（纺织工程专业论文）织物疵点检测的计算机图像分析和评定[纺织工程专业优秀论文].pdf

摘要 y 9 0 8 7 9 本文借助m a t l a b 编程语言，利用数字图像处理技术和人工神经网 络技术对织物疵点的自动识别进行了系统的研究，提出了一种基于图像 处理的、以人工神经网络技术来实现分类的织物疵点计算机识别的新方 法，并对这一方法的可行性进行了验证。 借助于m a t l a b 的图像处理、小波分析、人工神经网络三大工具箱， 通过大量的实验比较和验证，找到了有利于疵点分析的图像处理方法， 最优的疵点特征参数的提取，高效而准确的疵点识别模式，将整个图像 处理流程系统化，并使其能够有效地兼顾不同种类的疵点图像，形成了 一套包括织物疵点图像的预处理、二值分割、分割后处理、疵点部分特 征提取、神经网络识别这五个关键环节的、完整的织物疵点自动识别系 统。并对其识别能力进行了实验评估，证明了所建立的识别系统，对于 简单织物组织的坯布图像，在光影、底色相近的条件下，在经疵、纬疵、 区域、破洞四类疵点分类上做到了识别快速、准确。 图像处理程序实现过程中，含弃了获得精确尺寸的意图，着眼于疵 点类别的快速、准确分类，做了一些大胆假设。实验证明，所做的假设 基本符合实际，可阻大大改善识别效果、简化识别算法，且对疵点的个 数确定、种类识别和定位无影响。 关键词：疵点检测；图像处理；神经网络；小波变换；数字形态学 a b s t r a c t i nt h i st h e s i s ，r e c u r “n gt om a t i a b ，t h ed e t e c t i o no ff a b r i cd e f e d su s i n gd i g i t a l i m a g ep r o c e s s i n ga n dn e u r a ln e t w o r kt e c h n i q u ej ss c u d i e d an e ww a yo fd e l e c t i n gf a b r i c d e t e c t sw h j c hb a s e do nj m a g ep o c e s s n ga n da c c o m p j j s hd e t e c tc i a s s i f j c a t j o nb ym e a n s o fn e u r a ln e t w o r kj sp u if o r w a r d f u n h c r m o r e ，t h ef e a s i b j l i t yo ft h i sw a yi st e s t i f j e d r e c u r r i n gt ot h r e em a t l a bt 0 0 1 b o x ：i m a g ep r o c e s s i n gt o o l b o x ，w a v e l e tl o o l b o x ， n e u r a ln e l w o r kt 0 0 1 b o x ，b yam a s s0 fe x p e r j m e n t a lc o m p a r i s o n sa n dv a l i d a t i o n s ，i h e 打n a g ep r o c e s s i n gm e t h o d sw h i c ha p p l j e st od e t e c ta n a l y s i s ，f h cb e s if e a c u r ce x t r a c t j o no f f a b i i cd e t e c t sa n dt h ee f 石c i e n la n de x a c td e t e c tr e c o g n j t i o np a t t e r na f o u n d ；t h e s y s t e m a t i z a t i o no ft h ew h o l ej m a g ep f o c e s s i n gf l o wi sa c h i e v e df o rc o p j n gw i t ht h e d i f i 色r e n ik i n d so fd e t e c i si n 扣1 1 a g ep r o c e s s j n g ， a c c o r d i n g l y ， a j n t e g r a t e ds y s l e m r e c o g n i z j n gd e i e c t sa u t o m a t i c a l l yw h i c hc o n s i s t so ff i v ek e ys t e p s ：i m a g ep r e p r o c e s s i n g o ff a b r i ci m a g e sw i t hd e t e e t s ，t w o v a i u ei m a g es e g m e n 【a t j o n ，i m a g e p f o c e s s i n ga f i e r s e g m e n