應用目標稀少特征的織物疵點圖像分割

管聲啟，師紅宇，趙 霆

(1.西安工程大學機電工程學院，陜西 西安 710048;2.西安工程大學計算機科學學院，陜西 西安 710048)

織物疵點檢測是紡織品質量檢驗的重要環節之一。傳統的織物疵點檢測由人工離線完成，這種檢驗方法存在著較高的誤檢率和漏檢率，檢測效率低下，驗布具有滯后性［1］，難以滿足在線檢測的需要［1－3］。隨著計算機圖像處理技術的發展，基于機器視覺的織物疵點檢測算法的研究成為熱點課題。目前，關于織物疵點檢測算法眾多，有不少學者采用自適應閾值分割的方法用于織物疵點檢測［4］。

Otsu法是一種常見的圖像分割方法，是通過最大類間方差獲得分割閾值，然而這種分割方法分割織物圖像所獲得的疵點區域通常含有大量的背景紋理信息。為此，李紅梅等［5］提出了同時滿足類間方差最大和類內方差最小條件的改進Otsu法，然后根據最佳自適應閾值進行疵點分割;鐘小勇等［6］采用局部閾值分割的自適應閾值算法分割織物疵點;趙靜等［7］利用圖像信息熵最大時得到的閾值作為圖像的自適應閾值，并用此閾值對圖像進行分割;杜磊等［8］通過對分割效果分析，認為分割效果好壞依次為局部閾值分割算法＞改進的Otsu算法＞Oust算法＞最大熵閾值算法。局部閾值分割算法的分割效果與分割窗口大小和用于控制圖像分割程度系數有關，在實際分割中，改進的Otsu算法應用更為廣泛。通過分析可以看出，這些方法直接根據織物圖像特征確定閾值，然后利用確定的閾值進行分割，其關鍵在于所確定的閾值是否適合各類織物圖像中的疵點分割。祝雙武等［9］提出了一種新的基于紋理結構分析的織物疵點檢測方法，通過計算紋理圖像的局部不平整度來定位疵點，并采用Otsu算法自動獲取閾值進行圖像分割;趙波等［10］采用顯著性區域特征進行疵點定位，然后最大熵對疵點圖像進行分割。這些方法是通過織物圖像進行預處理，以提高疵點與背景紋理的對比度;然后通過確定閾值進行疵點圖像的分割。可以看出，無論采用哪種自適應閾值分割方法，分割閾值直接會影響著分割效果;因此，自適應閾值的確定是基于閾值分割方法的關鍵。

傳統的Otsu閾值分割方法是基于圖像本身數據分析而確定的閾值，沒有充分考慮到檢測目標本身特征，對目標大小非常敏感，目標區域通常含有大量背景信息。對于特征明顯的目標檢測，人類視覺系統直接從視圖中搜索與檢測目標匹配的特征，然后實現目標檢測，從而提高與背景紋理對比度低的檢測目標的檢測準確率。為了模擬人類這種感覺機制，本文在分析織物疵點特點的基礎上，提出了基于目標特征的織物疵點分割方法;并通過實驗驗證算法的有效性。

1 織物疵點圖像分割理論

1.1 織物疵點特征分析

織物是由經、緯紗線按一定的浮沉規律交織而成，表現為周期性重復變化，織物疵點是在織造過程中由工藝或者原材料異常產生的，是織物紋理的局部異常，表現為局部突變特征［11］。目前，織物疵點種類繁多，常見的疵點多達幾十種，其形態、特征各異;為了減少算法復雜性，對織物疵點分類研究也日趨成為熱點，比如按照疵點在織物紋理中分布情況可分為局部疵點，離散性疵點和方向性疵點，如圖1所示。

圖1 疵點示例Fig.1 Sample of defects.(a)Local defect;(b)Isotropic defect;(c)Directional defect

局部疵點僅僅表現在織物圖像某個局部發生異常;離散疵點表現為織物紋理中的離散分布，且每個疵點面積較小;方向性疵點在織物圖像中呈現方向性的分布。雖然每種疵點具有一定的共同特性，但對于具體的疵點來說，這種共同特征會因為采集情況、織物紋理種類、疵點形態等因素的不同而波動。例如:方向性疵點有水平方向和垂直方向疵點之分，這些方向性疵點有可能存在于平紋紋理或斜紋紋理中，有些疵點方向性特征比較明顯，有些方向性不明顯，如圖2所示。因此，根據織物疵點分布狀態的特征也很難把此類疵點全部檢測出來。

