印刷星標的Gabor紋理特征分析與自動識別研究

徐卓飛，張海燕，徐倩倩，向晨

1.西安理工大學機械與精密儀器工程學院，西安710048

2.西安理工大學印刷包裝工程學院，西安710048

印刷星標的Gabor紋理特征分析與自動識別研究

徐卓飛1，張海燕2，徐倩倩2，向晨2

1.西安理工大學機械與精密儀器工程學院，西安710048

2.西安理工大學印刷包裝工程學院，西安710048

印刷星標是判斷水墨平衡的重要方式，由于其同時受到水墨關系與光照等因素影響，難以通過一般灰度分析方法準確判斷，故提出通過圖像紋理識別星標，以實現水墨狀態的自動判斷。內容包括印刷星標的采集與預處理，基于2D-Gabor的印刷星標紋理特征提取與融合PCA分析的紋理特征集降維，最后利用SVM實現決策網絡的構建，實現了印刷機工作中對星標的自動識別，相關研究結果在減少調試維修設備工時和成本、提高印刷調節效率、快速實現水墨平衡等方面具有實際應用價值。

印刷星標；二維Gabor濾波；水墨平衡；支持向量機；主成分分析

膠印作為最主要的印刷方式，其工作狀態在很大程度上依賴于水墨平衡，即利用油水不相溶原理，使得印版具有選擇性吸附特性，使油墨和水在印版上分別處于親油位置和親水位置，從而實現油墨向承印物的轉移，這里的“水”指膠印中的潤版液。在這一過程中需要保持墨量和水量的相互平衡以保證網點轉移的最佳效果，達到印刷品圖像清晰、色彩飽滿的效果[1-3]。為了勻墨均勻，膠印機墨路設計往往較為復雜，較長的墨路系統導致墨量易受設備狀態變化的影響；水量會受到較多外界因素如溫度、濕度、氣流等影響，基于上述原因，致使印刷機在每次停機、啟動、調試以及維修期間，往往會浪費大量的紙張和油墨，而相應的水墨狀態判斷與調節多以人工經驗為主，若實現自動監測技術，則可提高生產效率和可靠性[4-5]。

若要脫離人工經驗判斷模式，需要建立準確高效的水墨量測量方案，因此印刷設備生產商與專家學者對于印刷機水墨檢測展開了深入的研究：國外印刷設備先進制造商如德國海德堡、高寶等企業都開發了相應的油墨在線預置系統，通過在印刷前對印刷畫面的分析，計算出各個色組的墨量值，并以此為依據通過遙控墨斗進行各墨區的墨量控制，以便于在印刷中快速達到墨量要求；張海燕等[6]設計了一種以超聲波傳感器為主的印刷機墨量在線監測系統，可以有效避免工作環境中噪聲對監測的干擾，當印刷機墨斗中油墨到達最低線時，系統會發出報警聲提示加墨，改進后系統可以在線顯示墨斗中的墨量值，實現了印刷機供墨裝置的自動化控制；考慮到潤版液厚度在印刷過程中變化規律較為復雜，管力明等[7]針對潤版液供給量進行了監控，利用光纖傳感器及相關檢測技術構建了監控系統，相對于人工經驗判斷，具有更高的準確性；上述研究可測量水墨關系，但是都需要在印刷機上開發安裝相應的測試設備，增加了成本，因此Ren Linghui[8]等提出利用BP神經網絡自動識別印刷標識，成功對印刷墨量的大小進行了判斷，脫離了機械測試硬件的需求，但由于BP神經網絡存在對樣本需求量大的問題，致使其應用難度較大。

隨著數字化工作流程在行業全面的推廣，圖像處理技術越來越多地應用于印刷畫面分析之中，相關的模式識別技術為印刷設備的狀態檢測與故障診斷提供了新的有效方法[9]。考慮到印刷畫面分析可脫離測試系統硬件與人工經驗的束縛，降低成本并提高效率，提出自動識別印刷星標以實現水墨平衡的判斷方法。