i i n & f e a t u r ee x t r a c t i o no ff a b r i cd e t e c t sa n di h er e c o g n j t i o na n dc l a s s i f i c a t i o no f f a b r i cd e t e c t sb ym e a n so fn e u r a ln e t w o r km o d e li sf o r m e d t h ee x p e i m e n i a le v a l u a t i o n o ft h i ss y s t e mj sa l s om a d ea n di tj st e s t i f i e dt h a it h 讧s y s t e mc a nq u i c k l ya n de x a c l l y r e c o g n i z ed e t e d si ni n 一掣a yi m a g e sw h i c hh a v es i m p l ef a b r i cw e a v e s l oo n eo ff o u r c l a s s e s ：w a r pd i r e c t i o nd e i e c t s ，w e f td i r e c t i o nd e f c c i s ，r e g i o n a ld e f c c f sa n d 击s c r e t e d e f e c t sw h e nf h el j 曲t n e s sa n dg r o u n d j n gc o l o ra r es i m j l a r i nt h ep r o c e s so fa c h i e v i n gi m a g ep r o c e s s i n g ，l h ej n l e n to fg e t l i n gt h ee x a c ts i z e so f d e t e c t si sd i s c a r d e da n ds o m ei m p o n a n th y p o t h e s e sa r em a d et oc l a s s i f yd e t e c t sq u i c k l y a n dp r e c i s e l y a n dj tj st e s t i f j e dt h a tt h e s eh y p o t h e s e sa c c o r d j n gw i t ht h ef a c tb a s i c a i l y c a ni m p r o v ee f f e c ta n ds i m p l i f ya r i t h m e t i cg r e a t l ya n dd on o tc o u n t e r a c tc l a s s i f y i n g ， o r i e n t a l i n ga n dg e t t i n gt h en u m b e ro fd e t e c t s k e y w o r d s ：d e f e c ti n s p e c t i o n ；i m a g ep r o c e 韶i n g ；n e u r a ln e t w o r k lw a v d e tt r a n s f o r m ； m a t h e m a t i c sm o r p h o i o g y l l 第一章绪论 第一章绪论 在纺织品生产的过程中，质量控制与检测是非常重要的。现今我国纺织自动化 虽然已经取得很大进展，生产效率有了大幅度提高，但纺织品检验的效率并没有同 时得到改善，各道检验工序主要还是依赖于人工操作。纺织品检验中最重要的检验 项目之一一织物疵点检测，仍然是靠检验人员在没有强光的窗边或日光灯照明条件 下按照自己的经验和织物评分、评等标准对织物等级做出评定，并填写各种织物疵 点报表。这种检测方法效率低、漏检率高、受检验人员主观因素影响大，而且需要 长时间专心工作，对工人身体健康很不利。所以，急需一种快迷、客观又准确的自 动检验方法来代替人工检测。 随着数字图像处理技术和神经网络技术的发展，使得基于图像处理和计算机平 台的织物疵点检测成为可能，并且由于该法可以弥补上述缺陷，从而逐渐形成织物 疵点自动检测的一个很重要的方向，曰益受到国内外专家学者的关注i 】j 。 到目前为止，尽管已经出现了大量有价值的文献成果1 2 。】，科研水平也稳步提高， 但尚未形成统一、完善、严整的体系，没有一种通用的系统能在商业化生产中得到 应用f 4 8 】，所以，在把自动化技术应用于纺织行业的生产检测和管理已变得越来越重 要的今天，还需要国内外科技工作人员进一步探索和研究。 我国由于喷气、剑杆等新型织机的采用，布机的速度不断提高，对产品质量档 次的要求也不断提高，研究并开发适合我国纺织业的疵点自动检测系统对提高纺织 品的质量，增强出口竞争力有着重要的社会意义和经济意义。 