李逸岳，汪仁煌，朱 穎

（廣東工業(yè)大學 自動化學院，廣東 廣州 510090）

紋理常指圖像反復出現(xiàn)的局部模式和它們的排列規(guī)則，反映宏觀意義上灰度變化的一些規(guī)律。在現(xiàn)代工業(yè)生產(chǎn)和自動化檢測中，產(chǎn)品表面紋理特征往往是衡量產(chǎn)品質量的重要指標。不同紋理特征圖像有不同的紋理識別和描述方法，目前常用的紋理特征分析方法主要集中在基于空間域的結構模型和統(tǒng)計模型分析方法、基于頻率域的濾波器族、小波分析方法。在空域模型中，紋理被看作一種對區(qū)域內密度分布的量測結果，其利用對圖像灰度的分布和關系的統(tǒng)計規(guī)則來描述紋理，比較適合自然紋理的描述。HARALICK R M[1]等人提出了紋理特征的灰度共生矩陣表示，共生矩陣方法不受分析對象的限制，能夠反映圖像的灰度分布情況，但用共生矩陣提取的紋理性質缺少視覺相似性。頻域濾波器族是一種以圖像梯度信息表示圖像紋理特征的方法，傅里葉變換[2]適合描述周期函數(shù)，頻域特征比空域特征更具有抗噪性，但是對于方向性不敏感，僅包含了圖像水平和垂直方向的梯度，丟失了其他方向上的重要信息，同樣缺乏空間分布信息。小波分析[3]因其突出的局域特性和多尺度特性近年來在紋理分析中受到重視，但缺點是計算量大。

基于機器視覺的羽毛檢測是羽毛球生產(chǎn)自動化的關鍵環(huán)節(jié)，波紋紋理是羽毛缺陷類型的一種，主要表現(xiàn)為羽毛片上空間周期出現(xiàn)的明暗變化，在自動化檢測中需要根據(jù)羽毛波紋的嚴重程度進行分類識別。本文的研究對象是羽毛片，在對圖像預處理的基礎上，提出了一種改進多向梯度算法用于紋理特征提取，針對羽毛片圖像的波紋紋理特征進行分析量化，最后設定閾值進行分類識別的方法。實驗結果表明，本算法對紋理特征的提取有較高的效率和準確率，也具有良好的泛化特性和自適應性能。

1 圖像亮度修正

在羽毛系統(tǒng)的硬件裝置中，光源與羽毛表面呈45°角放置，使得照到羽毛表面的光比較均勻，但光射始終還是存在一定的不均勻度，導致羽毛表面亮度也不均勻。在波紋紋理羽毛的檢測中，羽毛表面亮度的非均勻性會對最終的結果判定產(chǎn)生很大的影響。對此，先在Lab顏色空間[4]下進行一定的亮度修正。

（1）將處理羽毛的圖像顏色從RGB空間變換到Lab空間，并求得此時羽毛的平均L值ave_L。

（2）按式（1）求取羽毛上每一像素點的 Y值：

得到每一點的Y值后，進一步可求得對應的修正Y值 Y′：

最后，求得每一像素點的修正 RGB 值 R′，G′，B′：

（3）使用修正后的RGB值求取每一像素點的修正Lab值，其中修正后的L值均為ave_L。

亮度修正的目的在于將羽毛上每一像素點的L值統(tǒng)一修正至該羽毛的平均L值ave_L。在修正的過程中，將值按以上步驟進行相應的改變，使得在保持羽毛細節(jié)信息不變的前提下，消除亮度非均勻性所帶來的影響，使得后續(xù)的紋理特征提取更加準確，修正前和修正后的羽毛圖片對比如圖1所示。進行亮度修正后，再進行彩色圖像分割，將羽毛葉部分提取出來，最后將彩色圖轉化成灰度圖。

圖1 亮度修正對比圖

2 改進梯度法的紋理特征識別

2.1 紋理特征提取

羽毛的紋理區(qū)域表現(xiàn)為圖像上灰度突變的地方，可以用灰度差分來提取，圖像中像素點（x，y）的梯度方向為灰度值f（x，y）在這點變化最大的方向，這個向量的模值GM[f（x，y）]為灰度值 f（x，y）的最大變化率：

