基于改進自適應小波基的織物疵點檢測算法

劉洲峰 李 陽 李春雷

(中原工學院電子信息學院 河南 鄭州 450007)

?

基于改進自適應小波基的織物疵點檢測算法

劉洲峰 李 陽 李春雷

(中原工學院電子信息學院 河南 鄭州 450007)

為了改進基于自適應小波的織物疵點檢測效果，提出一種基于改進自適應小波基的織物疵點檢測算法。首先通過不同限定條件優化得到多個自適應小波基；然后分別對疵點圖像進行小波分解，采用最大類間方差法分割子圖像；最后將多種自適應小波基分割后的圖像進行融合得到檢測結果。實驗結果證明，該算法能夠在較好保留疵點信息的同時，有效地減少檢測結果中的噪聲點。

自適應小波 小波分解 圖像融合 疵點檢測

0 引 言

在織物生產過程中，織物疵點的自動檢測是保證質量的重要環節。基于機器視覺的疵點檢測方法不同于傳統的人眼檢測，具有檢測速度高、漏檢、錯檢率低等優點，被國內外學者廣泛研究[1]。

現有織物疵點檢測方法主要分為三大類：統計法、模型法和譜分析法[1]。其中統計法較為適合檢測特定類別的疵點；模型法取決于對背景紋理的建模，運算量較大；譜分析法通過將圖像變換至變換域，能夠更好地突出并檢測疵點。在譜分析法中，小波變換有良好的多分辨能力和空間定位特性，相比傅里葉變換與Gabor變換能夠自適應空間和頻率的局部變換。基于傳統小波基的織物疵點檢測算法[2-4]無法滿足多種紋理不同織物的檢測?；谧赃m應小波基的織物疵點檢測算法[5-7]可以根據不同織物的紋理背景優選出合適的小波基，能夠較好地檢測出不同紋理背景的織物疵點。由于圖像自身可能包含噪聲[8]，且經小波分解后直接用于疵點檢測的子圖像經過了高通濾波，處理后所得二值圖像容易出現很多噪聲點，從而影響檢測結果。

相比已有的基于單限定條件自適應小波基的檢測算法，本文所采用的構造多種不同自適應小波基分別對疵點圖像分解再進行融合的檢測算法，能夠在有效檢測出疵點信息的同時，減少噪聲點的出現。

1 圖像小波靜態分解

圖1 小波分解算法示意圖

小波分解算法如下：

(1)

小波靜態分解[9]是在小波分解算法中除去其中所有的二抽取，使子圖像的大小約為分解前圖像大小。小波的靜態分解能夠較完整保留疵點信息，準確定位疵點。因此，在對圖像分解時，選用小波靜態分解。

2 自適應小波基的構造

2.1 構造小波基濾波器庫

構造織物疵點檢測所需的自適應小波基，就是從滿足正交條件的一定長度的小波濾波器庫中，優選出適合待檢測織物圖像的濾波器系數。正交低通濾波器系數記作hk，正交高通濾波器系數記作gk，hk和gk滿足關系式：

式中H(ω)和G(ω)滿足正交鏡像關系。選定濾波器長度，通過給定不同初值可以得到多組滿足以上各式的解，將其作為濾波器庫，供優選小波基使用。

2.2 優選自適應小波基

優選自適應小波基，是指通過某一限定條件從濾波器庫中優選出適合目標紋理圖像的濾波器。本文將幾種常用的織物紋理特征的表征形式[10]作為限定條件，通過對正?？椢飯D像進行處理，通過對比結果，優選出較好的濾波器。

(1) 子能量

正?？椢飯D像小波分解后，將得到圖像的高通子能量最小作為限定條件，能夠使小波基系數將紋理特征體現出來，提高對織物疵點的敏感性。限定條件式表示如下：

(9)

(10)

式中Eh和Ev分別為緯向和經向子圖像的最小能量，HL(x,y)和LH(x,y)分別為小波靜態分解緯向和經向子圖像的灰度值，(x,y)∈f表示子圖像上的所有像素點。

(2) 極差

將子圖像的灰度極差最小，即圖像靜態分解后得到的小波系數最大值和最小值的差值最小作為限定條件，能夠縮小子圖像的小波系數分布范圍，使小波基系數與文理特征更加匹配。限定條件式表示如下：

(11)

(12)

