應用小波域高斯差分濾波的起球疵點客觀評價

管聲啟， 何建新， 王 杰， 李文森， 雷 鳴

(1. 西安工程大學 機電工程學院， 陜西 西安 710048； 2. 河南省功能性紡織材料重點實驗室， 河南 鄭州 450007)

應用小波域高斯差分濾波的起球疵點客觀評價

管聲啟1，2， 何建新2， 王 杰1， 李文森1， 雷 鳴1

(1. 西安工程大學 機電工程學院， 陜西 西安 710048； 2. 河南省功能性紡織材料重點實驗室， 河南 鄭州 450007)

受織物背景紋理多樣性以及起球疵點特點的影響，傳統的圖像處理算法難以滿足起球疵點自動檢測和客觀評價需要，為此，提出一種基于小波域的高斯差分濾波起球客觀等級新方法。首先，對起球疵點圖像進行小波多層分解，實現周期性背景紋理信息與起球信息的分離；然后，選擇合適的小波分解子圖進行高斯差分濾波，消除噪聲以及光照不均等緩變的背景信息，提高起球信息的顯著度；在此基礎上，根據起球特征設定閾值對起球疵點圖像進行分割，并提取起球特征；最后，通過人工神經網絡進行起球疵點客觀等級評價。研究結果表明，本文方法用于起球疵點客觀等級評價是可行且有效的，具有較強的抗干擾能力。

起球； 疵點； 圖像； 小波域； 高斯差分濾波； 閾值分割； 客觀評價

目前，作為織物表面質量綜合評價重要組成部分的織物起球等級評價，主要依賴人工視覺，通過檢驗人員主觀視覺完成等級評價。而這種起球等級評估方法通常依賴檢測專家的主觀經驗，很容易受心理因素以及外界環境等因素的干擾，評估結果的可靠性較差。伴隨著計算機、圖像處理技術的發展，基于機器視覺的織物起球客觀評級逐漸成為研究的熱點[1-3]。目前，基于圖像分析的織物起球等級評價主要集中在空間域、變換域進行[4]。

在空間域內，很多研究者做了大量研究工作，并取得了一定的研究成果[5]，例如：對采集的織物灰度圖像進行灰度直方圖統計，然后進行閾值分割，并選取起球的面積數目作為特征參數，但織物紋理復雜時，織物上的浮點可能被誤認為是毛球[6]；使用支持向量機(SVM) 數據挖掘預測針織物起毛起球性能，但SVM的參數需要憑經驗來選擇[7]；運用二維高斯擬合理論，使用實際起球圖像訓練起球模板，并使用直方圖擬合技術確定合理的閾值分割圖像；然后提取起球數目、起球疵點的平均面積、起球的總面積、對比度和密度來訓練起球特征，并通過建立相應的公式評估起球等級。然而，利用高斯擬合是否訓練出最佳匹配的起球模板將會直接影響評估效果[8]；采用立體視覺進行立體評估[9-10]，主要適合于柔軟的粗支紗線織物起球等級評定，不適合堅硬的細紗線織物起球等級評定[11]。眾所周知，起球織物圖像通常包含周期性、非周期性背景紋理信息、起球信息、光照不均以及噪聲信息，在空間域內，這些信息相互糾纏在一起，很難有效分離出起球信息。

在變化域中, XU等[12]采用頻譜分析的方法濾除圖像中織物的底紋，再用圓形模板匹配的方法定位毛球，并用全局閾值法分割毛球；然而，傅里葉變換是一種全局性的方法，并不能在空間域提供局部信息[13]，從而影響起球評估的準確性。 小波變換具有多尺度多分辨率特性，在時間域和頻率域具有表征信號局部特征能力，非常適合奇異信號的檢測。Stuart Palmer等[14]提出了一種基于二維離散小波變換的起球密度客觀測量方法。還有研究者[16]采用基于二維雙樹復小波重構圖像和神經網絡非線性分類完成對起球的客觀評價[15]，以及將小波變換和局部二進制模式(LBP)結合起來用于起球客觀評估。利于小波變換不僅能夠抑制表現為規則信號的正常周期紋理信息，還能增大起球疵點奇異信息與正常背景紋理的對比度，因此，小波變換非常適合邊緣突變非常顯著的起球檢測；然而，起球疵點通常包含奇異信息和非奇異信息，對于那些邊緣突變不明顯，主要以非奇異信息為主的起球疵點，小波變換不能有效增加此部分信息與非周期背景紋理信息的對比度，這勢必影響最終客觀評價的準確性。

