胡繼文， 何山

（長春工業(yè)大學(xué)機(jī)電工程學(xué)院，長春130012）

0 引 言

紋理是圖像非常重要的視覺特征之一，其中紋理分析在計算機(jī)視覺的相關(guān)領(lǐng)域里得到了廣泛應(yīng)用。文獻(xiàn)［1］將紋理分析應(yīng)用到陶瓷表面粗糙度的研究，運(yùn)用灰度共生矩陣分析表面紋理特征與粗糙度的內(nèi)在關(guān)系，探討各紋理參數(shù)的變化規(guī)律，從而定性評估陶瓷表面粗糙度。文獻(xiàn)［2］將紋理分析應(yīng)用到茶青在線分類，通過提取灰度共生矩陣的能量、相關(guān)性、對比度、逆差距4個紋理特征參數(shù)特征值，比較不同茶葉類型的紋理特征從而進(jìn)行分類。文獻(xiàn)［3］將紋理分析應(yīng)用到蘑菇的品質(zhì)分類，也是提取相關(guān)的紋理特征信息進(jìn)行研究的。由此可見紋理分析在很多領(lǐng)域已經(jīng)應(yīng)用得到嘗試和應(yīng)用。但基于紋理分析的鋁型材噴涂表面質(zhì)量的研究還是很少。目前鋁型材表面噴涂質(zhì)量都是通過人眼檢測，在質(zhì)檢過程中，主要看鋁型材噴涂表面質(zhì)量的顆粒大小和表面粗糙度。顆粒大，表面粗糙，被稱為大砂（也就是不合格品）；顆粒小，表面細(xì)化均勻，被稱為細(xì)砂（合格品）。在評判產(chǎn)品合格不合格，完全憑借工人的經(jīng)驗，沒有一個統(tǒng)一的標(biāo)準(zhǔn)。這對于新手而言或者人眼難以區(qū)分的產(chǎn)品時，檢測很容易出錯。針對這種情況，本文從計算機(jī)視覺的角度，利用紋理分析，提取相關(guān)的紋理特征信息，通過圖像的處理，實現(xiàn)產(chǎn)品的分類，從而達(dá)到質(zhì)量檢測的目的。

1 灰度共生矩陣

在圖像中某個方向上相隔一定距離s的一對像元灰度（i，j）所呈現(xiàn)出來的統(tǒng)計規(guī)律，在一定程度上可以反映出該圖像的紋理特性。我們可以用一個矩陣來描述這個統(tǒng)計規(guī)律，而這個矩陣就是所謂的灰度共生矩陣（GLCM）［4］。薄華等［5］從理論上證明了對比度、熵和相關(guān)性是3個不相關(guān)并且分辨最好的統(tǒng)計量。于是本文選用熵、對比度、相關(guān)性3個特征統(tǒng)計量。

熵：是圖像包含信息量的隨機(jī)性度量，熵值越大，圖像越復(fù)雜。其表達(dá)式為

對比度：反映紋理的清晰程度，其值越大，紋理的溝紋越深，視覺效果就越清晰。其表達(dá)式為

相關(guān)性：用來度量圖像的灰度級在行或列方向上的相似程度，值越大，相關(guān)性也越大。

實驗利用Matlab編程求得鋁型材表面噴涂圖像的特征值，這里我們?nèi)?4 個離散的方向：0°、45°、90°、135°，并將所得結(jié)果保留小數(shù)點后4位，如表1所示。

表1 灰度共生矩陣運(yùn)行的結(jié)果

由表 1 可知：1）大砂的熵值要比正常的要大很多，表明大砂圖像灰度分布復(fù)雜程度要比正常圖像高，熵值越大，其相應(yīng)的鋁型材表面紋理越粗糙；2）細(xì)砂圖像的對比度比大砂圖像大，表面正常圖像要比大砂圖像紋理清晰，其相對應(yīng)的鋁型材表面紋理視覺效果要好；3）細(xì)砂圖像的相關(guān)性要比大砂圖像大很多，表明細(xì)砂圖像的相關(guān)性要比大砂圖像要大，其相對應(yīng)的鋁型材表面更加均勻。

2 Gabor濾波

Gabor濾波是D.Gabor 1946年提出的。它克服了傳統(tǒng)傅里葉變換在頻域內(nèi)無任何時域分辨力的缺陷，體現(xiàn)了信號的聯(lián)合時頻分析特性［6］。Gabor函數(shù)可以在頻域內(nèi)以不同尺度和不同方向上提取一些相關(guān)的紋理特征信息，并且通過利用Gabor函數(shù)形成的二維Gabor濾波器，可在空間域和頻率域同時擁有最佳的局部化特征。此外，Gabor函數(shù)又與人眼的生物作用相仿［7］，可以捕捉到相當(dāng)多的紋理特征信息，因此在紋理識別上獲得較為廣泛的應(yīng)用。

二維Gabor函數(shù)可以用以下形式表示：

圖1 不同角度濾波圖像

確定θ值：選一個f固定值，使θ從0～2π之間每間隔π/6依次取一個數(shù)，第一個從0開始到11π/6結(jié)束共取12個角度（由于0和2π一致，故不必取到2π），并將結(jié)果從小到大依次排列，顯示結(jié)果如圖1所示。