式中EP和Eq分別為緯向和經向子圖像的最小極差。

(3) 紋理波動

將子圖像每一行或每一列灰度值的和之間波動最大作為限定條件，能夠使小波基與織物紋理聯系更緊密，使小波基自身就能一定程度上反映紋理特征。限定條件式表示如下：

(13)

(14)

式中Em和En分別為緯向和經向最大波動。

3 疵點檢測

通過不同的限定條件優選出多個小波基后，分別對織物疵點圖像進行二層小波靜態分解。由于織物圖像的紋理信息主要集中在緯向和經向子圖像中[4]，利用閾值分割法對得到的緯向子圖像HL(xn,yn)和經向子圖像LH(xn,yn)進行分割(其中n為限定條件的數目)；再將分割后的圖像進行融合，得到最終的檢測結果。

3.1 基于最大類間方差法的閾值分割

最大類間方差法，又稱Otsu算法，是在灰度直方圖的基礎上，通過最小二乘法推導出來，具有統計意義上的最佳分割。Otsu算法以最佳閾值將圖像的灰度值分割成兩部分，使兩部分之間的方差最大，具有最大的分離性。

記k為目標與背景的分割閾值，取值范圍為0～255，目標和背景所對應的像素數占圖像總像素數的比例為WA和WB，對應的平均灰度分別為μA和μB，圖像的總平均灰度為μ，則類間方差σ2和使類間方差取最大值的最佳分割閾值k的計算公式如下：

σ2(k)=WA(μA-μ)2+WB(μB-μ)2

(15)

k=argmax(σ2(k))

(16)

利用最佳閾值k將目標圖像二值化，二值化結果C(xn,yn)如下：

(17)

3.2 多圖像融合

由于織物圖像采集時光照不勻、織物自身復雜的紋理、小波分解中的高通濾波等因素，子圖像經過閾值分割后往往會產生較多噪聲點。用形態學濾波方法可以一定程度上濾除噪聲，但同時會影響到疵點部分的檢測結果。如圖2所示，(a)為破洞的疵點圖像，(b)、(c)、(d)為小波二層分解后子圖像不同程度去噪的閾值分割結果?？梢钥闯?，在濾除噪聲點的同時，疵點的檢測結果也會受到影響。

圖2 疵點圖像與不同程度去噪的結果

為了在濾除閾值分割后圖像噪聲點的同時，盡可能好地保留疵點部分，本文提出一種多圖像融合算法。采用三種不同限定條件(n=1,2,3)優化得到的自適應小波對疵點圖像分別進行二層小波分解。將分解后緯向子圖像HL(xn,yn)或經向子圖像LH(xn,yn)經閾值分割以及形態學濾波處理后得到的結果CHL(xn,yn)和CLH(xn,yn)進行融合，得到最終的檢測結果RHL和RLH。融合表達式如下：

RHL=CHL(x1,y1)&CHL(x2,y2)+

CHL(x1,y1)&CHL(x3,y3)+

CHL(x2,y2)&CHL(x3,y3)

(18)

RLH=CLH(x1,y1)&CLH(x2,y2)+

CLH(x1,y1)&CLH(x3,y3)+

CLH(x2,y2)&CLH(x3,y3)

(19)

式(18)、式(19)表示當CHL(xn,yn)和CLH(xn,yn)中某一像素點兩次或兩次以上為1時，在最終得到的結果R中該點為1；否則為0。

4 實驗結果及分析

選取四幅斜紋胚布織物圖像，如圖3所示，疵點種類分別為破洞、斷經、斷緯和壞地，像素為512×512。取濾波器長度為8，濾波器容量為100，由正?？椢飯D像和三種限定條件優選出自適應小波基濾波器系數。表1列出了三種限定條件下優選得到的自適應小波基濾波器系數。

圖3 織物疵點圖像

子能量極差紋理波動緯向匹配0.3915-0.1937-0.1991-0.06090.41570.0225濾波器系數-0.02890.05130.54810.3645-0.0109-0.3691-0.05240.04750.5070-0.08350.32430.64840.39680.8020-0.14890.4870-0.02190.4054經向匹配0.3511-0.1462-0.1991-0.06090.4085-0.1431濾波器系數0.0093-0.00030.54810.36450.01280.0011-0.0087-0.00010.5070-0.0835-0.0122-0.00150.35540.8537-0.14890.48700.29800.8506

本文選擇采用緯向匹配濾波器系數對疵點圖像進行二層小波分解。通過最大類間方差法獲得最佳閾值，子圖像經過閾值分割和形態學濾波處理后得到結果。三種不同限定條件下處理結果如圖4-圖6所示。分別將各個疵點圖像的三種檢測結果以式(18)進行融合，得到融合結果如圖7所示。

