局部相位量化特征的織物瑕疵檢測算法

應玉龍，項 明

（浙江紡織服裝職業(yè)技術學院信息媒體學院，浙江寧波，315211）

局部相位量化特征的織物瑕疵檢測算法

應玉龍，項 明

（浙江紡織服裝職業(yè)技術學院信息媒體學院，浙江寧波，315211）

為實現(xiàn)快速有效的織物瑕疵自動檢測，給出了一種基于局部相位量化特征與混合核函數(shù)SVM分類器相結合的算法.該算法首先采用LPQ算子提取分塊織物瑕疵圖像的LPQ直方圖，然后采用混合核函數(shù)進行分類識別.該方法融合了兩種算法的優(yōu)越性，不僅能夠提取織物瑕疵圖像紋理信息，而且具有更好的學習能力和推廣性，并且LPQ直方圖的維數(shù)與原始圖像大小無關.結果表明，該算法所確定的瑕疵位置與主觀視覺吻合，相比經(jīng)典算法，在檢測效率上得到改善.

局部相位量化；混合核函數(shù)；瑕疵檢測

0 引 言

織物瑕疵檢測是提高紡織品質量的重要手段.傳統(tǒng)上，大多數(shù)紡織企業(yè)主要依靠熟練員工來對生產(chǎn)的紡織品進行瑕疵檢測.但依靠人工的檢測方法不僅耗時長，工人壓力大，而且工人的生理心理因素也會使得誤檢率和漏檢率升高.為了避免人工檢測的缺陷及提高工作效率，基于機器視覺的瑕疵檢測方法研究在該領域被逐漸重視［1］.紋理是織物圖像的最顯著特征之一，正常的織物圖像表面紋理有序，結構基元排列規(guī)則，而瑕疵區(qū)域的存在破壞了織物紋理的規(guī)律性.對織物圖像的紋理特征進行統(tǒng)計分析，獲得基于數(shù)學模型的描述，然后利用這些特征參數(shù)分離待檢測織物圖像中瑕疵區(qū)域對正常紋理的影響，就可以實現(xiàn)織物圖像中的瑕疵檢測.

文獻［2］給出一種基于多尺度Gabor濾波器的織物瑕疵檢測方法，在多尺度和多角度上對織物圖像進行Gabor濾波，建立圖像的層次表示結構，在融合與重建圖像金字塔結構的基礎上，實現(xiàn)的織物瑕疵圖像檢測算法具有實時性；文獻［3］給出一種多分辨率的基于LBP特征的織物缺陷檢測算法，將圖像分塊提取在不同尺度下的改進LBP特征并構造出用于描述圖像塊的特征向量，使用SVM分類器判斷圖像中的缺陷區(qū)域；文獻［4］提出一種根據(jù)聚類分析和支持向量機進行織物瑕疵分類算法，利用瑕疵區(qū)域的形狀，使用ISODATA算法對瑕疵的幾何特征進行聚類，在聚類形成的子空間內再根據(jù)瑕疵的紋理特征利用SVM進行分類；文獻［5］通過Canny算子提取瑕疵邊緣特征，采用小波分析算法對瑕疵圖像分別在水平、垂直方向進行三層分解，提取多角度的圖像頻域特征，根據(jù)圖像紋理頻譜的分布情況，實現(xiàn)對各類織物瑕疵的實時檢測；文獻［6］提出一種基于時間序列的功率譜紋理分析方法，依據(jù)AR算法估計得到譜數(shù)據(jù)，從中提取能夠反映紋理周期和取向等特征的向量，來檢測織物瑕疵紋理.

以上算法說明織物瑕疵檢測是非?；钴S的研究領域，為了進一步提高算法的檢測性能，需要研究織物圖像表面紋理特征的提取算法，區(qū)分正常紋理和瑕疵區(qū)域.LPQ是一種處理空間模糊紋理的特征描述算子，已成功應用于紋理檢索和人臉識別領域［7－8］.因此，文中給出一種基于局部相位量化特征與混合核函數(shù)SVM分類相結合的方法進行織物瑕疵檢測.