對于數(shù)字圖像，傳統(tǒng)的梯度算法[5-6]常用水平垂直差分法和Roberts交叉差分算法來近似。

水平垂直差分算子表示：

Roberts算子表示：

對圖像施加梯度模算子，可以增加灰度變化的幅值，因此可以作為圖像的銳化算子，利用梯度算法進行運算的目的是使圖像銳化，凸顯圖像的紋理特征。然而羽毛波紋紋理在圖像中常常具有任意的方向性，傳統(tǒng)的梯度模算子是固定不變的，不能代表局部區(qū)域實際灰度變化率最大的方向。因此考慮在極坐標上用動態(tài)尋優(yōu)法來求取局部區(qū)域灰度差最大的一個方向角度θ，然后對單個像素點沿方向角度θ上求灰度差。根據(jù)此思路提出一個局部區(qū)域最大差分法，具體算法如下：

（1）首先設定一個多向梯度算子，建立極坐標，圖2是極坐標下的示意圖。在局部區(qū)域選取不同方向的梯度算子來運算比較，求出局部區(qū)域灰度變化率最大方向，也即是梯度方向。這里提出一個脊線的定義，即為灰度差徑向積分求和的向量，脊線方向與梯度方向正交。為了提高運算效率，脊線放置角度?在 0°～180°范圍內每隔 15°遞增賦值，沿著脊線方向計算一次有限長范圍內灰度差絕對值，進行數(shù)值比較，確定使灰度差絕對值最大的脊線方向。

圖2 多向梯度算子示意圖

（2）對脊線的方向角度分別取?=0°，15°，30°，45°…180°共13個方向運算比較。局部區(qū)域梯度差為：

其中θ=?-90°，由極坐標變換成直角坐標得：

比較迭代求出局部區(qū)域梯度差最大時的θ角，作為算子梯度方向。

2.2 建立分級模型

實際生產(chǎn)中將波紋等級分為一級、二級、三級、四級，計算灰度梯度矩陣圖中羽毛葉范圍內所有像素灰度差值的平均值D，作為評價波紋等級的指標，即D=（ ΣΣG （i，j））/I，I是羽毛葉面積， 根據(jù)試驗結果設定一、二級的門限 D12，二、三級的門限 D23，三、四級的門限D34，對羽毛葉波紋缺陷分級歸類。

圖3 不同方法處理效果圖

2.3 算法流程圖

在VC6.0平臺上進行編程，實現(xiàn)上述算法，具體檢測流程圖如圖4所示。

圖4 算法流程圖

本文提出的方法在典型梯度算法基礎上針對紋理方向性特征進行了改進，有效地提取圖像紋理特征，并給出量化指標進行綜合評價。全部的運算過程都是加減運算，避免了乘法運算，計算復雜度小，滿足機器視覺檢測系統(tǒng)的實時性需要。另外，圖像預處理對亮度進行修正，程序設計中的處理對邊緣信息和其他干擾信息不敏感，目標區(qū)域發(fā)生相對旋轉也不影響結果，具有較好的魯棒性。利用已分級的羽毛樣品進行檢測實驗，不同等級之間的結果存在明顯的區(qū)分度，波紋紋理越嚴重，值越大，實驗證明了本算法的有效性。本方法只是在單一尺度的基礎上考慮，由于紋理圖像的不規(guī)則性和復雜性，若考慮多尺度的變化，方法還要進一步改進。

[1]HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural features for image classification[J].IEEE Transactions on System， Man， and Cybernetie， 1973，3（6）： 610-631.

[2]熊四昌，陳國波.工件表面紋理間距提取的一種新方法[J].光學儀器，2007（6）：14-17.

[3]劉洪江，汪仁煌.基于羽毛圖像紋理分割的毛桿提取方法[J].廣東工業(yè)大學學報，2010，27（4）：42-45.

[4]林開顏，吳軍輝.彩色圖像分割方法綜述[J].中國圖像圖形學報，2005，10（1）：1-10.

[5]李偉，康晴晴，張俊雄，等.基于機器視覺的蘋果表面紋理檢測方法[J].吉林大學學報，2008，38（5）：1110-1113.

[6]溫江濤，王伯雄.基于局部灰度梯度特征的圖像快速配準方法[J].清華大學學報（自然科學版），2009，49（5）：57-59.