李丑旦,祝雙武,馬阿輝

(西安工程大學 紡織科學與工程學院,陜西 西安 710048)

在織物面料的生產過程中,織物疵點的檢測是其質量控制與檢測的一項重要環(huán)節(jié)[1]。傳統(tǒng)的織物疵點檢測是由工人通過視覺檢查進行的,存在勞動力成本高的問題[2],同時人工檢測受工人工作時長、工作環(huán)境、熟練程度等多種主觀因素影響,檢測結果的可靠性存在爭議[3]。20世紀70年代以來,隨著數字圖像技術的不斷發(fā)展,機器視覺在工業(yè)上廣泛應用,為織物疵點的自動檢測提供了一種新的方法和研究方向[4-5],許多基于機器視覺的織物缺陷檢測算法也相繼被提出[6]。

織物缺陷檢測算法可分為基于統(tǒng)計的方法[7]、基于頻域分析的方法[8]、基于模型的方法[9]、基于學習的方法[10]、基于結構分析的方法[11]和多種方法混合與比較的方法。Gabor變換作為一種常用的頻譜分析工具,能夠在頻域中通過不同方向、不同尺度提取相關的特征,在空間域和頻率域中具有最佳聯(lián)合定位的優(yōu)點,因此也常用于織物紋理背景過濾[12]。目前,基于Gabor變換實現織物疵點檢測的方法可分為兩類[13]:基于Gabor濾波器組的檢測方法[14]和基于優(yōu)化Gabor濾波器的檢測方法[15]?；贕abor濾波器組進行織物疵點檢測需要多個Gabor濾波器組合進行濾波處理,但濾波器組合數量的增加加大了算法的計算復雜度,大大降低了圖像處理的效率,難以完成織物疵點實時監(jiān)測檢測任務,因此研究通過對濾波器優(yōu)化的方法進行織物疵點檢測。Gabor濾波器參數的選擇對濾波效果有很大影響,合適的Gabor參數能夠很好地將背景和疵點分離,去除背景紋理對疵點檢測的干擾,從而實現對織物的快速檢測。目前,針對尋找濾波器參數最優(yōu)組合的算法有基于粒子群算法[16]、基于Gabor濾波器的自動檢測算法[17]、基于遺傳算法優(yōu)化Gabor濾波器[18]等。針對Gabor濾波器在使用過程中,難以選取最優(yōu)參數組合的問題,提出通過將織物的紋理基元結構與Gabor濾波核參數相互適應,通過分析Gabor濾波核與織物紋理結構之間的聯(lián)系,找到Gabor濾波器最優(yōu)參數組合,最后用尋找的最優(yōu)濾波器對織物紋理進行濾波,實現了消除背景突出織物疵點的效果。

1 Gabor濾波器的特征及其數學描述

1.1 Gabor濾波器特征

傅里葉變換是一種用于信號處理的有力工具,在圖像處理的過程中,通過對圖像進行傅里葉變換,將圖像從空間域轉換到頻率域,并在頻域上提取到圖像的頻譜圖、幅值信息等頻域特征。但是由于傅里葉變換容易丟失時間和位置的局部信息,在應用過程中存在局限性。為了從傅里葉變換中提取到局部特征,1946年D.Gabor首次提出Gabor變換,通過對傅里葉變換引入了時間局部化的窗函數,得到了窗口傅里葉變換,又稱為短時傅里葉變換或Gabor變換。

Gabor濾波器的波形與人類視覺系統(tǒng)中簡單細胞的視覺皮層感受野響應非常相似,如圖1所示,對Gabor濾波器波形圖1(b)與脊椎動物視覺皮層感受野響應圖1(a)進行對比并獲取了兩者的殘差圖1(c)。

從兩者的殘差圖1(c)可見兩者相差極小,基于Gabor濾波器的這一性質,在圖像處理、模式識別及計算機視覺等領域中常用Gabor濾波器來實現人臉識別、圖像的紋理特征提取、圖像匹配等。研究發(fā)現,Gabor濾波器在圖像處理中對于紋理特征的表達和分離以及提取目標的局部空間和頻率域信息方面都有很好的表現。

圖1 Gabor濾波器與脊椎動物視覺皮層感受野響應對比圖

1.2 Gabor濾波器的數學描述

Gabor濾波器作為圖像尺度表示和特征分析的常用工具,可以方便實現圖像的尺度變化。二維Gabor濾波器表達式為:

