侯 璇 李登峰

（武漢紡織大學(xué)數(shù)學(xué)與計算機(jī)學(xué)院 武漢 430200）

1 引言

我國是紡織品生產(chǎn)大國，因此提高紡織品的疵點(diǎn)檢測準(zhǔn)確率對提高紡織品企業(yè)核心競爭力有重要意義。在織物生產(chǎn)中，織物疵點(diǎn)常采用人工檢測的方式，但人工檢測容易受到人主觀情緒和檢測環(huán)境的影響，從而造成檢測結(jié)果不精確和檢測困難的問題［1］。隨著科技的發(fā)展，織物疵點(diǎn)檢測的方式逐漸由傳統(tǒng)的人工檢測轉(zhuǎn)向自動化檢測。自動化檢測的優(yōu)勢在于檢測速度快，檢測結(jié)果較為精準(zhǔn)，且檢測效果與人眼所注意的結(jié)果吻合度高。目前，用于織物疵點(diǎn)顯著性特征檢測的方法分為兩大類。一類是自下向上的基于數(shù)據(jù)驅(qū)動的檢測方法，一類是自上而下的任務(wù)驅(qū)動型檢測方法［2］?；跀?shù)據(jù)驅(qū)動的檢測方法是在沒有先驗(yàn)知識的情況下，受數(shù)據(jù)驅(qū)動將人的視覺指導(dǎo)到場景中的例如顏色、亮度、邊緣等，引起像素明顯差異的顯著區(qū)域，該類檢測方法檢測速度較快［3］；基于任務(wù)驅(qū)動的檢測方法是在監(jiān)控任務(wù)下，從任務(wù)的角度出發(fā)，例如知識，預(yù)期和當(dāng)前的目標(biāo)，對任務(wù)目標(biāo)有意識的進(jìn)行自上向下的處理以提取需要的感興趣的區(qū)域，該類方法檢測速度較慢［4］。

LLE算法在織物疵點(diǎn)顯著性特征檢測中得到了廣泛應(yīng)用，它將高維輸入數(shù)據(jù)點(diǎn)映射到全局低維坐標(biāo)系，在完整保留有用信息完整性的同時除去大量冗余信息［5］。經(jīng)典的LLE算法對織物疵點(diǎn)形狀較為敏感，較為容易檢測織物疵點(diǎn)，但光照因素會對實(shí)驗(yàn)結(jié)果造成較大影響。具有較好時頻局部化特性的Gabor小波對光照不敏感，可以濾除光照對實(shí)驗(yàn)結(jié)果帶來的影響，所以將Gabor小波應(yīng)用于對織物疵點(diǎn)圖像的濾波［6］。因此本文提出一種將Gabor濾波簇與監(jiān)督LLE算法相結(jié)合的算法，用5個尺度和8個方向組成的40個濾波簇對織物圖像進(jìn)行濾波，以除去圖像中噪聲和光照等因素的影響。然后用改進(jìn)的監(jiān)督LLE算法對Gabor濾波后的高維特征進(jìn)行降維，除去高維特征中冗余信息，同時保留完整的織物疵點(diǎn)特征，再用F-KNN方法對降維后的特征進(jìn)行分類以檢測織物疵點(diǎn)。最后，用本文提出的方法對規(guī)則和不規(guī)則的織物疵點(diǎn)分別進(jìn)行織物疵點(diǎn)檢測仿真實(shí)驗(yàn)，測試該算法對織物疵點(diǎn)的識別效果。

2 改進(jìn)的監(jiān)督LLE算法織物疵點(diǎn)檢測方法

2.1 改進(jìn)的監(jiān)督LLE算法流程

改進(jìn)的監(jiān)督LLE算法的流程如圖1所示。首先通過Gabor濾波簇來提取織物疵點(diǎn)的特征，其次采用改進(jìn)的監(jiān)督LLE算法對提取的高維特征進(jìn)行降維，然后采用F-KNN算法進(jìn)行分類，最后得到識別結(jié)果。