綜上分析看出，空間域和變換域疵點檢測方法都存在一定的缺陷，空間域內通常很難有效實現背景紋理信息與起球缺陷的分離，而變換域中小波變換對非奇異突變的起球信息也無能為力。如果能夠在變換域中有效消除周期性背景紋理的干擾，然后再利用高斯差分濾波消除光照不均等緩變的背景信息，就能有效地提高起球疵點的顯著度，那么就能克服現有空間域和變換域檢測的固有缺陷，從而提高客觀評估的準確性。

為此，本文通過二維離散小波多尺度變換，實現周期性背景紋理信息與起球缺陷信息的分離；然后，采用高斯差分帶通濾波消除非周期性緩變背景紋理以及噪聲的干擾；在此基礎上，根據起球特征設定分割閾值進行起球疵點的分割，并提取起球疵點特征；最后，通過神經網絡對起球疵點特征進行識別，從而完成起球等級客觀評價。

1 織物圖像周期紋理背景信息濾除

根據小波變換的多尺度多分辨率特征，通過對織物圖像的小波分解，可實現織物圖像中不同頻率正常周期紋理信息與起球信息分離，通過選擇合適的小波分解子圖從而實現織物圖像周期紋理信息的濾除。

1．1二維離散小波分解

設h為低通濾波器，g為高通濾波器，二維數字圖像的小波分解可表示為

(1)

式中：m、n分別表示j層子圖行、列坐標值;k1、k2分別表示j-1層近似子圖行、列坐標值；Lj(m,n)是j層近似子圖；Sj(m,n)是j層水平方向細節子圖；Cj(m,n)是j層垂直方向細節子圖；Hj(m,n)是j層對角線方向細節子圖；Lj-1(k1,k2)是j-1層近似子圖。

可以看出，通過1次小波分解，實質上是不同頻率的濾波器對測試圖像進行1次濾波，可獲得1個低頻近似子圖和3個分別代表水平、垂直、對角線方向的高頻細節子圖，因此，通過小波多層分解可實現不同頻率的圖像信息在不同頻率的子圖中分離，從而有利于提取起球缺陷信息。

1．2小波基及分解層數選取

小波分解用于分離起球信息過程中，首先必須選擇合適的小波基，確定小波分解層數。

用于織物圖像分解的小波消失矩越高，不僅有利于抑制非奇異信號，而且可提高突變奇異信號能力；小波緊支性越好，小波分解計算量越小，越容易對突變的奇異信號定位，因此，本文選擇具有高消失矩、正交緊支的小波，且具有一定近似對稱性的Sym3小波進行織物起球圖像的分解；織物起球圖像及其小波分解子圖能量梯度曲線如圖1所示。

圖1 織物起球圖像及其小波分解子圖能量梯度曲線Fig.1 Fabric pilling image (a) and wavelet decomposition sub-images of relative energy gradient curve (b)

正常的織物紋理是一種結構化的周期性的紋理，其信息非常豐富，能量較大，當高頻子圖不含周期性紋理信息，僅以起球信息為主時，高頻子圖能量會發生突變，因此，通過計算每層高頻細節子圖能量(高頻水平細節子圖能量與垂直細節子圖能量之和，高頻對角線細節子圖通常以噪聲信息為主，高頻細節子圖能量不包含對角線細節子圖能量信息)，擬合細節子圖能量梯度曲線，細節子圖能量梯度曲線拐點即為正常周期紋理與起球疵點信息分界點，小波分解的前一層主要為周期性紋理信息，而后一層主要包含起球疵點信息。

織物圖像能量計算中，第j層各子圖能量計算式如下：

(2)

