（机械电子工程专业论文）基于图像处理技术的织物疵点检测算法研究.pdf

基于图像处理技术的织物疵点检测算法垒瓣 摘要 织物疵点检测是目前计算机视觉领域内的一个研究热点，在国内外已经有很多研究成 果，但是在有效性、实时性和适用性方面，目前的检测技术还不能够完全满足实际生产的 要求，需要进一步探索织物疵点检测的新技术。本文在分析研究当前多种织物疵点检测算 法的基础上，给出了三种新的检测算法。 首先，在分析传统局部二进制模式算子的基础上，引入均方差统计量，得到改进的局 部二进制模式算子，该算子不仅考虑了局部邻域像素狄度值之间的大小关系，同时也考虑 了整幅图像的均方差与局部邻域均方差之间的关系。基于改进的局部二进制模式算子的织 物疵点检测算法获得了比传统算子较好的检测效果。 其次，在详细分析织物疵点图像的频谱特征后，设计了理想环形带通滤波器和高斯环 形带通滤波器，并讨论了滤波器中心频率的设置问题，然后基于相邻滤波器在幅值半峰处 相切的原则，分别构建了两种类型的滤波器组对织物图像进行疵点检测，实验结果验证了 该检测算法能够有效地检测出多种不同纹理织物图像的疵点。 最后，利用织物疵点图像的频谱特性和l o g g a b o r 滤波器的多分辨率特性，以及基于 相邻滤波器在幅值半峰处相切的原则，设计了三种类型的滤波器组分别对织物图像进行处 理，均获得了比较好的疵点检测效果。 关键词：织物疵点检测；l b p 算子；环形带通滤波器；l o g - g a b o r 滤波器 f a b r 【cd e f e c t sd e t e c t i o nr e s e a r c hb a s e d o ni 【a g ep r o c e ss i n gt e c h n o l o g y a b s t r a c t f a b r i cd e f e c td e t e c t i o ni sar e s e a r c hf o c u si nt h ef i e l do fc o m p u t e rv i s i o n a n dt h e r eh a v e b e e nal o to fr e s e a r c hr e s u l t s b e c a u s et h ec u r r e n td e t e c t i n gt e c h n o l o g yc a l l tf u l l ym e e tt h e n e e d so fa c t u a l p r o d u c t i o nf r o mt h ep o i n to fe f f e c t i v e n e s s ，r e a l - t i m ep e r f o r m a n c ea n d a p p l i c a b i l i t y ，s oi t i sn e c e s s a r yt oe x p l o r en e wt e c h n o l o g yo ff a b r i cd e f e c td e t e c t i o n a f t e r c o n d u c t i n gr e s e a r c ho nm a n yc u r r e n ta l g o r i t h m sf o rf a b r i cd e f e c td e t e c t i o n ，t h r e en e w o n e sa r e p r o p o s e di nt h et h e s i s f i r s t l y ，t h et r a d i t i o n a l l o c a lb i n a r yp a t t e mo p e r a t o r ，l b p ，i si m p r o v e db yi n t r o d u c i n g s t a n d a r dd e v i a t i o ns t a t i s t i c s t h ei m p r o v e do p e r a t o rc o n s i d e r sn o to n l yt h e g r a yv a l u e r e l a t i o n s h i po fp i x e l si nt h el o c a ln e i g h b o r h o o d ，b u ta l s ot h er e l a t i o n s h i pb e t w e e nt h em e a n s q u a r ee r r o ro fw h o l ei m a g ea n dt h a to ft h el o c a ln e i g h b o r h o o dp i x e l s t h ef a b r i cd e f e c t d e t e c t i o na l g o r i t h mb a s e do nt h ei m p r o v e dl b po p e r a t o ri sd e v e l o p e d e x p e r i m e n t a lr e s u l t s