（计算机应用技术专业论文）基于小波变换的织物疵点检测的研究.pdf

浙江理工人学硕士学位论文 摘要 在纺织品生产中，织物疵点检测是质量控制中非常重要的一个环节。传统的织物疵点 检测是由人工离线检测来完成的，受到人的主观因素的影响，存在着误检率和漏检率高、 检测速度慢的缺陷。随着计算机技术、图像处理技术的发展，使得基于计算机视觉的织物 疵点检测识别成为可能。利用计算机视觉对织物疵点进行检测，为判定织物疵点的种类、 大小以及对产品质量的评估制定客观标准打下了基础。 本文围绕织物疵点检测这一主题，以快速检测为指导思想，利用自适应小波为工具， 先后根据图像自身的特点和织物图像特有的经纬特性，提出了基于织物图像的类五铢压缩 小波变换算法和基于织物图像经纬重复周期的多分辨率小波分析方法，使得图像检测时间 缩小为原来的1 4 1 1 3 。并选取了合适的特征值，对变换处理后图像中织物的疵点进行了识 别，效果理想。本文的研究内容和成果包括： ( 1 ) 针对减少检测数据可以采用图像的压缩，而图像压缩中常采用的五铢压缩不能进行 可分离分解的问题，本文采用了两次四抽取图像采样来模拟五铢压缩。四抽取是可分离的， 其模拟后的压缩也是可分离的，因此将二维数据分解为一维数据，便于采用自适应小波进 行分析。通过这种图像压缩，数据计算量减少了1 2 多。同时，提出可以在小波检测中采 用图像的邻域插值，进而缩短所用的小波系数序列的长度。 ( 2 ) 本文根据织物图像具有很强的方向性，并且其经纬有固定的重复周期的特性，提出 了根据织物图像中经纬重复周期的长度来确定采用的多分辨率小波的尺度。这样就可以不 采用图像的压缩，直接对图像进行处理。在本文实验中，采用尺度为2 的小波进行分析。 这种方法具有比较好的灵活性。 ( 3 ) 对经过小波分析的图像，利用疵点区域外接矩形的方法，提取了其经纬向疵点的长 度，并对疵点位置进行标记。通过计算经纬向疵点的扁度，标记区域原图的平均狄度，疵 点区域的面积，来识别疵点，有别于以往的基于整幅图像的经纬向方差、能量、极差、熵 等特征值来对疵点进行识别的方法。 关键词：织物疵点；自适应小波变换；图像采样；检测计算量；疵点识别； 浙江理下大学硕士学位论文 f a b r i cd e f e c td e t e c t i o nb a s e do nw a v e l e tt r a n s f o r m a b s t r a c t t h ed e t e c t i o no ft h ef a b r i cd e f e c ti so n eo ft h em o s ti m p o r t a n tp a r t so ft h eq u a l i t yc o n t r o li n t h ef a b r i cp r o d u c t i o n t h et r a d i t i o n a ld e t e c t i o no ft h ef a b r i cd e f e c tw a sa c c o m p l i s h e db yt h e a r t i f i c i a lo f f - l i n eo p e r a t i o n b e c a u s ei ti so f t e ni n f l u e n c e db yt h es u b j e c t i v ef a c t o ro ft h eo p e r a t o r , t h er a t i oo fm i s d e t e c t i o na n dm i s s i n gd e t e c t i o ni sh i g h ，a n dt h ed e t e c t i o ns p e e di ss l o w a sl o n g a st h ed e v e l o p m e n to ft h ec o m p u t e rt e c h n o l o g ya n di m a g ep r o c e s s i n ga p p l i c a t i o n , t h ef a b r i c d e f e c td e t e c t i o no nt h ec o m p u t e rv i s i o nb e c o m e sp o s s i b l e t h ea c c o m p l i s h m e n to fm a k i n gu s eo f t h ec o m p u t e rv i s i o nt od e t e c tt h ef a b r i cd e f e c th a sb e e nag o o df o u n d a t i o ni nt h ef l a m eo f o b j e c t i v es t a n d a r d sf o rj u d g i n gt h es t y l eo ft h ed e f e c t , t h es i z eo ft h ed e f e c ta n dt h ec l a s so ft h e f a b r i cq u a l i t y o nt h es u b j