李逸岳，汪仁煌，朱 穎

（廣東工業(yè)大學(xué) 自動化學(xué)院，廣東 廣州 510090）

紋理常指圖像反復(fù)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(zhì)量的重要指標(biāo)。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(jié)構(gòu)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(nèi)密度分布的量測結(jié)果，其利用對圖像灰度的分布和關(guān)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(zhì)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(guān)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(yán)重程度進(jìn)行分類識別。本文的研究對象是羽毛片，在對圖像預(yù)處理的基礎(chǔ)上，提出了一種改進(jìn)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(jìn)行分析量化，最后設(shè)定閾值進(jìn)行分類識別的方法。實驗結(jié)果表明，本算法對紋理特征的提取有較高的效率和準(zhǔn)確率，也具有良好的泛化特性和自適應(yīng)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(dǎo)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(jié)果判定產(chǎn)生很大的影響。對此，先在Lab顏色空間[4]下進(jìn)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(jìn)一步可求得對應(yīng)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(jìn)行相應(yīng)的改變，使得在保持羽毛細(xì)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(zhǔn)確，修正前和修正后的羽毛圖片對比如圖1所示。進(jìn)行亮度修正后，再進(jìn)行彩色圖像分割，將羽毛葉部分提取出來，最后將彩色圖轉(zhuǎn)化成灰度圖。

圖1 亮度修正對比圖

2 改進(jìn)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(jìn)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?qū)嶋H灰度變化率最大的方向。因此考慮在極坐標(biāo)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(shè)定一個多向梯度算子，建立極坐標(biāo)，圖2是極坐標(biāo)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(nèi)每隔 15°遞增賦值，沿著脊線方向計算一次有限長范圍內(nèi)灰度差絕對值，進(jìn)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(biāo)變換成直角坐標(biāo)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(nèi)所有像素灰度差值的平均值D，作為評價波紋等級的指標(biāo)，即D=（ ΣΣG （i，j））/I，I是羽毛葉面積， 根據(jù)試驗結(jié)果設(shè)定一、二級的門限 D12，二、三級的門限 D23，三、四級的門限D(zhuǎn)34，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(jìn)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(chǔ)上針對紋理方向性特征進(jìn)行了改進(jìn)，有效地提取圖像紋理特征，并給出量化指標(biāo)進(jìn)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(fù)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(yù)處理對亮度進(jìn)行修正，程序設(shè)計中的處理對邊緣信息和其他干擾信息不敏感，目標(biāo)區(qū)域發(fā)生相對旋轉(zhuǎn)也不影響結(jié)果，具有較好的魯棒性。利用已分級的羽毛樣品進(jìn)行檢測實驗，不同等級之間的結(jié)果存在明顯的區(qū)分度，波紋紋理越嚴(yán)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(chǔ)上考慮，由于紋理圖像的不規(guī)則性和復(fù)雜性，若考慮多尺度的變化，方法還要進(jìn)一步改進(jìn)。

[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(xué)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(xué)學(xué)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(xué)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(xué)學(xué)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(zhǔn)方法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2009，49（5）：57-59.