s h o wi t sd e f e c td e t e c t i o nr a t ei sh i g h e rt h a nt h et r a d i t i o n a lo n e s e c o n d l y ，i d e a lb a n d p a s sf i l t e ra n dg a u s s i a nb a n d - p a s sf i l t e ra r ed e s i g n e do nt h eb a s i so f t h e d e t a i l e da n a l y s i so ff a b r i ci m a g e sf r e q u e n c ys p e c t r u m t h ec e n t e rf r e q u e n c y ss e t t i n gp r o b l e m o fr e l e v a n tf i l t e rf o rv a r i a n tt e x t u r e sf a b r i ci m a g ei sd i s c u s s e d a n dt w ot y p e so ff i l t e rb a n k sa r e c o n s t r u c t e di no r d e rt od e t e c tf a b r i cd e f e c t sa c c o r d i n gt ot h ep r i n c i p l et h a ta d ja c e n tf i l t e r so ft h e b a n ka r et a n g e n ta tt h eh a l f - p e a ko ft h e i ra m p l i t u d er e s p o n s e e x p e r i m e n t a lr e s u l t sp r o v et h a tt h i s d e t e c t i o na l g o r i t h mc a ne f f e c t i v e l yd e t e c td e f e c t so fd i f f e r e n tt e x t u r ei m a g e s l a s t l y ，t h r e et y p e so fl o g - g a b o rf i l t e r b a n k sw i t hm u l t i - s c a l ea n dm u l t i - o r i e n t a t i o na r e d e s i g n e db a s e do nf a b r i ci m a g e sf r e q u e n c ys p e c t r u ma n dt h ep r i n c i p l et h a ta d j a c e n tf i l t e r so f t h e b a n ka l et a n g e n ta tt h eh a l f - p e a ko ft h e i ra m p l i t u d er e s p o n s e t h ef a b r i cd e f e c td e t e c t i o n a l g o r i t h mu s i n gl o g g a b o rf i l t e rb a n kh a sr e l a t i v e l yb e t t e rd e t e c t i o nr e s u l t s k e y w o r d s ：f a b r i cd e f e c td e t e c t i o n ；l b po p e r a t o r ；b a n d - p a s sf i l t e r ；l o g - g a b o rf i l t e r i i 北京服装学院硕十学位论文 第1 章绪论 1 1 课题的背景及研究意义 纺织行业是我国的古老行业，近年来，随着科技的发展，自动化技术在纺织行业中的 应用已成为主要发展方向。通过计算机与多台机器联机，获得多项数据指标，然后自动对 各项指标进行分析处理，从而全面判定织物性能，并为生产控制和成品质量预测提供有价 值的信息，这些已成为纺织检测技术发展的潮流。对纺织厂而言，织物表面的疵点直接影 响织物的外观效果及织物的质量等级，这影响到工厂的经济效益及信誉，因此在纺织工序 中最重要的一个环节是织物疵点的检测，但是这个环节也是最难实现自动化的环节。疵点 检测的目的是在织造和检验过程中能够及时发现疵点，并通过修复和整理尽可能降低由疵 点导致的织物质量下降。据相关调查，疵点种类出现最多的工序流程是织造过程，约占所 有疵点类型的8 0 ，而在染色、印花和后整理流程中出现的疵点不足1 0 。目前，国内织 物检验基本上由人工视觉离线来完成，检验人员按照个人经验和织物评分、评等标准对织 物等级做出评定【l 】。这种检验方法耗时耗力，且速度慢、误检率高、检验效果受个人主观 因素的影响比较大，据统计，用人工视觉离线检验大约有3 0 的疵点被漏检。