改進頻率調諧顯著算法在疵點辨識中的應用

王傳桐， 胡 峰， 徐啟永， 吳雨川， 余聯慶

(武漢紡織大學 機械工程與自動化學院, 湖北 武漢 430074)

中國是面料生產大國，提高面料疵點檢測準確率對提升紡織品質量和競爭力具有重要意義[1]。Gabor濾波簇具有多尺度、多方向濾波能力，可有效地克服疵點圖像對比度低的影響，提高疵點檢測準確率[2-3]；但是，Gabor濾波簇存在濾波器數量多、運算量大的問題，使疵點檢測耗時較長[4]。

頻率調諧顯著算法(FT)[5-6]從頻域角度出發(fā)，對真彩圖像進行高斯低通濾波，然后將圖像轉換到Lab空間，針對每個顏色通道計算單個像素與整幅圖像的平均色差，將3個通道的平均色差平方和作為該像素的顯著值，具有抗噪能力強，計算量小的優(yōu)點[5]；但是將FT算法應用到疵點辨識中，其辨識精度受高斯濾波器模板尺寸影響大；高斯濾波圖像中存在椒鹽噪聲；檢測單一顏色紡織品(如坯布、鏡面面料)疵點時，對亮度和顏色差異較小的疵點識別困難[7]。相較于FT算法中使用的Lab空間，HSV顏色空間更適合單一顏色紡織品疵點檢測，但是，其色調特征H與飽和度特征S及亮度特征V的取值范圍不同且變化不一致，所得到的顯著值不能很好地體現出各個分量。針對這些問題，本文對FT算法進行了改進，并應用到了單一顏色紡織品疵點檢測中。

1 FT算法原理及缺陷

FT算法的基本計算步驟[5]為：首先，采用高斯濾波器對圖像進行濾波，濾波器模板尺寸憑人工經驗選??；然后，濾波后的圖像由RGB顏色空間轉化成Lab顏色空間；最后，根據式(1)計算圖像I在像素點(i,j)處的顯著值：

S(i,j)=‖Iμ-Iωhc(i,j)‖

(1)

式中：Iμ為圖像在 Lab空間的像素算術平均值；Iωhc是高斯濾波后的圖像；‖?‖為l2范數。

FT算法應用到紡織品疵點識別中，存在如下問題：1) 高斯濾波器模板尺度對疵點辨識精度影響大。主要原因是：取值較小時，高斯濾波器的平滑窗口較小，許多細小背景紋理輪廓不能被平滑，降低了疵點紋理特征的靈敏度；取值較大時，濾波后疵點輪廓變得模糊，加大辨識難度。采用不同模板尺度r進行高斯濾波后的疵點圖像如圖1所示?？梢姡耗０宄叨葹?時的濾波圖，面料紋路被完整保留；模板尺寸為6時的濾波圖，面料紋理被弱化的同時，疵點輪廓信息也被完整保留；模板尺度為12時的濾波圖，面料紋理和疵點輪廓同時被平滑；2) 對單一顏色紡織品疵點進行檢測時，基于Lab顏色空間的特征向量Iu對亮度和顏色差異較小的疵點靈敏度不高。Lab空間中的L代表光亮度，其值從0(黑色)至100(白色)，b和a代表色度坐標，其中a代表紅-綠軸，b代表黃-藍軸。Lab的優(yōu)點在于L分量密切匹配人類亮度感知，可通過修改a、b分量的輸出色階進行精確的顏色平衡，或通過L分量調整亮度對比。對單一顏色紡織品進行疵點檢測時，多數疵點顏色和紡織品自身顏色基本一致，不一致的位置體現在疵點區(qū)域與正常區(qū)域亮度不同，因此，Lab空間中只有L通道對疵點敏感；3) 從圖1(c)、(d)中可發(fā)現，背景區(qū)存在深/暗不一的噪聲點，呈椒鹽分布狀，在后續(xù)顯著過程中會凸顯出來；4) 在一幅圖像中，各個特征通道中特征分量的取值范圍不一致，且快慢也不同。很多情況下，3個特征的顯著值不在同一個數量級上，導致計算所得到的顯著值S(i,j)僅能突出某個特征，忽略了其他特征[6]。

