應(yīng)用Gussian回代交替方向圖像分解算法的色織物疵點檢測

景軍鋒， 范曉婷， 李鵬飛， 張 蕾， 張宏偉

(西安工程大學 電子信息學院， 陜西 西安 710048)

應(yīng)用Gussian回代交替方向圖像分解算法的色織物疵點檢測

景軍鋒， 范曉婷， 李鵬飛， 張 蕾， 張宏偉

(西安工程大學 電子信息學院， 陜西 西安 710048)

針對傳統(tǒng)的人工織物檢測方法效率低，穩(wěn)定性差，處理速度慢的問題，提出了基于Gaussian回代交替方向(ADMG) 圖像分解的色織物疵點檢測算法。首先對疵點織物進行直方圖均衡化的預處理操作，以減少織物背景紋理信息對織物疵點檢測產(chǎn)生的影響。然后采用總方差范數(shù)與Sobolev空間中的半范數(shù)相結(jié)合的Gaussian回代交替方向的圖像分解算法，將色織物圖像分解為疵點部分u和紋理部分v。最后，應(yīng)用二維Otsu閾值方法將圖像的疵點部分u分割，識別織物圖像上的疵點。實驗結(jié)果表明：通過基于ADMG圖像分解算法對包括星型、方格型和圓點型在內(nèi)的色織物圖像疵點檢測是可行、有效的，可得到滿意的識別結(jié)果。

圖像分解； 織物疵點檢測； 總方差范數(shù)； Gaussian 回代交替方向法

目前，國內(nèi)大多數(shù)企業(yè)仍舊采用傳統(tǒng)的人工目測的方法對紡織品質(zhì)量進行檢測[1]，因受工作環(huán)境和勞動強度的影響使得檢測效率較低，已經(jīng)成為提高紡織企業(yè)生產(chǎn)效率的瓶頸之一。

國內(nèi)外許多學者已經(jīng)提出了多種基于計算機視覺的疵點檢測算法，如基于統(tǒng)計學方法的自相關(guān)函數(shù)法、共生矩陣法、數(shù)學形態(tài)學法；還有在頻域提取特征值的傅里葉變換法、Gabor濾波器法、小波變換法以及基于模型算法的自回歸模型、馬爾科夫隨機場法[2]等，但這些算法主要是針對于紋理結(jié)構(gòu)較為簡單的平紋和斜紋織物，而對于包括星型、方格型、圓點型等相對復雜的色織物的疵點檢測研究相對較少[3]，因此，如何對色織物進行疵點檢測具有較深刻的研究意義。

小波預處理黃金模板相減匹配(WGIS)法[4]，基于圖案紋理周期性的規(guī)則帶(RB)法[5]，基于圖像像素標準偏差的布林帶(BB)法[6]以及基于圖案子圖形的疵點檢測算法[7]等都是目前存在的幾類針對于色織物的疵點檢測算法。而本文采取了一種基于Gaussian回代交替方向(ADMG)的圖像分解算法對色織物進行疵點檢測，首先對疵點織物進行直方圖均衡化，以降低圖像噪聲；將經(jīng)過預處理后的色織物圖像進行圖像分解，該分解算法主要通過凸優(yōu)化理論模型和總變差最小化去噪模型相結(jié)合，綜合分析圖像分解目標函數(shù)，從而獲取紋理背景和織物疵點；最后通過二值化閾值實現(xiàn)織物疵點增強。

1 疵點檢測

基于圖像分解的色織物疵點檢測過程主要包括3個步驟：預處理；基于ADMG圖像分解；二值化閾值。算法整體流程如圖1所示。

1.1 預處理

實際生產(chǎn)生活中，圖像采集時光線太明或太暗、圖像采集元件(如CCD攝像機)精度不準以及圖像傳輸過程中的各種噪聲等都會影響采集到的色織物圖像質(zhì)量，造成圖像失真[8]。為降低這種失真對后續(xù)圖像處理過程的影響，改善圖像質(zhì)量，需采用直方圖均衡化的方法對圖像進行預處理，即圖像增強。直方圖均衡化是將這些圖像的不均勻分布直方圖進行非線性拉伸，重新對圖像像素值進行分配，使像素點在圖像整個灰度范圍內(nèi)均勻分布，從而達到增強圖像視覺效果的目的[9]。圖2示出方格型粗緯和星型斷紗2類色織物在未經(jīng)過/經(jīng)過直方圖均衡化預處理得到的分解后的疵點部分u，可看出直方圖均衡化這一預處理操作對檢測結(jié)果的重要影響，經(jīng)過預處理的色織物圖像分解檢測結(jié)果可更加顯著地突出色織物疵點位置。

