基于灰度共生矩陣與反向投影的織物疵點(diǎn)檢測(cè)

孫國(guó)棟，林 松，艾成漢，趙大興

(湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，武漢 430068)

基于灰度共生矩陣與反向投影的織物疵點(diǎn)檢測(cè)

孫國(guó)棟，林 松，艾成漢，趙大興

(湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，武漢 430068)

針對(duì)織物疵點(diǎn)檢測(cè)，將灰度共生矩陣(Gray-level Co-occurrence Matrix，GLCM)與反向投影結(jié)合起來(lái)，提出了一種基于GLCM的反向投影方法(GLCM-BP)；首先介紹了GLCM-BP的原理，然后給出了織物疵點(diǎn)檢測(cè)流程，分析并優(yōu)化了GLCM的距離d與灰度級(jí)N等參數(shù)，選擇了相應(yīng)的濾波與自適應(yīng)閾值分割方法以檢測(cè)疵點(diǎn)，同時(shí)給出了7種常見(jiàn)疵點(diǎn)的檢測(cè)結(jié)果；最后將本文方法與GLCM方法作了檢出率的比較；結(jié)果表明，提出的方法具有良好的疵點(diǎn)分割效果，可顯著提高疵點(diǎn)檢出率。

灰度共生矩陣；反向投影；織物疵點(diǎn)檢測(cè)

0 引言

灰度共生矩陣(Gray-level Co-occurrence Matrix, GLCM)[1]是基于統(tǒng)計(jì)的紋理特征提取方法中應(yīng)用最廣的方法，在其基礎(chǔ)上定義了14個(gè)特征參數(shù)。目前，GLCM在圖像檢索、醫(yī)學(xué)圖像分析、人臉特征識(shí)別、SAR圖像分類、織物疵點(diǎn)檢測(cè)等領(lǐng)域有著廣泛的研究與應(yīng)用。

然而，這些研究多以GLCM的特征參數(shù)為判斷條件，或是分析特征參數(shù)的選擇，或是結(jié)合機(jī)器學(xué)習(xí)算法用于圖像分類。在織物疵點(diǎn)檢測(cè)領(lǐng)域，張向東[2]等針對(duì)橫檔類疵點(diǎn)采用GLCM的對(duì)比度這一特征參數(shù)并通過(guò)計(jì)算訓(xùn)練樣本與待檢驗(yàn)樣本的馬氏距離之差來(lái)判斷是否為疵點(diǎn)。楊學(xué)志[3]等用PCA-NLM對(duì)圖像進(jìn)行預(yù)處理然后采用角二階矩、熵、對(duì)比度、相關(guān)性這四種特征參數(shù)來(lái)描述圖像的紋理特征從而實(shí)現(xiàn)缺陷檢測(cè)。也有對(duì)GLCM提出改進(jìn)的研究，鄒超[4]等提出了類別共生矩陣的概念，采用特殊的歸類方法來(lái)劃分灰度級(jí)，并利用白疵點(diǎn)增強(qiáng)、黑疵點(diǎn)增強(qiáng)、紋理一致性這三個(gè)特征值組成的特征向量與特征聚類中心的距離來(lái)區(qū)分疵點(diǎn)。畢明德[5]等將灰度級(jí)自適應(yīng)量化且用了對(duì)比度和反差分矩這兩個(gè)特征結(jié)合SVM來(lái)進(jìn)行缺陷分類。這些研究都用到了GLCM的特征參數(shù)，疵點(diǎn)檢測(cè)思路是將圖像劃分為許多小窗口，提取每個(gè)小窗口的GLCM的特征向量，然后根據(jù)各個(gè)窗口的特征向量的不同來(lái)進(jìn)行檢測(cè)和分類。檢測(cè)窗口選得過(guò)大，不利于特征的區(qū)分，會(huì)影響最終檢測(cè)的結(jié)果，檢測(cè)窗口選得過(guò)小，一些較大的疵點(diǎn)會(huì)被分成幾塊，同樣不利于檢測(cè)。由于窗口較多，每個(gè)窗口都要計(jì)算特征值，這種方法計(jì)算量較大，并且無(wú)法得到疵點(diǎn)的準(zhǔn)確大小和形狀。

為此對(duì)缺陷進(jìn)行圖像分割是非常有必要的，采用圖像分割的方式不僅結(jié)果會(huì)更直觀，而且可以定位缺陷的位置，得到疵點(diǎn)的形狀和大小，有利于缺陷分類，且在疵點(diǎn)分類過(guò)程中只需計(jì)算缺陷區(qū)域的特征，大大減少了計(jì)算量。同時(shí)在疵點(diǎn)檢測(cè)后期要進(jìn)行質(zhì)量評(píng)價(jià)，也需要知道疵點(diǎn)的長(zhǎng)度。事實(shí)上根據(jù)織物紋理的特點(diǎn)，不借助于GLCM的特征參數(shù)，灰度共生矩陣本身這種概率分布在一定程度上就可以反映織物的特征[6]。