如果将疵点检测和分类装置用于织机，在织机上对织物疵点进行在线检测和分 类，发现疵点并及时地发出信号，给操作人员提供疵点信息以帮助及时地处理故障， 甚至自动采取调整措施对疵点进行处理，就可以最大限度地减少疵点对织物质量造 成的损害，并尽可能保证高的生产率，提高织造、检测工序的自动化程度。 本课题就是基于以上情况，利用数字图像处理技术和神经网络技术探寻一种客 观、有效的织物疵点图像识别系统，进而为开发一套织物疵点自动检测和评分系统 奠定基础。 1 1 基于图像处理的织物疵点自动检测的研发现状 采用计算机进行织物疵点检测的研究于2 0 世纪8 0 年代开始发展起来【2 羽。如 1 9 8 3 年瑞士z e l l w e g c ru s t e r 公司推出的用神经网络识别技术开发的自动验布系统； 1 9 8 7 年在巴黎】1 m a 展览会上推出的u s t e r s ot e x 机型的自动验布系统；1 9 8 8 年 青岛大学硕士学位论文 t a k a t o 用灰度匹配法对织物疵点进行了识别工作。 2 0 世纪9 0 年代初一直至0 现在，图像处理用于织物疵点检测的研究形成了一个高 潮。中国台湾、韩国、日本、美国、以色列和瑞士等国家的学者发表了大量研究论 文，借鉴了其他工业检测系统的开发经验以及数学和计算机等学科的最新研究成果， 理论水平不断提高。 按照图像处理的方法，研究的途径可分为两种【9 _ 1 2r 2 5 1 ，一是直接对图像的灰度值 在空问域计算，抽取特征值；另一种是把图像转换到频率域进行分析。 起初，大多是直接对图像的灰度值在空问域计算，抽取特征值，如灰度共生矩 阵、马尔科夫随机场等是纹理分析常用的方法，但这种方法存在计算量大、处理速 度慢等缺点。 1 9 9 0 年y 0 s h i o 等人从图像灰度共生矩阵提取特征，通过贝叶斯决策对此点进行 分类，采用图像匹配的方法建立了织物疵点检测专家系统。 1 9 9 1 年c o h e n 等采用高斯一马尔科夫随机场( g m r f ) 纹理模型对织物疵点的检测 进行了研究，从正常纹理中提取模型参数，弭通过统计假设检验判别疵点。 1 9 9 3 年s a r d v 等探讨了采用神经网络对平纹、斜纹和缎纹等不同种类织物上的 疵点进行检测分类的可行性。这种方法检测的疵点种类包括断纬、纬向不匀、筘痕、 和杂质，但其工作仅限于实验室阶段。 1 9 9 5 年z j l a n 一刈等在对疵点检测和分类的研究中，采用了两种方法对粗结、和 接头疵点进行分析。一种是采用计算灰度值的统计特征的方法，另一种是采用数学 形态学图像处理的方法。 在这些研究中，由于受软硬件的局限，检测疵点种类较少，精确度低，难以适 应工业化需要。2 0 世纪9 0 年代中后期以来，由于小波分析等现代数学工具的出现， 疵点检测研究转向以在频域对图像分析为主，有傅立叶分析法和小波分析法。同时， 神经网络技术开始成为最主要的疵点识别系统被广泛采用。 1 9 9 6 年t s a i 【3 l 】等研究用b p ( 误差逆向传播) 神经网络检测缺经、断纬、油污和 破洞疵点，输入神经网络的特征值是由图像的傅立叶功率谱得到的9 个参数，分类 正确率达到了8 8 。 1 9 9 7 年1 a j a s c k a r a n 采用交互传播网络( c p n ) 代替b p 神经网络，速度提高了3 0 0 0 倍。 1 9 9 8 年台湾的c h e n 等人采用光学傅立叶透镜提取织物图像功率谱，经b p 神经 网络对疵点检测分类。对一幅2 5 6 + 2 5 6 像素的图像进行检测，1 2 类疵点中的9 类能 够正确识别。 青岛大学硕士学位论文 1 2 本文的主要研究内容 1 2 1 疵点图像的采集及实验条件 疵点图像的采集，即织物图像的数据获取，包括选择合适的织物样本、合适的 拍照条件( 光照、距离等) 、可行的光电传感器( 常用的传感器有面阵式和线阵式扫 描c c d 摄像机和激光扫描仪) 等。 实验条件，是指图像处理和识别实验研究的实现条件，包括计算机配置、程序 运行软件环境等。 1 2 2 疵点识别实验 l 、图像预处理 将采样的图像进行必要的图像变换、图像增强处理，如将原彩色图像转变为灰 度图、为增加图像对比度而进行直方图变换、校正光照不匀、去除噪声等，为下一 步的图像分割做准备。本文重点要做的是，最大限度地抑制噪声和织物纹理背景同 时突显或保留疵点部分，即疵点的有效增强，为下一步将其分割出来做足准备。 2 、图像分割 即将一幅数字图像划分为不交叠的、连通的像素集的过程，其中一个对应于背 景，其它的对应于图像中的各个物体，将图像中有意义的对象与其背景分离，并把 这些对象按照不同的含义分割开来，也就是说，把图像中具有不同含义的对象提取 出来。本文中是指将疵点部分和织物纹理等背景完全分割开，将疵点作为目标对象， 其它为背景对象，以此来提取疵点形状信息，为进一步提取有效的疵点特征、分析 和识另u 做准备。 3 、分割后处理 对分割得到的图像进一步图像处理，尽量准确地提取疵点的形状，去除干扰噪 声，以完善分割效果完成提取疵点特征前的准备工作。本课题中考虑到，由一步分 割得到的疵点二值图，对于提取特征量而后自动识别来说，是不完善的。