1.2 ADMG的圖像分解

1.2.1 ADMG算法

(1)

該算子的空間范圍為S=X1×X2×X3×Rl。

因此，可應(yīng)用Gaussian回代交替方向法解決凸優(yōu)化模型問題，該算法的流程如下。

1.4.3 生活質(zhì)量 陰道炎患者在治療后的生活質(zhì)量采用SF-36評價，該評價表分為第一類和第二類，其中第一類為生理健康，含生理職能、生理功能、軀體疼痛和總體健康4個方面；第二類為心理健康，含情感職能、精神健康、活力和社會功能4個方面。分值越高，說明患者的生活質(zhì)量越好。

1)參數(shù)定義：

(2)

(3)

(4)

(5)

2)交替方向法(ADM)步驟：

(6)

3) Gaussian回代步驟，直至‖vk-vk‖H<ε，迭代結(jié)束：

(7)

1.2.2 圖像分解

一幅自然的織物圖像往往同時包含多類信息，如：結(jié)構(gòu)信息、紋理信息和噪聲等，因此，從已有的織物圖像中提取有用信息，對圖像進行分解是圖像處理中一個非常重要的過程[12]。采用Rudin等[13]提出的總變差最小化去噪模型的總變差范數(shù)結(jié)合Sobolev空間中的半范數(shù)可有效解決圖像分解問題。本文采用文獻[14]中提出的圖像分解算法，將色織物圖像分解為紋理部分v和疵點部分u，假設(shè)目標圖像I∈Rn，通過下式來分解目標圖像I：

(8)

式中：u表示疵點部分；v表示紋理部分；表示一階導數(shù)算子；div=-T是散度算子；τ≥1，μ≥1分別是用來權(quán)衡目標函數(shù)3個組成部分的參數(shù)。式(8)中的第1項‖‖1稱為u的總變差范數(shù)(TV)。在圖像處理過程中TV范數(shù)的優(yōu)勢在于其可最大程度地保留圖像的邊緣信息。對于任意的表示Rn中的一個向量，并由下式給出：

(9)

由此，將圖像分解目標函數(shù)結(jié)合Gaussian回代交替方向法的凸優(yōu)化模型，可得到色織物圖像的疵點部分u和紋理部分v。圖3分別示出圓點型和星型的粗緯型疵點織物圖像經(jīng)過ADMG圖像分解得到的紋理部分v和疵點部分u。

1.2.3 相關(guān)性最大化

需要考慮到式(8)中的2個最優(yōu)權(quán)衡參數(shù)(τ,μ)的正確選取。由式(8)可得到2個輸出結(jié)果：疵點部分u和紋理部分v。但是，為達到準確選出權(quán)衡參數(shù)能夠更精確地檢測織物疵點的目的，考慮到織物的紋理背景v與無疵點色織物W具有較高的相關(guān)性，二者的最大相關(guān)性計算公式如下：

(10)

1.3 二值化閾值

通過式(8)獲得的疵點圖像u在形狀上基本包含了色織物的疵點部分，從圖2和圖3的檢測結(jié)果可看出疵點部分已經(jīng)可視化，但是對于疵點邊界和織物顏色邊界仍然是難以辨認。為更準確地識別出疵點，采用基于像素灰度值及像素點鄰域灰度值的二維Otsu閾值的圖像分割方法[15]，依據(jù)最大類間方差進行分割。將疵點圖像u設(shè)為原始圖像，取圖像的閾值為T，則分割后的二值圖像的定義式為：

(11)

2 實驗結(jié)果與分析

本文共選取了166幅不同紋理的色織物圖像進行檢測，其中星型為25幅無疵點，25幅有疵點；方格型為30幅無疵點，26幅有疵點；圓點型為30幅無疵點，30幅有疵點，包括斷紗，破洞，粗緯，細緯，結(jié)節(jié)，多網(wǎng)共6種紋理背景不同的織物。本實驗是在MatLab R2008a環(huán)境下進行的，色織物樣本來自香港大學工業(yè)自動化研究實驗室和廣東溢達紡織有限公司提供的樣布。色織物圖像的格式均為BMP格式，大小均為256像素×256像素，分辨率為200dpi的圖像。圖5～7分別示出了部分星型、方格型和圓點型共3類、9幅色織物及其疵點檢測結(jié)果，結(jié)果見圖5～7所示。