e c to ft h ef a b r i cd e f e c td e t e c t i o n , t h i sp a p e ru s e st h es e l f - a d a p t i v ew a v e l e tt o o l t or e a l i z et h ef a s td e t e c t i o na c c o r d i n gt ot h ef e a t u r eo ft h ei m a g ea n dt h ew a r p w e f tc h a r a c t e ro f t h ef a b r i c t h i sp a p e ri n t r o d u c e sas i m i l a rf i v e b a h tc o m p r e s sw a v e l e tt r a n s f o r mb a s e do nt h e i m a g eo ff a b r i c sa n dt h em u l t i - r e s o l u t i o nw a v e l e ta n a l y s i s ，w h i c hm a k e st h et i m e c o n s u m p t i o n o fd e t e c t i o nr e d u c e dt ob e1 4 11 3o fo r i g i n a lt i m e c o n s u m p t i o n t h i sp a p e ra l s oc h o o s e ss u i t a b l e e i g e n v a l u e st od i s t i n g u i s ht h ef a b r i cd e f e c ti nt h ew a v e l e t - t r a n s f o r m e di m a g e ，w h i c hg e t st h e g o o dd e t e c t i n ge f f e c t t h er e s e a r c hc o n t e n t sa n d r e s u l t so ft h ep a p e ri n c l u d e ： 1 ) f o rt h ep r o b l e mt h a tc o m p r e s s i n gt h ei m a g ec a nr e d u c et h ed e t e c t i o nd a t aa m o u n t ，b u t t h ef i v e - b a h tc o m p r e s s i o na sau s u a li m a g ec o m p r e s s i n gm e t h o di sn o td e c o m p o s a b l e ，t h ep a p e r a d o p t sd o u b l eo p e r a t i o no ft h ef o u r - e x t r a c ts a m p l i n gt oi m i t a t e t h ef i v e b a h tc o m p r e s s i o n b e c a u s et h ef o u r - e x t r a c ts a m p l i n gi sd e c o m p o s a b l e ，t h ei m i t a t e dc o m p r e s s i o ni sd e c o m p o s a b l e ， a n dt h e nt h et w o d i m e n s i o nd a t ai sc h a n g e dt ob et h es i n g l ed i m e n s i o nd a t a , w h i c hi sa n a l y z e d b yt h es e l f - a d a p t i v ew a v e l e t t h r o u g ht h i sk i n do fi m a g ec o m p r e s s i n g ，t h ec a l c u l a t i o nd a t ai s r e d u c e db ym o r et h a nh a l em e a n w h i l e ，t h ep a p e ra d o p t st h ei m a g en e i g h b o r h o o di n t e r p o l a t i o n 浙江理t 大学硕十学位论文 d u r i n gt h ew a v e l e td e t e c t i o n , w h i c hs h o r t e n st h el e n g t ho ft h ew a v e l e tm o d u l u ss e r i e s 2 ) t h ei m a g eo ff a b r i ch a ss t r o n gd i r e c t i v i t y ，a n dt h ew a r pa n dw e f