式中：M、N分別表示各子圖行列尺寸；EL、ES、EC、EH分別表示第j層近似子圖、水平細節子圖、垂直細節子圖、對角線細節子圖的能量。

高頻細節子圖能量及其梯度分別為

Ej=ES+EC

(3)

(4)

式中：Ej-1、Ej分別表示第j-1層和j層高頻細節子圖能量；▽Ej-1表示第j-1層高頻細節子圖能量梯度。

根據式(2)～(4)可得到織物起球圖像子圖能量梯度曲線，如圖1(b)所示。可以看出，細節子圖相對能量梯度曲線發生拐點，說明第2層細節子圖主要包含豐富的紋理信息，而第3層子圖主要為起球疵點信息，第4層為織物紋理非周期性的背景紋理信息。

2 織物起球高斯差分濾波

通過小波分解，選擇合適的子圖能夠有效地濾除周期性紋理，從而避免了織物周期性紋理對起球評估的影響；然而，織物圖像背景紋理不僅僅是周期性的織物紋理，還存在織物表面的不平整和光照不均等背景信息；起球信息通常與這些非周期背景紋理信息對比度不高，直接用閾值分割必然會造成部分起球信息丟失或者前景中混入部分背景紋理信息，進而影響起球疵點的客觀評價效果。

通過分析起球特性可知，織物表面起球是因為纖維與外介質或自身相互纏繞而成，織物起球區域相對于周圍區域在灰度上呈一種斑點突起變化，各起球疵點輪廓灰度分布狀態近似于高斯函數，如圖2所示。如果能增強具有近似高斯分布的斑點狀的起球信息，將會有利于起球疵點的分割。

圖2 起球疵點灰度統計分布圖Fig.2 Statistical distribution of pilling defect grayscale images

在計算機視覺中，高斯差分(DOG)(如式(5)所示)可以看成從1個窄高斯減去1個寬高斯，是墨西哥帽小波的一個近似。它的2個高斯核的半徑之比K為5∶1，近似于視網膜上神經節細胞的視野，用于尺度不變特征變換中的斑點檢測；而起球灰度就是近似斑點的高斯分布，利用高斯差分帶通濾波不僅可有效抑制低頻背景不平度、噪聲等，而且能提高起球疵點的顯著度。

(5)

圖3 織物起球子圖高斯差分濾波及閾值分割效果圖Fig.3 Gauss-differential filtering effect of fabric pilling sub-image and effect threshold segmentation. (a) Approximate information filtering; (b) Horizontal detail information filtering; (c) Vertical detail information filtering; (d) Filtering image information fusion; (e) Threshold segmentation effect

式中： σ為標準差，即為函數的寬度參數，控制了函數徑向作用的范圍，起球徑向尺寸通常與織物組織基元有關，本文選擇基元尺寸半徑大小作為高斯差分(DOG)σ參數值；K為高斯核的半徑之比，其值為5。u、v分別為高斯差分濾波函數的自變量；高斯濾波模板尺寸大小與標準差σ數值有關，當模板尺寸大于6σ×6σ時，濾波作用很小，因此，高斯差分濾波時，起球疵點高斯濾波模板選擇尺寸為6σ×6σ。

對圖1中起球主要信息的近似子圖、水平細節子圖、垂直細節子圖進行高斯差分濾波，差分濾波效果分別如圖3(a)～(c)所示?？梢钥闯?，周期性背景信息被有效抑制，起球近似趨勢、水平細節、垂直細節信息得到加強，其融合后效果如圖3(d)所示，起球疵點的顯著性得到較大提高。

3 織物起球客觀評價

為客觀評價織物起球疵點等級，需要在圖像分割的基礎上提取織物起球特征，通過起球特征客觀評估等級。

3．1織物起球分割

如何將織物起球從織物圖像紋理中分割出來，直接影響著特征提取的準確性，進而影響客觀評估的效果。而經典的最大類間分割法及其改進方法常常被用于織物疵點圖像分割，這類方法用于小目標的圖像分割效果不理想。

