基于多尺度下LBP和PSO的織物瑕疵檢測(cè)方法研究

李 濤，陳建英，劉 莉

(西南民族大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，四川 成都 610041)

1 引言

織物疵點(diǎn)檢測(cè)在紡織品生產(chǎn)中占有重要地位，減少布匹疵點(diǎn)、提高質(zhì)量是紡織企業(yè)生產(chǎn)和管理中不容忽視的問題.盡管對(duì)織物疵點(diǎn)自動(dòng)檢測(cè)的研究已有大量有價(jià)值的文獻(xiàn)，新方法不斷涌現(xiàn)，對(duì)織物疵點(diǎn)的自動(dòng)檢測(cè)仍吸引著國內(nèi)外學(xué)者的關(guān)注和研究.

受織物疵點(diǎn)圖像采集過程中各種噪聲的影響、不同織物的紋理各不相同及瑕疵本身所具有的多樣性和復(fù)雜性，以及疵點(diǎn)的不規(guī)則性、出現(xiàn)的隨機(jī)性或奇異性等特點(diǎn)，疵點(diǎn)形狀和大小不可預(yù)測(cè)而難以建立疵點(diǎn)模型.疵點(diǎn)自動(dòng)檢測(cè)技術(shù)的核心內(nèi)容是對(duì)采集的織物圖像進(jìn)行處理，已有的檢測(cè)方法眾多[1-6].

織物紋理屬于一種結(jié)構(gòu)性紋理，具有穩(wěn)定性、局部性和鄰域相關(guān)性等特征，紋理的描述通常有結(jié)構(gòu)法、統(tǒng)計(jì)法和頻譜法三種.LBP(Local Binary Pattern)可以有效地描述圖像的紋理，兼顧了紋理的結(jié)構(gòu)特征和統(tǒng)計(jì)特征，具有光照不變性和旋轉(zhuǎn)不變性的特點(diǎn)，被廣泛應(yīng)用于人臉識(shí)別、掌紋特征提取、場(chǎng)景分類、超聲圖像處理、目標(biāo)跟蹤等領(lǐng)域[7-12].LBP區(qū)別于一般基于統(tǒng)計(jì)紋理描述子的是它考慮了像素與其鄰域之間的關(guān)系.而紋理又是一種與尺度有關(guān)的圖像特征，同一紋理在不同的尺度下有不同的表現(xiàn).多尺度分析這種對(duì)圖像進(jìn)行分析的方法類似于人類的視覺系統(tǒng)，緣于在不同尺度下，圖像會(huì)表現(xiàn)出具有與尺度相關(guān)的一些特性，即通過多尺度分析，可得到不同尺度下的全局和局部的信息.此外，在一些實(shí)時(shí)處理場(chǎng)合，多尺度分析還具有計(jì)算效率上的優(yōu)勢(shì).正因?yàn)槿绱?，?duì)圖像進(jìn)行多尺度處理方式在數(shù)字圖像處理、分析領(lǐng)域獲得成功應(yīng)用[13-16].

Eberhart和Kennedy于1995年基于對(duì)鳥群、魚群的模擬提出的微粒群優(yōu)化算法PSO(Particle Swarm Optimization)具有精度高、收斂快的特點(diǎn)，本文擬采用在不同多尺度下用LBP分析技術(shù)提取織物紋理特征，在此基礎(chǔ)上將圖像分塊后用PSO對(duì)疵點(diǎn)搜索進(jìn)行檢測(cè).

2 LBP算法原理

局部二進(jìn)制模式(Local Binary Pattern，LBP)[17-19]可以有效地描述圖像的紋理特征，LBP可以用于提取紋理特征，將特征組織在一起構(gòu)成特征向量，能夠表示圖像的局部特征，有很好的灰度不變性和旋轉(zhuǎn)不變性，該模式是以一個(gè)鄰域?yàn)榇幚韺?duì)象，將鄰域中心像素的灰度與其相鄰像素的灰度進(jìn)行差分運(yùn)算，若結(jié)果為正，則將該相鄰像素置為1，否則置為0，由此得到一個(gè)二進(jìn)制序列，以左上角為起點(diǎn)，按順時(shí)針方向讀出八個(gè)像素位置的值，為每一位二進(jìn)制分配一個(gè)權(quán)重因子2i后，得到一個(gè)對(duì)應(yīng)的十進(jìn)制數(shù)值，以此值作為中心像素點(diǎn)的輸出.