在圖5～7中，第1列的3幅圖像均為色織物疵點樣本，第2列的3幅圖像均為經(jīng)過直方圖均衡化后的預處理效果圖，第3列的3幅圖像均為經(jīng)過ADMG圖像分解算法分解后得到的疵點部分u，第4列的3幅圖像均為經(jīng)過二維Otsu閾值分割得到的疵點二值化結(jié)果。從檢測結(jié)果可看出，色織物疵點樣本經(jīng)過基于ADMG的圖像分解算法處理后，背景紋理部分v和織物疵點部分u可得到準確的分解，色織物的疵點位置和形狀已經(jīng)得到良好的可視化檢測，通過實驗可得出，該算法對3類色織物不同的疵點類型的檢測時間較短，檢測效率較高。

針對星型的5種不同紋理背景疵點類型和圓點型6種不同紋理背景疵點類型色織物的檢測成功率、靈敏度及特異性進行分析，結(jié)果如表1、2所示。

表1 星型織物的檢測率

Tab.1 Detection rates of star-yarn-dyed yarn type %

編號疵點名稱檢測成功率靈敏度特異性1斷紗96.7961002破洞100.01001003多網(wǎng)96.7961004粗緯96.7961005細緯100.0100100

表2 圓點型織物的檢測率

Tab.2 Detection rates of dot-yarn-dyed yarn type %

編號疵點名稱檢測成功率靈敏度特異性1斷紗97.196.71002破洞100.0100.01003結(jié)節(jié)100.0100.01004多網(wǎng)97.196.71005粗緯100.0100.01006細緯100.0100.0100

從檢測結(jié)果可看出，基于ADMG的圖像分解的疵點檢測算法對星型的破洞和細緯，圓點型的破洞，結(jié)節(jié)，粗緯和細緯4種類型織物疵點識別效果較理想，檢測成功率，靈敏度和特異性均達到100%。星型以及圓點型共55幅疵點圖像均可有效確定疵點位置，而對于斷紗，多網(wǎng)2類織物檢測結(jié)果相對較差，雖然可有效確定疵點圖像的疵點位置，但是部分無疵點圖像中背景紋理結(jié)構(gòu)與疵點部分區(qū)域像素相似度較大，導致了檢測結(jié)果不理想，存在誤差。

3 結(jié)束語

本文采用了基于ADMG圖像分解算法對色織物疵點進行檢測。首先采用直方圖均衡化對色織物進行預處理，以減小光源及噪聲對圖像的影響。然后采用基于ADMG的圖像分解算法實現(xiàn)對圖像的分解，該算法是在凸優(yōu)化理論模型的基礎(chǔ)上，結(jié)合總變差范數(shù)模型和Sobolev空間的半范數(shù)，通過Gaussian迭代的方法，分析解決圖像分解目標函數(shù)，將色織物分解為疵點部分u和紋理部分v，并通過無疵點色織物圖像與疵點織物的紋理背景的相關(guān)性最大化關(guān)系，獲取圖像分解目標函數(shù)的最優(yōu)權(quán)衡參數(shù)，便于獲得最優(yōu)檢測結(jié)果。最后通過二維Otsu閾值分割算法將獲得的疵點部分u二值化，得到疵點檢測結(jié)果。實際的印花疵點織物測試結(jié)果表明，本文提出的算法具有耗時短，執(zhí)行效率高，有效性和魯棒性等優(yōu)點。但是本算法目前仍然處于MatLab仿真模擬階段，在實際工廠類色織物疵點檢測當中，需要與連續(xù)運動中的色織物的實時采集與傳輸相結(jié)合，所以如何有效地將硬件與軟件相統(tǒng)一，將是下一步的研究方向。

FZXB

[1] KUMAR A. Computer-vision-based fabric defect detection: a survey [J]. Industrial Electronics IEEE Transactions on, 2008, 55(1): 348-363.

[2] 張揚，蔣高明，姚君洲，等. 基于MRF層次模型的賈卡經(jīng)編針織物圖像分割技術(shù)[J]. 紡織學報，2012，33(12)： 102-106. ZHANG Y, JIANG G, YAO J, et al. Segmentation of jacquard warp-knitted fabric image based on hierarchical Markov random field model[J]. Journal of Textile Research, 2012, 33(12): 102-106.

[3] 潘如如, 高衛(wèi)東, 錢欣欣，等. 基于互相關(guān)的色織物疵點檢測[J]. 紡織學報, 2010, 31(12):134-138. PAN Ruru, GAO Weidong, QIAN Xinxin, et al. Defect detection of printed fabrics using normalized cross correlation[J]. Journal of Textile Research, 2010, 31(12):134-138.