th a v ef i x e da l t e r n a t e p e r i o d s b a s e do nt h ec h a r a c t e r so ft h ef a b r i ci m a g e ，t h ep a p e rp r o v i d e st h es c a l eo ft h e m u l t i r e s o l u t i o nw a v e l e ta c c o r d i n gt ot h el e n g t ho ft h ea l t e r n a t ep e r i o do ft h ew a r pa n dw e f ti n t h ef a b r i ci m a g e t h e r e f o r e ，w ec a l lp r o c e s st h ei m a g ed i r e c t l yw i t h o u tc o m p r e s s i n gi t i nt h e e x p e r i m e n to f t h ep a p e r , w ea n a l y s et h ei m a g ew i t ht h ew a v e l e ti ns c a l e2 t h i sm e t h o dh a s g o o d f l e x i b i l i t y 3 ) a f t e rt h ei m a g ei sa n a l y z e db yt h ew a v e l e tt r a n s f o r m a t i o n , t h i sm e t h o de x t r a c t st h e l e n g t ho ft h ed e f e c ti nt h ew a r pa n dw e f td i r e c t i o na n dm a r k st h ep o s i t i o no fd e f e c t s t h em e t h o d a l s od i s t i n g u i s h e st h ed e f e c t sb yc a l c u l a t i n gt h ef l a t t e n i n go ft h ed e f e c t si nt h ew a r pa n dw e f t d i r e c t i o n , m a r k st h ea v e r a g eg r e ys c a l eo ft h eo r i g i n a li m a g e sa r e aa n dt h ea r e ao ft h ed e f e c t ， w h i c hi sd i f f e r e n tf r o mt h o s ef o r m e rm e t h o d st h a td i s t i n g u i s ht h ed e f e c t sb a s e do nt h ew h o l e i m a g e sv a r i a n c e 、t h ee x t r e m ed i f f e r e n c e 、t h ee n e r g y 、t h ee n t r o p ya n do t h e rd e t e c t i n gm e t h o d s k e yw o r d s ：f a b r i cd e f e c t , s e l f - a d a p t i v ew a v e l e tt r a n s f o r m , i m a g es a m p l i n g , d e t e c t i n gd a t a , d e f e c td i s t i n g u i s h i i i 浙江理工大学学位论文原创性声明 本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师 的指导下，独立进行研究工作所取得的成果。除文中已明确注明和引用的内容外，本论文 不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰 写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。 学位论文作者签名：概 同期： z 口o7 年弓月乡。日 浙江理工大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权浙江理工 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印 或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 保密口，在年解密后使用本版权书。 不保密回 学位论文作者签名：库参勃 日期：加。7 年孑月) 日 浙江理1 二大学硕士学位论文 1 1 课题的背景、目的及意义 第一章绪论 国内纺织工业在自动化技术应用上已经取得很大的进展，各道工序的生产效率也得以 大幅度地提高。然而，纺织品检验的效率却并没有同步提高。