由圖 1可發(fā)現(xiàn) π/3、2π/3、4π/3、5π/3 方向變換效果明顯，其他方向效果較差，也就是說只要取到π/3的整數(shù)倍效果均可，為了方便起見，這里取θ=π/3。

確定f值：目前已確定取θ為π/3，依次取f從1～18變化中每一個整數(shù)，并將變換結(jié)果從小到大依次排列，結(jié)果顯示如圖2所示。

由圖2可以看出當(dāng)f取16時，變換效果最為明顯，故取f=16。由上已經(jīng)確定f=16，θ=π/3，然后采用Matlab編程分別對大砂和細(xì)砂圖像進(jìn)行Gabor濾波，分別求得大砂圖像和正常圖像的均值、方差和能量，其濾波后結(jié)果如圖 3所示。1） 大砂圖像處理結(jié)果：mean=0 0039，con=1.2099，ent=0.0742。2）正常圖像處理結(jié)果：mean=0.0039，con=1.1893，ent=0.0204。

圖2 不同頻率濾波圖像

圖3 大砂和細(xì)砂濾波后圖像

與原圖像紋理特征相比，經(jīng)Gabor濾波后的圖像紋理較平坦。通過對比發(fā)現(xiàn)正常砂和大砂圖像經(jīng)Gabor濾波后在均值上沒區(qū)別。由于熵反映了圖像的能量，熵值越大，紋理信息越豐富，說明表面越粗糙。而大砂圖像的熵值明顯大于正常砂，說明大砂鋁型材噴涂表面紋理較粗糙。

3 實驗結(jié)果與分析

本文在Windows7環(huán)境下，利用惠普G4050平板式掃描儀最大分辨率4800×9600dpi隨機(jī)采集鋁型材噴涂表面一小塊區(qū)域，將其掃描成256×256的圖像，再把它分割成16幀64×64的子圖像。隨機(jī)選擇大砂和細(xì)砂的紋理子圖像作為樣本，每類的訓(xùn)練樣本為100個，測試樣本為50個。在實驗過程中，將提取的能量和方差作為鋁型材噴涂表面圖像紋理識別的特征值，然后將得到的特征值利用分類器進(jìn)行分類識別，最后將灰度共生矩陣、Gabor濾波和神經(jīng)網(wǎng)絡(luò)分類效果進(jìn)行比較，如表2所示。

表2 采用不同方法分類的準(zhǔn)確率 %

由上述實驗結(jié)果可知：1）基于紋理分析的方法可以對鋁型材表面噴涂質(zhì)量達(dá)到檢測效果，同時也驗證了紋理分析在細(xì)粒度圖像分類方法是可行的；2）針對鋁型材表面噴涂圖像的紋理特征提取，基于Gabor濾波的紋理分析方法更顯得直觀、效果更佳；3）細(xì)砂的識別率要遠(yuǎn)遠(yuǎn)高于大砂，但是當(dāng)細(xì)砂的表面粗糙度與大砂區(qū)別不是很明顯時，識別準(zhǔn)確率將會大大降低。

4 結(jié) 語

本文結(jié)合實際生產(chǎn)的需要，基于大砂和細(xì)砂在紋理特征上有所不同這個思路，采用兩種不同方法對鋁型材表面噴涂的紋理特征進(jìn)行分析，從而有效地驗證了采用紋理分析的方法可以對鋁型材表面噴涂質(zhì)量進(jìn)行分類，從而達(dá)到質(zhì)量檢測的目的。同時本文也存在一些缺陷，比如對鋁型材噴涂分類準(zhǔn)確率不夠高，如何提高鋁型材表面噴涂圖像的分類精度是下一步研究工作的重點。

［1］ 田欣利，王健全，張保國，等.基于紋理分析的Si3N4陶瓷表面粗糙度研究［J］.材料工程，2012（9）：7-13，18.

［2］ 湯哲，江才華，張立，等.基于紋理分析的茶青在線分類［J］.高技術(shù)通訊，2014，24（6）：651-656.

［3］ 陳紅，夏青，左婷，等.基于紋理分析的香菇品質(zhì)分選方法［J］.農(nóng)業(yè)工程學(xué)報，2014（3）：285-292.

［4］ SOH I K，COSTAS T.Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices ［J］.IEEE Trans on Geo-science and Remote Sensing，1999，37（2）：780-795.

［5］ 薄華，馬縛龍，焦李成.圖像紋理的灰度共生矩陣計算問題的分析［J］.電子學(xué)報，2006（1）：155-158.

［6］ 王華鋒，王玉婷，柴華，等.基于紋理特征的測井圖像分類算法的研究［J］.計算機(jī)研究與發(fā)展，2013，50（6）：1335-1348.

［7］ HUBEL D H，WIESEL T N.Receptive fields and functional architecture in two nonstriate visual areas 18 and 19 of the cat［J］.J.Neurophysiol，1965，28（2）：229-289.