1 檢測原理

算法從兩個方面去探討織物瑕疵識別問題：一是在織物生產(chǎn)線上，高速運動圖像會存在運動模糊的情況下，算法采用局部相位量化特征，取得較為穩(wěn)定的特征，在各種特征提取算子中，局部相位量化方法對模糊變換最為不敏感，根據(jù)周圍鄰域像素點提取中心像素點的相位信息特征，以便更有效獲取瑕疵圖像的特征，算法的理論基礎是短時離散傅里葉變換，其對包括運動、失去焦點造成的模糊具有不敏感性；二是提高分類器的性能，支持向量機的許多特性是由所選擇的核函數(shù)來決定，為了得到性能更為優(yōu)良的支持向量機，算法的改進是把多個核函數(shù)組合起來，形成一種混合核函數(shù).

1.1 局部相位信息的計算

局部相位量化特征是一種有效的紋理描述算子，近年來，LPQ算子已經(jīng)得到不斷的發(fā)展和演化［9－11］.LPQ算法中，圖像f（x）像素點的局部相位信息計算公式為

式中，Nx為像素點的M×M鄰域.

LPQ計算4個復值系數(shù)，二維頻率點u1＝［a 0］T，u2＝［0 a］T，u3＝［a a］T，u4＝［a －a］T.式中，a＝1／M，為標量頻率.

式中，Re｛｝，Im｛｝分別表示一個復數(shù)的實部和虛部，傅里葉系數(shù)中的相位信息由Fx中每一分量的實部和虛部的符號表示，可以按下式對其進行量化：為Fx向量中的第j個分量.量化的系數(shù)用二進制編碼整數(shù)值來代表：

局部相位量化處理后的織物圖像及提取的LPQ相位特征直方圖如圖1～2所示，其中圖1為大尺度紋理織物，圖2為小尺度紋理織物.

圖1 大尺度織物圖像的LPQ特征圖像以及直方圖Fig.1LPQ feature image and histogram of large scale fabric image

1.2 混合核函數(shù)支持向量機

在具體應用場合，支持向量機的特性主要由其核函數(shù)來決定，為了使支持向量機更好地分類局部相位量化特征，采用混合核函數(shù)對分類器進行改進，即把組合局部性核函數(shù)和全局性核函數(shù)，形成混合核函數(shù).核函數(shù)是非線性變換Φ（·），使K（xi，xj）＝Φ（xi）·Φ（xj）成立的一類函數(shù).核函數(shù)的引入使SVM得以實用化.

支持向量機的核函數(shù)必須滿足Mercer條件，核函數(shù)按支持域可分為局部性核函數(shù)和全局性核函數(shù)，即

RBF函數(shù)是一個典型的局部性核函數(shù)，即

多項式核函數(shù)是一個典型的全局性核函數(shù)，即

算法采用RBF函數(shù)和多項式核函數(shù)，來組合混合核函數(shù)，并且滿足Mercer條件.為了保證混合核函數(shù)具有更好的學習能力和推廣性，RBF核函數(shù)中σ2取值宜在0.01～0.5之間；對于多項式核函數(shù)，q值一般取1或2.

對于混合核函數(shù)Kmix＝λKpoly＋（1－λ）Krbf，λ一般在0.50～0.99之間，實驗中取λ＝0.98，對于核函數(shù)RBF，實驗中σ＝0.01時，訓練樣本訓練的效果最好，而多項式核函數(shù)中q＝1時，訓練的效果最好.

2 實驗及結果分析

為了驗證提出的檢測算法，進行一系列驗證實驗，按照如下流程，完成圖像中的瑕疵提取，對瑕疵進行定位并確定其大小.

（1）對織物瑕疵樣本圖像進行歸一化預處理；

（2）采用LPQ特征提取算法分別對訓練樣本圖像和測試樣本圖像進行特征提取，得到每張樣本圖像的直方圖LPQH，作為該圖像的特征；

（3）采用混合核SVM分類方法進行識別，得出算法的識別率，并對獲得的結果進行統(tǒng)計分析.