1 星標檢測方法概述

圖1代表了常見的印刷檢測星標，其設計來源于美國印藝技術基金會（GATF），其多用于人眼直接觀測。印刷機在水墨不平衡時，如圖2星標上會出現細微的異常紋理，這里提到的紋理是一種反映像素的空間分布屬性的圖像特征，通常表現為局部的不規則性和宏觀的規律性，是一類有效的圖像特征[10]。考慮到印刷圖案隨水墨量變換時，其紋理會出現規律性變化，故提出從紋理角度進行模式識別研究，實現水墨平衡及相關異常的識別，克服灰度能量識別的不足。

圖1 研究所選取的星標

圖2 印刷狀態出現異常時的印刷星標（以品紅色為例）

實際生產中，工作人員常通過目測星標的方式，依據人工經驗對水墨平衡進行相關的判斷并進行相應設備調節。研究以星標為主要檢測對象，實現自動水墨狀態判斷，選用CMYK四色（即青、品、黃、黑印刷基本四色）星標，印刷星標是尺寸為5 mm×6.5 mm的小矩形，提出技術路線如圖3所示，主要包括采集印刷圖像、基于二維Gabor濾波的特征提取分析與狀態決策三個部分。

圖3 技術路線

2 星標紋理特征提取與分析

2.1 基于2D-Gabor濾波的圖像變換

星標檢測具體有如下困難：首先，印刷作業環境光照的變化會影響到星標圖像采集的效果，造成圖像識別的誤判；此外，星標紋理變化會受到色彩、水墨、濕度及溫度等多重因素影響，變化形式復雜，單一的特征評估極易產生誤判。

圖4按照圖像灰度能量值進行了分類，選取三種狀態（水量過大墨量不足，水量不足墨量過大，水墨平衡）星標各20個，可發現A區域是明顯墨量過大水量不足的標識，C區域是明顯墨量不足水量過大的標識，而B區域包含了三種狀態，難以區分。

圖4 基于能量特征的區分結果

針對上述問題，提出了融合Gabor小波能量與方向特征向量的星標特征提取方法，利用二維Gabor紋理特征具有分辨率強且對光照的不敏感等特性，可對星標紋理細節起到良好的增強效果[11-12]。

Gabor變換是一種加窗傅里葉變換，它很好地兼顧信號在空間域和時間域中的分辨能力，且與人眼的生物作用相仿，故常用于紋理識別[13-14]。二維Gabor濾波是一個調制過的二維高斯函數，其單位沖擊響應函數為：

其中，σx與σy分別控制高斯函數在x軸和y軸方向上的變換尺度，f0為中心頻率，為了得到一組Gabor小波基，需對其進行尺度變換和方向旋轉，如式（2）～（4）所示，經過方向旋轉之后坐標為x′和y′：

其中θ為旋轉角度，x和y為原坐標，θ=nπ/k，k是Gabor總的方向數，a-m為尺度因子。Gabor特征可通過將輸入圖像與Gabor小波濾波器組卷積得到。若輸入圖像為I(x，y)，則圖像I和Gabor函數在尺度m方向n下的卷積定義為：

本文擬采用8個方向（0°，45°，90°，135°，180°，225°，270°，315°）和5個尺度(m=1～5)Gabor濾波組，共有8× 5=40個特征組，圖5是正常星標經過Gabor濾波之后得到結果。

圖5 星標的Gabor小波變換

2.2 基于幅度譜與相位譜的紋理特征提取

在不同尺度和方向下，經Gabor濾波組濾波后得到幅度譜和相位譜，之后需要提取有效地紋理特征以用于模式識別。對于幅度譜而言，其均值與方差廣泛應用于紋理分割和圖像檢索，具有良好的模式分類效果，本次研究選取不同尺度方向下濾波組的這兩個特征值，構成特征向量組M，則每一幅圖片的Gabor濾波幅度譜特征是一個5×8×2=80維的特征向量；對于相位譜而言，其灰度分布具有很強的不確定性，不能像幅度譜那樣可以用一個分布來近似，基于這樣的考慮并針對相位譜的信息不確定程度，可以從信息論的角度出發，用熵作為其特征值以描述其信息確定性程度[15]，構建相位譜特征向量組N，它由5×8×1=40維特征向量組成，表示每一幅圖片的相位譜特征，相位譜熵的計算如式（6）所示：