往往还带 有噪声，这是因为尽管灰度图像预处理中噪声得到抑制，但将其完全去除是很困难 的，而且在分割过程中，难免又增加一些噪声；且所得对象的形状未必都能有效地 拟合实际疵点，疵点对象的外轮廓通常会较粗糙，其内部也可能包含孔洞。这些对 形状特征提取都是极为不利的，所以本文中要做的是，再对其进行平滑去噪、提取 主目标等后处理，来改善疵点的二值化分割质量。 4 、织物疵点模式特征的抽取 先要选择特征参数，即对目标对象的某些物理特征进行数学描述，具体地讲就 彗甚 可筝警嚣蘸韭l | 薹确弱雕 彰望船i w 固鹚鞠惦貊鲋孙靳丽胡觚器：鲠型蚕堡玲秦型坚企愿。 蒌；。；i ! ! 墨囊盏鬻；g ；磋善篓薹簿嚣擎墨碹器霎孽鬻i i ；基i ：? i ! 毪裂但一嚣蚕 各矧型测冬季致长器目? 。蚓印募磐蓍蠡掣群车；磐型精? i i i 静爱制羲赢淼爸 婶，强昂毒娄役到自勺完：善后的分割博雨南精苫铺；蟊蕊掣萄黍良誊棱謦茫坫旌毯 銮抟雾i 姐o 。l ；l i m 露驰坚笼就目! 吣填懈潴省鎏咎最掣j 烈黔匿孽型掣拭蛾 互i 艟黧蚴蟹职誓美拍弧射副囊。群鞴美醛辎鬣# 粥搠引鹩鸶海商混澎坚臻瀚型 稳，弗辫譬誓；孙掣笔舌鸳薹霉崩酗崩潞菇黪糕转菹 i j 枣錾羹兽冀囊滁垮藩羹鬟 铡。，毓蒯掣蟊稚芩基菥 ， 群菲蓣黝黼拶幕错! i j 鲕缁婪蕊识别二霉砖耐。掣焚翮社矧掣找鞘带警磐萄越 1 勺f 裔戤露# 要驯器勤落刿嘶j 夏磐嚣豁台 x 青岛大学硕士学位论文 第二章织物疵点图像的预处理 图像预处理是相对于图像识别、图像理解而言的一种改善图像质量的前期处理。 主要是按需要进行适当的变换突出某些有用的信息，去除或削弱无用的信息，如改 变图像对比度、去除噪声或强调边缘的处理等i q 。 对疵点图像进行预处理的目的在于：采用一系列技术改善疵点图像的视觉效果， 提高图像的清晰度；将原始疵点图像转换成一种更适合进行分析处理的形式。它不 是以保真度为原则，而是通过处理有选择地突出其中我们感兴趣的疵点信息，抑制 一些无用的噪声或纹理信息，使更有利于分析。 2 1 图像预处理的基本知识 图像预处理的概念较宽，包含的内容很多，实现的技术也多样，大体可分为空 间域处理和频率域处理两种。空间域处理是直接对图像的像素灰度进行操作：频率 域处理是利用图像变换的方法将原始图像以某种形式转换到频率空问中，然后利用 该空问特有的性质方便地进行图像处理，最后转换回原始图像空间，从而得到处理 后的图像。 实际上像转换图像格式、校正光照不匀、调整对比度、去噪、锐化等一直到图 像分割之前的所有处理都可称为图像预处理。占了最大比重的图像增强是预处理中 的关键，而预处理的目的也正是图像增强。图像增强是指按特定的需要突出一幅图 像中的某些信息，同时，削弱或去除某些不需要的信息的处理方法。其目的是使处 理后的图像对某些特定的应用比原来更有效，提高图像的可懂度 6 “】。故可以说，就 目的而言，预处理的过程主要就是图像增强的过程。 转换图像格式、调光照等处理都是最基本的处理，且容易实现，这里不赘述， 重点在图像增强。 图像增强技术主要包括直方图处理、图像平滑处理、图像尖锐化处理等，从纯 技术上讲，也分为两大类：频域处理法和空域处理法。实际应用中常常是多种方法 结合使用的一系列过程，以达到较好的增强效果。 平滑和锐化是图像增强的两个最基本的概念，也是各种增强技术实现的两种不 同的处理功能。 平滑是使图像模糊化，可以提取图像中的较大图像而消除小图像或将小间断连 接起来，同时也可以消除噪声。如图2 1 ( b 1 所示，原图经小波四层分解，去除第四层 细节后重构所得的平滑效果，图像整体模糊，织物纹理不清。 锐化与平滑作用相反，强调细节，使模糊的图像细节变清晰。如图2 1 ( c ) 所示， 6 第二章织物疵点图像的预处理 原图经s o b e l 算子滤波后所得的锐化效果，图像纹理细节非常清晰。 圈2 1 ( a ) 疵点原图；( b ) 经小波分解后第四层重构图像；( c ) ) s o b e l 算子滤波后图像 从疵点识别要完成的疵点二+ 值化分割的角度来看，尽管图2 1 ( c ) 中的疵点细节清 晰，但纹理起伏也很强，若以阈值法对该图像分割，要成功分割出疵点来几乎是不 可能的；图2 1 ( b ) 虽然整体细节模糊，但小纹理被火大削弱，疵点细节信息虽也有损 失，但整体轮廓却相列得到突出，对于阂值分割来说将大大增加其成功分割的可能 性。由此可见，疵点图像增强中要宠成的是平滑两不是锐化。 2 2 图像预处理的常用方法 2 2 1 图像的直方图调整 一 灰度直方图是图像的重要统计特征，是反映一幅图像中的每一灰度级与该灰度 级出现的频率之间关系的图形。其横坐标是灰度级，纵坐标是该灰度出现的频率( 像 素的个数) ，描述了图像的灰度分布特性。当图像的对比度较小时，灰度直方图只 在灰度轴上较小区间上非零；较暗的图像由于较多像素的灰度值低，因此直方图的 主体出现在低值灰度区上，在高值灰度区上的幅度较小或为零，较亮的图像情况相 反。看起来清晰柔和的图像它的直方图分布比较均匀。 所以通过变换使图像的灰度范围拉开或使灰度分布在动态范围内趋于均匀，可 以增大反差，增强图像对比度，使图像的细节清晰，达到图像增强的目的【9 j 。这是 直方图调整增强图像的原理。 直方图调整法为图像增强的最基本的对比度调整方法，可用m a t l a b 提供的 直方图修正函数i m a d j u s t ( ) 实现。