目前，这一工序主要依赖于 人工操作。这种方法存在一些明显的缺陷，如劳动强度大、效率低、漏检率高、受检测人 员主观因素影响大，难以得到准确的检验结果【i l 。有实验表明，一个验布工全神贯注的最 长时间约为3 0 分钟，之后注意力开始下降，所以人工视觉检测的误检率和漏检率较高， 而且一般只能发现约7 0 的疵点。 事实已经证明，织物疵点检测是所有纺织生产过程中最难实现自动化的工序。为了提 高产品质量管理和控制的水平，实现对织物疵点的客观评价，进而降低成本和减轻检测人 员的负担，织物疵点的自动检测日益受到国内外专家学者的关注，成为一个受人关注和研 究的热门课题之一。尤其是从上一世纪8 0 年代后期以来，基于计算机视觉技术的织物疵 点自动检测更成了纺织学科和信息学科学者们积极参与的前沿交叉研究领域，并取得了一 定成果，但其中大部分还是以算法、专利或实验样机等形式被报道。 利用计算机对织物疵点进行自动检侧，不但能提高纺织企业的自动化程度和生产效 率，而且为判定织物疵点的种类、大小以及对产品质量的评估打下客观的基础。但是，我 国在应用计算机自动检测织物疵点方面，无论是研究工作还是系统研制方面均较长时间处 于空白状态。直到近期，国内的一些大学如东华大学和一些学者才开始了这方面的研究探 索。并且，现在很多的检测都是在m a t l a b 仿真条件下实现的，没有提供直观的图像影像， 一些提供的直观影像一般是利用了离线的单幅图片进行的检测，没有考虑到现实中流水线 作业的实时要求，即检测速度的要求。利用计算机进行织物疵点自动检测是现代高新技术 的综合应用，所有有关该领域的理论研究和实践应用的深入开展对提升我国传统产业有积 极的作用，有利于增强传统企业的竞争力。本文的选题也正鉴于以上所述的背景。 1 2 国内外的研究现状 随着计算机技术、数字图像技术和现代最优化方法的发展，使得基于计算机视觉的织 物疵点检测成为可能。从2 0 世纪9 0 年代初开始，图像处理用于疵点检测的研究逐渐形成 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陆续发表了许多 浙江理工大学硕士学位论文 有价值的研究论文。这些论文参考了现代应用数学和计算机等学科的最新科研成果，还借 鉴了其它工业检测系统的开发经验，理论水平不断提高。 按照图像处理方法的不同，前人在织物疵点自动检测的研究可分为以下几种。一种是 直接对图像的灰度值在时域( 空间域) 进行计算，并提取特征值；一种是通过快速傅立叶变 换、小波变换等方法，把图像转换到频域后再进行分析计算；另外还有利用专家系统和人 工神经网络进行分析计算的。现对上述研究方法作简要叙述。 1 2 1 在时域处理图像的疵点检测方法 数字图像处理中，纹理特征的提取是对物体图像灰度级变化的特征进行量化。对图像 灰度值直接进行计算有灰度共生矩阵、马尔科夫随机场等方法，这些也是纹理分析常用的 方法。许多基于共生矩阵的特征已被验证，包括熵、对比度和二阶矩等，但也存在计算量 大导致处理速度慢等缺点。 y n g o n g 等采用马尔科夫随机场( g m r f ) 纹理模型对织物中的疵点检测进行了研究【2 】。 首先对没有任何疵点的织物图像进行训练，得到该种织物纹理的g m r f 参数，作为检测过 程的参考指标。检测时，对待检测织物图像分块，并在每个图像块内计算g m r f 参数，计 算同参考指标的“距离 ，以确定图像块是否存在疵点。 c h u n g f e n gj e r r r e yk u o 等人【3 】使用灰关联分析法识别织物疵点时，提取了能量、熵、 对比度、相异性这四个基于灰度共生矩阵的特征。并以此作为判定的依据，对织物中的断 经纬、油污和破洞进行检测，识别率达到9 4 。 s t o j a n o v i cr 等人【4 】用灰度差分方法提取了对比度、角二阶矩、均值、熵、均衡度等 特征。借助于人工神经网络来对疵点进行检测，检测效果理想。 m a g a r c i a 等人 5 1 在用多种方法提取了特征参数( 其中的局部一致性参数就是依据灰 度共生矩阵提取的) 组成向量集合后，采用基于k u l l b a c kj - d i v e r g e n c e 的加权贝叶斯最大后 验估计法实现了对疵点的正确检测，但文中未具体说明疵点类型。 国内在时域内检测疵点的研究有： 高滨等研究了基于支撑矢量机的织物疵点识别方法 6 1 ，该算法运用直方图统计的方法， 由概率统计生成直方波形，并将其作为支撑矢量机的输入参数，用于训练特征样本集，以 获得支撑矢量。 高晓丁等研究了基于直方图统计的织物疵点识别算法 7 1 。该识别算法原理简单、运算 快捷、可靠稳定，且适应性强，对经向和纬向疵点有很好的效果。但并不能识别所有类型 2 浙江理工人学硕士学位论文 的疵点。 此外，这些研究由于软硬件的局限，只能检测人眼看起来比较明显的疵点，检测疵点 的种类较少，精确度低，计算速度较慢，难以适应工业化需要。2 0 世纪9 0 年代中期以后， 由于小波分析等现代数学工具的兴起，疵点检测研究以在频域对图像分析为主。 1 2 2 在频域处理图像的疵点检测方法 由于对于给定图像，其二维傅立叶变换能包括全部纹理信息，因此，如同从物体本身 导出纹理特征一样，从傅立叶频谱导出特征值也是非常有用的。