以3×3的8鄰域?yàn)槔f明基本LBP算法，如圖1所示：

圖1 基本LBP算法Fig.1 Basic LBP algorithm

式(2-1)為其數(shù)學(xué)描述：

式中，gc是鄰域中心點(diǎn)的灰度值，gi是與中心點(diǎn)相鄰像素的灰度值，P為該鄰域中像素總數(shù)，R是鄰域的半徑值.上圖中P＝8，R＝3.但當(dāng)紋理發(fā)生旋轉(zhuǎn)時(shí)，由式(2-1)可以得到不同的 LBPP，R，如11011111與11111011，顯然，這兩個(gè)值也可由另一個(gè)LBP循環(huán)移位得到，此時(shí)，這兩個(gè)值對(duì)局部空間結(jié)構(gòu)的描述視為一致.因此，為消除旋轉(zhuǎn)所帶來的影響，引入(2-2)式：

上式中的ROR(x，i)表示將二進(jìn)制序列x向右循環(huán)移位i次，(2-2)式表示標(biāo)準(zhǔn)LBP算子循環(huán)移位(P-1)次后，其中的最小值作為L(zhǎng)算子.

式中u(LBPP，R)表示LBP算子中0-1或1-0的跳變次數(shù)，當(dāng)二進(jìn)制位串包含的1到0或0到1的跳變次數(shù)不大于2的情況稱為統(tǒng)一LBP或均勻LBP(Uniform LBP，ULBP)，否則為非統(tǒng)一模式或非均勻模式.

3 PSO算法

PSO(Particle Swarm Optimization，微粒群算法)是一種仿生演化計(jì)算技術(shù)，它源于對(duì)鳥群覓食，可實(shí)現(xiàn)高效并行、隨機(jī)、自適應(yīng)群體搜索，用來求全局最優(yōu)解該算法擁有參數(shù)少、收斂速度快、易實(shí)現(xiàn)的優(yōu)點(diǎn)，而受到學(xué)者們的關(guān)注及應(yīng)用.

微粒通過跟蹤粒子來尋找最好解，即算法通過pbest(局部極值)和gbest(全局極值，種群的最好解)兩個(gè)量來更新微粒的當(dāng)前值，微粒i是一個(gè)D維向量，該向量包含兩個(gè)方面的信息：位置信息和速度信息，其中位置信息用 Xi表示，或?qū)懗?Xi＝(xi1，xi2，…，xiD)T，速度信息用 Vi表示，可表示為 Vi＝ (vi1，vi2，…，viD)T，這兩個(gè)量的更新方程為：

式中rand1和rand2是兩個(gè)在[0，1]范圍內(nèi)變化的隨機(jī)函數(shù)，另有3個(gè)權(quán)重因子，w為慣性權(quán)重系數(shù)，c1和c2為加速因子.從方程(3-2)可以知道，PSO算法的性能與其參數(shù)相關(guān)，加速因子c1用于調(diào)節(jié)微粒飛向全局最好的最大步長(zhǎng)，加速因子c2則是調(diào)節(jié)個(gè)體最好的最大步長(zhǎng)，這兩個(gè)加速因子的取值會(huì)影響微粒與目標(biāo)區(qū)的距離，如果太小，微?？赡苓h(yuǎn)離目標(biāo)區(qū);太大，微?？赡苤苯语w過或沖向目標(biāo)區(qū)[20].因此，讓算法加快收斂又不易陷入局部最優(yōu)需要選用合適的c1，c2.本文取c1＝c2＝2[21].而慣性權(quán)重w，該值越大，全局搜索能力越強(qiáng);越小，則局部搜索能力越強(qiáng).通常，在搜索過程中，w的取值會(huì)不同，在初期，取值較大，后期則取值較小.因而有不少文獻(xiàn)對(duì)參數(shù)進(jìn)行改進(jìn)，本文采用文獻(xiàn)[22]對(duì)權(quán)重的優(yōu)化方法：

其中wmax是最大慣性權(quán)重的初始化值，wmin對(duì)應(yīng)最小慣性權(quán)重的初始化，λ為控制慣性權(quán)重變化的參數(shù)，本文取值為3，t為當(dāng)前的迭代次數(shù)，tmax為最大迭代次數(shù).因而，PSO算法流程表述如下：STEP 1，隨機(jī)初始化微粒，包括位置信息、速度信息、群體規(guī)模和微粒的維數(shù);STEP 2，對(duì)每個(gè)微粒的適應(yīng)度進(jìn)行評(píng)價(jià);STEP 3，對(duì)每個(gè)微粒經(jīng)歷過的最好的位置pbest與其適應(yīng)值進(jìn)行比較，如果優(yōu)于當(dāng)前值，則進(jìn)行替換，將之作為當(dāng)前最好位置;STEP 4，再將每個(gè)微粒所經(jīng)歷的全局最好位置gbest與其適應(yīng)值作比較，如果也是優(yōu)于當(dāng)前值，則對(duì)gbest的索引號(hào)重新設(shè)置;STEP 5，根據(jù)方程(3-1)和(3-2)對(duì)微粒的速度和位置進(jìn)行調(diào)整，檢查是否符合結(jié)束條件，是，則停止迭代，如果沒有，再返回到STEP 2.