圖1 改進(jìn)的監(jiān)督LLE算法流程圖

2.2 特征提取

Gabor小波在時域和頻域都具有良好的分辨能力且對光照不敏感［7］，能在一定程度上減小光照因素對實(shí)驗(yàn)帶來的影響，因此本文將Gabor小波作為濾波器。又Gabor濾波簇以Gabor小波作為基礎(chǔ)，且能有效地提取圖像多尺度下的局部方向特征，所以這里采用Gabor濾波簇作為濾波器，選取4、4、8、8、16五種波長和八個方向尺度組成的40個濾波器對每幅圖片提取40個Gabor紋理特征。

2.3 數(shù)據(jù)降維

Gabor濾波簇提取的特征維數(shù)較高，存在大量冗余信息，影響織物疵點(diǎn)檢測的準(zhǔn)確率。為降低高維特征，消除冗余，保留織物疵點(diǎn)的有效識別特征，需對高維特征進(jìn)行降維處理。

2.3.1 LLE算法

LLE算法是由Roweis和Saul于2000年提出的，是一種非線性的在降維空間中能最大程度保留圖像局部信息的一種局部線性流行性學(xué)習(xí)算法［8］。該算法的主要思想是先將高維數(shù)據(jù)用局部線性的方式進(jìn)行表示，再將其在降維空間進(jìn)行降維處理，盡可能地保持其局部線性所表示的有效特征的完整來實(shí)現(xiàn)降維過程［9］。LLE算法因其求解便捷的特性，被廣泛應(yīng)用于各個領(lǐng)域。

2.3.2 監(jiān)督的LLE算法

LLE算法的降維效果雖然較好，但對樣本類別信息的考慮并不十分周全。而監(jiān)督的LLE算法不僅能夠利用數(shù)據(jù)集中少量的類別信息，更能體現(xiàn)數(shù)據(jù)集的本征維數(shù)。監(jiān)督LLE算法是在樣本點(diǎn)與其鄰域之間構(gòu)造局部線性平面，并在此基礎(chǔ)上建立優(yōu)化目標(biāo)函數(shù)［10］。

監(jiān)督的LLE算法與傳統(tǒng)LLE算法不同，它將所有樣本分為訓(xùn)練集和測試集。對訓(xùn)練樣本進(jìn)行降維的過程，由于考慮到樣本點(diǎn)間的類別信息［11］，因此第一步需先計算兩個樣本之間的最大歐氏距離。假定D1表示計算后的距離，D表示兩樣本之間的距離，max(D)表示兩類之間的最大歐氏距離，σ表示控制兩個距離之間的參數(shù)，則D1=D+σmax(D)。求出樣本間的距離后，確定各個數(shù)據(jù)點(diǎn)的k個近鄰點(diǎn)，通過最小化目標(biāo)函數(shù)可得到約束的權(quán)值矩陣w。根據(jù)權(quán)值矩陣w，通過最小化代價函數(shù)可計算出最優(yōu)嵌入Y=（y1，y2，…，yn）。其次將所有高維樣本點(diǎn)映射到低維空 間 ，其 損 失 函 數(shù) ε()Y 為。當(dāng)其取最小值時，可以求出 xi的輸出向量 yi，當(dāng)=I，則yij（j=1，2，3，…，k）是 yi的k個近鄰點(diǎn)［12］。

測試樣本集的降維方式與訓(xùn)練集存在較大差異。假定 X(d×N)為訓(xùn)練樣本，Y(d×N)為訓(xùn)練樣本降維后的樣本，d為訓(xùn)練樣本的維數(shù)，m為訓(xùn)練樣本降維后的維數(shù)，N為訓(xùn)練樣本的個數(shù)，X′為測試樣本的集合，則測試樣本集的算法通過以下三個步驟來實(shí)現(xiàn)：第一步：在測試樣本中選取一個特征xa，將 xa加入 X矩陣，則該矩陣變?yōu)閐x(N+1)矩陣。在訓(xùn)練樣本中尋找 xa的k個近鄰點(diǎn)，用d(xi,xj)=||xi-xj||計算兩個樣本之間的距離。第二步：計算 xa與其k個近鄰點(diǎn)間的權(quán)值系數(shù)：，其中 xaj（j=1，2，3，…，k）是 xa的k個鄰近點(diǎn)waj之間的權(quán)值。第三步：計算xa降維后的向量［13］。這樣，就實(shí)現(xiàn)降維過程。