其中，P(i，j)代表圖像中的一個像素，圖像尺寸為(L-1)× (L-1)。由M與N構成二維Gabor濾波后圖像的特征集，每一幅原始圖像對應一個120維特征組，記為X= [M，N]。

2.3 基于PCA的特征融合

X中包含多尺度多方向的紋理特征，其中存在相當的冗余特征不利于模式分類，同時特征組過大也會大大降低識別效率，因此研究對于特征集X進行主成分分析，以便消除特征組之間的冗余信息。主成分分析（Principal Component Analysis，PCA）把多個變量化為少數幾個主成分，這些主成分能夠反映原始變量的大部分信息并表示原始變量的線性組合，為使得這些主成分所包含的信息互不重疊，要求各主成分之間互不相關[16-17]。

主元分析法的目標是在保證星標的紋理信息丟失最少的前提下，其尋找一組新變量來替代原變量，且新變量是原變量的線性組合，對于特征集為X，對其進行主成分分析時，需要它的協方差矩陣Σ或相關系數矩陣R，本文選擇對Σ進行估計，記特征組樣本的觀測矩陣為：

X的每一行對應一幅圖像的全部Gabor濾波組特征值，p=120，記式（7）S為Σ的估計，可從S出發求樣本的主成分：

設λ1，λ2，…，λp為S的p個特征值，T=t1，t2，…，tp為相應的正交單位特征向量，則有Σti=λiti，t′iti=1，t′itj=0，其中，i≠j；i，j=1，2，…，p。記Λ為對角線為λ1，λ2，…，λp的對角陣，則

進行如下線性變換：

A為單位向量矩陣，Y=[y1，y2，…，yn]為主元特征集。考慮y1的方差：

當a′1=t1時，y1=t′1x的方差值達到最大，最大值為λ1。稱y1=t′1x為第一主成分，以此類推，在約束cov(yk，yi)=0(k=1，2，…，i-1)下可得，當ai=ti時，yi= t′ix(i=1，2，…，p)的方差達到最大，最大值為λi，稱yi為第i主成分。分解得到主元模型后，根據式（11）～（12）計算各個主元的貢獻率與累積貢獻率，并根據累積貢獻率選取降維后的主元特征集。

提取后的得到主元特征集Y:Y=[y1y2…yn]，n為選取的主成分個數，使n的個數大幅小于p，即實現特征集的冗余信息消除和維數降低。

將降維之后的主元特征集進行后續模式識別分類計算，作為后續SVM分類的輸入特征，這樣原先p維特征向量被壓縮成n維主元特征向量。

3 基于SVM的印刷狀態識別

經過PCA分析，可去除掉特征集中的冗余信息以提高計算效率。在研究中，要求準確地識別水量墨量狀態，需引入相關的模式識別算法，考慮到SVM（Support Vector Machine）對解決小樣本模式分類問題有獨特的優勢，具有很好的泛化能力，由于印刷生產中不易獲取大量樣本，SVM恰好適應小樣本模式分類，故選其進行分類研究。研究需根據主元特征實現水墨平衡、水量過大或墨量不足、水量過小或墨量過大三種狀態的分類，在本文中三類決策狀態是SVM的輸出向量，將經過降維的n維主元特征向量作為輸入集。

SVM的核心思想是通過非線性核映射關系將輸入向量映射到一個高維空間中，構造最優分類平面以實現分類。支持向量機對于k類問題分類時，只需要k-1個兩類分類器即可解決，在識別過程中選取徑向基函數作為SVM核函數，如式（13）所示：