为了提高织 物的质量，降低成本，提高效率，减轻检验人员的负担，因而亟需发展新颖、快速、准确 的织物疵点自动检测方法。 基于计算机视觉的织物疵点检测的研究于2 0 世纪8 0 年代开始发展起来，逐渐成为了 纺织检测与人工智能领域的热点，各种算法不断被提出并应用于织物疵点检测的研究中。 利用计算机视觉实现织物疵点的非人工连续检测、分类和记录，对于提高生产效率和产品 质量，降低工人劳动强度，提高产品的竞争力、维护企业信誉、减少纺织品质量纠纷等将 起到非常积极的作用。 1 2 织物疵点检测的研究现状 目前，国外在织物疵点检测领域上的研究已取得一定的成果，在疵点检测领域的创新 科技文献更是优于国内。1 9 9 1 年，e s c o h e n 等采用高斯马尔科夫随机场( g m r f ) 纹理模 型对织物疵点进行检测【2 】。2 0 0 6 年，a t i q u li s l a m 等采用局部阈值化和3 层b p 神经网络对 织物疵点进行识别【3 1 。2 0 0 6 年，s a r i v a z h a g a n 等针对具有纹理特性的材料，提出应用纹理 分割的方法来进行疵点的检测【4 1 。2 0 0 8 年，f t a j e r i p o u r 利用l b p 算子首次实现了对有图 案织物图像及无图案织物图像的疵点检测【5 】；2 0 0 9 年，m i n ab e h r a v a n 等利用改进的l b p 算子对织物图像进行疵点检测【6 1 。在大量理论研究的基础上，国外已有些自动检测系统 被推向市场，他们分别是以色列e v s 公司的i t e x 系列织物自动检测系统、比利时b a r c o 1 第l 章绪论 公司的c y c l o p s 验布系统、瑞士u s t e r 公司的u s t e rf a b r i s c a n 自动验布系统和德国o p d i x 光电子技术公司开发的在线纺织品检测系统。i t e x 检测系统用于检测单色、简单组织织 物，该系列产品中的i t e x l 0 0 ，依据视觉原理，采用数字化和模仿人眼的视像系统自动检 测、保存、定位以及评估分析疵点；i t e x 2 0 0 0 验布系统可以检测出空洞、错纬、断经、 油污等织物疵点【7 1 。u s t e rf a b r i s c a n 验布系统需要先记录无疵点织物的外观特征参数，然后 才可以检测疵点，通过对经纬向的最大长度及疵点的异常程度来对其进行分类，并对疵点 分析、标记和记录，最后将检测结果输入到集成的质量管理系统，进一步对织物质量进行 评价【引。c y c l o p s 验布系统使用一种特有的算法，使嵌入式软件与其内部设计的专用硬件以 及计算机相结合完成大量的图像处理运算。当疵点产生时，该系统不仅会促使织机停机， 而且会发出警报提醒操作工注意，此时疵点的类型及其位置会显示在终端上，当解除了引 起疵点的原因后，操作工在织机的控制终端上做出记录，并允许织机继续运行 g l 。o p d i x 光电子技术公司开发的在线纺织品检测系统是把力学和光学原理相结合，在神经网络软件 的支持下，用传感器对正在织造的织物表面进行检测，该系统可识别如下疵点：污物、破 洞、断经、断纬、跳纱、结子、接结疵和色疵【9 】。这些系统价格昂贵，系统硬件投资过大， 而且检测疵点的效率有限，在疵点判断和分类上和国内标准也不完全一致【l 们，故而在实际 应用中的局限性较大。 在国内，基于计算机视觉的织物疵点检测的研究起步较晚，还没有完整的检测系统应 用于实际生产中。国内最先开始对这方面进行研究的是东华大学纺织学院黄秀宝教师课题 组【i l 】【1 2 】。目前，国内还有一些大学和研究机构也对织物疵点检测进行大量的研究，2 0 0 4 年，华中科技大学易丽华就织物疵点检测工业视觉系统的设计进行了研究f 1 3 ：2 0 0 4 年浙江 理工大学的张瑞林、徐轶峰利用脉冲神经网络( p c n n ) 对织物疵点边缘进行检测【1 4 】；2 0 0 6 年，南通大学姜平、周根荣对基于计算机视觉的织物疵点自动检测系统的硬件实现方法进 行了研究【1 5 j ；2 0 0 8 年，湖北工业大学的赵大兴等人采用模块化硬件，设计了完整的织物疵 点检测系统软件，本系统能够完成图像在线采集、疵点区域识别和基本的分类任务，处理 后的数据保存在远程数据库中，并且可在实时图像中标定显示疵点的位置，然后发出信号 【1 6 j 。目前，国内对于织物疵点检测的研究大部分还处于理论阶段，且主要是各种算法的研 究，尽管已经有大量有价值的文献成果，但尚难以应用于生产过程中的实时在线检测，因 此还需要进一步探索和研究。 本课题就是基于上述现状，采用三种方法进行织物图像的疵点检测研究。 2 北京服装学院硕士学位论文 1 3 论文的主要研究内容与章节安排 本文利用数字图像处理和分析技术对织物图像的疵点检测算法进行了研究，并在 m a t l a b 7 6 下进行实验，得到疵点检测的结果图像。本文的主要内容安排如下： 第一章介绍了课题的研究背景、研究意义，以及目前的研究现状，之后总结概括了本 论文的主要内容及章节安排。 第二章对目前常用的织物疵点检测方法进行了概括叙述。 