2.3.3 改進(jìn)的監(jiān)督LLE方法

傳統(tǒng)的織物疵點(diǎn)檢測由于對樣本進(jìn)行特征提取的過程產(chǎn)生了大量高維特征向量，為避免對高維特征進(jìn)行統(tǒng)一的處理而忽略其中的有效信息。本文在監(jiān)督的LLE算法的基礎(chǔ)上提出一種非均勻的增量式LLE檢測方法，該方法在監(jiān)測數(shù)據(jù)流變化的同時，仍能在降維后完整保留高維特征的拓?fù)浣Y(jié)構(gòu)［14］。因此該降維方式充分利用了數(shù)據(jù)處理后的中間結(jié)果，不需重新對數(shù)據(jù)集進(jìn)行計算，即可對檢測集的樣本進(jìn)行識別［15］。該算法實(shí)現(xiàn)步驟如下：

1）為新樣本特征向量尋找近鄰點(diǎn)。用LLE算法的第一步找出xN+1的k個近鄰點(diǎn)（j=(1 , 2,…,k )）；

3）將與新樣本特征向量對應(yīng)的降維后的點(diǎn)求出。已知xN+1的近鄰點(diǎn)xjN+1，對應(yīng)的降維后的數(shù)據(jù)點(diǎn)為。 xN+1降維后的輸出向量為 yN+1，，這樣，改進(jìn)的非均勻增量式LLE算法實(shí)現(xiàn)對高維特征降維。

2.4 F-KNN分類器

KNN分類算法是一種將模糊理論與KNN算法相結(jié)合的快速分類算法［16］。該分類算法克服了KNN算法將最鄰近樣本之間的不同距離看成是等距離來進(jìn)行分類，從而在樣本分布不均勻時，影響分類精度的缺點(diǎn)［17］。F-KNN算法對該問題進(jìn)行了改善，為每一個類別設(shè)置相應(yīng)的隸屬度，然后根據(jù)隸屬度的大小來判定屬于哪一個類別，而不是單純的將某個樣本判定為是否為某一類。同時，F(xiàn)-KNN算法在時間上有所優(yōu)化，縮短了分類的時間。

本文將F-KNN算法引入作為分類器，該算法判定樣本屬于某類的依據(jù)是根據(jù)樣本x對每個類別 j的隸屬程度來判定的。當(dāng)所選取的樣本類別j隸屬度最高時，則將 j作為最終的分類類別。但在該判定過程中會出現(xiàn)待分類樣本對其中兩個類別的隸屬度相差不大的情況，這種情況下很難根據(jù)隸屬程度來判斷屬于哪一個類別。因此，F(xiàn)-KNN算法設(shè)置了兩極隸屬度，當(dāng)出現(xiàn)該種情況時，首先用一極隸屬度來判定是否與結(jié)果類別相符合，若符合，則判定屬于該類。如不符合，則用第二極隸屬度做相應(yīng)的判斷。這種隸屬度分極的方式使得分類結(jié)果更為準(zhǔn)確。

F-KNN分類器的具體操作步驟是先輸入待分類的數(shù)據(jù)樣本x，按照分類所選取的分類指標(biāo)將待分類樣本分成 j類，并計算出每個樣本與已知樣本之間的相似度sim(x ,xi)，取出相似度最大的前k個樣本，然后計算樣本x對每個類別 j的隸屬度，最后根據(jù)隸屬度的判定規(guī)則來做出判定。

設(shè)待分類數(shù)據(jù)x對類別 j的隸屬度函數(shù)為

其中simdam為屬于 j類的nj個鄰居與xi的相似度之和，即

simk為k個鄰居與xi的相似度之和，即

經(jīng)過以上步驟分類成功，但當(dāng)出現(xiàn)兩個類別的隸屬度相差不大，很難判定具體屬于哪個類的時候，需用兩極隸屬度的方法來進(jìn)行分類，其主要步驟如下：首先選擇μ()x≥0.4的類別 j，其個數(shù)記為nμmj：