SVM模型中，σ為控制核函數高寬的參數，懲罰參數C主要用于控制錯誤分類，其選取由具體的問題而定，并取決于數據中噪聲的數量。在確定的特征子空間中：C取值小表示對經驗誤差的懲罰小，學習機器的復雜度小而經驗風險值較大；C取無窮大，則表示所有約束條件都必須滿足，這意味著訓練樣本必須準確地分類。每個特征子空間至少存在一個合適的C以使得SVM泛化能力最好[18-19]。核函數參數會直接影響映射關系，其反映樣本數據在高維空間分布的復雜程度；懲罰參數可調節置信區間和經驗風險比例，提高SVM的泛化能力。本文采用交叉驗證（Cross validation）的方法找到適合工況的最優參數，研究將訓練集分為K組，將每一組樣本依次作為驗證集，同時將其余K-1個樣本作為訓練集，采用KCV交叉驗證思想，從而尋找到最優的C和σ的參數值，之后利用完成訓練的網絡實現對未知樣本的判斷。

4 實驗

4.1 實驗條件

實際進行印刷實驗，以驗證所提出方法的可行性和理論的正確性。實驗在紙膠印機上進行（圖6（a），膠印機光華650，陜西省印刷包裝工程重點實驗室）；采用普通感光CCD（有效像素1 010萬，最高分辨率3 648×2 736）進行圖像采集；計算機（處理器Inter?CoreTM2 Duo CPU T6500，2.1 GHz）進行圖像的存儲和處理，圖像的前處理、Gabor濾波、能量方向特征提取、SVM網絡的訓練等所調用的程序均在Matlab環境下編寫。研究通過人為操作印刷機，分別調節進墨量和上水量，造成水量過大墨量不足、水量不足墨量過大以及水墨平衡三種印刷狀態，根據印張的實際水墨供給印刷狀態，通過密度計反復測量印刷色彩控制條，獲取訓練樣本與驗證樣本并保證樣本的正確性。

根據圖1星標進行CTP印版制作，制版完成后上機印刷，分別按照KCMY（黑青品黃）色序印刷并進行套印，部分印刷品如圖6（b）所示，得到印刷品之后進行后續圖像處理與分析。圖6以品紅色為例，記錄了部分印刷標識，7（a）～（c）分別是水量不足與墨量過大、水量過大與墨量不足、墨量適中三種狀態的星標，分別從印品中選取訓練樣本集和驗證樣本集每種狀態各30個，共計2×3×30=180個樣本。

4.2 紋理特征提取分析

圖6 實驗設備及印刷品樣張

圖7 部分印刷檢測星標樣本

從原始特征集中每一個樣本中提取一個120維特征向量，通過對特征集進行主成分分析，可得到其主成分分量，根據累計貢獻率來選取合適的維數。對訓練樣本的120維特征向量矩陣進行主成分分析，其累計貢獻率如圖8所示：經過PCA處理之后，按照式（11）～（12）計算相應累積貢獻率，發現僅第一主元貢獻率已達到96.23%，到第二主元其累積貢獻率已達到97.60%，在第五個主元處超過99%，為了有效降低維數并不丟失信息，選取前5個主元來替代原始120為特征向量，這樣極大地減少了特征信息量從而提高了計算效率。前5個主元的累積貢獻率已經達到了99%以上，說明其中已包含了特征集中主要的信息，雖然信息略有丟失，但相對于120維原始特征而言，簡化了SVM輸入集，由于累積貢獻率較高，故未造成識別率明顯下降。

圖8 Gabor紋理特征的累積貢獻率

4.3 實驗結果分析

在完成了圖像的采集、特征的提取和PCA分析之后，可從每一幅原始圖像中獲取一個5維主元向量，以此作為狀態最終識別的特征向量，在識別前對特征集進行標準化，以訓練集訓練網絡并用驗證集驗證識別效果。研究在Matlab環境下進行，參數設定K=5，經過參數交叉對比驗證后，尋找到最優懲罰參數C=32，核函數參數σ=0.125，結果記錄在表1中，而表2則詳細記錄了每種狀態的識別情況。