第三章详细讨论了局部二进制模式算子的理论知识，并在传统局部二进制模式算子的 基础上对其进行了改进，引入了均方差统计量，然后将其应用于织物图像的疵点检测。 第四章在对织物图像进行频谱分析的基础上，构建了两种形式的环形滤波器，也即是 理想环形带通滤波器和高斯环形带通滤波器，并利用两种形式的半峰相切的环形滤波器组 来实现对织物图像的疵点检测。 第五章介绍了l o g g a b o r 滤波器，详细地分析了它的特性，构建出相邻滤波器幅值半 峰相切的滤波器组，然后将构建好的滤波器组用于织物图像的疵点检测。 第六章是总结展望部分。首先，对本文所做工作进行总结，然后指出在研究过程中存 在的问题及难点，并对下一步研究方向提出了建议。 3 第2 章织物疵点检测方法综述 第2 章织物疵点检测方法综述 织物疵点检测是指利用图像处理技术来提取织物图像的特征参数，这些特征参数能够 在织物纹理特征发生变异时做出响应，其目的是将织物图像的疵点区域有效地分割出来。 2 1 织物疵点检测方法 织物疵点检测的方法大致分为两类：一类是在空间域中直接对织物图像的狄度值进行 处理，实现疵点的检测；另一类是把织物图像变换到频域后再进行分析处理，实现疵点检 测。 2 1 1 基于空间域图像处理的疵点检测方法 在空间域中，织物图像表现为一个灰度值矩阵，采用不同的方法对灰度值矩阵进行处 理，然后实现织物疵点的检测。常用的疵点检测方法有：统计法、模型法、数学形态学法。 2 1 i 1 统计法 统计法是基于像素及其邻域的灰度属性，研究纹理区域中的统计特性，也即研究像素 及其邻域内灰度的一阶、二阶或高阶统计特性，从纹理图像中计算出一些在某个区域内或 区域间的像素灰度之间的依赖关系，以此作为图像的特征，用来表示区域内的一致性以及 区域间的相异性，从而实现织物疵点的检测。该类方法主要包括灰度共生矩阵法、灰度直 方图统计法。 灰度共生矩阵法是对图像的所有像素进行统计，以便描述其灰度分布的一种方法。由 于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔一定距离的 两像素之间会存在一定的灰度关系，即图像中灰度的空间相关性。灰度共生矩阵就是通过 研究灰度的空间相关特性来描述纹理的方法。从灰度共生矩阵中可以提取纹理特征量参 数，在进行织物疵点检测时，根据提取的纹理特征量参数判断被检测织物图像中是否含有 疵剧1 7 l 。i - s h o ut s a i 等利用灰度共生矩阵提取织物图像的6 个特征参数，然后将其作为神 经网络的输入量，实现织物图像的疵点检测【1 8 l 。该方法的优点为：在检测时不受疵点种类 的限制，且不需要选择阈值作为对被检测织物图像进行判断的依据；不足之处是计算量非 常大。 灰度直方图是图像灰度级的函数，描述的是图像中每种狄度级像素个数，反映的是图 像中每种灰度级出现的次数和概率，灰度直方图统计法是采用灰度直方图以及图像的均值 与方差作为特征值。在文献 1 9 】中，高晓丁等首先对无疵点织物图像的经纱方向和纬纱方 向分别进行直方投影生成稳定的直方波形，并计算图像的灰度均值和方差，然后和被检测 织物图像进行比较，从而确定织物纹理结构的异常位置，并识别出疵点。该算法原理简单、 4 北京服装学院硕十学位论文 运算快捷、可靠稳定、适应性强，但不能检测出所有类型的疵点【1 9 1 。 2 1 1 2 模型法 模型法假设纹理是以某种参数控制的模型分布，采用模型的参数作为纹理特征。这类 方法关键是如何为待处理图像选择适合的模型以及如何估计所选择模型的参数。主要方法 有随机场模型法、分形模型法。 随机场模型是以概率模型来描述纹理的随机过程，对随机数据或者随机特征进行统计 运算估计纹理模型的参数作为纹理特征，形成和纹理类型个数一致的多种模型参数；然后 对一系列的模型参数进行聚类，确定像素及其邻域情况下该像素点最可能归属的概率。随 机场模型实质上是描述图像中像素对其邻域像素的统计依赖关系，其中应用最广泛的是 m a r k or a n d o mf i e l d ( m r f ) 模型【2 0 】。m r f 模型法是通过对j 下常织物图像的分析，得到织 物纹理的m i u 参数作为特征值来进行检测。f s c o h e n 等采用高斯马尔科夫随机场( g m r f ) 纹理模型对织物疵点检测进行了研究，从j 下常纹理中提取模型参数作为特征值，再通过统 计假设检验判别被检测织物图像中的疵点1 2 j 。m r f 模型表述问题清晰、直观，从图像时域 信号统计的角度出发，对织物疵点检测时，不受疵点类别的限制；不足之处为：在估计模 型参数时，计算量非常大。 分形主要描述复杂不规则外形的自相似性。分形维数是用于描述对象表面粗糙度和自 相似性的一个特征，它作为分形的重要特征和度量把图像的空间信息和灰度信息简单而又 有机地结合起来。研究表明，人类视觉系统对于粗糙度和凹凸性的感受与分形维数有着密 切的联系，因此可以利用图像区域的分形维数来描述图像区域的纹理特性。分形维数描述 纹理的核心问题是如何准确地估计分形维数，在文献【2 1 中，a u mc o n c i 等利用改进的差 分盒计数法来快速计算图像的分形维数，并将分形维数特征用于疵点检测，达到了9 6 的 检测效率。