(河北大學 電子信息工程學院,河北 保定 071002)

0 引言

在紡織品生產中，如果人工進行織物疵點檢測，需要精力高度集中，疵點檢測反復、枯燥，而人的精力有限，長時間工作難免會有紕漏或者工作效率會下降，導致檢驗過程中出現(xiàn)瓶頸。隨著工業(yè)技術的發(fā)展，將圖像處理技術運用到織物疵點檢測的設計中，實現(xiàn)自動疵點檢測為必然的發(fā)展趨勢[1]。在疵點檢測系統(tǒng)中，可靠高效的特征提取算法設計尤為重要，特征提取主要利用織物自身的結構特點及疵點特征等先驗知識，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)表的論文看主要對機織布疵點檢測較多，對于毛巾疵點檢測并未有研究報道。而毛巾織物相比較機織布要復雜的多。

本文針對毛巾織物的疵點檢測進行研究。毛巾織物的表面由一個個毛圈組成。毛巾織物疵點主要包括斷經、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。

毛巾織物柔軟蓬松，表面紋理易發(fā)生形變，這嚴重影響了毛巾織物的疵點檢測。通過研究分析發(fā)現(xiàn)，大部分毛巾織物的疵點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、斷緯、露傳、拉毛、稀路、毛圈不齊、毛邊、卷邊、齒邊和縫邊跳針等，其對應的毛圈輪廓特征也會跟著發(fā)生變化。本文根據(jù)疵點和毛圈輪廓特征的關系進行疵點檢測，提出了基于頻域分析的毛巾織物圖像疵點檢測算法。首先，把圖像從RGB顏色空間轉換到Lab顏色模型空間，由各個分量上的統(tǒng)計特性融合生成毛圈的輪廓特征圖；其次，對輪廓特征圖像進行傅里葉變換，用極坐標B(r,θ)表示，其中B是圖像的頻譜函數(shù)，r和θ是極坐標的半徑和角度，研究發(fā)現(xiàn)：有疵點的和無疵點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)計分布特征，論文分別沿著半徑方向和角度方向進行能量譜的特征提取。在半徑方向將頻域分割成低頻區(qū)、中頻區(qū)和高頻區(qū)三部分，計算每個區(qū)域的歸一化能量特征；在角度方向，對進行等間隔切分，計算各個扇形區(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檢測的主要特征，最后結合SVM進行疵點識別，有較高的疵點識別率。

1 毛巾織物疵點特征提取算法介紹

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

圖1 系統(tǒng)處理過程模塊圖

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，灰度峰點只存在中心的低頻區(qū)域，和傳統(tǒng)的布匹機織物不同，毛巾類織物沒有明顯的周期性紋理結構[13]，所以不能直接通過峰值檢測獲得紋理特征。

把圖像傅里葉變換的頻譜用極坐標B(r,θ)表示，其中B是圖像的頻譜函數(shù)，r和θ是極坐標的半徑和角度，對每一個θ從原點出發(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)兩者之間的關系由式(3)表示。對每一個r以原點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)的關系由式(4)表示。B(r)和B(θ)是一維函數(shù)，是對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峰值，另外在r=2時有一個最大值，在r=7時有一個較小的峰值，B(θ)曲線在原點、180°、90°和57°附近有較強的能量，其出現(xiàn)較大值對應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檢測就是在B(r)和B(θ)能量函數(shù)分布特點上進行研究。

1.2.4 UPPSP沖動行為量表(UPPSP impulsive behavior scale) 共59道題目，采用Likert 4點評分，包括消極緊迫感、缺乏計劃性、缺乏耐性、感覺尋求和積極緊迫感5個維度，得分越高沖動性越高。本研究采用其中文修訂版［12］，5個維度的克隆巴赫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)表示對每一個θ計算其從原點出發(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)表示對每一個r以原點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

毛巾織物疵點特征提取算法總的流程如圖3所示。

圖3 毛巾織物疵點特征提取算法流程

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

本文是基于Lab顏色空間的毛圈特征檢測方法。RGB轉為Lab之后，為了消除噪聲的干擾，分別對亮度L，色度a和色度b采用高斯濾波器進行平滑預處理，濾波器窗口的選擇對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Lab顏色空間的各個分量圖像；g為高斯濾波器。

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

Ik=|Ck-μk|(k=L,a,b)

(6)

在圖像統(tǒng)計特性中，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準差較大和熵較小的統(tǒng)計特點，在進行圖像融合時依照這個標準進行。

計算IL，Ia和Ib的標準差Sk和二維熵Hk，圖像熵的計算公式如(7)所示：

Hk=-∑ipk(i)logpk(i) (k=L,a,b;i=0～255)

(7)