表1 識別結果

表2 識別率分析

從識別結果可以發現，當n=5時，即120維原始特征集降維為5維特征之后，星標平均準確率可達90%以上，符合一般實際生產要求，遠高于一般灰度能量分析分類的結果。

表3為按照第2章內容描述采用灰度能量特征進行星標識別的結果，其整體識別率與本文方法相比明顯偏低，認為這主要是由于光照因素、紋理的復雜程度導致。表2中反映出了識別產生錯誤的情況，可以發現主要的錯誤出現在墨量偏大與墨量適中兩種情況之間，這是由于實際生產中兩種紋理過于接近所致，這種錯誤發生時說明印刷品狀態介于二者之間，對實際生產影響較小，可通過增加濾波尺度適度提高，但會降低計算效率。

表3 基于灰度特征的識別結果

5 結論

研究以實現印刷機水墨狀態的自動判斷為目的，針對星標進行了圖像處理、紋理特征分析與狀態模式識別，進行了現場印刷實驗，驗證了可行性，主要結論有：（1）通過對星標圖案的二維Gabor濾波分析，得到了其幅度譜特征和相位譜特征，結合主成分分析，大大降低了原始紋理特征集的維數，證明了PCA對于基于二維Gabor相關的紋理特征集有著很好的維數降低和冗余信息排除作用，可在實際工況中提高識別效率。（2）通過基于紋理特征的GATF星標模式分類，實現了印刷機墨量大小的自動識別，可替代人眼觀察且擁有較高的準確度，彌補了灰度特征分析在星標識別時易受光源影響、識別率低的不足。（3）在利用支持向量機分類的過程中，通過交叉驗證的方法，在印刷標識的決策網絡的建立中實現了參數的最優選取，保證了小樣本條件下識別網絡的分類與泛化能力，最終實現了水墨狀態的模式分類。

本研究設計了一套印刷星標識別方法，可通過一般圖像采集設備快速判斷水墨狀態，從而為印刷機調試提供參考。研究對于提高印刷生產的自動化程度、降低印刷中的人工經驗依賴程度有著重要意義。

相關方法存在以下不足：（1）由于水墨量耦合關系較強，目前實際生產中缺乏相關測量理論與技術，研究對水墨量大小進行了自動判斷，但尚未實現對其精確的定量測量。（2）本方法目前可在印刷車間替代人工目測判斷，但依然處于離線監測階段，開發出與印刷機結合的在線監測系統可進一步提高工作效率，也將是后續研究的重點。

[1]Koivula H，Kamal A lm H，Toivakka M.Temperature and moisture effects on wetting of calcite surfaces by offset ink constituents[J].Colloids and Surfaces A：Physicochem ical and Engineering Aspects，2011，390（1/3）：105-111.

[2]王儀明，蔡吉飛，趙吉斌.高速膠印機關鍵技術研究現狀及進展[J].中國機械工程，2007，18（10）：1255-1263.

[3]Maind S D，Chattopadhyay N，Gandhi C，et al.Quantitative evaluation of europium in blue ballpoint pen inks/ offset printing inks tagged with europium thenoyltrifluoroacetonate by spectrofluorometry and ICP-AES[J].Science and Justice，2008，48（2）：61-66.

[4]Zhang Haiyan，Ren Linghui，He Yanling.dynamic simulation of offset printing inking system based on undirected graph[C]//2009 ETP/IITA World Congress in Applied Computing，Computer Science，and Computer Engineering，Sanya，China，2009：193-196.

[5]Shen Wei，Hutton B，Liu Fuping.A new understanding on the mechanism of fountain solution in the prevention of ink transfer to the non-image area in conventional offset lithography[J].Journal of Adhesion Science and Technology，2005，15：1861-1887.