式中:δx和δy分別為高斯核函數在x軸和y軸兩方向的尺度參數;f0為正弦調諧函數的頻率;θ為旋轉角度;(x',y')經過旋轉θ得到

和

經過Gabor濾波后的圖像R(x,y)表達式如式(2)所示。

式中:T(x,y)為待測織物圖像;T(x,y)為經Gabor濾波器濾波后的特征圖像;*為圖像的濾波操作,表示Gabor濾波器對圖像進行卷積處理。

在Gabor濾波器對圖像進行卷積操作的過程中,Gabor特征主要依靠濾波核在頻域對信號進行加窗,獲取對圖像局部信息的特征描述。一個Gabor核能獲取到圖像某個頻域鄰域的響應情況。在進行卷積操作時,濾波核大小對圖像信息非常敏感,不同的核大小對圖像紋理濾波效果有較大差異,因此適當的濾波核尺寸能充分發(fā)揮Gabor濾波器對紋理圖像的濾波作用,以達到織物疵點檢測的目的。

2 織物紋理基元

紋理是以像素的鄰域灰度空間分布為特征,無法用像素點來定義。對于機器視覺來說,紋理是為了分割和識別場景或物體表面類型而產生的一種視覺標記。對紋理的研究就是對圖像特征的研究,即圖像的紋理分析,來達到分類和識別場景的效果。由于織物是由經緯紗線按照一定的組織規(guī)律交織而成,織物大多有著重復的紋理特征,為了更好地實現對織物疵點區(qū)域的識別與分割,需要獲取織物紋理基元。采用自相關函數來進行織物紋理基元的測量。

對于具有重復性紋理的織物圖像,其圖像的自相關函數將會表現出固定的周期性,這個固定的周期等于相鄰紋理基元之間的距離,應用自相關函數,能夠計算出紋理圖像的紋理周期和紋理基元的大小。

對于一幅N*N圖像的自相關(Auto-correlation)函數p[k,l]定義為:

如圖2(a)、(b)所示,是用自相關函數對織物圖像生成垂直與水平方向的自相關曲線,從圖2中可以看出自相關曲線具有明顯的峰值、谷值和波形周期。通過圖2(a)中曲線右側峰值和圖2(b)中曲線下側峰值垂直與水平像素位置可以得出織物紋理基元信息為16*17。

圖2 織物自相關曲線與基元標記

3 基于織物紋理基元分析的Gabor疵點檢測方法

在織物疵點的視覺自動檢測過程中,需要不斷減弱織物的背景,即把織物正常的紋理區(qū)域信息弱化,同時突出疵點區(qū)域的信息,以便把織物的疵點檢測出來。鑒于紋理織物圖像有明顯的周期性、方向性和均勻性等特征,根據織物圖像的紋理特征提出一種基于織物紋理基元自適應Gabor濾波器的疵點檢測方法。該檢測方法首先通過對正常的織物進行紋理分析和特征提取,得到織物的紋理基元周期特征,再依據提取的紋理基元特征設計最優(yōu)的Gabor濾波核參數,對正常紋理進行濾除,突出疵點區(qū)域信息,實現織物的疵點檢測。

Gabor濾波器的帶通特性要求在濾波器應用過程中根據處理圖像的紋理特性確定Gabor的濾波核參數,采用適當的濾波核來對圖像進行濾波處理。

Gabor濾波器對圖像進行濾波處理時,通過Gabor濾波器的濾波核與圖像進行卷積,圖像卷積過程中核大小對紋理信息是非常敏感的,核的大小直接影響到最終的濾波效果。因此,在Gabor濾波器的使用過程中需要對Gabor核大小參數合理設計,得到紋理圖像理想的Gabor濾波器,才能對紋理圖像實現很好的濾波處理,達到疵點檢測效果。