徐增波等利用w o l d 纹理模型从织物纹理中提取非结构性纹理，再运用分形理 论从织物非结构性纹理中提取出表面维分形特征曲线，通过被检测织物图像与无疵点织物 图像分形特征曲线的比较，采用距离判别方法检测出织物疵点【2 2 1 。蒋忠仁采用d f b i r 场 作为织物图像处理的模型，通过分形维数等特征参数的提取、k m e a n s 法的聚类，将织物 图像分割，达到织物疵点检测的目的【2 3 1 。目前人们已经提出了一些分形维数的估计方法， 但在估计精度和计算复杂度之间还没有一个很好的折中方法，这是人们在分形维数方面一 直在探讨的问题。 应用模型法的关键是如何为待处理图像选择合适的模型以及如何估计所选模型的参 数，但这类方法计算量大，且对于复杂纹理很难用单一模型来描述。 5 第2 章织物疵点检测方法综述 2 1 1 3 数学形态学法 数学形态学法主要是针对二值图像进行处理，基本思想是用具有一定形态的结构元素 去度量和提取图像中的对应形状，也即以结构基元去寻找形状的空间重复性，主要描述图 像各个元素或者各个部分之间的关系，以达到对图像分析和处理的目的。在对织物图像进 行疵点检测时，首先根据无疵点织物图像的自相关函数计算织物的基本重复单元，得到结 构元素，然后计算织物疵点图像的灰度均值以及标准差，并根据它们的大小确定织物图像 疵点区域与无疵点区域的判别阈值，将疵点从被检测图像中分割出来【2 4 1 。该方法主要对二 值图像进行处理，故其应用受限。 2 1 2 基于频率域图像处理的疵点检测方法 在频域中对织物图像进行处理得到相应的特征，然后进行疵点检测，是目前的主要研 究方法。在频域中对织物图像的疵点检测方法主要有傅里叶变换方法、g a b o r 滤波器组方 法、小波变换方法。 傅旱叶变换是将图像从时域变换到频域，使图像处理工作在频率域中进行，所得频域 图像可在一定程度上反映原始图像中不同频率分量的分布情况，而且通过傅里叶反变换来 重建原图像时，不丢失任何信息。c h i h oc h a n 等采用快速傅里叶变换，计算直方图均衡 化后图像的功率谱，从中提取频域特征参数作为b p 神经网络的输入，实现了4 种疵点的 检测【2 5 1 。采用傅里叶变换对图像进行分析，只能得到图像时域或频域的整体信息，而在强 调一些局部信息来表述纹理的微结构特征时就无能为力了。 利用g a b o r 滤波器对纹理进行分析时，通过不同尺度和方向上的滤波器来对图像进行 滤波处理，提取出纹理特征参数。用g a b o r 滤波器进行疵点检测时，首先根据无疵点标准 图像设计能描述其特征的g a b o r 滤波器，然后采用该滤波器对被检测图像进行处理，在得 到的图像中，疵点图像被增强，而正常的纹理图像被减弱，最后通过图像阈值化得到疵点 的位置和形状信息。j e s c o f e t 等采用一组多尺度、多方向的g a b o r 滤波器将疵点从背景纹 理中分割处理【2 们。应用g a b o r 滤波器方法的关键问题是如何选择或设计最优的滤波器，到 目前为止，针对不同应用问题提出许多个准则。a b o d n a r o v a 等首先利用多个g a b o r 滤波 器对无疵点织物图像进行滤波，当滤波响应的f i s h e r 价值函数值最大时，求解g a b o r 滤波 器的最优参数，得到最优的滤波器，并用该滤波器对被检测织物图像进行滤波，进而实现 疵点检测【2 7 】。目前，对g a b o r 滤波器的研究主要集中在如何减少所用滤波器的个数，以及 对滤波结果进行后处理等方面。 小波变换是由短时傅罩叶变换发展起来的应用数学分支，具有多尺度的特点，且在时 6 北京服装学院硕+ 学位论文 域和频域具有表征信号局部特征的能力，因而，在对图像进行纹理分析时，有利于选择更 加有效的纹理信息，而舍弃一些无关的纹理信息，同时它还能提供纹理图像的空间位置信 息，所以应用于疵点的检测其优点是明显的。w a r r e nj j a s p e r 等研究了自适应小波在纹理 描述和疵点检测中的应用，以求解代价函数最小值的方法来获得小波滤波器系数，当滤波 器系数个数同纹理重复单元的像素个数相等时，自适应小波对疵点的反应最敏感【2 引。 m c h u 等采用最优小波包和人工神经网络技术检测4 种织物疵点【2 9 1 。李立轻等提出应用 织物自适应小波对织物疵点进行检测和识别，由于自适应小波能够代表织物的纬向和经向 纹理信息，一次只需进行一层小波分解即可【3 0 】。s u n g s h i n k i m 等则设计了一种基于小波分 析的在线疵点识别系统【3 l 】。相对于傅立叶变换，采用小波变换能够更加精确地分析图像中 的纹理信息，且由于小波分析提供了不同尺度下的纹理信息细节，由疵点所导致的奇异点 在变换后的图像中很容易被识别出来。但小波变换不提供具体的频率信息，它只在不同的 尺度上提供信号的细节，因此在织物疵点检测中小波变换常用于f j 处理阶段。 李立轻、黄秀宝和袁端磊、路立平等经过详细分析，比较了基于空间域和频率域的织 物疵点检测方法，通过比较他们给出了一致的结论：频域的图像处理方法更适合织物疵点 的检测，尤其是小波分析与神经网络相结合。 神经网络是对生物神经的功能模拟，其最大的特点是可以逼近任意复杂的非线性关系， 能通过学习动态调整网络参数。