而小波变换则由于其检测 奇变信号的优良特性，使之成为傅立叶变换之后在信号检测中最具发展前途的研究工具之 一o ( 1 ) 傅立叶分析法 按照获取和处理图像方式的不同，近年来采用f f l 处理织物疵点图像的研究成果分为 两类：一种以c c d 采集织物图像信息，经图像卡数字化后，由计算机处理，对织物疵点加 以识别。其特点是识别效果和速度受计算机软硬件的制约，但灵活性强，可以方便地变换 不同的算法，并且容易实现。另一种是采用光学透镜，如傅立叶透镜、滤波器透镜等硬件 的方式，获取织物图像并进行处理，从而识别出疵点，其特点是速度快，但灵活性相对较 差。 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 疵点进行检测和分类【8 】。为节省计算时间，图像的二维快速傅立叶变换( f f t ) 由经向和纬向 两个一维的f f t 代替。由f f t 后的功率谱提取9 3 个特征参数，输入b p 神经网络训练。实 验证明，对一幅2 5 6 x 2 5 6 的图像，检测和分类时间为0 2 秒，而对检测的1 2 类疵点中的9 类能够j 下确识别。 c h i - h oc h a r t 等研究了傅立叶分析应用于织物疵点检测【9 1 。获取的织物图像，首先经直 方图均衡化，目的是使图像的亮度和对比度标准化。然后经两点f f t 计算出图像的频域功 率谱，由其计算出七个参数，分别表示织物的不规则结构、纬纱结构和经纱结构。双经( 纬) 、 缺经( 纬) 、破洞和密度波动等四类疵点，可由七个参数的变化检测出来。 近年来，使用傅里叶变换来检测织物疵点的研究愈来愈少。短时傅罩叶变换具有时频联 合分析能力，但时频窗是固定的。以多尺度分析为主要特征的各种小波及其相关变换克服了 这些缺点，实现了对信号有效的时频分解【1 0 】 ( 2 ) 小波分析法 3 浙江理工大学硕士学位论文 小波变换中由于引入了尺度因子，使之具有分析频率降低时视野自动放宽的特点，能 够将各种交织在一起的不同频率组成的混合信号分解成不相同频率的块，且对高频成分采 用逐渐精细的时域或空域取样步长，从而可以聚焦到对象的任意细节，因而能有效地应用 于模式识别、边缘检测等问题，正是在这种意义下，小波分析被誉为数学显微镜。 1 9 9 9 年美国的h s a r i - s a r r a f 研究了安装于织布机上的疵点检测系统【1 1 1 。织物图像 的采集采用基于数字信号处理器( d s p ) 的线扫描摄像头、数字图像卡和个人计算机。图像 采集前要测定布机上布面的移动规律和速度。采集的图像经2 或3 层小波分解并去掉间隔 采样步骤，对横向、纵向和对角图像按一定方式融合为一个图像后计算其整体均匀度和局 部粗糙度，整体均匀度较小者被认为没有疵点，否则阈值化后经分析将疵点分类。 2 0 0 0 年台湾的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【1 2 】。 织物图像被获取后，作小波分解并计算分解后子图像的香农熵，对熵值最小的子图像继续 分解，共分解三层。选择香农熵值最小的六个子图像，其位置和香农熵值作为参数，再加 上均值和标准差共2 6 个特征参数，输入到b p 神经网络训练并检测。检测的四类疵点是缺 经、缺纬、油污和破洞，虽然正确率达到了1 0 0 ，但疵点种类偏少。 x z y a n g 等人1 3 1 采用非抽样八波段小波滤波库自适应小波变换方法检测织物疵点， 检测了5 种疵点：断头、错纬、经纱松弛、细档、错穿综。另外，该研究者还采用j 下交小波 变换进行了检测，两种方法经对比显示出前一种方法即自适应小波变换的有效性和优越 性。 x z y a n g 等人【1 4 1 用非十进制离散二维自适应小波分解图像，提取了小波系数各频道 下的平均能量作为特征参数，检测了8 种疵点。研究结果表明，所用2 尺度自适应小波在疵 点检测方面的效果与3 尺度h a a r 小波相当，从而在达到同样检测效果下以前者计算量为 小。 国内疵点检测运用小波变换方法的有： 徐增波等研究了利用二维连续小波变换的方法【1 5 】，此方法主要是根据疵点区域的纹理 不规则及局部变形导致其局部瞬时频率与正常织物纹理瞬时频率的差异，采用二维连续小 波变换方法进行疵点的检测，并通过织物纹理模型和频谱分析，估计适应于织物纹理结构 的最佳小波变换尺度和旋转角度在最佳尺度和旋转角度下，二维连续小波变换能从频域 和时域上获取反映疵点局部纹理变化的信息，并可从小波变换系数的模中对疵点加以分 割。 李立轻等也用基于织物自适应正交小波的方法检测了织物疵点1 6 】。此方法借鉴了 4 浙江理丁大学硕士学位论文 d a u b e c h i e s 小波构造时的正交条件，对正交小波进行织物自适应优化，然后将织物图像分 解为纬向和经向两个子图像，在子图像中分别抽取特征，通过对特征值的判别实现了对织 物疵点的识别。 上述这些研究，都处于实验研究阶段，检测疵点的种类较少，只能检测比较明显的疵 点，没有找到理想的方法对大部分常见疵点进行检测并准确定位。但是，从以上研究工作 中仍然可以看出，近期的疵点自动检测研究都把傅立叶变换、小波分析和神经网络作为疵 点自动检测的重要工具。 