葛萬(wàn)凱，趙世海，范雨佳

(1.天津工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300387；2.天津工業(yè)大學(xué) 紡織科學(xué)與工程學(xué)院，天津 300387)

瑕疵檢測(cè)在織物生產(chǎn)過(guò)程中有非常重要的作用，傳統(tǒng)的檢測(cè)方法采用人工視覺(jué)驗(yàn)布，效率慢、精度低，已經(jīng)逐漸被淘汰。隨著機(jī)器視覺(jué)研究的不斷深入和落實(shí)，在多個(gè)工業(yè)檢測(cè)領(lǐng)域性能表現(xiàn)優(yōu)異，為織物瑕疵檢測(cè)帶來(lái)了新方向[1-2]。在瑕疵檢測(cè)過(guò)程中，由于圖像采集環(huán)境、拍照設(shè)備、光源等因素影響，所獲取的圖像往往噪聲多且存在對(duì)比度低、畫(huà)面不清晰、細(xì)節(jié)模糊等問(wèn)題，不利于后續(xù)瑕疵的檢測(cè)與分類(lèi)。因此，為了提高瑕疵圖像檢測(cè)精度和效率，有必要對(duì)相機(jī)采集到的原始圖像進(jìn)行增強(qiáng)處理，突出圖像的細(xì)節(jié)信息，過(guò)濾噪聲，提高圖像質(zhì)量[3-4]。

隨著機(jī)器視覺(jué)檢測(cè)技術(shù)的不斷進(jìn)步，國(guó)內(nèi)外涌現(xiàn)出大量?jī)?yōu)秀的圖像增強(qiáng)算法，黃成[5]為解決經(jīng)編布噪聲多的問(wèn)題，選擇了高斯平滑濾波去噪，去噪效果顯著，但是單一的濾波去噪無(wú)法有效改善圖像質(zhì)量且導(dǎo)致了部分瑕疵細(xì)節(jié)丟失。李文羽[6]考慮到織物瑕疵邊緣紋理屬于高頻成分，正常紋理屬于低頻成分，提出使用分?jǐn)?shù)階微分增強(qiáng)色織物瑕疵,突出了瑕疵邊緣信息，使紋理更清晰，同時(shí)也保存了圖像平滑區(qū)域信息，但是分?jǐn)?shù)階微分計(jì)算量過(guò)大，不利于實(shí)現(xiàn)瑕疵實(shí)時(shí)檢測(cè)，為了提高速度不可避免地降低了圖像分辨率，一定程度上削弱了細(xì)節(jié)特征。郝陽(yáng)[7]針對(duì)降噪處理會(huì)導(dǎo)致圖像涂抹，降低銳度，而全局銳化又會(huì)帶來(lái)噪點(diǎn)的問(wèn)題提出了一種“蒙版銳化法”，以全局銳化圖像作為覆蓋涂層，以Canny邊緣檢測(cè)算法提取的邊緣圖像作為蒙版，以中值濾波降噪處理后的圖像作為底層，所得銳化圖像紋理清晰，瑕疵特征明顯，但是為解決光照不均勻問(wèn)題只簡(jiǎn)單進(jìn)行了“光比平衡”，提升圖像整體亮度，而造成了圖像對(duì)比度缺失，甚至嚴(yán)重破壞了圖像灰度特征。為了提高織物瑕疵檢測(cè)準(zhǔn)確率，孟志杰等[8]對(duì)織物圖像預(yù)處理，采用了高斯濾波去除噪聲，直方圖均衡化提高圖像對(duì)比度，但是該方法過(guò)時(shí)且無(wú)法滿(mǎn)足現(xiàn)在瑕疵檢測(cè)的實(shí)際需求。丁小康等[9]為了獲得更清晰的有色異纖圖像，采用灰度線性變換方法將灰度值范圍[50,160]擴(kuò)展到[0,255]，實(shí)現(xiàn)了圖像對(duì)比度增強(qiáng)，但是該方案沒(méi)有去噪處理，在提升對(duì)比度同時(shí)也放大了噪聲，圖像質(zhì)量改善有限。

針對(duì)上述問(wèn)題，本文提出了一種融合對(duì)比度受限的自適應(yīng)直方圖均衡化(Contrast-limited adaptive histogram equalization，CLAHE)和非銳化掩模(Unsharp mask, UM)細(xì)節(jié)增強(qiáng)的圖像增強(qiáng)算法，以引導(dǎo)濾波為框架，引入CLAHE和非銳化掩模作為支撐，實(shí)現(xiàn)了織物瑕疵圖像有效增強(qiáng)，通過(guò)對(duì)比實(shí)驗(yàn)表明該方法效果明顯且具有一定普適性。