效果如图2 2 所示。原图的灰度直方图上，绝大部 分像素的灰度集中在1 0 0 1 7 5 ，放原图整体偏暗，细节不清晰。增强后的灰度直方 图上，灰度范围拉大，0 2 5 5 级灰度级上都有像素分布，故增强后的图像亮度增加， 细节变得清晰，疵点与纹理背景对比也更鲜明。 7 青岛大学硕士学位论文 ( c )( d ) 图2 2 ( a ) 疵点原图；( b ) 疵点原图的灰度直方图；( c ) 经i m a d j u s t 函数增强 后图像；( d ) 经i m a d j u s t 函数增强后图像的灰度直方图 2 2 2 形态高低帽变换增强【1 0 1 高帽变换是图像的开启运算的结果与原图像的差 灰度峰值，在m a t l a b 中以函数i m t o p h a t ( ) 实现。 低帽变换是图像的闭合运算的结果与原图像的差 灰度谷值，以函数i m b o t h a t ( ) 实现。 得到的图像体现了原图像的 得到的图像体现了原图像的 这两个函数用在一起，可以很好的增强图像对比度1 2 1 1 ，形态学开启、闭合操作 详见3 2 节。 2 2 3 小波变换图像增强 其基本思想是，把图像信号分解为小波系数，然后对小波系数进行特定的处理， 再用处理后的小波系数重建图像，即可得到增强后的图像，这也就是小波分析的一 般过程1 7 , 2 3 1 。 2 2 3 1 小波分析用于增强处理的原理 8 第二章织物疵点图像的预处理 小波分解可以把图像分层次按照小波基展开，可以根据图像的性质及给定的图 像处理标准确定展开的层次，还可以把细节分量和近似分量分开，而常用的基于 离散小波变换的非线性滤波方法允许对变换系数进行切削、闽值处理、缩小幅度范 围等，这可以很好地用来分离信号和消噪。同时，小波变换具有一种集中的能力， 可以使一个信号的能量在小波变换域集中于少数系数上，相对地，这些系数的取值 大于在小波变换域内的能量分散于大量小波系数上的信号和噪声的小波系数值。据 此对小波系数进行阈值处理，可以在小波变换域中除去低幅度的噪声和不期望的信 号【”。 2 2 3 2 小波变换的基本降噪模型 设想图像信号“y ) 被噪声污染后为j 融y ) ，基本的噪声模型【8 】表示为： s y ) = ，y ) + f e y ) ，工y = 0 ，1 ，n l ( 公式2 - - 1 ) 其中，e 化y ) 为噪声，f 为噪声强度。小波变换的目的就是要抑制f e y ) ，以恢 复，优y 1 。 图2 3小波降噪过程模型 在这个噪声模型下，小波降噪的过程如图2 3 所示。其中，为原始信号；c 。为 噪声信号；s 为被污染后的含噪图像；厶为信号在小波域的表示，即含噪图像信号 在小波变换下的分解系数。 阂值算子e 作用以后，模n d , 郇j 系数被置为零，只保留模值大的系数项，即 ( 只。) ：卜，r c m j l i ( 公式2 - 2 ) 、。“4 1 0 ，其他情况 掩码算子m a s k 作用的结果是，保留特定的系数并把其他的系数值为零，即 ( m - c ) m ，2 毒4 其：q ( 馘2 - - 3 ) 9 青岛大学硕士学位论文 该模型的基本原理是，通过作用闽值的方法过滤掉绝对值小于某一定值的小波系数， 从而达到降噪的目的，故小波分析用于降噪的过程核心的步骤就是在系数上作用闽 值。从上面还可以看出，掩码算子其实是阈值算子的推广，可以通过引入系数模值 的掩码算子来实现阈值算子。 2 2 3 3 小波分析进行图像消噪的一般步骤f 7 j 1 疵点图像的小波分解。选择合适的小波基和恰当的分解层次n ，然后对待 分析的疵点图像进行n 层分解。 2 对分解后的高频系数，进行闽值量化。选择恰当的闽值和参数，对各层高 频系数进行阂值量化处理。 3 疵点图像的重构。用分解后的低频系数和经闽值量化后的各高频系数来重 构图像，得到消噪后的疵点图像。 2 2 3 4 小波分析进行图像消噪的具体方法 根据选取闽值及量化处理的方法不同，图像消噪的方法一般可分为以下3 种【7 1 。 1 默认闽值消噪处理。用m a t l a b 工具箱中的d d e n c m p ( 1 函数生成默认闽值， 再用w d e n c m p ( ) 函数进行消噪处理。 2 给定阈值消噪处理。降噪闽值用各种经验公式得到，可用w d e n c m p ( ) 或 w t h r e s h ( 、函数进行阔值处理。 3 强制消噪处理。将高频系数全部置零，比较简单，所得图像也平滑，但易 丢失有用信息。 本文采用第二种方法，降噪闽值以b i r g e m a s s a r t 策略得到，用w d c b m ( ) 函数实 现。b i r g e m a s s a r t 策略确定阈值的规则如下1 8 j ： 对于给定一个分解层数i ，j + 1 层以及更高层的所有系数保留，而第i 层( 1 j i ) 保留绝对值最大的h t 个系数，n 曲下式确定。 ( 公式2 4 ) 式中肘和口为经验系数，缺省情况下取m 吐( 1 ) ，也就是第一层分解后系数的长度， 一般情况下，m 满足工( 1 ) m 2 三( 1 ) ，d 取值在压缩情况下一般取a = 1 5 ，降噪情 况下一般取d = 3 。