小波变换是由短时傅立叶变换发展起来的应用数学分支，具有多尺度的特点，以及在 时、频两域表征信号局部特征的能力，非常适合检测信号的瞬态或奇异点，所以应用于疵 点的检测其优点是明显的。 1 2 3 其他的一些方法 除了上述的方法，目前还有很多是基于人工神经网络来进行检测的。 g a r c i am a 等人【”1 在用多种方法提取了特征参数( 包括小波系数、灰度统计特征、 分形维等等) 组成向量集合后，采用基于k u ll b a c kj - d i v e r g e n c e 的加权贝叶斯最大后验估 计法实现了对疵点的j 下确检测，但文中未具体说明疵点类型。 1 9 9 6 年t s a i 等研究了应用b p 神经网络检测缺经、缺纬、油污和破洞疵点，输入神经 网络的特征值是由织物图像的傅立叶功率谱得到的九个参数，分类正确率为8 8 t 1 8 l 。 1 9 9 7 年r a j a s e k a r a n 采用交互传播网络( c p n ) 代替b p 神经网络，速度据称提高了3 0 0 0 倍，而且网络不需训练l l 引。 w e nc - y 等采用小波变换和共生矩阵检测油污、破洞和线形疵点口0 1 。从图像的小波分 解结果，再计算共生矩阵的熵和对比度，根据图像窗口的分割来检测疵点。这种方法检测 疵点的种类较少，计算速度也不会很快。 k u m a ra 等人【2 u 采用由7 x 7 的图像窗口中的象素的灰度值集合作为初始特征向量，经正 规化和p c a 处理后，分别采用前馈神经网络和一个多项式核函数支持向量机两种方法来检 测双纬、多重结网、纬纱松弛这几种疵点。 a c o n c i 等人【捌采用了一种基于差分计盒法的分形方法提取了织物纹理的分形维及 其标准差作为特征参数来检测织物疵点。有疵样本正确检测率达到9 6 ，无疵样本正确识别 率仅为7 2 。 5 浙江理丁大学硕士学位论文 c y w e n 等人瞄】采用基于分形布朗运动的傅里叶频域最大似然估计算子来估计织物 图像的分形参数一h u r s t 系数，以此作为特征参数，能够检测出污斑、破洞、水滴3 种 疵点。 国内在这方面的研究有： 张瑞林等人基于脉冲神经网络( p c n n ) 进行织物疵点边缘检测【2 4 】。这种方法利用织物表 面疵点区域的灰度强度不同于织物表面图像的灰度强度，其根据p c n n 神经元是否点火来 获取织物疵点信息，然后将所提取的特征点按作用范围膨胀，并用c a n n y 算子分割出织物 疵点，提取出织物疵点边缘。 陈俊杰等研究了双层神经网络对织物疵点识别的模型【2 5 1 。先对正常织物进行训练，得 到织物的特征，应用第1 层简单b p 网络来分辨正常织物和疵点。然后对疵点图像进行二维 离散小波变换，并去除织物本身的特征，利用已训练的b p 网络进行具体疵点识别。 人工神经网络是在生物学中神经网络理论的基础上，研究复杂的多维非线性大系统中 信息的分布、传递以及处理的理论和方法，并用于解决实际的过程问题。它由很多处理单 元有机地联结起来，进行并行的工作，且处理的信息和知识是非线性的。其信息传播和存 储方式与神经网络相似，即采用物理可实现、能模仿人脑神经细胞的结构和功能的系统。 神经网络以其联想、记忆、推理能力、非线性、容错性和系统并行处理方式等方面的能力， 在基于样本的自适应学习和故障模式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，这就决定了神经网络在疵点分类中的难以动摇的主导地位。 1 3 本文的工作和结构 1 3 1 本文的主要工作 本文主要是对含有疵点的织物图像进行小波分析，并依据疵点的经纬向长度、扁度、 疵点区域灰度均值、面积等对疵点进行分类。在对织物图像进行分析时，我们着眼于减少 数据计算量，以其减少计算时间，同时保证检测结果的准确性。 首先，根据构造有限序列小波滤波器系数的紧支撑条件和适应特定织物的逼近条件来 构造了步长为6 的自适应小波。 其次，为了减少计算量，我们对图像进行压缩，由于图像压缩中的五铢压缩方式属于 不可分解的压缩，即其不能把二维的图像空间分解成为两个一维空间的变换，所以我们采 用了两次四抽取的融合来模拟了五铢压缩方式，同时使得压缩后的数据满足可分离的情 6 浙江理一i = 人学硕十学位论文 况。用这种方法得到的图像数据量减少了1 2 ，并且一维的小波变换算法简便易于实现。 由于在小波变换中存在着边缘填充的问题，在检测中使用的时间也大大的减少，减少比例 超过了1 2 。同时，根据数据抽取的特性，我们采用了相应的插值，并根据插值的特性更 改了小波滤波器的系数序列的长度，将其变短，进一步减少了检测时间。 再次，由于织物图像具有很强的方向性，我们着手考虑织物图像中经纬的重复周期， 并以此为依据来选择小波变换分辨率的尺度，本文选择了尺度为2 的小波变换对织物图像 进行分析检测，其计算时间比前一种方法又有一定的减少。并且通过试验数据可以看出随 着图像的变大，其时间优势越来越明显。 接下来，本文对处理完的图片进行识别。采用了一些特定的特征值作为判定值不断的 细分疵点的类别。对断经纬、重经纬、破洞、油污、竹节疵点的识别分类结果可以保证9 0 以上的识别率，同时误判率也在1 0 以下。 