基于頻域分析的毛巾織物疵點(diǎn)檢測(cè)

(河北大學(xué) 電子信息工程學(xué)院,河北 保定 071002)

0 引言

在紡織品生產(chǎn)中，如果人工進(jìn)行織物疵點(diǎn)檢測(cè)，需要精力高度集中，疵點(diǎn)檢測(cè)反復(fù)、枯燥，而人的精力有限，長(zhǎng)時(shí)間工作難免會(huì)有紕漏或者工作效率會(huì)下降，導(dǎo)致檢驗(yàn)過(guò)程中出現(xiàn)瓶頸。隨著工業(yè)技術(shù)的發(fā)展，將圖像處理技術(shù)運(yùn)用到織物疵點(diǎn)檢測(cè)的設(shè)計(jì)中，實(shí)現(xiàn)自動(dòng)疵點(diǎn)檢測(cè)為必然的發(fā)展趨勢(shì)[1]。在疵點(diǎn)檢測(cè)系統(tǒng)中，可靠高效的特征提取算法設(shè)計(jì)尤為重要，特征提取主要利用織物自身的結(jié)構(gòu)特點(diǎn)及疵點(diǎn)特征等先驗(yàn)知識(shí)，提取圖像的特征，主要算法有空域特征提取和變換域特征提取兩大類方法[1-2]，空域有基于灰度共生矩陣、建模和統(tǒng)計(jì)的方法[3-6],頻域有傅里葉變換、小波變換和Gabor濾波等方法[7-12],從目前發(fā)表的論文看主要對(duì)機(jī)織布疵點(diǎn)檢測(cè)較多，對(duì)于毛巾疵點(diǎn)檢測(cè)并未有研究報(bào)道。而毛巾織物相比較機(jī)織布要復(fù)雜的多。

本文針對(duì)毛巾織物的疵點(diǎn)檢測(cè)進(jìn)行研究。毛巾織物的表面由一個(gè)個(gè)毛圈組成。毛巾織物疵點(diǎn)主要包括斷經(jīng)、斷緯、露傳、拉毛、稀路、毛圈不齊、毛邊、卷邊、齒邊和縫邊跳針等疵點(diǎn)。

毛巾織物柔軟蓬松，表面紋理易發(fā)生形變，這嚴(yán)重影響了毛巾織物的疵點(diǎn)檢測(cè)。通過(guò)研究分析發(fā)現(xiàn)，大部分毛巾織物的疵點(diǎn)主要集中在毛巾表面的毛圈特征上。如果出現(xiàn)這些情況：斷經(jīng)、斷緯、露傳、拉毛、稀路、毛圈不齊、毛邊、卷邊、齒邊和縫邊跳針等，其對(duì)應(yīng)的毛圈輪廓特征也會(huì)跟著發(fā)生變化。本文根據(jù)疵點(diǎn)和毛圈輪廓特征的關(guān)系進(jìn)行疵點(diǎn)檢測(cè)，提出了基于頻域分析的毛巾織物圖像疵點(diǎn)檢測(cè)算法。首先，把圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色模型空間，由各個(gè)分量上的統(tǒng)計(jì)特性融合生成毛圈的輪廓特征圖；其次，對(duì)輪廓特征圖像進(jìn)行傅里葉變換，用極坐標(biāo)B(r,θ)表示，其中B是圖像的頻譜函數(shù)，r和θ是極坐標(biāo)的半徑和角度，研究發(fā)現(xiàn)：有疵點(diǎn)的和無(wú)疵點(diǎn)的毛巾圖像的能量譜在不同半徑范圍和不同角度上有不同的統(tǒng)計(jì)分布特征，論文分別沿著半徑方向和角度方向進(jìn)行能量譜的特征提取。在半徑方向?qū)㈩l域分割成低頻區(qū)、中頻區(qū)和高頻區(qū)三部分，計(jì)算每個(gè)區(qū)域的歸一化能量特征；在角度方向，對(duì)進(jìn)行等間隔切分，計(jì)算各個(gè)扇形區(qū)域的歸一化能量特征。這些歸一化能量組成了毛巾圖像疵點(diǎn)檢測(cè)的主要特征，最后結(jié)合SVM進(jìn)行疵點(diǎn)識(shí)別，有較高的疵點(diǎn)識(shí)別率。

1 毛巾織物疵點(diǎn)特征提取算法介紹

系統(tǒng)處理模塊如圖1所示，主要由RGB顏色空間到Lab顏色空間的轉(zhuǎn)換、毛圈輪廓征檢測(cè)、FFT變換、頻譜特征提取和SVM疵點(diǎn)判斷共5部分組成。