1 圖像增強(qiáng)算法

1.1 圖像加權(quán)灰度處理

本文研究白坯布表面瑕疵問(wèn)題，不存在由于色紗匹錯(cuò)誤導(dǎo)致圖案、花紋與正常織物不匹配的疵點(diǎn)[6]，因此可以將白坯布圖像灰度化后再進(jìn)行瑕疵檢測(cè)處理。

常用的圖像灰度化方法有平均值法、加權(quán)平均值法、最小值法等。其中，加權(quán)平均值法分別對(duì)采集RGB圖像三通道采取不同權(quán)重，人眼對(duì)綠色最敏感，紅色次之，藍(lán)色最低，所以對(duì)R、G、B三通道分配0.299、0.587、0.114的權(quán)重，灰度圖像效果最好。

1.2 對(duì)比度受限的自適應(yīng)直方圖均衡化

直方圖均衡化(Histogram equalization, HE)方法增強(qiáng)圖像對(duì)比度具有速率快、效果明顯等優(yōu)勢(shì)，直方圖均衡化可以實(shí)現(xiàn)圖像整體對(duì)比度提升，但是處理后圖像會(huì)出現(xiàn)“過(guò)亮或過(guò)暗”現(xiàn)象，同時(shí)也無(wú)法處理到局部細(xì)節(jié)，導(dǎo)致細(xì)節(jié)丟失，效果較差，考慮到這一點(diǎn)，基于分塊處理思想的自適應(yīng)直方圖均衡化(Adaptive histogram equalization, AHE)被提出，解決了局部高亮或過(guò)暗問(wèn)題，但是這2種方法在增強(qiáng)對(duì)比度的同時(shí)也放大了噪聲[10]。以AHE算法優(yōu)點(diǎn)為基礎(chǔ)，針對(duì)放大噪聲問(wèn)題，限制對(duì)比度概念被提出，CLAHE算法既有效改善了對(duì)比度，又抑制噪聲的產(chǎn)生。

CLAHE算法具體步驟如下：

①把圖像分割成n×n個(gè)大小相同且互不重疊的矩形子塊，隨著子塊數(shù)量增多，圖像的增強(qiáng)效果越顯著，但損失的細(xì)節(jié)也更多。

② 計(jì)算子塊直方圖。

③ 求解受限制值T。

(1)

式中：nx表示子塊x方向像素個(gè)數(shù)；ny表示y方向像素個(gè)數(shù)；K為灰度級(jí)數(shù)；c為受限系數(shù)。

④ 裁剪直方圖，像素點(diǎn)重新分配。被裁剪子塊直方圖h(x)受限制值T約束，超出部分像素?cái)?shù)平均分配到其他灰度級(jí)，像素點(diǎn)裁剪、重新分配如圖1所示。假設(shè)有S個(gè)像素超出受限制值T，令A(yù)為每個(gè)灰度級(jí)分配到的像素個(gè)數(shù)，則滿(mǎn)足：

圖1 像素點(diǎn)裁剪、重新分配

(2)

(3)

像素點(diǎn)重新分配后直方圖h′(x)滿(mǎn)足：

(4)

⑤子塊直方圖均衡化。

⑥雙線性差值重構(gòu)灰度值。僅通過(guò)映射函數(shù)變換后得到的像素值會(huì)導(dǎo)致圖像呈塊狀現(xiàn)象，采用雙線性差值對(duì)圖像每個(gè)點(diǎn)做差值處理可以有效避免塊狀產(chǎn)生[11]。

雙線性差值只針對(duì)4個(gè)塊中心點(diǎn)包圍的區(qū)域，如圖2所示陰影區(qū)域。將每個(gè)子塊的中心作為參考點(diǎn)，分別記為M11(x1,y2)，M12(x2,y2)，M21(x1,y1)，M22(x2,y1)，待計(jì)算點(diǎn)P的像素值由相鄰的4個(gè)參考點(diǎn)決定。

圖2 雙線性差值

x方向線性插值R1、R22個(gè)點(diǎn)的像素值f(R1)，f(R2)：

(5)

(6)

再對(duì)y方向進(jìn)行差值運(yùn)算，得f(p):

(7)

綜合式(1)(3)得雙線性差值結(jié)果，P點(diǎn)的像素值f(p)有：

(8)

1.3 非銳化掩模細(xì)節(jié)增強(qiáng)