神经网络在基于样本的自适应学习和故障模块快速分类方 面具有非凡的优势，在有实时性要求的监控场合更有应用价值，因此它被广泛应用于模式 识别和分类中。目前，神经网络算法往往与其他算法相结合应用在织物疵点检测中。在文 献 3 2 】中，卿湘运等提出了一种基于小波分析和神经网络的织物疵点检测与识别方法。根 据小波高频子带反映不同边缘细节的特点，从2 次小波分解的子带和阈值化后的图像中分 别提取几何特征和纹理特征，然后采用改进的3 层神经网络进行识别，取得了较高的正确 识别率。 随着技术的更新，一方面，人们对已有的经典算法进行深入的研究和扩展，对其进行 完善，同时，将一些算法进行融合，使得应用在织物疵点检测中时，准确性及实时性效果 更佳；另一方面，新的算法不断被提出，并尝试应用于织物疵点检测中。 2 2 小结 本章对织物图像的疵点检测方法进行了概括叙述。疵点检测方法分为两大类，在空间 域中进行疵点检测和在频率域中进行疵点检测，详细介绍了目前常用的织物疵点检测方 法，并分析了他们的优缺点。 7 第3 章基丁局部- 二进制模式的织物疵点检测 第3 章基于改进的局部二进制模式算子的织物疵点检测 3 1 概述 由t i m oo j a l a 等人为了辅助性度量图像的局部对比度提出了局部二进值模式( 1 0 c a l b i n a r yp a t t e r n ，简称l b p ) 算子，该算子是一种灰度范围内的度量，描述了空间局部结构。 其基本思想是：在空间局部结构中，用其中心像素的灰度值作为阈值，与它的邻域像素灰 度值作比较，用得到的二进制码来表述其局部纹理特征。局部二进制模式是一种基于灰度 图像的纹理特征，不仅能充分表达图像的纹理，而且算法复杂度低。近十年时间内，l b p 算子得到了不断的发展与演变，主要应用于纹理分析、可视化检测及人脸图像分析与识别。 t i m oo j a l a 等人在1 9 9 9 年利用基本的l b p 算子实现了无监督的纹理分割【3 3 】：2 0 0 1 年，利 用旋转不变l b p 算子实现了纹理分类【3 4 】；2 0 0 2 年，利用统一模式类l b p 算子实现了旋转 不变性的纹理分类【3 5 1 。2 0 0 7 年，s h ul i a o 等对基本l b p 进行了改进，提出了a l b p 算子 的概念，并利用该算法提取纹理图像中重要的局部结构特征，从而实现纹理分类【3 6 1 。最近， l b p 算子主要应用于人脸识别的研究【3 7 - 4 4 1 ；另外，l b p 算子也可与其他算法相结合，实现 对图像的处理，练秋生等将l b p 与g a b o r 滤波器相结合实现了对掌纹的识别【4 5 1 。2 0 0 8 年， f t a j e r i p o u r 在文献【5 】中首次利用l b p 算子实现了对有图案织物图像及无图案织物图像的 疵点检测，并详细讨论了空问局部邻域的大小变化对疵点检测效果的影响；付蓉在文献 4 6 】 中对旋转不变l b p 的所有模式按照发生概率大小进行排序后，只取其中占前9 0 的模式作 为主要模式，用于对织物疵点的检测。本章在传统l b p 算子的基础上，对其进行改进，并 将其应用在织物疵点检测中，取得了一定的效果。 3 2 传统l b p 算子 传统l b p 算子一般定义在图像的一个邻域中，令该邻域为l b p 算子的模板，本文采 用方形邻域【5 1 。令一邻域的中心像素灰度值作为阈值分别与其邻域像素灰度值进行比较， 若邻域像素灰度值大于等于中心像素灰度值，则令该邻域像素灰度值为l ，否则为o ，然 后将阈值化后的值按一定次序排列后，形成一个尸位的二进制码( 尸表示邻域内外围像素 个数) ，如图l 所示；与此同时，为每一个邻域像素分配一个权值因子2 ，( f = 0 ，l ，p 1 ) ， 将二进制值和对应的权值一一相乘，再将所有结果相加，则l b p 算子从一个二进制码转换 为一个确切的十进制数。基本的l b p 算子在图像的一个邻域内定义为： 8 北京服装学院硕士学位论文 j 口一l 三碑，r = s ( 蜀- g 。) 2 ， j 置0 f l ，x 0 j ( 工) 2 t o ：x w m + 9 5 1 ，其中w m 为s l b p 算子的模板大小。令一邻域中心像素的位置为( f ，) ，令q ， 为该邻域的均方差， 吒为该邻域所在检测窗的均方差，k = l ，2 ，n ，n 为图像中检测窗 的个数，则s l b p 算子实现方式为： 沈绵r ( f ，j ) =舢e s ( g p - g , ) ，矿u ( 啤，r ) q ( 3 4 ) p + i ，其他 子( ，) = 二：至；i q o ) , j 一- - 吼c r k i l _ 占6 c 3 - 5 ， 其中阈值占= m e d i a n ( a b s ( o - o k ) ) ，仃为整幅图像的均方差，令( f ，) 位置处的像素点用 乩婢，尺( f ，) = ( 觇犯，r ( f ，n 矛( f ，川表示。 