口即为w d c b m 函数中所取的参数a l p h a 。 1 0 第三章织物疵点图像的二值化分割 第三章织物疵点图像的二值化分割及后处理 3 1 二值化分割 图像分割是将一幅数字图像划分为不交叠的、连通的像素集的过程，其中一个 对应于背景，其它的则对应于图像中的各个物体，将图像中有意义的对象与其背景 分离，并把这些对象按照不同的含义分割开来，也就是说，把图像中具有不同含义 的对象提取出来。织物疵点图像的二值化分割是指将疵点部分和织物纹理完全分割 开，将疵点作为目标对象令其灰度值全为1 ，其它为背景对象，令其灰度值全为o ， 以提取疵点的准确形状，为进一步正确提取疵点特征、分析和识别做准备。 图像分割是图像目标检测的关键技术，其分割的精度决定了计算机化的分析最 终能否成功f 1 1 】，在整个图像处理系统中是至关重要的一步。当然，细分的程度取决 于要解决的问题，且对于程序识别来说需仔细考虑稳定分割的可能性。 3 。1 。l 二值分割技术 单色图像的分割算法通常基于图像亮度值的两个基本属性：不连续性和相识性。 在第一类别中，处理方法是基于亮度的变化来分割幅图像，如图像中的边缘。在 第二类别中主要方法是恨据事先定义的准则把图像分割成相似的区域。 这里仅将论文涉及的分割技术作介绍。 3 1 1 1 边缘检测 边缘检测的基本思想是：利用边缘增强算子，突出图像中的局部边缘，然后定 义象素的“边缘强度”，通过设置阈值的方法提取边缘点集。m a t l a b 中提供了e d g e ( ) 函数进行边缘检测，使用下面两个准则中的一种，在图像上查找亮度改变剧烈的地 方【1 i 】： l ，亮度的一阶导数在量级上比某些闽值更大的地方； 2 亮度的二阶导数为o 的地方。 由于织物纹理的影响，使得一般的边缘检测法4 2 】并不适用，难以正确分割出 疵点来。实验中发现，边缘检测算子对噪声、纹理太过敏感，纹理、噪声强的图像， 检测准确度会大大下降。对大的破洞疵点的边缘检测效果尚可，但对其它三类疵点 无能为力，尤其是离散类，小疵点边缘和部分纹理根本不可分。 效果如图3 1 ( b ) 所示，该图是图3 1 ( a ) 经过小波4 层分解后第四层重构图像( 已将 包含大量纹理、噪声信息的四层细节系数都舍弃，得到有效平滑的图像) 再用口r e w i i t 边缘检测算子检测边缘得到的，是分别用c a l l n y 、p r e w i t t 、s o b e l 、r o b e r t s 、l o g 边缘检 测算子检测边缘所得的五幅图像中效果最好的一幅。可以看出，部分小的纹理起伏 的边缘也被显示出来，主疵点的轮廓凌乱、断续、不突出，对这幅图的后处理会很 1 1 青岛大学硕士学位论文 有比一般的空域或频域图像处理和分析方法有明显的优势。利用工具箱中的数学 形态学函数，可以完成常见的图像处理任务，如对比度增强、滤波、分割、细化、 骨架提取、填充和特征提取等。 这里主要介绍一下论文中用到的数学形态学的基本理论和相关技术。 3 2 1 1 集合论中的基本概念m l l 集合论是数学形态学的基础。令z 为整数集合。用于产生数字图像的取样处理可 以看作是把w 平面分隔成网格的处理，其中，每个网格的中心坐标是来自笛卡儿乘 积z 2 ( 一个整数的笛卡儿乘积z 是元素旬的所有序对的集合，z f 和。f 是来自z 的整 数。通常用z 2 来定义这个集合) 中的一对元素。在集合论的术语中，若y ) 是矛中 的整数，是为每对不同的坐标y ) 分配亮度值( 即源于实数集尺中的实数) 的映射， 则函数，gy ) 称为数字图像。若r 中的元素也是整数，则该数字图像就变成了一个二 维函数，它的坐标与振幅( 即亮度) 值均为整数。 形态学的基本运算有并集、交集、补集、差集、映像和平移。其中，后两个运 算特别针对于元素均为像素坐标的集合，为了便于理解在这里简要介绍。 集合b 的映像记为b ，定义为 刍= m p = 一6 ，6 b ) ( 公式3 9 ) 点z = ( z 。，z ：) 对集合爿的平移记为) ：，定义为 何) ：= c i c = 口+ z ，日4 ( 公式3 1 0 ) 3 2 1 2 腐蚀和膨胀【6 “1 】 形态学图像处理的基础是腐蚀和膨胀运算。膨胀在二值图像中是“加长”或“变 粗”的操作。其操作方式和变粗的程度由一个称为结构元素的集合控制。而腐蚀在 二值图像中“收缩”或“细化”对象，收缩的方式和程度同样由结构元素控制。 数学上膨胀和腐蚀定义为集合运算。爿被口膨胀记为爿o b ，定义为 爿。曰= zj ( 口) ：n 爿g ( 公式3 1 1 ) 其中，a 为空集，b 为结构元素。膨胀的结果是所有结构元素原点位置组成的集合。 其中，映射并平移后的b 至少与爿的某些部分重叠。 爿被b 腐蚀记为爿0 b ，定义为： 爿o b = 仁i x n 爿g ) ( 公式3 1 2 ) 其中，为4 的补集。腐蚀的结果是所有结构元素的原点位置的集合。其中，平移 的b 与爿的背景并不叠加。 1 6 第三章织物疵点图像的二值化分割 ( a ) ( d )( e ) 图3 3 ( a ) 二值图原图；( b ) 经膨胀操作后图像；( c ) 经腐蚀操作后图像 ( d ) 经形态开操作后图像；( e ) 经形态闭操作后图像 膨胀、腐蚀的效果如图3 3 ( a ) 、( b ) 、( c ) 所示。 