圖1 系統(tǒng)處理過(guò)程模塊圖

1.1 傅里葉變換

在二維離散的情況下，傅立葉變換對(duì)表示為:

(1)

式中，u=0，1，2，…，M-1；v=0，1，2，…，N-1。

(2)

式中，x=0，1，2，…，M-1；y=0，1，2，…，N-1。

傅里葉變換后的F(μ,v)是復(fù)數(shù)，它的頻譜為|F(μ,v)|，由于毛圈灰度變化快，在頻域主要分布在高頻部分，基本圖像信息分布在低頻，毛巾織物圖像的頻譜分布如圖2所示。其中圖2(b)是毛巾織物的頻譜圖，可以看出，頻譜中心的灰度值為最大，代表圖像的灰度均值，灰度峰點(diǎn)只存在中心的低頻區(qū)域，和傳統(tǒng)的布匹機(jī)織物不同，毛巾類織物沒(méi)有明顯的周期性紋理結(jié)構(gòu)[13]，所以不能直接通過(guò)峰值檢測(cè)獲得紋理特征。

把圖像傅里葉變換的頻譜用極坐標(biāo)B(r,θ)表示，其中B是圖像的頻譜函數(shù)，r和θ是極坐標(biāo)的半徑和角度，對(duì)每一個(gè)θ從原點(diǎn)出發(fā)沿半徑方向的頻譜能量分布Bθ(r)和全局的方向頻譜能量分布函數(shù)B(r)兩者之間的關(guān)系由式(3)表示。對(duì)每一個(gè)r以原點(diǎn)為中心的圓的頻譜能量分布Br(θ)和全局的半徑頻譜能量分布函數(shù)B(θ)的關(guān)系由式(4)表示。B(r)和B(θ)是一維函數(shù)，是對(duì)圖像的紋理譜能量的描述。圖2(c)和圖2(d)分別是圖2(a)的B(r)和B(θ)分布函數(shù)，觀察B(r)曲線，除了直流分量在起始位置有一個(gè)峰值，另外在r=2時(shí)有一個(gè)最大值，在r=7時(shí)有一個(gè)較小的峰值，B(θ)曲線在原點(diǎn)、180°、90°和57°附近有較強(qiáng)的能量，其出現(xiàn)較大值對(duì)應(yīng)θ或r就是圖像在空間上的某種紋理周期，基于頻域分析的毛巾織物疵點(diǎn)檢測(cè)就是在B(r)和B(θ)能量函數(shù)分布特點(diǎn)上進(jìn)行研究。

1.2.4 UPPSP沖動(dòng)行為量表(UPPSP impulsive behavior scale) 共59道題目，采用Likert 4點(diǎn)評(píng)分，包括消極緊迫感、缺乏計(jì)劃性、缺乏耐性、感覺(jué)尋求和積極緊迫感5個(gè)維度，得分越高沖動(dòng)性越高。本研究采用其中文修訂版［12］，5個(gè)維度的克隆巴赫α系數(shù)分別為 0.84、0.85、0.76、0.83、0.88，總量表 α系數(shù)為0.89。

(3)

式中,Bθ(r)表示對(duì)每一個(gè)θ計(jì)算其從原點(diǎn)出發(fā)沿半徑方向的頻譜能量分布函數(shù)；B(r)為全局的方向頻譜能量分布函數(shù)。

(4)

式中,Br(θ)表示對(duì)每一個(gè)r以原點(diǎn)為中心的圓的頻譜能量分布函數(shù)；B(θ)表示全局的半徑頻譜能量分布函數(shù)；R表示原點(diǎn)在中心的圓的最大半徑。

圖2 圖像的頻譜分析

1.2 毛圈輪廓特征檢測(cè)

毛巾織物疵點(diǎn)特征提取算法總的流程如圖3所示。

圖3 毛巾織物疵點(diǎn)特征提取算法流程

根據(jù)毛巾織物的疵點(diǎn)特征主要集中在毛圈特征上，可以通過(guò)提取毛巾織物圖像中毛圈輪廓信息，為毛巾織物疵點(diǎn)檢測(cè)提供有效信息特征。

本文是基于Lab顏色空間的毛圈特征檢測(cè)方法。RGB轉(zhuǎn)為L(zhǎng)ab之后，為了消除噪聲的干擾，分別對(duì)亮度L，色度a和色度b采用高斯濾波器進(jìn)行平滑預(yù)處理，濾波器窗口的選擇對(duì)圖像的特征提取有一定的影響，本文采用5×5的高斯窗口，如式(5)所示：

Ck=Mk?g(k=L,a,b)

(5)