圖1 高斯低通濾波效果圖Fig.1 Picture after Gaussian blurring. (a) Original picture; (b) r=3; (c) r=6; (d) r=12

2 改進FT疵點檢測方法

2.1 改進的FT算法

1) 針對高斯濾波器模板尺度對疵點辨識精度影響大的問題，本文提出采用離散粒子群算法[8-9]和Ncut準則[10-11]對高斯濾波模板取值進行優(yōu)化，基本思路如圖2所示。首先，設置訓練樣本集，用初始模板尺寸進行高斯濾波；然后，將濾波圖像由RGB顏色空間轉換到HSV顏色空間；接下來，使用自適應中值濾波器在不同通道進行二次濾波；其次，計算各通道特征與整幅圖像均值之間的距離，并進行歸一化；最后，顯著化處理及提取顯著化后圖像的特征向量，估計特征向量的Ncut準則值，其值越大說明模板尺寸越好。使用粒子群算法的目的是利用其優(yōu)化速度快的優(yōu)勢，盡快在搜索空間找到合適的模板尺寸。Ncut準則原來主要用于衡量類可分性的優(yōu)劣，現在將其作為粒子群算法的適應度函數，目的在于在其他條件不變的情況下，衡量高斯模板尺度是否提高了疵點特征向量的靈敏度。文獻[10]中闡述了Ncut準則的基本原理。改進FT算法的主要目的是增強疵點區(qū)域與背景的對比度，提高疵點特征向量的靈敏度，達到高效準確辨識疵點目的。

圖2 基于改進FT算法的疵點檢測Fig.2 Detection of fabric defects based on modified FT algorithm

2) 針對檢測單一背景顏色的紡織品疵點時，Lab顏色空間中式(1)特征向量Iu對亮度差異較小的疵點靈敏度不高的問題，推薦采用HSV空間代替Lab空間。HSV空間中H通道表征色調，用來表示顏色的類別；S通道表征飽和度，用來表示顏色的鮮艷程度；V通道表征亮度。通常情況下，疵點區(qū)域和正常區(qū)域相比，亮度、顏色或者飽和度都會存在差異。HSV顏色空間能更直觀地表達色彩的明暗、色調和鮮艷程度，在FT算法中對存在細小顏色和亮度差異的疵點具有更好的顯著效果，因此，HSV空間中S通道與V通道均可有效區(qū)分疵點與正常紋理。

3) 針對高斯濾波后疵點圖像存在椒鹽噪聲的問題，本文使用自適應中值濾波器在S通道和V通道對圖像IG進行二次濾波，減少噪聲點對后續(xù)顯著計算的影響。

4) 針對頻率調諧顯著過程中遇到的色調特征H與飽和度特征S及亮度特征V的取值范圍不一致(H∈[0,360]，S,V∈[0,100])等問題，對3個特征分量的顯著值進行歸一化。具體過程如下。

針對二次濾波圖像Im，計算色調特征H、飽和度特征S和明度特征V所對應的整幅圖像的均值uH、uS和uV；在各特征通道中，分別計算每個像素點與整幅圖像均值之間的距離，如式(2)～(4)所示。

SH(i,j)=[H(i,j)-uH]

(2)

SS(i,j)=[S(i,j)-uS]

(3)

SV(i,j)=[V(i,j)-uV]

(4)

式中：SH、SS、SV分別為在HSV空間中各特征通道下像素點與均值間的距離；H(i,j)、S(i,j)、V(i,j)分別為H通道、S通道、V通道中像素點(i,j)

歸一化處理,得：

(5)

(6)

(7)

對每個像素進行特征融合，得到最終顯著性值。

(8)

式中ωH、ωS、ωV分別為3個空間所對應的權值，本文選取ωH=ωS=ωV=1/3。

2.2 疵點檢測算法

基于改進FT算法的疵點檢測算法步驟為：1)初始化離散粒子群參數；2) 圖像做高斯濾波處理，得到新圖像IG；3) 將圖像IG轉換到HSV顏色空間，使用自適應中值濾波器對圖像IG進行二次濾波，得到濾波圖像Im；4)計算各通道下二次濾波圖像像素點與整幅圖像均值之間的距離；5) 歸一化距離并融合特征，得到每個像素的最終顯著值；6)將顯著圖作為輸入向量，Ncut準則函數作為適應度函數；7) 計算每個粒子適應度值；8) 檢測是否達到終止條件。如果達到則停止，否則返回步驟2；9) 對圖像顯著圖進行特征提取，本文提取灰度共生矩陣中4個方向的對比度、能量、相關度、熵組成1×16維的特征向量；10) 使用訓練樣本特征向量對概率神經網絡進行訓練，對驗證樣本疵點圖像分類。