3 2 1 3 腐蚀和膨胀的组合【6 。1 1 】 腐蚀和膨胀是形态学图像处理的最基本的两个运算，实际应用中，我们更多地 以各种组合的形式来使用它们。这里将本文中用到的四个组合运算作介绍。 开运算和闭运算： 爿被b 的形态开运算可记做4o b ，是4 被b 腐蚀后再用b 来膨胀腐蚀结果： 爿o b = o b ) o b ，简单的几何解释为爿在占内完全匹配的平移的并集。效果为完全 删除不能包含结构元素的对象区域，平滑对象的轮廓，断开狭窄的连接，去掉细小 的突出。 彳被口的形态闭运算记做爿且，它是先膨胀再腐蚀的结果：4 b = o 日) o b ， 几何解释为所有不与爿重叠的b 的平移的并集。效果为连接狭窄的缺口，并填充比 结构元素小的孔洞。 3 2 2 灰度图像形态学扩展及其在疵点图像预处理中应用 上述运算都可扩展到灰度图像。只是膨胀和腐蚀是以像素邻域的最大值和最小 值来定义的，这里不再介绍其具体定义，只介绍本文用到的图像处理运算。 灰度图像的开运算，可以去除小的亮点，同时保持所有的灰度级和较大的亮区 17 青岛大学硕士学位论文 特性不变，而闭运算可以去除比结构元素更小的暗色细节。 所阻，对图像进行开运算可以产生对整个图像背景的合理估计【2 ”，只要结构元 素足够大。从原图中减去该图，就生成一幅具有含适且均匀背景的图像，这两步组 合可用一步高帽( t o p h a t ) 变换来完成。因为阈值分割法应对亮度不均匀的图像很 困难，所以高帽变换可用在预处理中均匀图像亮度。 而低帽( b o t t o m h a t ) 变换定义为图像减去闭运算结果，所得图像体现了原图中 的灰度谷值。高帽和低帽变换常被组合在一起使用，较合理地实现图像的对比度增 强。比如将高帽变换结果与原图像相加后再与低帽变换结果相减，用于预处理中能 够提高阈值分割法的适应性并可以大大改善分割的质量。 3 2 3 二值形态学在疵点识别的分割后处理中的应用 主要是利用了二值形态学中的腐蚀、膨胀、形态开、形态闭、填充空洞、移除 小对象操作以去除噪声和正确提取疵点目标。工具箱中都有函数可以直接调用，后 两种操作可字面理解，故不再单介绍，具体用法见6 2 3 节。 1 8 第四章疵点部分特征提取 第四章疵点部分的特征提取 为了实现织物疵点的模式识别和评定，必须把疵点对象的内在特征转化为可以 用数学语言描述的特征量。 图像特征是用于区分一个图像内部的最基本属性或特征。它们可以是人类视觉 可以鉴别的自然特征，也可以是通过对图像进行测量和处理从而人为定义的某些特 性或参数，即人工特征，当然这里用于计算机模式识别的特征只能是人工特征。而 特征提取就是用一组数或符号作为特征参数来有效地表征图像中目标区的特征、性 质和相互间的关系，为模式识别提供基础。 一个识别系统需要确定被识别的对象具有哪些特征，以便产生描述该对象的参 数。识别效率高的系统，表现在能从一些属性相似但实质不同的对象群中分离出目 标对象。用来比较的特性往往不是一个，而是一组。而所得的参数值组成了每个对 象的特征向量。 特征选取很重要，若特征参数选取不合适，就难以做到准确识别和分类。可选 取的特征参数很多，但是各个参数的灵敏度不同，如果都用来表征图像的特征，计 算量将会非常大，而且参数间表达的内容有重复时反而会影响识别，因此需要认真 选择。 良好的特征应具有以下四个特点【1 2 j ： l ，可区别性：所选特征对属于不同类别的对象应具有明显的差异。 2 可靠性：所选特征对同一类对象应尽可能一致。 3 独立性：所选特征之间应彼此独立，表达对象的不同特征。 4 数量少：所选特征数目应尽可能少，也就是“最佳特征集”，这样可以使 判断速度快，计算量小。 实际上，完全满足上述四条要求的特征集是很难获得的，在设计系统时，只能 要求尽可能地遵循以上原则。 4 1 疵点的特征参数 本文对疵点分类的主要依据是疵点的形状，所以主要用形状特征来描述疵点。 形状特征描述实质上可看成图形的几何特征数量化，其参数没有统一的定义，只要 能充分反映对象物的形状，或者能有效区分对象物之间的形状差异，并且可快速获 取的参数都可作为形状特征参数。常用的有区域面积、周长、圆形度、内切圆半径、 形状复杂性、凹凸性等等。 本文选用的三个特征参数如下，其意义参见图4 1 所示。 1 9 青岛大学硕士学位论文 1 、疵点面积s 二值分割后一个疵点对象无论其形状如何，它所包含的象素总个数，就是我们 定义的疵点面积。 2 、疵点扁度b 定义疵点对象的扁度为其水平向长度和垂直向宽度的比值。为了不至于与通常 意义上的长度和宽度相混淆( 其指代的内容在疵点为竖长形状时与定义中两指标不 同，如图4 1 所示) ，我们统一称疵点水平向长度为疵点宽度w ，疵点垂直向宽度 为疵点高度h ，公式描述为： b = w h( 公式4 1 ) 这样疵点形状无论是扁宽还是竖氏( 典型的如径向疵点扁宽而纬向疵点竖长) ， 疵点扁度的定义都与通常意义上的描述相一致。 其中，疵点宽度w 和疵点高度h ，用其水平和垂直方向上最大的像素点数来度 量。 