非銳化掩模(Unsharp mask, UM)是一種易控、有效的細(xì)節(jié)增強(qiáng)算法。運(yùn)用了減法的思想求圖像中的高頻信息，其基本原理是原圖像減去低通濾波圖像獲取高頻部分，所得高頻部分乘一增益系數(shù)后再與原圖相加，該方法有效豐富了原始圖形的邊緣細(xì)節(jié)信息[12]。其數(shù)學(xué)表達(dá)式為：

g(x,y)=f(x,y)+k×{f(x,y)-Li[f(x,y)]}

(9)

式中：g(x,y)表示輸出的銳化增強(qiáng)圖像；f(x,y)表示原始輸入圖像；Li表示低通濾波器；k為增益系數(shù)。

濾波器的選擇直接影響銳化效果，均值濾波器和高斯濾波器是2種典型的線性低通濾波器，卷積核歷遍圖像，獲取圖像低頻信息[12]。本文選擇的均值濾波器在平滑去噪的同時(shí)也使得圖像邊緣、細(xì)節(jié)等高頻部分被削弱，原圖與濾波圖像相減獲得更多高頻信息，瑕疵細(xì)節(jié)等到增強(qiáng)，實(shí)現(xiàn)圖像銳化。

2 算法描述

引導(dǎo)濾波是一種保護(hù)圖像邊緣的濾波器，工作時(shí)需同時(shí)具備輸入圖像和引導(dǎo)圖像，并且二者應(yīng)具有一定的線性關(guān)系，以引導(dǎo)圖像為導(dǎo)向，對(duì)輸入圖像進(jìn)行濾波操作。為盡可能增強(qiáng)輸入圖像邊緣信息，需要選擇具有明顯邊緣特征的引導(dǎo)圖像。

采用引導(dǎo)濾波作為去噪算法，結(jié)合CLAHE算法和非銳化掩模細(xì)節(jié)增強(qiáng)算法的優(yōu)點(diǎn)，輸入圖像選擇CLAHE 算法增強(qiáng)后的圖像，引導(dǎo)圖像使用非銳化掩模處理后的圖像，進(jìn)行引導(dǎo)濾波，以達(dá)到織物瑕疵圖像增強(qiáng)的目的。具體操作步驟如下：

①輸入原始拍攝的織物瑕疵圖像P；

②將原始圖像P轉(zhuǎn)化為灰度圖像Ph；

③分別對(duì)灰度圖像Ph做CLAHE對(duì)比度增強(qiáng)和非銳化掩模細(xì)節(jié)增強(qiáng)，獲得圖像Pz、Pf；

④以Pz作為輸入圖像，Pf作為引導(dǎo)圖像，進(jìn)行引導(dǎo)濾波，得到增強(qiáng)后圖像。

圖3為本文圖像增強(qiáng)算法流程框圖。

圖3 本文算法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)圖像來(lái)自雪浪視覺(jué)檢測(cè)的織物瑕疵數(shù)據(jù)集，為了保證圖像質(zhì)量，對(duì)數(shù)據(jù)集圖像重新篩選，排除褶皺等干擾影響，統(tǒng)一裁剪出512像素×512像素并包含瑕疵的圖像，實(shí)驗(yàn)選取吊經(jīng)、跳花、扎洞、污漬、毛斑、破洞6類(lèi)具有典型代表性的瑕疵圖像。實(shí)驗(yàn)采用Matlab2020b軟件，在主機(jī)配置為Intel(R)Core(TM)i5-6300HQ CPU @ 2.30 GHz，8G內(nèi)存，64位操作系統(tǒng)的計(jì)算機(jī)上實(shí)現(xiàn)本文的算法。為驗(yàn)證本文算法對(duì)圖像增強(qiáng)效果的有效性，選取HE算法、CLAHE算法以及灰度變換算法作對(duì)比實(shí)驗(yàn)。

3.1 定性分析

圖4所示為各種圖像增強(qiáng)算法的實(shí)際效果對(duì)比，圖4(a)為織物瑕疵原始灰度圖像，瑕疵類(lèi)型依次是吊經(jīng)、跳花、扎洞和污漬，圖4(b)是經(jīng)HE算法增強(qiáng)處理后的圖像，圖4(c)是經(jīng)灰度線性變換處理后的圖像，圖4(d)是經(jīng)CLAHE算法增強(qiáng)處理后的圖像，圖4(e)是經(jīng)過(guò)本文算法增強(qiáng)處理后的圖像。其中，經(jīng)HE算法增強(qiáng)后的圖4(b)明顯噪點(diǎn)增多且出現(xiàn)過(guò)增強(qiáng)現(xiàn)象，4幅圖都表現(xiàn)為中間部分亮，四周過(guò)暗，圖像失真嚴(yán)重，不利于查找瑕疵位置；圖4(c)的灰度線性變換方法較HE算法有明顯的改善，過(guò)增強(qiáng)現(xiàn)象減弱，但仍然沒(méi)有徹底改變亮度不均問(wèn)題；圖4(d)的CLAHE算法很好的解決灰度不均問(wèn)題，有效提升了圖像對(duì)比度，但是圖像的細(xì)節(jié)部分變化不大，部分瑕疵特征消失；圖4(e)是本文融合算法處理后的圖像，從中可以看出，處理后的圖像亮度均勻，對(duì)比度提升明顯，同時(shí)又很好保持了瑕疵細(xì)節(jié)信息，瑕疵與背景圖像有明顯的分離，視覺(jué)效果較好。