3 結果與分析

本文實驗選取2類平紋組織織物進行，分別為F1和F2數據庫。F1數據庫：緯密為264根/(10 cm)，經密為340根/(10 cm)，紗線線密度為18.23 tex；采集分辨率為0.089 mm/像素。F2數據庫：緯密為375根/(10 cm)，經密為410根/(10 cm)，紗線線密度為36.34 tex；采集分辨率為0.089 mm/像素。F1和F2數據庫中包含線頭、缺經、破洞、油污、竹節(jié)等疵點類型以及正常面料圖像，疵點灰度圖尺寸為100像素×100像素。分別從子數據庫中選取100張圖片作為訓練樣本集，每類圖片數量為20張；100張圖片作為驗證樣本集，每類圖片數量為20張。

3.1 疵點圖像采集方法

采集疵點圖像時，光源和相機分別置于面料兩側，與面料垂直，利用正常區(qū)域和疵點區(qū)域透光性的不同，提高棉粒、竹節(jié)、粗緯、斷經等疵點區(qū)域與正常區(qū)域的亮度對比度。這可以通過圖3示出的不同采集方式下的疵點圖像給予證實：如圖3(a)、(c)拍攝時，光源和相機置于面料同一側，2種不同紋理面料的經疵對比度極低，肉眼很難分辨；如圖3(b)、(d)拍攝時，光源和相機分別置于面料兩側，發(fā)現疵點位置與正常區(qū)域對比度明顯增強。由此說明，利用面料疵點區(qū)域和正常區(qū)域透光性的不同，可在亮度和飽和度上提高疵點對比度，為改進的FT算法更好發(fā)揮功能提供支持。

圖3 不同采集方式下的疵點圖像Fig.3 Fabric defect images with different acquiring modes. (a) Coarse pick of reflection; (b) Coarse pick of transmission;(c) Missed warp of reflection; (d)Missed warp of transmission

3.2 顯著方法對比實驗

在相同情況下，對比研究本文改進的FT算法、原始FT方法以及進行高斯模板尺寸優(yōu)化但沒有進行二次濾波和使用HSV空間的FT方法，驗證本文推薦改進FT算法的合理性和有效性。

以F1、F2數據庫中面料疵點顯著處理對比為例，部分結果如圖4、5所示。

由圖4可看出：使用原始FT算法對紡織品疵點圖像進行顯著時，面料本身紋路細節(jié)全部保留，對油污和線頭類疵點進行顯著時，疵點位置已經幾乎不能識別；使用高斯濾波器尺寸進行優(yōu)化后的FT算法對紡織品疵點圖像進行顯著時，對于竹節(jié)、破洞和線頭疵點均可達到良好的顯著效果，但對于油污類疵點進行顯著處理時，油污位置和面料紋路被顯著的亮點混雜，顯著效果較差，使用本文改進的FT算法對竹節(jié)、油污、破洞和線頭類疵點進行顯著時，均可實現良好的顯著效果。

由圖5可看出：使用原始FT算法對預處理后的圖像進行顯著時，面料本身紋路細節(jié)全部保留，對油污類疵點進行顯著時,疵點位置顯著不明顯；使用高斯濾波器尺寸進行優(yōu)化后的FT算法對紡織品疵點圖像進行顯著時，對各類疵點均能實現良好的顯著效果；使用本文改進的FT算法對疵點進行顯著處理時，對各類疵點顯著效果良好，并且油污類疵點的背景紋理明顯弱化。

通過圖4、5中對正常面料圖像進行顯著的結果可發(fā)現，在沒有疵點的情況下，使用改進的FT算法對面料進行顯著，面料紋路被顯著成為不規(guī)則狀的小亮點。比較紡織品疵點圖像和正常圖像的顯著圖可發(fā)現，正常面料與存在疵點的面料顯著圖存在很大的紋理差異，因此，本文提取面料顯著圖的紋理信息作為特征值，可達到疵點辨識的目的。