[4] NGAN H Y T, PANG G K H, YUNG S P, et al. Wavelet based methods on patterned fabric defect detection[J]. Pattern Recognition, 2005, 38(4):559-576.

[5] NGAN H Y T, PANG G K H. Regularity analysis for patterned texture inspection[J]. IEEE Transactions on Automation Science & Engineering, 2009, 6(1):131-144.

[6] NGAN H Y T, PANG G K H. Novel method for patterned fabric inspection using Bollinger bands[J]. Optical Engineering, 2006, 45(8): 087202-087202-15.

[7] NGAN H Y T, PANG G K H, YUNG N H C. Motif-based defect detection for patterned fabric[J]. Pattern Recognition, 2008,41(6):1878-1894.

[8] 杜磊, 李立輕, 汪軍, 等. 幾種基于圖像自適應(yīng)閾值分割的織物疵點檢測方法比較[J]. 紡織學報, 2014, 35(6): 56-61. DU Lei, LI Liqing, WANG Jun, et al. Comparison of several defect detection methods based on image self adaptive threshold segmentation[J]. Journal of Textile Research, 2014, 35(6): 56-61.

[9] SINGH K, KAPOOR R. Image enhancement using Exposure based sub image histogram equalization[J]. Pattern Recognition Letters, 2014, 36(1):10-14.

[10] YANG J, ZHANG Y, YIN W. A fast alternating direction method for TVL1-L2 signal reconstruction from partial Fourier data[J]. IEEE Journal of Selected Topics in Signal Processing, 2010, 4(2): 288-297.

[11] HE B, TAO M, YUAN X. Alternating direction method with Gaussian back substitution for separable convex programming [J]. Siam Journal on Optimization, 2012, 22(2):313-340.

[12] NG M K, NGAN H Y T, YUAN X, et al. Patterned Fabric Inspection and Visualization by the Method of Image Decomposition[J]. IEEE Transactions on Automation Science & Engineering, 2014, 11(3):943-947.

[13] 張力娜, 李小林. 基于四階偏微分方程的疵點—紋理圖像分解方法[J]. 計算機應(yīng)用與軟件, 2012, 29(9):159-161. ZHANG Lina, LI Xiaolin. Cartoon-texture image decomposition method based on fourth-order pde[J]. Computer Applications and Software, 2012, 29(9):159-161.

[14] NG M K, YUAN X, ZHANG W. Coupled variational image decomposition and restoration model for blurred cartoon-plus-texture images with missing pixels[J]. Image Processing IEEE Transactions on, 2013, 22(6): 2233-2246.

[15] CHEN Z, TU Y. Improved Image segmentation algorithm based on OTSU algorithm[J]. International Journal of Advancements in Computing Technology, 2012, 4(15):206-215.

[16] NGAN H, PANG G, YUNG N. Automated fabric defect detection, A review[J]. Image & Vision Computing, 2011, 29(7):442-458.

Yarn-dyed fabric defect detection based on Gaussian back substitution image decomposition

JING Junfeng, FAN Xiaoting, LI Pengfei, ZHANG Lei, ZHANG Hongwei

(School of Electronic and Information, Xi′an Polytechnic University, Xi′an, Shaanxi 710048, China)

Focusing on the problems of low detection efficiency, poor stability and slow processing speed of conventional artificial fabric detection, a Yarn-dyed fabric defect detection method based on alternating direction method with Gaussian back substitution (ADMG) image decomposition was presented. Firstly, histogram equalization as preprocessing was first conducted for the sampled images to eliminate the influence of background texture of fabric defects. Secondly, ADMG image decomposition method based on the combination of the total variation norm and semi-norm in negative Sobolev space was employed, and the Yarn-dyed fabric images could be decomposed into defect structureuand texture structurev. Finally, the defect structureuwas segmented by using a two-dimensional Otsu thresholding, and the fabric defects could be identified. The experimental results demonstrate that method based on ADMG image decomposition is feasible and effective in Yarn-dyed fabric defect detection contained star-, box- and dot- Yarn-dyed fabric images and satisfactory identification results could be achieved.

image decomposition; defect detection in fabric; total variation norm; alternating direction method with Gaussian back substitution

10.13475/j.fzxb.20150604906

2015-06-25

2016-01-12

國家自然科學基金項目(61301276)；西安工程大學博士科研啟動基金資助項目(BS1416)；西安工程大學學科建設(shè)經(jīng)費資助項目(107090811)

景軍峰(1978—)，男，副教授，博士。主要研究方向為機器視覺與圖像處理。E-mail：413066458@qq.com。

TP 391

A