4 本文提出的檢測(cè)算法

計(jì)算分塊圖像間的相似度，通過計(jì)算分塊圖像LBP直方圖間的距離得到，而用于表示直方圖距離的方法有歐幾里德距離、中心距法、閔可夫斯基距離法等，本文采用K-S(Kolmogorov-Smirmov)距離[23]，即：

其中 H1i和 H2i分別表示子圖像中各分塊的值，N 為的個(gè)數(shù)，Dks值越大則疵點(diǎn)的可能性越大，反之，可能性小.但是也不能排除疵點(diǎn)范圍大，相鄰兩個(gè)塊同屬疵點(diǎn)區(qū)域的中能，這樣Dks值反而小，而多尺度下的分塊可以減少這種可能，即在不同分辨率下逐級(jí)排除疵點(diǎn).

在多尺度、多分辨率分析方面，小波變換和Gabor變換，因這兩種方法的處理過程與人眼視覺過程近似，可用于檢測(cè)不同尺度的疵點(diǎn)，但它們的高復(fù)雜度、大計(jì)算量的特點(diǎn)，對(duì)于實(shí)時(shí)性要求較高的大規(guī)模生產(chǎn)下對(duì)疵點(diǎn)檢測(cè)就不太適用了，本文采用Goutsias和Heijmans[24]提出的擴(kuò)展金字塔變換，這種金字塔變換保留了傳統(tǒng)金字塔變換的多分辨率分析特性，對(duì)信號(hào)空間的要求可以是非線性空間，同時(shí)，對(duì)信號(hào)進(jìn)行分解的濾波器可以是非線性的.

4.1 算法模型

對(duì)輸入圖像建立坐標(biāo)系，水平向右為x軸正向，垂直向下為y軸正向，左上角頂點(diǎn)為坐標(biāo)原點(diǎn)，一幅M×N個(gè)像素的圖像，其左上角的像素定為第(1，1)個(gè)像素，右下角的像素定為第(M，N)個(gè)像素，而PSO中的微粒位置與像素點(diǎn)的坐標(biāo)相對(duì)應(yīng)，因而微粒維數(shù)D為2.對(duì)于第i個(gè)微粒在迭代時(shí)，其位置為＝(，)，其中k表示第k迭代，表示像素點(diǎn)與x軸的距離，表示像素點(diǎn)與y軸的距離.微粒的運(yùn)動(dòng)范圍

4.2 擴(kuò)展金字塔變換

假設(shè)Vj(j∈Ζ)表示j層的信號(hào)空間，定義分解算子和合成算子如下：

分解算子將信號(hào)從低層變換到高一層，向上逐層減少信號(hào)信息，合成算子對(duì)信號(hào)的處理則是由高到低的進(jìn)行映射，是分解算子的逆算子，金字塔變換在這兩個(gè)算子滿足下式的情況下即可實(shí)現(xiàn).

上式表示：對(duì)于任意信號(hào)xj+1∈Vj+1，先用合成算子對(duì)它向下一層合成，然后再用分解算子向上一層分解，得到的信號(hào)與xj+1恒等.但是先分解后合成的結(jié)果是原始信號(hào)的近似，即

4.3 算法描述

本文提出的基于PSO和LBP的疵點(diǎn)檢測(cè)算法描述如下：

Step1：將輸入圖像進(jìn)行擴(kuò)展金字塔變換，得到多個(gè)不同分辨率的子圖像;

Step2：對(duì)每個(gè)子圖像分塊并計(jì)算其ULBP值，獲取對(duì)應(yīng)的直方圖并進(jìn)行排序;

Step3：對(duì)每個(gè)子圖像，初始化PSO算法中的各參數(shù)，使用式(4-1)計(jì)算微粒的適應(yīng)度值進(jìn)而評(píng)價(jià)微粒，對(duì)微粒進(jìn)行更新、迭代.

Step4：如果迭代次數(shù)到達(dá)設(shè)定閾值或搜索到全局最優(yōu)位置則停止迭代，輸出結(jié)果.