图4 1 特征参数示意图 这是两个形态特征参数，本文还考虑了疵点的灰度值，作为第三个特征参数： 3 、疵点质心像素点处所对应的原灰度图上的灰度值g 如图4 1 中所示，点c 代表疵点的质心( 当然，实际中一个像素点太小c 点是 不可见的) 那么，对应的原灰度图上c 处象素点的灰度值就是g ，其取值在0 2 5 5 。 4 2 疵点特征参数对疵点的表示与描述分析 特征参数的选取对整个识别很关键，实验中仔细地对特征参数进行了筛选、检 验。分析疵点面积、疵点宽度、疵点高度、疵点扁度、疵点取向这五个反映疵点形 状的基本量，疵点面积是最直接和真实的表征形态，扁度定义为疵点的宽度和高度 2 0 第四章疵点部分特征提取 之比，在一个特定的方面同时反映了宽度和高度特性。这两个特征向量在一起基本 上就限定了一个疵点对象的形状。由此看出，宽度和高度所表示的疵点形态与疵点 面积和扁度两个特征向量所表征的部分内容相重复，具有一定的相关性，这是选定 特征时要尽量避免出现的问题。且本着特征向量在能足够表征的情况下元素要尽可 能少的原则，舍弃宽度和高度。而且人工神经网络输入数量少时，计算量小，训练 容易，判断速度快。考虑疵点取向这个量，对疵点对象的取向值做统计时发现，只 有经疵、纬疵方向类疵点的取向有规律，而另两类都不定，随机性太大，若作为特 征参数，很可能会对神经网络的训练和识别结果带来干扰，故不能选用。 同时，实验过程中发现，疵点灰度值是描述了疵点颜色特征的一个值得考虑的 表征量，其取值对于四类疵点比较有规律，所以对该量作统计分析后，在特征参数 选择时，加上了疵点质心处的灰度值。 再来分析一下所选的三个特征参数的相互关系、对疵点的表征能力及正确识别 的可行性： 1 、疵点扁度：经疵扁度很小，纬疵扁度很大，区域和离散小疵点扁度居中，二 者可由面积区分。 2 、疵点质心处的灰度值：破洞( 由于统一取图样时，均以黑色为底衬所致灰度 值很小) 、油污等区域类疵点和色深离散疵点、缺纬等纬疵往往灰度值很小，而这 三者可由面积和扁度区分；经疵、棉结离散疵点往往灰度值较大( 出于经疵和棉结、 布茬多突起在织物表面，拍照的时候亮度自然会比布面大一些) 再由扁度和面积可 区分。 3 、疵点面积：离散类最小，区域类、经疵、纬疵有大有小，但都会比离散类大， 而这三者可由扁度及灰度值区分。 三个特征量各自的相对独立性较好，只要疵点的这三个量已知，就可唯一地确 定其类别所属，理论上看对疵点的表征力很好。 4 3 疵点的特征量提取 在疵点的三个特征量提取程序实现中，基本上都由数字形态学的基于对象的操 作来完成的。用b w l a b e i ( ) 函数对二值图像中各对象进行标记，返回标记后的图像； 用r e g i o n p r o p s ( ) 函数计算图像中对象的面积、包围矩形、质心属性，返回一个结构 体数组。 经过分割后的二值化图像中，个像素点只有两个取值：0 和1 ，若为1 则是目标 象素点，图上显示为白；若为0 则为背景像素点，图上显示为黑。而所谓的对象就是 值为1 的像素按照一定规则连接在一起的集合( 值为o 的像素代表的就是背景) 。这 里需解释一下连接规则，因为同一个二值图像在不同的连接方式的规定下，识别的 2 1 第五章织物疵点的神经网络智能识别 第五章织物疵点的人工神经网络识别 本文采用人工神经网络( k r t i f i c i a ln e u r a ln e t w o r k ) 来完成疵点的计算机识 别，以疵点的特征参数作为输入，输出为疵点的类别。织物疵点形态各异，很难用 准确的模型来判别，而人工神经网络具有良好的学习能力及不完全精确性，在疵点 的分类中得到了很好的利用。纺织标准对于布面疵点的种类、判别方法、评分标准 等都有具体规定口“。根据这些具体规定，将具有相应特征的疵点样本输入人工神经 网络进行学习，经有限步的网络训练，最终得到最佳的神经网络权矩阵，便可有效 地检测和识别疵点。 人工神经网络是基于神经科学研究的最新成果发展起来的新兴边缘学科。它是 以工程技术手段模拟人脑神经网络的结构与功自特征的一种技术系统。它利用大量 的非线性并行处理器来模拟人脑的众多神经元，利用处理器间错综灵活的连接关系 来模拟人脑神经元问的突触行为。 这个由大量简单的处理单元广泛地互相连接而形成的复杂网络系统反映了人脑 功能的许多基本特征，是一个高度复杂的非线性动力学系统。它模仿人脑结构及智 能行为，具有大规模并行处理、分布式存储和处理、自组织、自适应和自学习能力 及联想功能等特性，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊 的信息处理问题，在复杂的系统建模中表现出尤为突出的优越性。 它不像专家系统那样需要实现建立知识库，知识的获取只需要足够的训练样本， 训练合格的网络将知识存储在权系数中，能够模拟显示系统复杂的输入输出关系， 具有很强的非线性建模能力，还具有良好的容错性能，在局部接点或连接实效、部 分规则不掌握的情况下，仍能正常工作等，这些特点，都是处理工程领域各种不同 建模问题所必需的特性。 这种先学习后使用的方法无疑提高了效率，而且对于输入样本有限的情况，用 神经网络能完善解决。只要有充足的输入参数，其分类精确性是相当高的，一般在 9 0 以匕。 5 1 神经网络的基本知识 神经网络一般由输入层、隐含层、输出层组成，各层之间的