圖4 各種算法處理結(jié)果

3.2 定量分析

從定性角度分析，本文算法處理后的圖像在對(duì)比度、細(xì)節(jié)信息等方面都優(yōu)于其他算法，織物的瑕疵信息表現(xiàn)更佳。但是單純的根據(jù)主觀評(píng)價(jià)無(wú)法證明算法的有效性，因此本文將通過(guò)3種圖像質(zhì)量客觀評(píng)價(jià)標(biāo)準(zhǔn)定量的驗(yàn)證本文算法的優(yōu)越性。對(duì)不同的圖像增強(qiáng)方法分別采用信息熵(information entropy)、峰值信噪比(PSNR)和平均梯度(MG)3種客觀指標(biāo)進(jìn)行定量評(píng)價(jià)。

信息熵是衡量圖像中包含信息量多少的量，信息量越大則熵值越大，對(duì)于圖像灰度級(jí)范圍在[0，L-1]，信息熵(IE)的表達(dá)式為：

(10)

式中：Pi為灰度級(jí)i出現(xiàn)的概率；L為灰度級(jí)數(shù)，取值為256。

峰值信噪比表示最大信號(hào)量與噪聲強(qiáng)度的比值，值越大增強(qiáng)處理后的圖像相比原圖像失真更小，由均方誤差定義。均方誤差(MSE)和峰值信噪比(PSNR)的公式分別為：

(11)

(12)

式中：f′(i,j)和f(i,j)分別表示增強(qiáng)處理后的圖像與原始灰度圖像；m、n為圖像的長(zhǎng)和寬，像素；K表示最大灰度級(jí)與最小灰度級(jí)的差值，取值255。

平均梯度(Mean Gradient, MG)是衡量圖像細(xì)節(jié)變化的重要指標(biāo)，反映了細(xì)節(jié)反差和紋理變換，細(xì)節(jié)越豐富層次越多，平均梯度值也就越高，公式如下：

(13)

式中：f(i,j)表示增強(qiáng)算法處理后的圖像。

不同圖像增強(qiáng)方法對(duì)上文所選圖像的客觀評(píng)價(jià)值如表1所示。可以看出，本文所提出的圖像增強(qiáng)算法相對(duì)于HE、灰度線性變換、CLAHE算法，MG、PSNR和信息熵值均最大，對(duì)織物瑕疵圖像的處理效果最好，本文算法在提高圖像對(duì)比度的同時(shí)最大的保留了瑕疵信息，算法優(yōu)勢(shì)明顯。

表1 不同圖像增強(qiáng)方法客觀評(píng)價(jià)對(duì)比

為廣泛驗(yàn)證本文算法的優(yōu)越性，對(duì)訓(xùn)練集中420幅包含跳花、吊經(jīng)、毛斑、破洞、污漬和扎洞6種瑕疵圖像進(jìn)行處理，其中每種瑕疵70張，統(tǒng)計(jì)客觀評(píng)價(jià)指標(biāo)，并對(duì)其求平均值。其客觀評(píng)價(jià)結(jié)果如表2所示。

表2 420幅瑕疵圖像MG、PSNR、信息熵平均值

從表2可以看出，本文提出的融合算法平均MG、PSNR和信息熵值均最大。經(jīng)分析，HE算法處理后的圖像效果不佳，極易導(dǎo)致圖像出現(xiàn)失真或過(guò)增強(qiáng)，灰度線性變換和CLAHE算法相對(duì)HE都有了明顯的改善，本文算法對(duì)不同類(lèi)型瑕疵圖像增強(qiáng)效果最好，具有廣泛適用性。