在對(duì)微粒進(jìn)行初始化時(shí)，需要設(shè)置微粒的數(shù)量、維度、最小和最大的飛行速度及3個(gè)權(quán)重值，而對(duì)于各微粒的初始位置和速度則隨機(jī)生成，初始位置確定當(dāng)前微粒所在的分塊區(qū)域，由Dks計(jì)算微粒的適應(yīng)度值.

5 實(shí)驗(yàn)結(jié)果

本文提出的算法的測(cè)試平臺(tái)為Pentium4、2.66 GHz、512MB內(nèi)存.實(shí)驗(yàn)在MATLAB7.1上實(shí)現(xiàn)，進(jìn)行了9組實(shí)驗(yàn)，圖2、3為其中的兩組實(shí)驗(yàn)，每組實(shí)驗(yàn)圖像大小不一，采用先將原始圖像樣本劃分成16×16的子圖像塊后，再分別含有瑕疵的子圖像塊和不含瑕疵的圖像塊進(jìn)行測(cè)試.實(shí)驗(yàn)結(jié)果表明正常樣本的準(zhǔn)確率為99.56%，對(duì)有瑕疵的樣本檢測(cè)準(zhǔn)確率為96.37%.

如圖2、3中所示(a)原圖分別為(1140×1140)和(512×512)，圖2(a)的正常子圖像塊樣本有4916個(gè)，含瑕疵的樣本塊有160個(gè);圖3(a)的正常子圖像塊樣本有914個(gè)，含瑕疵的樣本塊有110個(gè).其中圖(b)～(e)是不同分辨率下的ULBP紋理特征，實(shí)驗(yàn)中采用三層分解，檢測(cè)結(jié)果在(a)中標(biāo)記，均是在LBP直方圖的基礎(chǔ)上分塊使用PSO進(jìn)行尋優(yōu)得到.在PSO尋優(yōu)過程中，對(duì)迭代進(jìn)行控制的加速因子均取值2，控制慣性權(quán)重的參數(shù)取3.圖4僅給出了其他的疵點(diǎn)圖及其LBP紋理圖，在檢測(cè)中對(duì)于空心糙如圖2(a)和蛛網(wǎng)糙如圖3(a)及缺經(jīng)等的檢測(cè)效果比較理想，但對(duì)于圖4(a)的油漬在一層分解的情況下檢測(cè)率略低，而加入其他不同尺度下的LBP及分塊處理后能檢測(cè)出來.織物瑕疵在圖像中的表現(xiàn)差別比較大，將圖像進(jìn)行分塊、分尺度處理后，算法對(duì)瑕疵區(qū)域的識(shí)別敏感性得到提高，對(duì)于本研究所述方法，實(shí)驗(yàn)中對(duì)不尺度情況下的瑕疵圖進(jìn)行對(duì)比，盡管有油漬織物直接在大尺度情況下檢測(cè)效果不太好，但進(jìn)行分塊和其他尺度結(jié)合下能檢測(cè)出來;實(shí)驗(yàn)也證實(shí)了，對(duì)于同一類瑕疵，進(jìn)行旋轉(zhuǎn)和改變光照條件情況下，未使用ULBP算法及傳統(tǒng)LBP算法時(shí)的檢測(cè)識(shí)別率明顯低于采用ULBP后的檢測(cè)效果.

圖2 檢測(cè)結(jié)果1Fig.2 Detection result 1

圖3 檢測(cè)結(jié)果2Fig.3 Detection result 2

圖4 其它疵點(diǎn)及ULBP紋理圖Fig.4 Other defects and theirs ULBP texture

6 結(jié)論

本研究以分塊分尺度下利用ULBP算法和PSO結(jié)合的形式對(duì)瑕疵圖像進(jìn)行處理，從實(shí)驗(yàn)結(jié)果看到該算法可適用于多種瑕疵檢測(cè)，且克服了瑕疵圖像在生產(chǎn)中不宜大量獲取情況下進(jìn)行檢測(cè)的問題.

針對(duì)帶有疵點(diǎn)的織物圖像在疵點(diǎn)區(qū)域其紋理、灰度有別于規(guī)律性的正常紡織結(jié)構(gòu)，提出了一種多尺度下基于PSO和ULBP的疵點(diǎn)檢測(cè)算法，對(duì)圖像進(jìn)行多尺度變換后，利用ULBP計(jì)算速率高且具有光照不變性和旋轉(zhuǎn)不變性的特點(diǎn)進(jìn)行紋理特征描述，在此基礎(chǔ)上采用PSO算法對(duì)分塊的LBP直方圖進(jìn)行疵點(diǎn)檢測(cè)，在保證速度的情況下，本文提出的算法能較好地定位瑕疵區(qū)域.