经过上述步骤后，得到每个像素点对应的s l b p 表示，当图像中所有像素点均由s l b p 表示后，通过计算乱 3 每个标识值在图像中出现的概率得到尸+ 4 维的向量，用该向量作 为描述图像特征的向量从 通过s l b p 算子的实现过程可知，该算子不仅考虑了局部邻域像素狄度值之间的大小 关系，同时还考虑了该邻域的均方差与整幅图像均方差之间的关系。 3 4 基于s l b p 算子的织物疵点检测 应用s l b p 算子对织物图像的疵点进行检测时，采用有监督的方式。首先，对无疵点 织物图像进行分割，分割成互不重叠的大小均为w w 的检测窗，如图3 所示。然后，应用 s l b p 算子对整幅无疵点织物图像进行计算，当所有像素点用s l b p 表示后，求出整幅图 像的特征向量坛以及每个检测窗的特征向量。，k l = 1 ，2 ，l ，n i 为无疵点织物图像 中检测窗的个数，其中阈值占= m e d i a n ( a b s ( a 一吒) ) ，仃为无疵点织物图像的均方差，吒。为 当前邻域所在检测窗的均方差。同时，对被检测织物图像进行分割，将其分割为大小为w x w 的若干检测窗，也即是与无疵点织物图像分割的检测窗大小相等，且令相邻检测窗之间重 叠，如图4 所示。然后，令s l b p 算子模板在每个检测窗中逐像素移动，直到所有检测窗 中的所有像素点都用s l b p 表示，并分别得到每个检测窗的特征向量如：，k 2 = 1 ，2 ，2 ， 飓为被检测织物图像中检测窗的个数，其中阈值占= 优p 沈册( 口幻p 一吒：) ) ，仃为被检测织 物图像的均方差，吼：为被检测织物图像中当前邻域所在检测窗的均方差。 第3 章基于局部二进制模式的织物疵点检测 蹑暖霭酗酮瓣 隰然蠛固瑟娥愆 隧镊缓辩瀚瀚娥谨 馐l 禚参l 特| l f 铲 赫氍霹固瀚繇谨 | 蒡! i 翳墨鹳l ；l f 翁| 彩 缛铸，l | 翳l ；翁爹绷 礴绣辨蓊 l ； 镑影 图3分割后的图像图4重叠的检测窗 在得到无疵点织物图像和其检测窗的特征向量及被检测织物图像中所有检测窗的特 征向量后，可采用多种直方图相似性测量法来判定被检测织物图像中是否有疵点。常用的 直方图相似性测量方法有三种：c h i - s q u a r e 统计、l o g - l i k e l i h o o d 统计、h i s t o g r a mi n t e r s e c t i o n 方法【4 7 1 ，三种测量方法如公式( 3 6 ) 、公式( 3 7 ) 及公式( 3 - 8 ) 所示。 1 、 c h i s q u a r e 统计 勰耻莩错 ( 3 - 6 ) 2 、l o g - l i k e l i h o o d 统计 ( s ，m ) = 一sl o g m ， ( 3 - 7 ) 3 、h i s t o g r a mi n t e r s e c t i o n 方法 d ( s ，m ) = m i n ( s , ，m ，) ( 3 8 ) ， 当描述纹理的特征向量维数较大时，l o g 1 i k e l i h o o d 统计能够取得良好的检测效果，但 对于维数较小的情况，c h i s q u a r e 统计与h i s t o g r a mi n t e r s e c t i o n 方法比l o g - l i k e l i h o o d 统计有 效，且c h i s q u a r e 统计优于h i s t o g r a mi n t e r s e c t i o n 方法，但h i s t o g r a mi n t e r s e c t i o n 方法具有 计算量小的优点【4 7 1 。本文要处理的特征向量维数较小，因此，采用c h i s q u a r e 统计量来计 算织物图像中每个检测窗与整幅图像的相似性，其公式为： 抛m = 篓错小墟， 厶( 瓯，m ) = 尘导， 尼= 1 ，2 ， ( 3 9 ) 其中，& 表示图像中第k 个检测窗的特征向量，s 白为该检测窗中第i 类模式发生的概率， m 表示整幅图像的特征向量，m 为图像中第i 类模式发生的概率，为图像中检测窗的 个数，厶反映了图像中第k 个检测窗与整幅图像的相似度，厶值越小说明越相似。按照公 式( 3 9 ) 求得无疵点织物图像中所有检测窗的c h i - s q u a r e 值上训与被检测织物图像中所有 检测窗的c h i s q u a r e 值k 2 。 北京服装学院硕士学位论文 令 t = m a x ( l 船1 ) ，k l = 1 ，2 ，n i ( 3 - 1 0 ) 为判定疵点的阈值，当被检测织物图像中第k 个检测窗的c h i s q u a r e 值小于阈值丁时，则 令该检测窗为无疵点窗，否则为疵点窗。图5 为基于s l b p 算子的织物疵点检测过程。 卜罄笔紧爨篓髫用乳即一计算特征向景吖_ i 卜钎r 进行计贸： 。l 并付锄l n j 蠛删 。无疵点钐：物图像_ 卜 m 0 整幅图像分对每个榆测汁算每个榆 卜剖成若i 榆_ - 窗应用s l b p - 测窗的特征 ，测窗算：r 计算向量氐 +汁算每个榆犁窗+汁算闽值71彬 + j c h i s q u a r e 值k i + 栅嘲1 且7 一一一 一 一一 一羔 被啪像_ 黼嚣翁髫燃絮脯oc 蝴h i - s q 删u a r e 懈f f t 的l , k ： 若* ! t ，则 斗削定该枪测窗 为舭点窗 图5基于s l b p 算子的织物疵点检测过程 疵点检测过程分为学习训练阶段与实际检测阶段。