但是單一的GLCM不能達(dá)到分割的效果。因此，本文將GLCM與反向投影[7]結(jié)合起來(lái)，提出了一種基于GLCM的反向投影方法用于織物疵點(diǎn)分割，稱之為GLCM-BP。該方法沒(méi)有使用GLCM特征參數(shù)作為織物檢測(cè)的判斷依據(jù)，而是將重點(diǎn)直接放在GLCM的統(tǒng)計(jì)值上，根據(jù)反向投影的思路統(tǒng)計(jì)每個(gè)像素點(diǎn)與其鄰域的GLCM的灰度頻率的均值作為像素點(diǎn)的灰度值，得到GLCM-BP圖像，從而可以進(jìn)行后續(xù)的分割。

1 GLCM-BP算法原理

設(shè)圖像I的灰度值被量化為N個(gè)灰度級(jí)，i、j為灰度圖像I中在一定方向上相隔一定距離的兩個(gè)像素點(diǎn)(k,l)和(m,n)的灰度值(I(k,l)=i、I(m,n)=j)。一般我們認(rèn)為一個(gè)像素，不包括那些在圖像邊界的像素，有8個(gè)最近鄰像素。所以像素對(duì)的方向θ可以被量化為0°、45°、90°和135°?；叶裙采仃嚨木嚯x度量d((k,l),(m,n))=max{|k-m|, |l-n|}。灰度共生矩陣中第i行第j列的值P(i,j,d,θ)為I中灰度值為i和j的像素對(duì)同時(shí)出現(xiàn)的頻率。

基于GLCM的反向投影方法(GLCM-BP)將GLCM與反向投影結(jié)合起來(lái)，其算法原理及步驟如下：(1)選定灰度共生矩陣的距離d及灰度級(jí)N。為了更全面地表現(xiàn)紋理特征，4個(gè)方向的灰度共生矩陣都會(huì)用到，所以不用選擇灰度共生矩陣的方向。d與N的大小對(duì)最后的結(jié)果有影響。(2)計(jì)算4個(gè)方向的灰度共生矩陣。(3)根據(jù)原圖像的像素灰度值及其相距d的鄰域的灰度值，依次計(jì)算每個(gè)原圖像像素對(duì)應(yīng)的新的特征值。(k，l)處的新的特征值I′(k,l)=[P(I(k,l),I(k-d,l-d),d, 135°)+P(I(k,l),I(k-d,l),d, 90°)+P(I(k,l),I(k-d,l+d),d, 45°)+P(I(k,l),I(k,l+d),d, 0°)+P(I(k,l),I(k+d,l+d),d, 135°)+P(I(k,l),I(k+d,l),d, 90°)+P(I(k,l),I(k+d,l-d),d, 45°)+P(I(k,l),I(k,l-d),d, 0°)]/n。n為鄰域的個(gè)數(shù)，像素在邊界時(shí)為3或5，其余位置時(shí)為8。此處借用了灰度直方圖反向投影的思路，反向投影用統(tǒng)計(jì)學(xué)術(shù)語(yǔ)可表述為：輸出圖像像素點(diǎn)的值是觀測(cè)數(shù)組在某個(gè)分布(直方圖)下的概率。灰度直方圖反向投影是將像素灰度值對(duì)應(yīng)的直方圖bin的值作為替代的特征值，而本文是將像素灰度值與其鄰域灰度值對(duì)應(yīng)的灰度共生矩陣的值的均值作為替代的特征值。(4)對(duì)新的特征值矩陣進(jìn)行I′(k,l)>255?255:I′(k,l)的處理。如果特征值大于255，則置為255；反之，則不變。這樣處理可以過(guò)濾掉大部分非缺陷的像素點(diǎn)，對(duì)剩余像素點(diǎn)的反向投影將更具有針對(duì)性，比采用歸一化方法要好。

以一個(gè)4×4像素大小的灰度圖像為例，其像素值矩陣如圖1(a)所示，灰度級(jí)為4。設(shè)d=1，其0°、45°、90°和135°方向的灰度共生矩陣分別如圖1(b)～(e)所示。然后依次計(jì)算圖像中每個(gè)像素的特征值，根據(jù)像素的位置，圖像中像素值為0的點(diǎn)有3個(gè)鄰域，像素值為1的點(diǎn)有5個(gè)鄰域，像素值為2和3的點(diǎn)有8個(gè)鄰域。依此類推，圖像新的特征值矩陣如圖1(f)所示。用新的特征值矩陣替代原圖像的灰度值，然后對(duì)新的特征值矩陣進(jìn)行值大于255時(shí)置為255的處理，就可以得到與原圖像同樣大小的GLCM-BP圖像了。