同时，本文在整个的实验中，提供了图像的视图，可以帮助人们直观的理解，改变以 往m a t l a b 仿真中，只是看到各种特征曲线，对于疵点不直观的缺陷。 1 3 2 本文的组织结构 本文共分六章，各章的内容如下： 第一章为绪论，主要介绍了织物疵点检测的背景，国内外的研究现状，采用的疵点检 测方法，以及本文的主要工作和组织结构。 第二章为基于图像处理的织物疵点检测。通过一个例子来对图像处理在疵点检测中用 到的理论进行了简单介绍，并且通过对疵点图像处理的结果分析，得出一般图像处理在织 物疵点检测中受阈值的限制的特点。 第三章为小波变换的基本理论。本章主要是对织物疵点检测中采用的小波变换的基本 理论进行了介绍。包括小波变换、多分辨率分析和正交小波变换的快速算法等。 第四章为基于织物结构特征和小波变换的快速疵点检测。本章是论文的重点，首先是 对织物图像采用常用的d a u b e c h i e s 小波进行分解，并指出其不足。同时，根据紧支撑条件 和一些约束条件，来构造本文采用的自适应小波滤波器的系数序列，并应用此序列对织物 疵点进行检测。在检测中，采用了类五铢的图像压缩，更改了小波滤波器系数序列的长度， 减少了计算量。并通过对织物经纬重复周期的分析，直接对图像采用二分辨率的自适应小 波检测，在章节的后面给出了检测结果的比较和时间的比对。在理论上检测的速率可以满 足视频检测的要求。 7 浙江理工大学硕士学位论文 第五章为织物疵点的识别。在这章中，我们阐述了，如何对第四章检测处理完的图 像进行疵点识别。介绍了本文中采用的计算疵点经纬向长度、扁度、面积的方法，并介绍 了如何利用这些特征来对疵点进行识别，在文章的最后给出了识别结果，效果理想。 第六章为总结与展望。总结了全文的研究工作，并对以后所要进一步研究的工作进行 了展望。 8 浙江理： 人学硕十学位论文 第二章基于图像处理的织物疵点检测 数字图像处理可以追溯到2 0 世纪2 0 年代第一幅数字照片的传输，到了2 0 世纪6 0 年 代第三代数字计算机的问世，数字图像处理出现了空前的发展。至今已有4 0 多年，其经 典的图像处理方法( 算法) 很多，本章将对其中的一部分进行简单的介绍。 织物疵点种类繁多，如有缺经、缺纬、重经、重纬、断经、断纬、穿错、吊经、松经、 厚段、薄段、换档、破洞、油污等。据调查，疵点大多是在织造过程中形成的，大约占所 有疵点类型的8 0 ，而在其它的工艺流程中占的比重较少。并且由于疵点的种类繁多、大 小不一，要找出一种能检测识别所有疵点的方法极其困难，也不太现实。经调查可知，重 经、断( 缺) 经、重纬、断( 缺) 纬、破洞这五种疵点的出现率占所有疵点类型出现率8 0 以上【2 6 1 。本文将以这五种疵点为例进行研究。 在本章中，对常用的数字图像处理理论进行简单介绍。 2 1 图像的噪声 一幅图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可 能在量化等处理中产生。噪声产生的原因决定了它的分布特性及它和图像信号的关系。根 据噪声和信号的关系可将其分为两种形式1 2 7 ： ( 1 ) 加性噪声，此类噪声与输入图像信号无关，含噪图像可表示为厂( 功= g ( x ，y ) + 玎( x ，力， 信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声。 ( 2 ) 乘性噪声，此类噪声与图像信号有关，飞点扫描器扫描图像时的噪声，电视图像中 的相干噪声，胶片中的颗粒噪声就属于此类噪声。含噪图像可表示为： 厂( x ) = g ( x ，少) + n ( x ，y ) g ( x ，y ) 。 上面式子中的g ( x ，) ，) 代表原图像信号，n ( x ，y ) 代表噪声。 由于含有噪声的图像是真实事物带有误差的映像，所以在进行图片处理的时候，首先 要解决的就是对图像进行除噪处理。 2 2 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 9 浙江理- t 大学硕士学位论文 要的信息或者噪声的处理方法。其主要目的是使处理后的图像对某种特定的应用来说，比 原始图像更适合。因此，这类处理是为了某种应用目的而去改善图像质量的，其结果只能 增强对某种信息的辨别能力，同时有可能损失一些其他的信息2 舯。 图像处理技术主要包括直方图修改处理、图像平滑处理、图像尖锐化处理等。另一方 面又可分为：频域处理法和时域处理法。 2 2 1 直方图修改处理 直方图是用来表达一幅图像灰度分布情况的统计图表，其横坐标是灰度值，用，表示， 纵坐标是灰度值的像素个数或出现这个灰度值的概率p ，( ) 2 9 1 。公式如下： p ，( ) ：掣鍪掣 2 一( 1 ) 力i ri = - 一z ilj nv 图像像素总个数 一”7 k l 办( r 3 = 1 2 一( 2 ) i = o 式2 - ( 2 ) d f lk 为一幅图像对应的灰度级数。 直方图修改处理主要是指图像的灰度直方图修改。因为原始的图像的灰度级比较集中 在某一区域，图像也不清晰，对比度不明显，这样对于后续的处理有很大影响。在很多图 像预处理中，都大量的运用了直方图修改处理。 织物图像有纹理密集的特点，所以其灰度级别比较集中，如果要想得到比较理想且对 比度明显的图片则一般采用直方图修改处理来进行图像预处理。 