学习训练阶段是对无疵点织物图像 进行训练，首先，将其分割为不重叠的检测窗，计算每个检测窗的均方差吒，令s l b p 算 子模板在整幅图像上滑动，得到无疵点织物图像的特征向量m 以及阈值丁，为实际检测过 程做准备；实际检测阶段是根据学习训练阶段得到的特征向量m 以及阈值丁按照公式( 3 9 ) 和( 3 - 1 0 ) 来判断被检测织物图像中每个检测窗是否是疵点窗，当k ：大于等于阈值丁时， 则该检测窗为疵点窗口，令该检测窗中的所有像素值全为1 ，否则为无疵点窗口，令其全 为0 ，也即得到检测结果图像。 当改变检测窗大小时，得到的检测效果会不同，如图6 所示。当检测窗大小为1 6 1 6 时，在对疵点进行检测时，往往把非疵点像素检测为疵点像素，如图6 ( c ) 所示：当检测 窗大小为8 8 时，则在检测疵点的过程中，会把疵点像素判定为非疵点像素，如图6 ( d ) 所示。 蘩豢翻豳 图6 ( a ) 无疵点织物图像，( b ) 被检测织物图像， ( c ) 检测窗大小w w = 1 6 x 1 6 ，( d ) 检测窗大小w w = 8 x 8 1 3 ， 第3 章基丁- 局部二进制模式的织物疵点检测 由织物疵点检测过程可知，利用s l b p 算子实现疵点检测时，检测效果受到多种因素 的影响：分割图像的大小。当图像纹理细致时，分割的检测窗应相对小些，但是其大小 应比纹理的重复周期大；当图像纹理粗糙时，可以分割的相对大些，以便减少计算量； 相似性度量公式的选取。本文选择的是c h i s q u a r e 统计量；窗1 2 1 重叠区域的大小。窗口 重叠的区域越大，检测的结果越精确，但是计算时间会随之增加；算子模板的大小。目 前算子模板有3 3 、5 5 、7 7 这三种，在检测时也可以将两种或三种模板相结合。 利用本文中的算法与文献 4 6 中的算法分别对织物图像进行处理，结果如图7 所示，检 测过程采用3 3 大小的算子模板，分割的检测窗大小为1 6 x 1 6 ，且被检测图像中相邻检测 窗之阳j 重叠1 5 个像素。文献 4 6 】中算法是使用发生概率高的模式子集来描述图像的特征， 保证了图像纹理特征描述的准确性，且适用范围广；本文中算法考虑了均方差，在对图像 进行纹理分析时，考虑了局部均方差与整体均方差之间的对比关系，计算得到描述图像纹 理特征的向量，且计算时问大约是文献 4 6 中算法计算时i n j 的l 8 。 鬻瓣翻 徽囵灞 l a j ( b j( cjl d j 图7 ( a ) 无疵点织物图像，( b ) 被检测织物图像， ( c ) 基于s l b p 算子的结果图像，( d ) 基于文献( 4 6 ) 中算子的结果图像 3 5 实验结果与分析 利用上述给出的方法，对1 2 8 x 1 2 8 大小的织物图像进行疵点检测。在本文实验中，织 物图像被分割成若干1 6 x 1 6 大小的检测窗，被检测织物图像分割得相邻检测窗之间重叠1 5 个像素，s l b p 算子模板大小为3 3 ，应用s l b p s 算子来描述各个检测窗的纹理。选用多 种不同背景纹理的4 1 幅织物图像作为被检测图像，利用u l b p 算子和s l b p 算子两种方法 分别对它们进行疵点检测。部分处理结果见图8 。 1 4 北京服装学院硕十学位论文 a ) 无疵点织物图像 ( b ) 被柃测织物幽像 c ) 聃】：s l b p 算if - 的结果图像 ( d ) 旌y - u l b p 算子的结果图像 图8织物疵点检测结果图像 为了评价织物疵点检测方法的有效性，需要比较j 下确检测出疵点的概率也即检测率。 如果被检测图像包含有疵点，只有疵点区域的像素经检测后输出的二值图像为白色；或被 检测图像没有疵点，检测后输出的二值图像全为黑色，则称为f 确检测。因此检测率为萨 确检测的图像个数与总的被检测图像个数的百分比。 统计得到上述实验方法的检测率如表l 所示。 表1不同检测方法检测率比较 从图8 中可知，在织物疵点检测结果图像中，u l b p 算子方法往往把部分非疵点检测 为疵点，也即误检率较高，应用s l b p 算子方法后降低了误检率，并且通过计算两种方法 的检测率，由表1 可知，s l b p 方法比u l b p 方法更有效。 3 6 小结 本章在传统局部二进制模式算子基础上，引入了均方差统计量，得到改进的局部二进 制模式算子，用于对织物图像的疵点检测。改进后的局部二进制模式算子不仅描述了邻域 内像素灰度值之间的大小关系，同时考虑了整幅图像的均方差与局部邻域均方差的关系。 由实验得知，该算法可以较好地检测出多种不同纹理织物图像中的疵点，并且检测率较高。 15 第4 章基于环形滤波器的织物疵点检测 第4 章基于环形滤波器的织物疵点检测 织物图像具有明显的纹理特征，且疵点区域的纹理与f 常纹理有很大差别，为了检测 出织物图像中的疵点区域，需要提取出合适的纹理特征信息，然后进行对比，从而确定 疵点区域。因此，在对织物图像分析的过程中构建出合适的滤波器，以提取纹理特征，从 而实现对疵点的检测。