研究發(fā)現,Gabor濾波核與紋理基元有關,為了進一步確定濾波器核大小與紋理基元的關系,要先對采集的織物圖像進行紋理基元試驗。通過使用自相關函數計算得出圖3(a)的紋理基元為9*9,分別設計7*7、9*9、11*11三個尺度的濾波核對圖像進行濾波處理,得到效果如圖3所示,同時表1列出了紋理基元與濾波核相互關系。分析可知:當濾波核與紋理基元相差較大時,對織物紋理的濾波作用較差。如圖3(a-1)所示,可以看出當濾波核的尺寸小于織物紋理基元的大小時,對于正常紋理進行濾波操作并未獲得很好的濾除效果,圖像仍然存在部分紋理背景;當濾波核大小比紋理基元大時,濾波處理效果如圖3(a-3)所示,濾波器在抹除正常紋理背景的同時也會將疵點區(qū)域抹去部分,使得濾波后圖像的疵點面積不明顯,較難分割出疵點區(qū)域,在檢測過程中會造成漏檢;當濾波核大小與紋理基元相同時,如圖3(a-2)所示,能夠很好地進行正常紋理背景消除并留下疵點區(qū)域。

圖3 紋理基元與Gabor濾波核效果

表1 紋理基元與濾波核參數

通過對Gabor濾波核與紋理基元大小的試驗研究發(fā)現,Gabor濾波核大小與織物的紋理基元的大小相近時,對于織物的正常紋理濾除效果最好,可以實現將正常紋理濾除,突出疵點區(qū)域的效果。

4 結果與分析

4.1 試驗結果

為了進一步驗證紋理基元與Gabor濾波核設計方法的有效性,用采集的織物樣本對本文的算法進行評估。不同織物疵點檢測效果如圖4所示。

通過對常見的織物疵點斷針如圖4(a-1),粗節(jié)紗如圖4(c-1,d-1)以及油污如圖4(e-1)等進行試驗,從圖4可以看出,該檢測方法能夠實現較好的疵點檢測效果,說明該方法具有一定的有效性。

圖4 基于紋理基元的Gabor濾波器疵點檢測效果

表2 紋理基元與濾波核參數

4.2 與其他算法檢測效果對比

為了檢驗方法的穩(wěn)定性和魯棒性,選取TILDA標準織物圖像庫中尺寸為256×256像素的織物樣本作為對照,將該疵點檢測算法與文獻[18]和文獻[19]中基于Gabor濾波器組的疵點檢測算法進行對比,通過二值特征圖像對疵點檢測的效果進行評估,檢測結果如圖5所示,試驗結果證明,該方法是有效和實用的。

圖5 疵點檢測效果對比

由圖5可看出,兩種方法都可以檢測出疵點的存在,但本文所提出的方法所檢測出的疵點區(qū)域更加明顯,疵點區(qū)域面積較為集中,疵點區(qū)域分割更為完整,在疵點判斷過程中的準確性更高。

4.3 疵點檢測正確率比較

為了檢驗方法的檢測準確率,從TILDA標準織物圖像中選取60幅作為檢測樣本,包含45幅疵點圖像,15幅不含疵點的圖像,其中,n為圖像的邊長,l為濾波器的邊長,檢測樣本的檢測結果見表3。

表3 疵點檢測結果統(tǒng)計

從表3數據可得出,本文所采用的檢測方法正確率高于文獻[18]和文獻[19]的正確率,由此可說明本文算法對于疵點檢測具有更高的檢測準確率和檢測效率。

檢測效果如圖6所示。圖6(a)為TILDA標準織物疵點圖像,圖6(b)為Gabor濾波效果圖像,可以看出濾波器很好地將織物正常背景濾除,突出了疵點區(qū)域,圖6(c)為濾波后的疵點二值分割圖像,實現了較好的疵點分割。

圖6 基于紋理基元的Gabor濾波器疵點檢測效果

5 結 論

在對織物中漏針、粗節(jié)紗、油污等常見疵點進行研究后,提出基于織物紋理基元的自適應Gabor濾波器的疵點檢測方法。主要實現了(1)通過分析織物紋理基元的特征,設計最優(yōu)Gabor濾波器核大小;(2)應用自適應的Gabor濾波器對織物疵點圖像進行濾波實現對織物疵點的自動檢測;(3)通過與文獻進行對比試驗,證明了方法的有效性,實現了98.33%的檢測準確率。對織物圖像進行疵點檢測試驗發(fā)現,對于大部分織物圖像通過設計合適濾波器均可檢測出紋理發(fā)生突變的區(qū)域(即疵點區(qū)域),從而實現織物疵點的快速自動檢測目標,這也證明了本文檢測方法對于設計最優(yōu)Gabor濾波器是有效的和實用的。