如圖3(d)所示，通過分析高斯差分濾波融合形成的起球顯著圖可知，顯著圖中會含有大量的織物毛羽等背景信息，而起球疵點相對于豐富的織物紋理總是稀少的，因此，本文采用在高斯差分濾波后的起球顯著圖灰度值范圍內，按照文獻[17]設置分割閾值，進行圖像分割，分割效果如圖3(e)所示。可以看出，二值圖中，織物毛羽等背景紋理信息被有效抑制，起球信息被有效提取出來。

3．2織物起球特征提取

通過比較不同等級的織物起球情況可以看出，織物起球越嚴重時，起球的數量通常也會增多，起球所占的比重越大，分布越不均勻。為此，本文提取起球數目、平均面積、起球密度作為起球評級的指標。

1)起球數目。為了計算起球的數目，在起球二值圖上采用八連通鄰域法搜像素值不為零的連通區域；然后各個連通區域分別標記，在此基礎上統計起球數目N。

2)起球的平均面積。統計每個起球面積Ai，并將每個起球面積相加起來，除以起球的總數目N,從而獲得起球的平均面積，具體計算公式為

(6)

3)起球密度。起球密度pd可被定義為單位織物起球區域(Aint)的起球面積，其計算公式為

(7)

3.3織物起球等級評價

反向傳播(BP)神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是最廣泛應用于模式識別領域的神經網絡模型之一。本文采用這種網絡用于起球等級評估，其分類評價步驟如下。

1)從標準樣本庫中選取1～5級起球圖像各50幅，然后提取這些圖像的起球特征，并按照式(8)進行歸一化，形成起球特征樣本集。

(8)

2)BP神經網絡拓撲結構的確定。在織物疵點識別中設計BP網絡時，采用3層網絡結構：輸入層采用log-sigmoid型傳遞函數， 起球特征歸一化后參數個數即為輸入層節點數3。隱層節點數確定通常可參照下式進行：

(9)

式中：n為隱層節點數；nI為輸入節點數；nO為輸出節點數；α為1～10之間的常數。

通過式(9)確定隱層節點數范圍，然后采用Levenberg-Marquardt算法，取網絡學習速率為0.1對網絡進行訓練，以網絡輸出均方誤差小于0.01作為網絡收斂條件，分別計算網絡收斂時網絡迭代次數。以迭代次數最少為原則確定節點數。按照織物起球5個等級，確定BP神經網絡輸出節點數目為5。

3)起球特征樣本集的起球數目、平均面積以及起球密度、起球特征用于對神經網絡的訓練。

4)對測試圖像按照本文方法提取起球數目、平均面積以及起球密度、起球特征，輸入訓練好的BP網絡，進行分類識別。

4 試驗與分析

為驗證本文提出的起球客觀評價方法的有效性和較強的抗噪聲性能，分別采用本文算法與人工專家主觀評價對比試驗，以及在不同的噪聲條件下進行等級評價試驗。測試圖像從標準圖庫隨機選擇，每個等級20幅，共100幅。

起球等級評價正確識別率可采用式(10)計算：

(10)

其中：z為起球等級評價正確識別率；i為測試圖像起球等級；ci為第i等級測試圖像數目；wi為第i等級測試圖像誤判成其他等級的數目。

人工主觀等級評價所選取的專家，是從紡織企業長期從事織物質量測試，并經過進一步培訓篩選的3名檢驗人員。主觀評價時，專家需要根據起球標準圖像庫隨機選取的起球圖像，獨立地進行起球等級評價；當1名專家評價結果與另外2名專家評價結果不一致時，按照多數決定結果進行起球等級認定；當3名專家評價等級互不相同時，此測試圖像的主觀等級評價無效。采用本文算法與人工專家主觀評價對比試驗結果如圖4所示。

圖4 起球等級評價效果Fig.4 Effect evaluation of pilling grade. (a) Objective evaluation of pilling grade; (b) Subjective evaluation of pilling grade