圖4 極差最小限定條件下檢測結果

圖5 子能量最小限定條件下檢測結果

圖6 紋理波動限定條件下檢測結果

圖7 多圖像融合結果

比較圖7和圖4-圖6中結果，融合后的檢測結果較完整地保留了疵點信息，同時有效地減少了融合前圖像中的噪聲點?？梢钥闯觯疚奶岢鏊惴ň哂辛己玫拇命c分割和定位結果，能夠有效地實現疵點檢測。

這里需要說明，如果三種限定條件的目標濾波器庫相同，有可能優選出相同的小波基。由于滿足兩種或三種限定條件，此小波基適應性強，同時融合結果與部分融合前圖像相同。

5 結 語

本文提出一種基于改進自適應小波基的織物疵點檢測算法，利用多種限定條件優選出不同的小波基，將多種基于自適應小波基的疵點檢測圖像進行融合得到檢測結果。由于噪聲點較小，隨機性強，出現的概率低，疵點部分面積較大，結果中出現的概率較高。與融合前單限定條件優選的小波基檢測算法相比，基于自適應小波基的多圖像融合疵點檢測算法能夠在較完整保留疵點信息的同時減少噪聲點，有效實現疵點檢測。

[1] 李文羽,程隆棣.基于機器視覺和圖像處理的織物疵點檢測研究新進展[J].紡織學報,2014,35(3):158-164.

[2] Fernández J A,Orjuela S A,lvarez J,et al.Fabric defect detection using the wavelet transform in an ARM processor[C]//Proceedings of SPIE-The International Society for Optical Engineering,2012,8300:617-636.

[3] Han Y F,Shi P F.An adaptive level-selecting wavelet transform for texture defect detection[J].Image and Vision Computing,2007,25(8):1239-1248.

[4] Ghazvini M,Monadjemi S A,Movahhedinia N,et al.Defect Detection of Tiles Using 2D-Wavelet Transform and Statistical Features[C]//Proceedings of World Academy of Science,Engineering & Technology,2009,49:901-904.

[5] 石佶.基于小波分析和閾值分割的織物疵點檢測[D].蘇州:蘇州大學,2013.

[6] 魏煒.基于自適應雙正交小波的織物疵點邊緣檢測[J].西安工程大學學報,2013,27(3):369-374.

[7] 單亦杰,韓潤萍.基于二層自適應正交小波的疵點檢測[J].微計算機信息,2007,23(9):303-304,274.

[8] 鄭春蘭,張鳳生,時洪光.基于 LabVIEW 的織物疵點檢測的小波去噪方法研究[J].現代儀器,2009 (6):46-48.

[9] 管聲啟,石秀華,王筠.基于小波靜態分解的離散小疵點檢測[J].天津工業大學學報,2010,29(5):73-76.

[10] 牛存才,汪軍,張孝南,等.基于遺傳規劃的織物自適應正交小波基的構造和優化[J].紡織學報,2012,33(9):40-46.

FABRIC DEFECT DETECTION ALGORITHM BASED ON IMPROVED ADAPTIVE WAVELET BASIS

Liu Zhoufeng Li Yang Li Chunlei

(SchoolofElectricandInformationEngineer,ZhongyuanUniversityofTechnology，Zhengzhou450007，Henan,China)

In order to improve the effect of adaptive wavelet-based fabric defects detection,we proposed a fabric defect detection algorithm which is based on the improved adaptive wavelet basis.First,the algorithm obtains a number of self-adaptive wavelet basis by optimisation with different limited conditions;then these self-adaptive wavelets are used to make wavelet decomposition on defect images respectively,and the Otsu method is used to segment the sub-image;finally,it fuses the images segmented by multiple adaptive wavelet basis to get the detection result.Experimental results demonstrate that the proposed algorithm can effectively reduce the noise points in test result while well preserving the defect information.

Self-adaptive wavelet Wavelet decomposition Image fusion Defect detection

2015-04-02。國家自然科學基金項目(61379113);河南省基礎與前沿技術研究項目(142300410042)；鄭州市科技領軍人才項目(131PLJRC643)。劉洲峰，教授，主研領域：圖像處理與模式識別。李陽，碩士，李春雷，博士。

TP3 391.9

A

10.3969/j.issn.1000-386x.2016.11.034