基于灰度直方圖反向投影的織物疵點(diǎn)圖像分割

孫國(guó)棟，林 松，艾成漢，趙大興

（湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，武漢 430068）

0 引言

織物疵點(diǎn)檢測(cè)是保證織物質(zhì)量的重要手段，傳統(tǒng)的人眼檢測(cè)不僅人工成本高，而且效率低，而機(jī)器視覺(jué)檢測(cè)方法可顯著彌補(bǔ)人工檢測(cè)的不足。目前，織物紋理特征的提取方法主要有統(tǒng)計(jì)方法、頻譜方法和模型方法[1]。其中常用的統(tǒng)計(jì)方法包括灰度共生矩陣[2]和局部二值模式等；頻譜方法包括傅里葉變換、Gabor變換和小波變換等；模型方法包括自回歸模型和馬爾科夫場(chǎng)等。以上這些方法各有優(yōu)缺點(diǎn)，雖然有效果，但都具有一定的復(fù)雜度，耗時(shí)較長(zhǎng)。

Michael J. Swain等[3]首先提出了顏色直方圖反向投影用于目標(biāo)定位，后來(lái)的相關(guān)研究也都集中于顏色直方圖反向投影[4～7]。顏色直方圖反向投影主要用于復(fù)雜背景中目標(biāo)的檢測(cè)與追蹤，需要事先知道目標(biāo)的顏色或面積信息，而織物疵點(diǎn)種類繁多，檢測(cè)前無(wú)法確定有什么疵點(diǎn)，無(wú)法提供疵點(diǎn)的確切信息，且本文主要研究白坯布的疵點(diǎn)檢測(cè)，獲取的是灰度圖像，因此顏色直方圖反向投影并不適合本文的研究。但該方法具有借鑒意義，同時(shí)又考慮到目前的織物疵點(diǎn)檢測(cè)算法都具有一定的復(fù)雜度，因此本文在此基礎(chǔ)上提出基于灰度直方圖的反向投影用于織物疵點(diǎn)檢測(cè)。

1 灰度直方圖反向投影的原理

所謂反向投影就是首先計(jì)算輸入圖像某一特征的直方圖，然后用輸入圖像某一位置上的特征值對(duì)應(yīng)于直方圖的一個(gè)bin上的值來(lái)代替該特征值。用統(tǒng)計(jì)學(xué)術(shù)語(yǔ)可表述為：輸出圖像像素點(diǎn)的值是觀測(cè)數(shù)組在某個(gè)分布（直方圖）下的概率[8]。這個(gè)特征為灰度值時(shí)即為灰度直方圖反向投影。某種灰度值在整幅圖像中所占面積越大，其在直方圖中的值越大，反向投影時(shí)，其對(duì)應(yīng)的像素的新值就越大，這部分灰度值集中在紋理；反之，某種灰度值所占面積越小，其新值就越小，這部分灰度值集中在疵點(diǎn)。基于灰度直方圖的反向投影計(jì)算公式為：

其中，bp(i, j)為在位置(i, j)處反向投影的像素值，b(i, j)表示圖像中在位置(i, j)上的像素對(duì)應(yīng)灰度直方圖的第b(i, j)個(gè)bin，直方圖共n個(gè)bin，qb(i,j)表示第b(i, j)個(gè)bin的值，qm表示灰度直方圖第m個(gè)bin的值，max(qm)表示灰度直方圖所有bin值中的最大值，用于反向投影圖像的歸一化。

在采集的織物圖像中，疵點(diǎn)始終屬于小部分區(qū)域，并且由于織物紋理的特性，按照式(1)所得到的反向投影圖中疵點(diǎn)和非疵點(diǎn)的灰度值相距較近，不易區(qū)分。為了更有效更合理地檢測(cè)出疵點(diǎn)，將反向投影的計(jì)算公式改為：

當(dāng)圖像進(jìn)行灰度直方圖統(tǒng)計(jì)后，如果灰度值對(duì)應(yīng)的像素點(diǎn)個(gè)數(shù)小于255，則將像素點(diǎn)的個(gè)數(shù)作為這些像素點(diǎn)的灰度值；如果灰度值對(duì)應(yīng)的像素點(diǎn)個(gè)數(shù)大于等于255，則這些像素點(diǎn)的灰度值全部置為255。這樣處理可以過(guò)濾掉大部分非疵點(diǎn)的像素點(diǎn)，對(duì)剩余像素點(diǎn)的反向投影將更具有針對(duì)性。不論織物的紋理是何種方向，反向投影的這種特性都可以很好地屏蔽紋理，且簡(jiǎn)單實(shí)用，相比灰度共生矩陣和Gabor變換等需要確定紋理方向或者采用多個(gè)方向和尺度的特征，復(fù)雜度大大降低了。

2 算法流程及實(shí)驗(yàn)結(jié)果分析

2.1 算法流程

算法流程為：反向投影→閉運(yùn)算→二值化→確定疵點(diǎn)。反向投影過(guò)程中，計(jì)算織物灰度圖像的直方圖時(shí)直方圖維數(shù)，即bin的個(gè)數(shù)m對(duì)反向投影的圖像有一定影響。經(jīng)實(shí)驗(yàn)分析，m取80，效果較好。反向投影后的形態(tài)學(xué)處理是為了消除雜質(zhì)點(diǎn)的干擾，不僅使有疵點(diǎn)的織物圖像處理后只剩下疵點(diǎn)部分，而且使正常織物圖像處理后不受影響。膨脹和腐蝕的結(jié)構(gòu)元素大小取3×3的模板。閉運(yùn)算后的圖像為灰度圖像，且存在一些獨(dú)立的細(xì)小的雜質(zhì)，因此需要采用二值化濾除這些雜質(zhì)并對(duì)疵點(diǎn)定位。由于閉運(yùn)算后的圖像有明顯的前景和背景，其直方圖總體上呈雙峰狀態(tài)，且有明顯波谷，故本文采用自適應(yīng)的基本全局閾值分割法對(duì)圖像進(jìn)行二值化。