在圖4(a)中，95個樣本起球圖像被正確等級評價，正確識別率為95%；其中，有1幅2級起球樣本被錯誤識別為3級，2幅3級起球樣本被錯誤評價為4級，2幅4級樣本被誤判為3級。在圖4(b)中，85個樣本起球圖像被人工正確等級評價，15個樣本圖像被錯誤判斷等級，因此，正確識別率為85%；接近檢驗人員誤判的原因可能是相鄰等級的起球特征比較接近。例如：一些1級起球樣本被誤判為2級，主要原因是這些樣本的起球數目或起球平均面積比較接近2級起球特征。檢驗人員主要依賴個人經驗進行客觀評估，因此，很難正確分析相鄰等級起球特征，導致評價識別率較低。

為了驗證本文算法的抗噪聲能力，在測試樣本圖像中添加均值μ=0，標準差σ分別為0.01、0.02、0.03、0.05的高斯噪聲，起球等級評價結果如圖5所示。

圖5 不同強度噪聲條件下客觀等級評價效果Fig.5 Effect of objective grade evaluation under different intensity noise conditions

從圖5(a)～(c)可知， 標準差σ分別為0.01、0.02、0.03時，起球等級客觀評價準確率達到91%以上，具有較強抗噪聲能力。主要是因為小波分解能夠濾除部分對角線子圖高頻噪聲信息；高斯差分帶通濾波能夠消除非周期性背景紋理中包含的部分噪聲信息、緩變的光照不均等；基于檢測目標稀少性閾值分割，進一步消除數量眾多的噪聲、織物毛羽信息。分析圖5(d)可知：當標準差σ為0.05時，客觀等級評價準確率迅速下降到82%，這主要是因為在強噪聲干擾影響下，起球的一部分信息被完全淹沒，造成閾值分割后的起球信息不完整，最終影響等級評價的準確率。

5 結 論

基于圖像處理的織物起球等級客觀評價屬于大背景小目標檢測與等級評價，起球等級評價的效果很容易受織物紋理、光照不均、噪聲等影響。本文通過小波多層分解，以能量梯度突變尋找織物起球主要信息子圖，從而抑制周期性的規則織物紋理信息；以設計高斯差分帶通濾波器消除緩變紋理背景和高頻噪聲信息，通過高斯差分濾波子圖融合獲得了起球疵點完整信息；根據起球本身特征設定閾值，有效分割起球疵點信息，避免了噪聲、織物組織毛羽等干擾；利用提取起球特征，經過BP網絡識別進行起球等級客觀評價。由于在檢測過程中有效地抑制了周期性織物紋理、緩變紋理、噪聲等信息對起球檢測的干擾，提高了起球分割的準確性。在等級評價階段利用BP網絡非線性識別映射能力，對提取的起球特征進行識別，提高了起球等級評價的識別率。試驗結果表明，本文提出的起球等級客觀評價方法準確率高，且具有較強的抗噪聲能力。

FZXB

[1] MENDES A D O, FIADEIRO P T, MIGUEL R A L. Subjective and objective pilling evaluations of textile fabrics: a comparison [J].Textile Research Journal, 2010, 80 (18): 1887-1897.

[2] CHERKASSKY A, WEINBERG A. Objective evaluation of textile fabric appearance： part 1: basic principles, protrusion detection, and parameterization [J]. Textile Research Journal, 2010, 80 (3): 226-235.

[3] JASINSKA I, STEMPIEN Z. An alternative instrumental method for fabric pilling evaluation based on computer image analysis [J]. Textile Research Journal, 2014, 84(5): 488-499.

[4] 管聲啟，高照元，吳寧，等. 基于視覺顯著性的平紋織物疵點檢測[J].紡織學報, 2014, 35(4): 56-61. GUAN Shengqi, GAO Zhaoyuan, WU Ning, et al. Defect detection of plain weave based on visual saliency mechanism [J]. Journal of Textile Research, 2014, 35(4): 56-61.

[5] 徐增波,周勝.基于尺度-空間極值的織物起球目標檢測[J]. 紡織學報, 2013, 34 (7): 45-51. XU Zengbo, ZHOU Sheng. Fabric pilling object detection using scale-space extrema [J]. Journal of Textile Research, 2013, 34(7):45-51.

[6] KONDA A，XIN L C. Evaluation of pilling by computer image analysis[J]. Journal of the Textile Machinery Society of Japan，1990，36 (3): 96-107.