式中,Ck(k=L,a,b)為濾波后的各分量；Mk(k=L,a,b)為L(zhǎng)ab顏色空間的各個(gè)分量圖像；g為高斯濾波器。

計(jì)算各個(gè)Lab分量的對(duì)比度圖像Ik(i,j)(k=L,a,b)，由公式(6)計(jì)算得到:

Ik=|Ck-μk|(k=L,a,b)

(6)

在圖像統(tǒng)計(jì)特性中，熵反映了圖像包含的信息量，要提取的毛圈輪廓的灰度較單一，攜帶的信息熵應(yīng)該最小，而輪廓明顯的分量的灰度變化較劇烈，根據(jù)分析可以得到：毛圈輪廓信息具有標(biāo)準(zhǔn)差較大和熵較小的統(tǒng)計(jì)特點(diǎn)，在進(jìn)行圖像融合時(shí)依照這個(gè)標(biāo)準(zhǔn)進(jìn)行。

計(jì)算IL，Ia和Ib的標(biāo)準(zhǔn)差Sk和二維熵Hk，圖像熵的計(jì)算公式如(7)所示：

Hk=-∑ipk(i)logpk(i) (k=L,a,b;i=0～255)

(7)

分別計(jì)算標(biāo)準(zhǔn)差最大時(shí)對(duì)應(yīng)分量k1和熵最小時(shí)對(duì)應(yīng)的k2，按照式(8)進(jìn)行特征融合。其中?1和?2是兩個(gè)分量的權(quán)值。本文中?1=0.6,?2=0.4。

I′=?1Ik1+?2Ik2

(8)

式中,I′表示最終的特征融合圖像；?1和?2是兩個(gè)權(quán)值。

對(duì)I′進(jìn)行閾值化處理，根據(jù)最大類間方差計(jì)算閾值T，大于T的灰度保留，小于T的輸出為0，由于毛圈輪廓屬于暗目標(biāo)，毛圈輪廓圖是特征融合圖像通過(guò)閾值處理和圖像反相得到。圖4(a)是沒(méi)有疵點(diǎn)的原圖像，圖4(b)是特征融合圖像，圖4(c)是特征融合圖像的經(jīng)過(guò)閾值處理和反相得到的毛圈輪廓圖像。圖5(a)有疵點(diǎn)的原圖像，圖5(b)是特征融合圖像，圖5(c)是特征融合圖像的經(jīng)過(guò)閾值處理和反相得到的毛圈輪廓圖像。

圖4 無(wú)疵點(diǎn)的毛巾織物圖的特征圖分析

圖5 有疵點(diǎn)的毛巾織物圖的特征圖分析

1.3 疵點(diǎn)檢測(cè)特征提取

毛圈輪廓圖像經(jīng)過(guò)傅里葉變換，其頻譜用極坐標(biāo)B(r,θ)表示。首先，針對(duì)有疵點(diǎn)圖像和無(wú)疵點(diǎn)圖像，分析其各自的B(r)和B(θ)譜能量函數(shù)分布特點(diǎn)，分別對(duì)有疵點(diǎn)和無(wú)疵點(diǎn)圖像進(jìn)行毛圈輪廓特征提取。圖4(d)和圖5(d)是對(duì)應(yīng)圖像的毛圈特征圖像的頻譜圖，圖4(e)和圖5(e)是對(duì)應(yīng)的B(r)分布，圖4(f)和圖5(f)是對(duì)應(yīng)的B(θ)分布。圖4(e)和圖5(e)兩者都在原點(diǎn)處具有最大峰值，相較于圖5(e)，圖4(e)有一個(gè)明顯的次峰值。從圖4(f)可以看到正常毛圈輪廓的譜能量在θ等于70度左右為最大，圖5(f)的最大值在180°附近，角度方向上的能量分布明顯不同，這是因?yàn)檎Ｃμ卣鲌D像的頻譜能量分布具有較強(qiáng)的方向性和周期性，而有疵點(diǎn)的毛圈特征這種性質(zhì)不明顯，這可以作為毛巾織物圖像是否含有疵點(diǎn)的主要特征依據(jù)，本文就是利用疵點(diǎn)圖像和無(wú)疵點(diǎn)圖像B(r)和B(θ)具有不同的統(tǒng)計(jì)分布這個(gè)因素，實(shí)現(xiàn)疵點(diǎn)檢測(cè)的特征提取。

為了提取準(zhǔn)確的能量特征，沿著半徑方向?qū)㈩l域分割成低頻區(qū)、中頻區(qū)和高頻區(qū)三部分，如圖6(a)所示，提取每個(gè)區(qū)域的歸一化能量Eri，同時(shí)，為了提取圖像的主能量方向，對(duì)θ進(jìn)行等間隔切分，如圖6(b)所示，分別計(jì)算各個(gè)扇形區(qū)域的歸一化能量，論文中切分的角度為45度，提取的這些能量Eθi組成疵點(diǎn)檢測(cè)特征向量。在疵點(diǎn)分類識(shí)別中由{EriEθi}組成輸入SVM分類器的特征向量。