基于LPQ特征的織物瑕疵圖像檢測算法有兩個重要參數(shù)，一個是LPQ特征提取時窗口大小參數(shù)M；另一個是混合核函數(shù)中的λ值.對于測試圖像數(shù)據(jù)庫，M為3時，取得最佳平均識別率，實驗中取λ＝0.98效果最好.

收集具有不同紋理背景的織物構成算法檢測用的數(shù)據(jù)集.這些織物全部來自生產(chǎn)實踐，其中包含橫檔疵點、吊經(jīng)疵點、油污、磨痕、雜物織入、結頭及竹節(jié)等疵點.每一個256灰度級、32×32大小的子圖像看作一個樣本.

由于織物疵點外觀差異比較大，所展示的幾個典型例子不能反映全部，但限于篇幅，不再詳細舉實例，而將通過下面的實驗方案與結果進行討論，根據(jù)瑕疵的幾何形狀分成塊狀、點狀、線狀以及帶狀4種類型，如圖3～6所示.

圖3 塊狀瑕疵檢測效果驗證Fig.3 Verification of bulk defects detection effect

圖4 點狀瑕疵檢測效果驗證Fig.4 Verification of point defects detection effect

圖5 線狀瑕疵檢測效果驗證Fig.5 Verification of line defects detection effect

圖6 帶狀瑕疵檢測效果驗證Fig.6 Verification of belt defects detection effect

為了測試算法的性能，對提出的算法與LBP＋SVM算法、LPQ＋SVM算法進行比較.其中，比較對象算法中的SVM采用RBF核函數(shù)，LBP方法采用多分辨率的LBP，每種方法都采用相同的256維特征，在瑕疵圖像數(shù)據(jù)庫中分別隨機選取一半樣本作為訓練樣本，另一半作為測試樣本進行識別比較，識別結果采用100次實驗的平均值，結果如圖7所示.可見，此方法比LBP＋SVM方法、LPQ＋SVM方法可以取得更優(yōu)的識別結果.

3 結束語

織物圖像瑕疵檢測目前在機器視覺領域被日益重視并認為是難點問題之一.基于局部相位量化特征提取與混合核函數(shù)支持向量機算法的織物圖像瑕疵識別算法，由于采用了局部相位量化方法提取，具有較好的魯棒性相位統(tǒng)計特征，與現(xiàn)有主流算法相比較，具有較高的識別性能.所提算法有效地利用了圖像的統(tǒng)計信息，能夠得到較為精確的正常紋理特征，實現(xiàn)局域特征信息的提取.在實際應用中，訓練樣本盡量取的大一些，從而可以得到更加精確的正常紋理特征.下一步研究主要集中在尋找更好的織物瑕疵特征描述算法和學習分類方法以克服局域特征變化相對較大瑕疵檢測的問題.，，

圖7 不同算法的識別率比較Fig.7Comparison of recognition rate with different algorithm

［1］ 王松偉，石美紅，張正，等.基于熵和變異度的織物疵點圖像分割方法［J］.西安工程大學學報，2014，28（2）：207－212.

WANG Songwei，SHI Meihong，ZHANG Zheng，et al.A fabric defect image segmentation method based on entropy and variability degree［J］.Journal of Xi′an Polytechnic University，2014，28（2）：207－212.

［2］ 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算法研究［D］.西安：西安電子科技大學，2011：24－33.

SUN Huakai.Multiscale wavelet representation on and imaginary Gabor function based fabric defect detection algorithm research［D］.Xi′an：Xidian University，2011：24－33.

［3］ 丁淑敏，李春雷，劉洲峰，等.基于多分辨率的改進LBP特征的織物缺陷檢測算法研究［J］.中原工學院學報，2012，23（4）：38－41.