若nμmj=0，則 x不屬于任何已知類型，此時生成一種新類，并將x標(biāo)記為該類的樣本；

若nμmj=1，則判定x屬于類別 j；

若 nμmj=2 ，且 μj1(x) ≥μj2(x)，判定x第一極屬于 j1類，第二極屬于 j2類。

該分類方法充分利用樣本信息，同時從近鄰的數(shù)量與質(zhì)量兩個方面考慮隸屬程度。因此，該方法在樣本分布不均勻時，仍能較好地體現(xiàn)樣本的特點(diǎn)，且分類正確率較高。將該分類方法用于織物疵點(diǎn)的檢測會使得織物疵點(diǎn)分類更準(zhǔn)確，檢測速度更快。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證提出的算法有效性，這里對不規(guī)則和規(guī)則織物疵點(diǎn)進(jìn)行檢測，其中規(guī)則織物疵點(diǎn)分別是破洞、粗緯和油漬三種類型。實(shí)驗(yàn)機(jī)器配置為Intel Core 2.6GHz CPU，RAM 8.0G，在Windows 10平臺上用Matlab2017進(jìn)行仿真實(shí)驗(yàn)。圖片大小為512pixel×512pixel。分別使用LLE算法、有監(jiān)督的LLE算法及本文提出的方法進(jìn)行實(shí)驗(yàn)。

3.1 檢測結(jié)果

針對不同類型的織物疵點(diǎn)，用上述三種算法進(jìn)行檢測，得到實(shí)驗(yàn)結(jié)果如下。

1）不規(guī)則織物疵點(diǎn)圖片

2）破洞圖片

3）粗緯圖片

4）油漬圖片

上面四組實(shí)驗(yàn)結(jié)果表明，本文提出改進(jìn)的顯著性特征識別方法對不規(guī)則織物疵點(diǎn)和破洞、粗緯以及油漬疵點(diǎn)都有較好的識別效果，顯著突出了織物疵點(diǎn)，且與人眼視覺所觀察到的基本一致。檢測結(jié)果不僅邊緣信息完整良好，且誤檢和漏檢情況較少。實(shí)驗(yàn)充分利用Gabor小波的優(yōu)勢，對待檢測圖片進(jìn)行Gabor濾波簇處理之后，使顯著性特征受噪聲、光照等因素影響的效果較小，且檢測結(jié)果與原檢測圖的分辨率相同。

3.2 識別精確度比較

表1 對不同類型織物疵點(diǎn)圖像進(jìn)行檢測的精確度

從上表可看出，改進(jìn)的監(jiān)督LLE算法相對于有監(jiān)督LLE算法和LLE算法，其檢測精度都有較大提高。

3.3 檢測時間比較

表2 三種算法對織物疵點(diǎn)檢測的時間比較

在實(shí)際應(yīng)用中，檢測速度是織物檢測的一項(xiàng)重要指標(biāo)。從上表可知，本文提出的算法運(yùn)行時間最短，檢測速度最快。其主要原因是該算法可以準(zhǔn)確地找到顯著的有用特征，有效降低特征維數(shù)，消除了其中大量的無用、冗余特征。

4 結(jié)語

本文用Gabor濾波簇對織物疵點(diǎn)特征進(jìn)行提取，再用改進(jìn)的監(jiān)督LLE算法進(jìn)行數(shù)據(jù)降維。LLE算法與監(jiān)督的LLE算法在織物疵點(diǎn)檢測的過程中都有較好的降維效果，但LLE算法對樣本分類信息考慮不完全，監(jiān)督的LLE算法檢測時間較長，效率較低。本文針對這個問題，提出了一種改進(jìn)的監(jiān)督LLE算法，其檢測準(zhǔn)確率高于其他算法，同時時間性能也更具有優(yōu)勢。