[7] YAP Poh Hean, WANG Xungai, WANG Lijing, et al. Prediction of wool knitwear pilling propensity using support vector machines [J].Textile Research Journal, 2010, 80(1): 77-83.

[8] XIN Binjie, HU Jinlian, YAN Haojin. Objective evaluation of fabric pilling using image analysis techniques [J].Textile Research Journal, 2002, 72(12): 1057-1064.

[9] XU Bugao, YU Wurong, WANG Rongwu. Stereovision for three-dimensional measurements of fabric pilling [J]. Textile Research Journal, 2011, 81(20): 2168-2179.

[10] MENDES A D O, FIADEIRO P T, MIGUEL R A L. Virtual subjective pilling evaluation: an alternative [J]. Textile Research Journal, 2011, 81(9): 892-901.

[11] KIM S C，KANG T J. Evaluation of fabric pilling using hybrid imaging methods [J]. Fibers and Polymers, 2006, 7 (1):57-61.

[12] XU B. Instrumental evaluation of fabric Pilling [J]. Joumal of Textile Institute，1997(8): 488-500.

[13] GUAN Shengqi, GAO Zhaoyuan. Fabric defect image segmentation based on visual attention mechanism of wavelet domain [J]. Textile Research Journal, 2014, 84(10):1018-1033.

[14] PALMER Stuart, WANG Xungai. Objective classification of fabric pilling based on the two-dimensional discrete wavelet transform [J]. Textile Research Journal, 2003, 73(8): 713-720.

[15] ZHANG Junmin, WANG Xungai, PALMER Stuart. Performance of an objective fabric pilling evaluation method [J]. Textile Research Journal, 2010, 80(16): 1648-1657.

[16] JING Junfeng, ZHANG Zanzan, KANG Xuejuan, et al. Objective evaluation of fabric pilling based on wavelet transform and the local binary pattern [J]. Textile Research Journal, 2012, 82(18): 1880-1887.

[17] 管聲啟，師紅宇，趙霆. 應用目標稀少特征的織物疵點圖像分割[J].紡織學報, 2015, 36(11): 45-50. GUAN Shengqi, SHI Hongyu, ZHAO Ting. Image segmentation of fabric defect based on object rarity feature[J]. Journal of Textile Research, 2015, 36 (11): 45-50.

PillingobjectiveevaluationbasedGaussianfilteringinwaveletdomain

GUAN Shengqi1,2, HE Jianxin2, WANG Jie1, LI Wensen1, LEI Ming1

(1.CollegeofMechanical&ElectronicEngineering,Xi′anPolytechnicUniversity,Xi′an,Shannxi710048,China；2.HenanKeyLaboratoryofFunctionalTextileMaterials,Zhengzhou,Henan450007,China)

As the effect of the variety of fabric background textures and the feature of pilling defects, conventional algorithm of image processing is hard to satisfy the automatic detection of pilling defects and the objective evaluating demands. A new way of pilling objective evaluation based on the wavelet-domain of difference of Gaussian filter was proposed. First of all, pilling defect image was decomposed into multiple layers by wavelet multi-decomposition to separation periodic background texture and pilling information. Then, the appropriate wavelet decomposition sub-images were chosen to carry out difference of Gaussian filter for eliminating the noise and the background information of slow variation such as uneven illumination, and pilling information was improved significantly; and on this basis, a segmentation threshold was defined to segment these sub-images according to the characteristics of pilling, and the features of pilling form binary image was extracted. Finally, BP artificial neutral network was used to objective evaluation of pilling grade. The test results show that this method can make an objective evaluation for pilling level effectively, and has strong interference resistance.

pilling； defect; image； wavelet domain; difference of Gaussian filter; threshold segmentation; objective evaluation

TP 391.41；TS 101.923.5

：A

10.13475/j.fzxb.20161100807

2016-11-03

：2017-06-15

中國紡織工業聯合會科技指導性項目(2016065)；陜西省教育廳科研計劃資助項目(16JK1337)

管聲啟(1971—)，男，副教授，博士。主要研究方向為表面質量在線檢測。E-mail：sina1300841@163.com。