常用的直方图修改处理有直方图均衡化处理和分段直方图变换。 ( 1 ) 直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法。根据图像灰 度值出现的频率对直方图进行扩展，以期处理后的图像的灰度可以遍布【0 2 5 5 1 整个区间。 其处理步骤是，首先求出待处理图像的灰度统计直方图p ，( ) ，再根据统计出的直方 图采用累积分布函数做变换，求出变换后的新灰度，用新的灰度代替旧的灰度。 由于其是根据各个灰度级出现的频率并依据先前定好的分割条件进行扩展，所以对相 对不平滑图像的效果比较明显，能加深其对比度。如果织物图像的整体灰度级分布比较密 集，则效果不理想。 如下面的试验结果可以很好的加以说明。 l o 新妇理 = 大学硕f 。学位论文 织物图像及其直方幽 其灰度直方嘲 皤誓盈盔_ 盈 0q 4 4 75 均衡后的纵物图像均衡后图像的直方图 幽22 均衡化结果及其直方豳 对比两幅阻像可以看到并没有起到预期分布整个扶度区间的效果，并且处理后的图像 出现了太面积亮区域，不适合后期的检测。 ( 2 ) 分段变换是因为有些图像的灰度值比较集中，将其拉伸到整个灰度 0 _ 2 5 5 】区间，用 分段变换的效果要比均衡化好很多，从而也增加了感兴趣信息和不感兴趣信息的对比度。 其公式如卜删： 乃x ，j l ，x x 2 对卜而的原始图进行分段变换的效果如下图： 浙江理工人学硕士学毹论文 分段变换后的织物阳像分段变换后图像的灰度直方酗 图2 3 分段变换结果及其直方图 经过变换后图l 的对比度明显的增大了，织物的疵点跟背景颜色的差别增大。并且出 来的高扶度值的干扰点也少，这样对后续的检测t 作带来了便利。 22 2 图像的平精处理 图像在采集、量化过程中会产生各种干扰噪声，使图像信息产生污损。图像中噪声的 存在，会影响图像特征的提取、测试结果和精度，因此，在罔像特征提取之前，必须先去 噪，以提高图像的质量。 一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段。图像 噪声主要来源有：受到大气电磁波干扰、在光电转换过程巾引入的人为噪声以及由物理量 的不连续或粒子性所引起的噪声。这类噪声具有离散性和随机性，因此可把罔像的噪声看 成上加性的，且互不相关，均值为0 ，而有效信号具有连续性和相干性。图像甲滑的目的 就是去除或衰减图像卜的噪声，但同时也要求图像在滤去噪卢的同时，尽量不破坏图像的 轮廓以及边缘等重要信息、尽量使图像清晰、视觉效果好。图像的平滑处理方法丰要有邻 域平均法、多图像平均法、中值滤波等。 ( 1 ) 邻域平均法是简单的空域处理方法，这种方法的基奉思想是用几个像素灰度的平 均值来代替每个像素的灰度值。假定一幅n n 的图像f ( x ，) ，平滑处理后得到一幅图像 g ( x ，y ) ，g k 力由下式计算： 以朋2 吉磊p 一) 2 _ ( 4 ) 式中，x , y = o ，i ，2 ，n - 1 ；s 是化y ) 点邻域的点的坐标的集合。常用的方法有采 浙江理t 大学硕十学位论文 用模板对图像进行区域平均，模板有3 x 3 ，5 x5 ，7 x 7 等几种，一般来说，随着模板的增 大，图像的边缘轮廓和线条变的越来越模糊。 ( 2 ) 多图像平均法是对于包含了加性噪声( 如椒盐噪声) 的图像，采用多图像平均法来 达到除掉噪声的目的。 ( 3 ) 低通滤波法是一种频域处理方法，但是在现实的程序的实现当中思想类似于双阐值 滤波。 由于( 2 ) 、( 3 ) 在织物的疵点检测中效果不理想这里就不做详细介绍。而( 2 ) 的平均是要 求噪声均值为零，并且要对同一幅图像进行多次拍摄叠加，可行性不大，对于( 3 ) 的方法， 它运用于边缘比较明显的图像效果比较好，而对于织物图像，其处理效果很不理想。 2 3 豳像的分割 分割的f l 的是把图像空间分成一些有意义的区域，例如织物的疵点图像，可以分割成 背景和疵点1 州。最常_ i f j 的豳像分割方法是把图像扶度分成不同的等级，然后用设置灰度门 限的方法确定目标区域。 在织物疵点检测中用到的是灰度的闰值分割，有固定阐值分割和半闰值分割两种形式。 因为人眼对扶度级差在四十个以内的像素是分辨不出来的，但是计算机可以，所咀阈值的 选择就变得极其关键，并且受外界的影响很大。 即使加上模板，卜滑柬消掉噪声效果也不理想，因为模板是为检钡4 某些不变区域特性而 设计的阵列。 我们对图2 3 的图像采用了固定阈值二值化分割，得到的检测结果如下： 闰2 4 恰当的阈值分割后图像 u 一一一 蹦25 小恰当l 甜值分割后嘲像 此处使用的闺值为1 8 5 ，能很好地把织物的疵点跟织物的背景分割开柬，但是对于其 阈值1 8 5 是多次实验得来的。如果阈值选择不好，就能出现不理想的偏差，比如图2 5 ， 浙江理_ t 人学硕七学位论文 采用的阈值为1 8 0 ，但是图2 5 中出现了很多不应该存在的点，虽然阈值相差不大只有几 个灰度级，所以在这类的检测中阈值至关重要。 在这里如果考虑利用灰度统计的百分比来进行阈值设定也是不可行的，因为一些图像 本来可能没有疵点，但是选定的阈值以后能强行检测出来疵点，如图2 5 可以认为里面有 竹节疵点。