造成這種現象原因是：1) 基于離散粒子群算法和Ncut準則的高斯濾波模板優(yōu)化算法，可實現高斯濾波模板尺寸的最優(yōu)化，達到最佳顯著效果；2) 與Lab空間相比，HSV空間更適合對紡織品疵點圖像進行顯著處理；3) 中值濾波可有效地消除高斯濾波后圖像中存在的椒鹽噪聲；4) 對3個特征分量的顯著值進行歸一化，可有效地解決不同特征分量下取值范圍不一致的問題。

3.3 疵點辨識對比實驗

在相同條件下，將如下3種算法進行對比實驗研究，驗證本文推薦疵點檢測方法的合理性和有效性。

1) 本文推薦的基于改進的FT算法與灰度共生矩陣相結合的疵點檢測方法(IFT算法)。

2) 基于FT算法與灰度共生矩陣相結合的疵點檢測方法(FT算法)。該方法采用FT算法對紡織品疵點圖像進行顯著處理，提取灰度共生矩陣特征并進行分類，其步驟和方法1相同。

注：A—原始圖像；B—原始FT算法；C—使用高斯濾波器尺寸優(yōu)化后的FT算法；D—改進FT算法。圖4 F1數據庫頻域協調顯著效果圖Fig.4 Saliency image of datebase F1 using different methods.(a) Slab yarn; (b) Oil stain; (c)Hole; (d) Thrum; (e)Normal fabric

注：A—原始圖像;B—原始FT算法;C—使用高斯濾波器尺寸進行優(yōu)化后的FT算法;D—改進FT法。圖5 F2數據庫頻域協調顯著效果圖Fig.5 Saliency image of datebase F2 using different methods.(a) Cracked ends; (b) Oil stain; (c)Hole; (d) Missing end; (e)Normal fabric

分別從子數據庫中選取150張樣本，每類疵點圖片數量為30張。其中：每類疵點圖像中選取10張圖片作為訓練樣本集；20張圖片作為驗證樣本集。利用式(9)計算疵點分類準確率。

(9)

式中：R為準確識別率；Pr為準確識別疵點圖片張數；PA為識別疵點圖片總數。

對F1、F2數據庫中面料疵點使用IFT算法和G-Isomap算法、FT算法進行疵點辨識對比，統(tǒng)計結果如表1、2所示。其中，各疵點類型下數據表示準確識別圖片張數。

表1 數據庫F1辨識統(tǒng)計結果Tab.1 Statistical results of database F1

表2 數據庫F2辨識統(tǒng)計結果Tab.2 Statistical results of database F2

通過表1、2統(tǒng)計結果可知：在使用G-Isomap方法對破洞、線頭以及缺經類疵點進行檢測時，均可準確識別，對于油污類疵點和正常面料進行檢測時，存在少量誤檢；FT方法在對破洞類疵點和缺經疵點檢測時，檢測效果良好，但是，對其他類疵點和正常面料進行檢測時，誤檢率過高，準確率均低于75%；IFT方法對破洞、線頭疵點面料和正常面料進行檢測時，均實現準確識別，對于缺經和油污面料進行檢測時，存在少量誤檢，但準確率均在90%以上。通過平均準確率結果可知：FT算法準確率最低，IFT算法識別準確率與Gabor算法相同且均達到較好的檢測效果；但是，IFT算法的運算速度比Gabor算法提升了約70%。

通過表2還可觀察到：在使用G-Isomap算法辨識疵點時，破洞類疵點和正常面料均可實現準確識別，缺經、粗經和竹節(jié)類疵點檢測準確率均為95%；FT方法在對破洞類疵點、缺經疵點和正常面料檢測時，檢測效果稍好，但是檢測準確率均在90%以下，對其他類疵點進行檢測時，檢測準確率均低于75%；IFT方法對破洞、缺經類疵點和正常面料進行檢測時，均可準確檢測，對粗經和竹節(jié)類疵點進行檢測時，檢測準確率均為95%。通過平均準確率可發(fā)現：IFT算法識別準確率率高于Gabor算法，FT算法檢測平均準確率極低；同時，IFT算法的運算速度明顯高于Gabor算法。