[6]張海燕，閆海濱，趙慶海.印刷機著墨量在線監測的新方法研究[J].傳感技術學報，2006，19（1）：258-260.

[7]管力明，陳梅.膠印潤版液膜厚動態檢測技術研究[J].包裝工程，2007，28（1）：58-64.

[8]Ren Linghui，Liu Kai，Zhang Haiyan.Printing machine condition monitoring based on printing image texture[C]// 2011 International Conference on Mechanical Engineering and Technology，London，UK，2011：267-269.

[9]劉東昌，王欣剛，李銳.基于紋理分析的張數檢測算法[J].中國圖象圖形學報，2011，16（3）：413-419.

[10]Bovik A C，Clark M，Geisler W S.Multichannel texture analysis using localized spatial filters[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1990，55（12）：798-805.

[11]Arivazhagan S，Ganesan L，Prival S P.Texture classification using Gabor wavelets based rotation invariant features[J]. Pattern Recognition Letters，2006，27（16）：1976-1982.

[12]劉金平，桂衛華，牟學民，等.基于Gabor小波的浮選泡沫圖像紋理特征提取[J].儀器儀表學報，2010，31（8）：1769-1775.

[13]王憲，陸友桃，宋書林，等.基于Gabor小波變換與分塊PCA的人臉識別[J].計算機工程與應用，2012，48（3）：176-180.

[14]Granlund G H.In search of a general picture processing operation[J].Computer Graphics and Image Processing，1978，8（2）：155-173.

[15]練秋生，陳書貞，劉春亮.融合Gabor小波能量與方向特征的掌紋識別算法[J].儀器儀表學報，2008，29（3）：556-561.

[16]張勇，陳莉.聚類與PCA融合的特征提取方法研究[J].計算機工程與應用，2010，46（11）：148-153.

[17]Perlibakas V.Distance measures for PCA-based recognition[J].Pattern Recognition Letters，2004，25：711-724.

[18]奉國和.SVM分類核函數及參數選擇比較[J].計算機工程與應用，2011，47（3）：123-125.

[19]Burges C J C.A tutorial on support vector machines for pattern recognition[J].Data mining and Know ledge Discovery，1998（2）：121-167.

XU Zhuofei1,ZHANG Haiyan2,XU Qianqian2,XIANG Chen2

1.School of Mechanical and Precision Instrument Engineering, Xi’an University of Technology, Xi’an 710048, China
2.School of Printing and Packaging Engineering, Xi’an University of Technology, Xi’an 710048, China

Printing label is the main way to monitor the state of ink balance. As the control for printing ink balance mainly depends on human experience, there are some problems such as strong subjectivity and low efficiency. In this study, the digital image processing and pattern recognition algorithm are used to solve the problem mentioned above and realize the automatic monitoring and identification of the balance of ink and water. The feature of printing label is abstracted with a 2D-Gabor filter and analyzed with a principal component analysis. SVM nets are trained to identify the statement of water and ink with the result of PCA and it has a qualified accuracy in application. This study has a significant in reducing the debugging time and cost of equipment. Both the quality and automation degree of printing will be improved.

printing label; 2D-Gabor filtering; ink-water balance; Support Vector Machine（SVM）; Principal Component Analysis（PCA）

XU Zhuofei, ZHANG Haiyan, XU Qianqian, et al. Study on automatic identification and texture analysis with Gabor filtering for printing label. Computer Engineering and Applications, 2014, 50（17）：230-235.

A

TS825；TH17

10.3778/j.issn.1002-8331.1310-0122

國家自然科學基金（No.51275406）；陜西省自然科學基礎研究計劃項目（No.2013JM 7009）；陜西省教育廳科學研究計劃項目（No.2013JK 1030）。

徐卓飛（1985—），博士研究生，主要研究方向為印刷圖像處理技術、機械故障測試與診斷。E-mail：xzf_34216606@163.com

2013-10-14

2013-12-20

1002-8331（2014）17-0230-06

CNKI網絡優先出版：2014-03-12,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1310-0122.htm l