圖6 頻譜的能量統(tǒng)計(jì)方式

2 仿真與實(shí)驗(yàn)結(jié)果

論文通過(guò)Matlab仿真實(shí)現(xiàn)毛巾織物的疵點(diǎn)檢測(cè)。首先采集100幅毛巾疵點(diǎn)圖像和100幅無(wú)疵點(diǎn)的毛巾圖像，圖像大小為256×256，組成樣本庫(kù)。在研究中采用50個(gè)無(wú)疵點(diǎn)樣本和50個(gè)有疵點(diǎn)的樣本作為訓(xùn)練數(shù)據(jù)，另外100個(gè)樣本作為實(shí)驗(yàn)測(cè)試數(shù)據(jù)。按照?qǐng)D1的系統(tǒng)處理過(guò)程進(jìn)行毛巾織物疵點(diǎn)檢測(cè)。

疵點(diǎn)識(shí)別模塊實(shí)現(xiàn)有無(wú)疵點(diǎn)的自動(dòng)分類，特征分類的算法有深度學(xué)習(xí)、SVM、神經(jīng)網(wǎng)絡(luò)等[6,15],本文特征分類由matlab中的SVM工具箱設(shè)計(jì)實(shí)現(xiàn)。訓(xùn)練時(shí)采用的徑向基函數(shù)為高斯核函數(shù)，其中參數(shù)gamma、懲罰參數(shù)C對(duì)分類性能有很大的影響，gamma值越小單個(gè)訓(xùn)練樣本影響越大，值越大單個(gè)訓(xùn)練樣本影響越小，C值越大，分類越嚴(yán)格，泛化能力降低，C值越小，意味著有更大的錯(cuò)誤容忍度。本文結(jié)合經(jīng)驗(yàn)與實(shí)踐選取gamma=10，懲罰參數(shù)C= 5。

輸入SVM的特征向量主要由的[Er1Er2Er3Eθ1Eθ2Eθ3Eθ4stdθ]組成，Er1,Er2,Er3分別是頻譜的低頻能量、中頻能量和高頻能量，Eθ1,Eθ2,Eθ3,Eθ4為不同4個(gè)方向上的頻譜能量，stdθ是這4個(gè)方向頻譜能量的標(biāo)準(zhǔn)差。表1是其中9個(gè)無(wú)疵點(diǎn)樣本的特征向量。表2是其中9個(gè)有疵點(diǎn)樣本的特征向量。

表1 無(wú)疵點(diǎn)樣本特征向量示例

研究的仿真結(jié)果表明疵點(diǎn)樣本的正確識(shí)別率為98%左右，無(wú)疵點(diǎn)的樣本正確識(shí)別率為92%左右，平均的正確識(shí)別率為95%，達(dá)到系統(tǒng)的設(shè)計(jì)要求。

表2 有疵點(diǎn)樣本特征向量示例

3 結(jié)束語(yǔ)

本文研究了毛巾織物疵點(diǎn)檢測(cè)方法，分析了毛巾織物圖像的毛圈特點(diǎn)，通過(guò)對(duì)毛巾織物圖像的處理，研究其在頻域上的特點(diǎn)，提出了基于頻域分析的毛巾織物圖像疵點(diǎn)檢測(cè)算法，以毛巾織物圖像頻譜的能量統(tǒng)計(jì)特性作為疵點(diǎn)檢測(cè)的特征向量，采用了支持向量機(jī)作為疵點(diǎn)分類識(shí)別算法，通過(guò)Matlab仿真，該方法可以達(dá)到平均95%的織物疵點(diǎn)識(shí)別率，說(shuō)明該算法可以實(shí)現(xiàn)毛巾織物疵點(diǎn)檢測(cè)，該頻域能量特征提取方法簡(jiǎn)單有效。下一步的工作：1)毛圈類的圖像在頻域有較明顯的能量分布方向，本文的研究只是在頻域方向切分角度為45°的前提下進(jìn)行，需要根據(jù)圖像的特點(diǎn)研究頻域方向切分角度原則；2)本文主要研究純色的毛巾圖像，如果對(duì)有圖案的毛巾圖像進(jìn)行特征提取，需要首先進(jìn)行顏色分割和拼接處理，下一步工作需要研究不同的圖案的毛巾織物圖像的疵點(diǎn)檢測(cè)。