通過表1、2可發(fā)現，使用改進的頻率調諧顯著算法對疵點圖像進行疵點顯著處理，可降低面料紋理對識別精度的影響，在保障面料分類精度的同時提高了辨識速度。

4 結 論

使用改進頻率調諧顯著算法對真彩圖像進行疵點顯著處理，可克服面料紋理對疵點辨識精度的制約，保障面料分類精度的同時提高了辨識速度?；贜cut和離散粒子群算法的模板參數優(yōu)化模型能找出頻域協調顯著模型中高斯濾波器的最優(yōu)模板尺寸，增強了疵點顯著效果，提高了疵點辨識的效率和精度。

[1] 管聲啟，石秀華. 基于頻域濾波的織物疵點檢測[J]. 計算機應用，2008， 28(10)： 2673-2675.

GUAN Shengqi，SHI Xiuhua. Fabric defects detection based on frequency domain filtering[J]. Journal of Computer Application，2008， 28(10)：2673-2675.

[2] 屈博, 盧朝陽, 李靜, 等. 一種改進的多通道Gabor濾波器面料瑕疵檢測方法[J].紡織學報, 2009, 30(12):37-40.

QU Bo, LU Zhaoyang, LI Jing, et al. An improved multichannel Gabor filter algorithm for fabric defect detection[J]. Journal of Textile Research, 2009, 30(12):37-40.

[3] 王傳桐, 胡峰, 徐啟永, 等. 采用Gabor濾波簇和等距映射算法的織物疵點檢測方法[J]. 紡織學報, 2017, 38(3):162-167

WANG Chuantong, HU Feng, XU Qiyong, et al. Detection of fabric defects based on Gabor filters and Isomap[J]. Journal of Textile Research, 2017, 38(3):162-167.

[4] 林如意. 基于圖像處理技術的紡織品瑕疵檢測方法[D]. 杭州：杭州電子科技大學，2013：11-14.

LIN Ruyi. Fabric defect detection based on image processing technology[D]. Hangzhou: Hangzhou Dianzi Universiy, 2013：11-14.

[5] ACHANTA R, HEMAMI S, ESTRADA F, et al. Frequency-turned salient region detection [C]// Proceedings of 2009 IEEE Computer Society Conference on Computer Society Conference on Computer Vision and Pattern Recognition Workshop. Miami: IEEE Computer Society, 2009:1597-1604.

[6] 于乃昭，姚志均，楊波. 一種改進的頻率調諧顯著性檢測方法[J]. 艦船電子對抗, 2013, 36(1):57-61.

YU Naizhao, YAO Zhijun, YANG Bo. An improved Frequency tuned-based saliency detection method [J]. Shipboard Electronic Countermeasure, 2013, 36(1):57-61.

[7] 劉洲峰, 趙全軍, 李春雷, 等. 基于局部統(tǒng)計與整體顯著性的織物疵點檢測算法[J]. 紡織學報, 2014, 35(11):62-67.

LIU Zhoufeng, ZHAO Quanjun, LI Chunlei, et al. Fabric defect detection algorithm using local statistic features and global saliency analysis[J]. Journal of Textile Research, 2014,35(11):62-67.

[8] LIU Yan, GU Xueping. Skeleton-network reconfiguration based on topological characteristics of scale-free networks and discrete particle swarm optimization [J]. IEEE Transactions on Power Systems, 2007, 22(3):1267-1274.

[9] ALBERTO García-Villoria, RAFAEL Pastor. Introducing dynamic diversity into a discrete particle swarm optimization [J]. Computer and Operation Research, 2009, 36(3):951-966.

[10] 胡峰, 蘇訊, 劉偉, 等. 基于改進局部線性嵌入算法的故障特征提取方法[J]. 振動與沖擊，2015, 34(15):201-204.

HU Feng, SU Xun, LIU Wei, et al. Fault feature Extraction based on improved locally linear embedding[J]. Journal of Vibration and Shock, 2015, 34(15):201-204.

[11] 胡峰, 王傳桐, 吳雨川, 等. 基于改進監(jiān)督LLE算法的故障特征提取方法[J]. 振動與沖擊，2015(21):119-123.

HU Feng, WANG Chuantong, WU Yuchuan, et al. Fault features extraction based on improved supervised locally linear embedding [J]. Journal of Vibration and Shock, 2015(21):119-123.