NGAN H Y T，PANG G K H.Regularity analysis for patterned texture inspection［J］.IEEE Transactions on Automation Science and Engineering，2009，6(1):131－144.

［4］袁端磊，路立平.織物疵點(diǎn)自動(dòng)檢測(cè)技術(shù)的研究進(jìn)展［J］.鄭州輕工業(yè)學(xué)院學(xué)院:自然科學(xué)版，2005，20(3):69－73.YUAN Duanlei，LU Liping.The research progress of automatic fabric defects detection technology［J］.Journal of Zhengzhou University of Light Industry:Natural Science Edition，2005，20(3):69－73.

［5］李紅梅，李玉超.Otsu法在織物疵點(diǎn)檢測(cè)中的研究及應(yīng)用［J］.科技信息，20011(32):525 －526.LI Hongmei，LI Yuchao.The research and application of Otsu in fabric defect detection［J］.Science＆Technology Information，2011(32):525－526.

［6］鐘小勇，姚桂國(guó)，梁金祥，等.局部閾值分割用于織物疵點(diǎn)檢測(cè) ［J］.江蘇紡織，2009(9):54 －55.ZHONG Xiaoyog，YAO Guiguo，LIANG Jinxiang，et al.Local threshold segmentation for fabric defect detection［J］.Jiangsu Textile，2009(9):54 －55.

［7］趙靜，于鳳芹.基于圖像最大熵的織物疵點(diǎn)檢測(cè)方法［J］.紡織科技進(jìn)展，2010(2):64－65.ZHAO Jing，YU Fengqin.Fabric defect detection based on maximum entropy of image［J］.Progress in Textile Science＆ Technology，2010(2):64－65.

［8］杜磊，李立輕，汪軍，等.幾種基于圖像自適應(yīng)閾值分割的織物疵點(diǎn)檢測(cè)方法比較［J］.紡織學(xué)報(bào)，2014，35(6):56－61.DU Lei，LI Liqing，WANG Jun，et al.Comparison of several fabric defect detection methods based on image self-adaptive threshold segmentation［J］.Journal of Textile Research，2014，35(6):56－61.

［9］祝雙武，郝重陽(yáng).一種基于改進(jìn)型PCNN的織物疵點(diǎn)圖像自適應(yīng)分割方法［J］.電子學(xué)報(bào)，2012，40(3):611－616.ZHU Shuangwu，HAO Chongyang.An approach for fabric defect image segmentation based on the improved conventional pcnn model［J］.ACTA Electronica Sinica，2012，40(3):611－616.

［10］趙波，鄭立新，潘旭玲，等.新的基于圖像顯著性區(qū)域特征的織物疵點(diǎn)檢測(cè)算法［J］.計(jì)算機(jī)應(yīng)用，2012，32(6):1574－1577.ZHAO Bo，ZHENG Lixin，PAN Xuling，et al.New approach of fabric defects detection based on saliency region feature ［J］.Journal of Computer Applications，2012，32(6)1574－1577.

［11］JAYASHREE V，SHAILA Subbaraman.Identification of twill grey fabric defects using DC suppress Fourier power spectrum sum features［J］.Textile Research Journal，2012，82(14):1485－1488.