圖1 GLCM-BP的計(jì)算過(guò)程

2 織物疵點(diǎn)檢測(cè)流程及實(shí)驗(yàn)分析

本文主要研究的織物為白坯布，白坯布采用白色的經(jīng)、緯紗線織造而成，不存在由于色紗錯(cuò)誤而造成圖案、花紋與完好織物不匹配的疵點(diǎn)。因此，能夠?qū)⑦@類白坯布圖像轉(zhuǎn)換為灰度圖像，然后進(jìn)行疵點(diǎn)的檢測(cè)處理。根據(jù)其紋理可分為平紋、斜紋和緞紋。其主要疵點(diǎn)有破洞、油污、斷經(jīng)、斷緯、起球、斷疵、折痕(不可恢復(fù)的)等。如圖2所示。

圖2 疵點(diǎn)類型圖

2.1 織物疵點(diǎn)檢測(cè)流程

織物疵點(diǎn)檢測(cè)流程為：GLCM-BP處理(濾波(閾值分割。在用GLCM-BP算法進(jìn)行處理后，疵點(diǎn)被提取出來(lái)，但還存在一些干擾，要去除干擾，濾波和閾值分割[8][9]是比較好的方法，也是缺陷檢測(cè)中比較常用的方法。

2.2 GLCM-BP的參數(shù)選擇

2.2.1 距離的選擇

織物紋理是由經(jīng)、緯紗線按設(shè)計(jì)要求有規(guī)律相互交織形成。因此，在織物圖像中，每隔一定的像素點(diǎn)，就會(huì)有灰度值重復(fù)的情況出現(xiàn)。根據(jù)這個(gè)先驗(yàn)規(guī)律，灰度共生矩陣的距離d應(yīng)與織物圖像中紗線的尺寸密度相匹配。d最小應(yīng)該為一根紗線的寬度，最大為兩根紗線之間的距離[10]。

已知圖2中平紋織物的紗線密度規(guī)格為120×96(根/英寸)，織物圖像的分辨率均為0.045 mm/pixel。則:

經(jīng)紗密度 = (1/0.045)/(120/25.4) = 4.7(pixel/根);

緯紗密度 = (1/0.045)/(96/25.4) = 5.9(pixel/根)。

所以本文選擇d為5。

2.2.2 灰度級(jí)的選擇

灰度共生矩陣的灰度級(jí)N決定了灰度共生矩陣的大小，不僅影響計(jì)算的時(shí)間，更重要的是影響統(tǒng)計(jì)的結(jié)果。N越大，計(jì)算所需時(shí)間越長(zhǎng)，灰度共生矩陣也越稀疏；N越小，計(jì)算所需時(shí)間越短，灰度共生矩陣也越密集。灰度共生矩陣的密集程度與GLCM-BP圖像的結(jié)果是密切相關(guān)的。以圖2中的油污疵點(diǎn)圖像為例，圖3為其d=5，N依次取8、16、32、64、128、256時(shí)的GLCM-BP圖像。從圖中可以看出N取32～64時(shí)疵點(diǎn)特征提取得比較好?？紤]到計(jì)算時(shí)間的因素，本文選取N為32。

d取5，N取32時(shí)圖2中疵點(diǎn)的GLCM-BP圖像如圖4所示。

圖3 不同灰度級(jí)下的GLCM-BP圖像

圖4 疵點(diǎn)的GLCM-BP圖像

2.3 濾波與閾值分割

圖2中的疵點(diǎn)圖像經(jīng)過(guò)GLCM-BP處理后均有許多干擾，用濾波去除干擾是比較適合的方法。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，中值濾波的效果較好，可以滿足實(shí)驗(yàn)需求。濾波的模板選為7×7較合適。

織物圖像受光照和織物性能及紋理的影響，灰度值會(huì)有所不同，采用固定閾值分割難以滿足不同的情況。為了提高通用性，采用自適應(yīng)閾值分割。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，OTSU的效果較好，可以滿足實(shí)驗(yàn)需求。本文采用OTSU閾值分割，最終的檢測(cè)效果如圖5所示，從圖中可以看出疵點(diǎn)檢測(cè)效果較好。

圖5 最終檢測(cè)效果圖

另外，對(duì)于正?？椢?，在采用自適應(yīng)閾值分割后，會(huì)把非疵點(diǎn)部分也分割出來(lái)。這也是自適應(yīng)閾值的缺點(diǎn)，對(duì)正常圖像會(huì)產(chǎn)生分割的反效果。因此對(duì)正?？椢镄枰O(shè)定一個(gè)閾值T′，當(dāng)自適應(yīng)閾值T大于T′時(shí)，認(rèn)為圖像灰度都是高灰度值，不存在疵點(diǎn)；當(dāng)自適應(yīng)閾值T小于T′時(shí)，使用T進(jìn)行閾值分割。本文里T′取240。