分別計算標準差最大時對應分量k1和熵最小時對應的k2，按照式(8)進行特征融合。其中?1和?2是兩個分量的權值。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是兩個權值。

對I′進行閾值化處理，根據(jù)最大類間方差計算閾值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，毛圈輪廓圖是特征融合圖像通過閾值處理和圖像反相得到。圖4(a)是沒有疵點的原圖像，圖4(b)是特征融合圖像，圖4(c)是特征融合圖像的經過閾值處理和反相得到的毛圈輪廓圖像。圖5(a)有疵點的原圖像，圖5(b)是特征融合圖像，圖5(c)是特征融合圖像的經過閾值處理和反相得到的毛圈輪廓圖像。

圖4 無疵點的毛巾織物圖的特征圖分析

圖5 有疵點的毛巾織物圖的特征圖分析

1.3 疵點檢測特征提取

毛圈輪廓圖像經過傅里葉變換，其頻譜用極坐標B(r,θ)表示。首先，針對有疵點圖像和無疵點圖像，分析其各自的B(r)和B(θ)譜能量函數(shù)分布特點，分別對有疵點和無疵點圖像進行毛圈輪廓特征提取。圖4(d)和圖5(d)是對應圖像的毛圈特征圖像的頻譜圖，圖4(e)和圖5(e)是對應的B(r)分布，圖4(f)和圖5(f)是對應的B(θ)分布。圖4(e)和圖5(e)兩者都在原點處具有最大峰值，相較于圖5(e)，圖4(e)有一個明顯的次峰值。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，這是因為正常毛圈特征圖像的頻譜能量分布具有較強的方向性和周期性，而有疵點的毛圈特征這種性質不明顯，這可以作為毛巾織物圖像是否含有疵點的主要特征依據(jù)，本文就是利用疵點圖像和無疵點圖像B(r)和B(θ)具有不同的統(tǒng)計分布這個因素，實現(xiàn)疵點檢測的特征提取。

為了提取準確的能量特征，沿著半徑方向將頻域分割成低頻區(qū)、中頻區(qū)和高頻區(qū)三部分，如圖6(a)所示，提取每個區(qū)域的歸一化能量Eri，同時，為了提取圖像的主能量方向，對θ進行等間隔切分，如圖6(b)所示，分別計算各個扇形區(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組成疵點檢測特征向量。在疵點分類識別中由{EriEθi}組成輸入SVM分類器的特征向量。

圖6 頻譜的能量統(tǒng)計方式

2 仿真與實驗結果

論文通過Matlab仿真實現(xiàn)毛巾織物的疵點檢測。首先采集100幅毛巾疵點圖像和100幅無疵點的毛巾圖像，圖像大小為256×256，組成樣本庫。在研究中采用50個無疵點樣本和50個有疵點的樣本作為訓練數(shù)據(jù)，另外100個樣本作為實驗測試數(shù)據(jù)。按照圖1的系統(tǒng)處理過程進行毛巾織物疵點檢測。

疵點識別模塊實現(xiàn)有無疵點的自動分類，特征分類的算法有深度學習、SVM、神經網絡等[6,15],本文特征分類由matlab中的SVM工具箱設計實現(xiàn)。訓練時采用的徑向基函數(shù)為高斯核函數(shù)，其中參數(shù)gamma、懲罰參數(shù)C對分類性能有很大的影響，gamma值越小單個訓練樣本影響越大，值越大單個訓練樣本影響越小，C值越大，分類越嚴格，泛化能力降低，C值越小，意味著有更大的錯誤容忍度。本文結合經驗與實踐選取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個方向上的頻譜能量，stdθ是這4個方向頻譜能量的標準差。表1是其中9個無疵點樣本的特征向量。表2是其中9個有疵點樣本的特征向量。

表1 無疵點樣本特征向量示例

研究的仿真結果表明疵點樣本的正確識別率為98%左右，無疵點的樣本正確識別率為92%左右，平均的正確識別率為95%，達到系統(tǒng)的設計要求。

表2 有疵點樣本特征向量示例

3 結束語

本文研究了毛巾織物疵點檢測方法，分析了毛巾織物圖像的毛圈特點，通過對毛巾織物圖像的處理，研究其在頻域上的特點，提出了基于頻域分析的毛巾織物圖像疵點檢測算法，以毛巾織物圖像頻譜的能量統(tǒng)計特性作為疵點檢測的特征向量，采用了支持向量機作為疵點分類識別算法，通過Matlab仿真，該方法可以達到平均95%的織物疵點識別率，說明該算法可以實現(xiàn)毛巾織物疵點檢測，該頻域能量特征提取方法簡單有效。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°的前提下進行，需要根據(jù)圖像的特點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，如果對有圖案的毛巾圖像進行特征提取，需要首先進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檢測。