DING Shumin，LI Chunlei，LIU Zhoufeng，et al.Research of fabric defect detection based on improved multiresolution LBP operator［J］.Journal of Zhongyuan University of Technology，2012，23（4）：38－41.

［4］ 步紅剛，汪軍，黃秀寶.基于AR譜分析的織物瑕疵自動檢測［J］.數(shù)據(jù)采集與處理，2009，24（6）：783－788.

BU Honggang，WANG Jun，HUANG Xiubao.Fabric defect detection based on AR spectral estimation and support vector data description［J］.Journal of Data Acquisition ＆Processing，2009，24（6）：783－788.

［5］ 殷國亮，張瑞，鄭欣，等.基于邊緣檢測和小波分析的布匹瑕疵檢測方法［J］.江南大學學報：自然科學版，2012，10（6）：637－641.

YIN Guoliang，ZHANG Rui，ZHENG Xin，et al.Fabric defect detection based on edge detection and wavelet analysis［J］.Journal of Jiangnan University：Natural Science Edition，2012，10（6）：637－641.

［6］ 田承泰，步紅剛，汪軍，等.基于時間序列分形特征的織物瑕疵檢測［J］.紡織學報，2010，31（5）：44－47.

TIAN Chengtai，BU Honggang，WANG Jun，et al.Fabric defects detection based on fractal features of time series［J］.Journal of Textile Research，2010，31（5）：44－47.

［7］ OJANSIVU Ville，HEIKKILA Janne.Blur insensitive texture classification using local phase quantization［M］／／Image and Signal Processing，Heidelberg：Springer Berlin Heideberg，2008：236－243.

［8］ OJANSIVU V，RAHTU E，HEIKKILA J.Rotation invariant local phase quantization for blur insensitive texture analysis［C］／／Pattern Recognition 2008，ICPR 2008，IEEE，2008：1－4.

［9］ RAHTU E，HEIKKILA J，OJANSIVU V，et al.Local phase quantization for blur－insensitive image analysis［J］.Image and Vision Computing，2012，30（8）：501－512.

［10］ 李嵐，師飛龍，徐楠楠.自適應加權局部相位量化的人臉識別［J］.光電工程，2013，39（12）：138－142.

LI Lan，SHI Feilong，XU Nannan.Face recognition based on adaptive weighted local phase quantization［J］.Opto－Electronic Engineering，2013，39（12）：138－142.

［11］ MAK K L，PENG P，YIU K F C.Fabric defect detection using multi－level tuned－matched gabor filters［J］.Journal of Industrial and Management Optimization，2012，8（2）：325－341.

編輯、校對：孟 超

Fabric defect detection algorithm based on local phase quantization

YINGYulong，XIANG Ming

（Information Media Institute，Zhejiang Fashion Institute of Technology，Ningbo 315211，Zhejiang，China）

In order to realize fast and effective automatic detection of fabric defects，a combined algorithm for detection of fabric defects based on local phase quantization and mixed kernel SVM classifier is presented.Firstly，the LPQ operator is used to extract histogram sequence of LPQ for fabric defect image，and then the mixed kernel function SVM is used for classification.This method combines the advantages of the two algorithms.It can extract the fabric defect image texture information，and have better generalization ability.The dimension of LPQH is irrelevant to the size of original image.The flow position detected by the algorithm is identical to the subjective vision.The algorithm can detect the flaw position consistent with the subjective vision.Compared to the classical algorithm，the algorithm based on LPQ is improved at detection rate.

local phase quantization；mixed kernel function；defect detection

TS 101.8

A

1674－649X（2015）05－0541－05

10.13338／j.issn.1674－649x.2015.05.004

2015－04－27

浙江省教育廳科研項目（Y201119385，Y201431078）；寧波市自然基金資助項目（2012A610070）；浙江紡織服裝職業(yè)技術學院資助項目（2012－2A－004）

應玉龍（1979—），男，浙江省浦江縣人，浙江紡織服裝職業(yè)技術學院副教授，研究方向為圖像處理與數(shù)據(jù)挖掘.E－mail：yingyl0928＠163.com