3 GLCM-BP與GLCM方法的比較

針對(duì)本文方法和GLCM方法，統(tǒng)計(jì)了50幅大小為200×200的含有不同疵點(diǎn)的織物圖像的檢測(cè)結(jié)果，如表1所示。GLCM方法中檢測(cè)窗口大小為40×40，選取對(duì)比度和反差分矩作為特征，提取特征向量后采用孤立點(diǎn)檢測(cè)的方法[4]來(lái)判斷窗口是否有含有疵點(diǎn)。從表中可以看出GLCM-BP可顯著提高疵點(diǎn)檢出率。

表1 GLCM-BP與GLCM方法檢測(cè)結(jié)果的對(duì)比

4 結(jié)論

本文在灰度共生矩陣和反向投影的基礎(chǔ)上提出了GLCM-BP算法，對(duì)織物常見(jiàn)的7類疵點(diǎn)進(jìn)行了檢測(cè)。根據(jù)織物的規(guī)格及圖像的分辨率，確定了GLCM的最優(yōu)距離d；根據(jù)不同灰度級(jí)下的GLCM-BP圖像的效果，選擇了最佳灰度級(jí)N；并結(jié)合中值濾波與OTSU閾值分割法實(shí)現(xiàn)疵點(diǎn)檢測(cè)。同時(shí)，通過(guò)與GLCM方法的比較，驗(yàn)證了本文算法在疵點(diǎn)檢測(cè)上的優(yōu)勢(shì)。

[1] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification [J]. IEEE Transactions on Systems, Man and Cybernetics, 1973, 3(6): 610-621.

[2] 張向東，黃秀寶. 基于灰度共生矩陣和穩(wěn)健馬氏距離的織物橫檔類疵點(diǎn)檢測(cè)[J]. 東華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，35(6)：691-698.

[3] 楊學(xué)志，左海琴，陳 遠(yuǎn)，等. PCA-NLM的紡織品缺陷檢測(cè)[J]. 中國(guó)圖象圖形學(xué)報(bào)，2013，18(12)：1574-1581.

[4] 鄒 超，朱德森，肖 力. 基于類別共生矩陣的紋理疵點(diǎn)檢測(cè)方法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2006，34(6)：25-28.

[5] Bi M D, Sun Z G, Li Y S. Textural fabric defect detection using adaptive quantized gray-level co-occurrence matrix and support vector description data [J]. Information Technology Journal, 2012, 11(6): 673-685.

[6] 高士忠，盧易楓，蔡振偉，等. 基于灰度共生矩陣的簾子布疵點(diǎn)檢測(cè)研究[J]. 電子技術(shù)應(yīng)用，2008，34(1)：117-119.

[7] Swain M J, Ballard D H. Color indexing [J]. International Journal of Computer Vision, 1991, 7(1): 11-32.

[8] Zhao D X, Dai X, Sun G D, et al. Study on adaptive threshold segmentation method based on brightness [J]. Przeglad Elektrotechniczny, 2012, 88(9B): 150-152.

[9] 劉洲峰，郭彥強(qiáng)，丁淑敏，等. 基于DSP和圖像分割的織物疵點(diǎn)實(shí)時(shí)檢測(cè)方法[J]. 計(jì)算機(jī)測(cè)量與控制，2015，23(9)：2960-2963.

[10] 劉建立. 基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)識(shí)別[D]. 蘇州:蘇州大學(xué)，2007.

Fabric Defect Detection Based on Gray-level Co-occurrence Matrix and Back Projection

Sun Guodong, Lin Song, Ai Chenghan, Zhao Daxing

(School of Mechanical Engineering, Hubei University of Technology, Wuhan 430068, China)

A method (GLCM-BP) which combines Gray-level Co-occurrence Matrix (GLCM) with back projection is proposed according to the fabric defect detection. Firstly the principle of GLCM-BP is introduced. Then the fabric defect detection process is given, and the parameters of distance namely d and gray levels namely N of GLCM are analyzed and optimized, and appropriate methods of filtering and adaptive threshold segmentation are adopted to detect the defects. At the same time, detection result on seven kinds of common defects is presented. Finally, this method is compared with GLCM method on the detection rate. The results show that proposed method has good defect segmentation effect and can significantly improve the defect detection rate.

gray-level co-occurrence Matrix; back projection; fabric defect detection

2016-01-12；

2016-03-07。

國(guó)家自然科學(xué)基金(51205115)。

孫國(guó)棟(1981-)，男，湖北天門人，博士，副教授，主要從事機(jī)器視覺(jué)、模式識(shí)別等方向的研究。

1671-4598(2016)07-0065-03

10.16526/j.cnki.11-4762/tp.2016.07.018

TP399 文獻(xiàn)標(biāo)識(shí)碼：A