3.3 瑕疵識(shí)別與定位

圖像增強(qiáng)的目的是提高瑕疵識(shí)別定位的準(zhǔn)確率，使用無(wú)瑕疵圖像對(duì)單分類(lèi)支持向量機(jī)(SVDD)訓(xùn)練，將訓(xùn)練好的支持向量機(jī)用于瑕疵檢測(cè)，實(shí)驗(yàn)在臺(tái)灣大學(xué)林智仁教授開(kāi)發(fā)的LIBSVM-SVDD工具箱完成，參數(shù)設(shè)置為‘-s5-t2-c0.1-g0.17’，其中-s5表示支持向量機(jī)類(lèi)型為SVDD，-t2表示核函數(shù)為BRF類(lèi)型，-c0.1表示懲罰參數(shù)為0.1，-g0.17表示gamma值為0.17。將無(wú)瑕疵圖像分成32像素×32像素的子塊，提取子塊LBP特征為特征向量，送入SVDD進(jìn)行分類(lèi)器訓(xùn)練。將待檢測(cè)圖像分成同樣大小32像素×32像素子塊送入分類(lèi)器檢測(cè)，檢測(cè)到無(wú)瑕疵的子塊將其所有像素值統(tǒng)一設(shè)為0，即變?yōu)楹谏珘K，對(duì)有瑕疵的小塊不作處理，其中參與分類(lèi)器訓(xùn)練的無(wú)瑕疵圖像500張，子塊個(gè)數(shù)為128 000；檢測(cè)圖像420張，每類(lèi)瑕疵70張，子塊17 920個(gè)。圖5為各算法增強(qiáng)處理后的瑕疵識(shí)別圖。

圖5 各算法處理后瑕疵識(shí)別定位圖

由于HE算法以及灰度線性變換算法產(chǎn)生的過(guò)增強(qiáng)現(xiàn)象，使得圖像某些正常區(qū)域特征類(lèi)似瑕疵特征，因此有較多正常塊被誤識(shí)別為瑕疵塊。經(jīng)過(guò)CLAHE算法或融合算法處理過(guò)的圖像，其瑕疵識(shí)別準(zhǔn)確率提升明顯，其中融合算法最為精準(zhǔn)。

對(duì)上述訓(xùn)練集420幅圖像進(jìn)行瑕疵識(shí)別，結(jié)果如表3、4所示。由于過(guò)增強(qiáng)現(xiàn)象干擾，HE算法處理后瑕疵識(shí)別準(zhǔn)確率低于原圖，誤檢率高于原圖；CLAHE和本文融合算法處理后圖像瑕疵識(shí)別準(zhǔn)確率較灰度線性變換算法提升10%～14%，誤檢率下降5%～8%；其中融合算法處理后瑕疵識(shí)別準(zhǔn)確率最高，達(dá)到了98%以上，誤檢率最低，不超過(guò)2%。

表3 不同圖像增強(qiáng)算法處理后瑕疵識(shí)別準(zhǔn)確率 %

表4 不同圖像增強(qiáng)算法處理后瑕疵識(shí)別誤檢率 %

4 結(jié) 論

由于工業(yè)環(huán)境、相機(jī)參數(shù)、織物不平整等因素導(dǎo)致的現(xiàn)場(chǎng)采集的織物瑕疵圖像對(duì)比度低、細(xì)節(jié)模糊，瑕疵特征不清晰等問(wèn)題，本文提出了一種融合CLAHE對(duì)比度增強(qiáng)和非銳化掩模細(xì)節(jié)增強(qiáng)的圖像增強(qiáng)算法。分別對(duì)原始灰度圖像進(jìn)行CLAHE對(duì)比度增強(qiáng)作為輸入圖像，非銳化掩模細(xì)節(jié)增強(qiáng)作為引導(dǎo)圖像，進(jìn)行引導(dǎo)濾波，以達(dá)到圖像增強(qiáng)目的。將本文算法與HE算法、灰度線性變換算法、CLAHE算法進(jìn)行比較，并通過(guò)平均梯度、峰值信噪和信息熵3種客觀評(píng)價(jià)指標(biāo)對(duì)處理結(jié)果進(jìn)行分析對(duì)比，從客觀上肯定了本文算法在增強(qiáng)圖像對(duì)比度、保留瑕疵細(xì)節(jié)的優(yōu)越性。對(duì)各算法處理后圖像進(jìn)行瑕疵識(shí)別與定位，本文融合算法識(shí)別準(zhǔn)確率達(dá)98%以上，對(duì)比其他算法提升明顯。本文研究成果對(duì)后續(xù)瑕疵分類(lèi)帶來(lái)了方便，顯著提高了分類(lèi)結(jié)果的準(zhǔn)確性，同時(shí)也為同類(lèi)型圖像增強(qiáng)算法的研究提供了參考。