2.2 實(shí)驗(yàn)結(jié)果分析

部分疵點(diǎn)檢測(cè)結(jié)果如圖1所示，圖1(a)為疵點(diǎn)圖像，從左至右疵點(diǎn)依次為破洞、油污、斷經(jīng)、斷緯、起球、斷疵。圖1(b)為各疵點(diǎn)對(duì)應(yīng)的反向投影圖，圖1(c)為閉運(yùn)算及二值化后的效果圖。從實(shí)驗(yàn)結(jié)果可以看出這些疵點(diǎn)的檢測(cè)效果都較好。

為了便于實(shí)驗(yàn)，以上給出的疵點(diǎn)圖像均為所采集圖像的一部分，實(shí)際檢測(cè)時(shí)需對(duì)整幅圖像進(jìn)行分塊處理。

3 本文算法與其他算法的比較

為了評(píng)價(jià)所提出的灰度直方圖反向投影算法，將灰度直方圖反向投影與Gabor濾波方法及灰度共生矩陣方法進(jìn)行了用時(shí)比較。用Gabor濾波方法處理圖像時(shí)一般會(huì)選擇多個(gè)不同尺度和方向的Gabor濾波器組，在這里為了便于比較，只使用了單個(gè)的Gabor濾波器的實(shí)部來(lái)處理圖像。Gabor濾波器的參數(shù)為：頻率參數(shù)F=5，方向參數(shù)θ=0或π/2，尺度參數(shù)σ=π/2，比例參數(shù)λ=1。圖像的灰度共生矩陣也有4個(gè)方向，在這里也只提取了一個(gè)方向的灰度共生矩陣，并且沒(méi)有計(jì)算灰度共生矩陣的特征。灰度共生矩陣參數(shù)為：距離d=1，灰度級(jí)N=256。表1給出了三種算法的用時(shí)。測(cè)試圖片為圖1中的疵點(diǎn)圖像，大小為200×200，用時(shí)均在VS2010和OpenCV 2.4.4平臺(tái)下通過(guò)機(jī)器內(nèi)部的高精度計(jì)數(shù)器獲取，并取多次測(cè)試結(jié)果的平均值。主機(jī)配置為：處理器為Intel(R) Celeron(R) CPU G540 @ 2.50GHz，內(nèi)存為2G。從測(cè)試數(shù)據(jù)可以看出直方圖反向投影用時(shí)最少，是灰度共生矩陣的三分之一左右，是Gabor濾波的1/33左右。如果Gabor濾波方法使用多個(gè)Gabor濾波器，灰度共生矩陣方法計(jì)算所有方向的灰度共生矩陣并計(jì)算灰度共生矩陣的特征，那么這兩種方法的耗時(shí)將更長(zhǎng)。

圖1 疵點(diǎn)檢測(cè)結(jié)果

表1 三種算法的用時(shí)比較

4 結(jié)束語(yǔ)

本文提出了基于灰度直方圖反向投影的織物疵點(diǎn)圖像分割方法。該方法對(duì)織物的紋理具有很好的屏蔽作用，且適用于不同的織物紋理，通過(guò)六種疵點(diǎn)的實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。與兩種常見的紋理特征提取方法的用時(shí)比較表明：基于灰度直方圖反向投影的織物疵點(diǎn)圖像分割方法不僅效果良好，而且復(fù)雜度低，用時(shí)較短，為織物疵點(diǎn)檢測(cè)提供了新思路。下一階段將研究在反向投影的基礎(chǔ)上結(jié)合其他算法來(lái)檢測(cè)織物疵點(diǎn)。

[1] Kumar A.Computer-vision-based fabric defect detection:a survey[J].IEEE Trans Ind Electron,2008,55(1):348-363.

[2] Haralick RM, Shanmugam K,Dinstein I.Textural features for image classification[J]. IEEE Transactions on Systems,Man and Cybernetics,1973,3(6):610-621.

[3] Swain MJ and Ballard DH. Color indexing[J].Int J Comput Vision, 1991,7(1):11-32.

[4] Ennesser F and Medioni G.Finding Waldo, or focus of attention using local color information[J].IEEE Trans Pattern Anal Mach Intell,1995,17(8):805-809.

[5] Agbinya JI and Rees D.Multi-object tracking in video[J].Real Time Imaging,1999,5(5):295-304.

[6] 張辰,趙紅穎,錢旭.直方圖反向投影多目標(biāo)檢測(cè)優(yōu)化算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(2):178-182+218.

[7] 章海兵,劉士榮,張波濤.H-S直方圖反向投影結(jié)合特征點(diǎn)提取的雙目視覺(jué)定位算法[J].控制理論與應(yīng)用,2014,31(5):614-623.

[8] 劉瑞禎,于仕琪.OpenCV教程基礎(chǔ)篇[M].北京:北京航空航天大學(xué)出版社,2007.