圖2 方向性疵點的示例Fig.2 Samples of directional defects.(a)Directional defect 1;(b)Directional defect 2;(c)Directional defect 3

絕大部分織物疵點在織物紋理中，表現為少數區域的局部異常，即稀少性。利用這個疵點特征就能把織物疵點檢測出來。

1.2 基于目標稀少特征的分割

在織物紋理圖像中，織物疵點數目是比較少的;而人類視覺總是對視野中的少數目標表現出很強的興趣，如果能利用人類視覺這種特性，就有可能把這些目標與背景存在差異不大的疵點分割出來。通常稀少目標必須滿足以下條件:

1)目標區域必須與背景區域存在一定的區分度，存在一定的對比度;

2)目標區域數目與背景區域數目相比較是很少的;

3)假設目標區域灰度值高于大部分背景區域(目標區域較亮)。為了滿足上述條件，式(1)如下:

式中:Imax(i，j)表示在濾波后織物圖像(i，j)處的大于δotsu的像素點，δotsu為最大類間方差確定的閾值;Irarity表示目標興趣區域的稀少度，其數值越大表明越稀少;num［Imax］δ(n+1)、num［Imax］δ(n)分別表示在［δotsu，255］之間進行 N等分得到一系列閾值δ(1)、…、δ(n －1)、δ(n)、…、δ(N)中的第 n+1 和n次分割時興趣區域數目;Irarity(max)表示最佳稀少度，即前后相鄰兩次分割后興趣區數目差最大，這說明興趣區域數目已經迅速的變成稀少。

根據式(1)，找出最佳稀少度對應的閾值δ(n+1)，采用閾值δ(n+1)分割興趣區，興趣區域必須滿足式(2):

在實際檢測中，目標區域灰度有可能高于背景紋理信息，也有可能低于背景紋理信息。為了滿足使本算法適應各類情況的目標分割，本文首先對濾波織物圖像在［δotsu，255］區間確定系列閾值，然后通過稀少性特征確定分割閾值，分割出亮度較高的疵點;如果不能通過稀少性分割出疵點區域，說明疵點亮度較暗，本文將對預處理織物圖像反色處理(即采用255－Imax(i，j)代替圖像 Imax(i，j)像素值)使疵點亮度處于［δotsu，255］區間，然后重復前面步驟通過系列閾值分割，確定最終分割閾值。

2 織物疵點圖像分割過程

本文織物疵點圖像分割過程如圖3所示。分別對采集的織物圖像進行滑動均值濾波、圖像分割、形態學濾波等步驟完成對疵點的檢測。

2.1 織物圖像的滑動均值濾波

織物紋理總是具有周期性，具體表現為紋理基元的重復;疵點反映周期性紋理的局部破壞，表現為紋理基元上的突變。如果能抑制正常紋理基元信息，就能突出疵點信息。為此，通過自相關函數確定基元尺寸，以基元尺寸大小的窗口在織物圖中滑動，以其均值代替窗口中心的像素點灰度值。其滑動均值濾波過程如下。

圖3 織物疵點圖像分割過程Fig.3 Segmentation processing of fabric defect images

首先，分別根據式(3)、(4)計算織物紋理的水平和垂直方向自相關函數，獲得到水平自相關曲線和垂直自相關曲線。

式中:Cx表示水平方向自相關函數、Cy表示垂直方向自相關函數，M ×N表示圖像尺寸，fi，j表示圖像在(i，j)像素灰度值，x表示圖像行的序號，y表示圖像列的序號。

其次，以水平自相關曲線的2個峰值之間長度作為基元的水平尺寸，以垂直自相關曲線的2個峰值之間長度作為基元的垂直尺寸;采用式(5)、(6)、(7)分別計算基元水平尺寸lx、基元垂直尺寸ly和基元窗口 Tx，y大小。

式中:mun［max(cx)］表示水平自相關曲線極大值數目，mun［max(cy)］表示垂直自相關曲線極大值數目。

最后，按照式(8)計算基元窗口均值，以基元窗口在織物圖像中滑動，以基元均值Ma，b代替相應基元窗口尺寸中心像素點(a，b)的灰度值，通過遍歷整個織物圖像，從而抑制織物紋理信息。

式中a、b分別表示基元中心點的橫坐標和縱坐標。

2.2 織物圖像分割

圖4示出織物圖像的預處理。式(1)確定最佳稀少度和分割閾值;然后根據式(2)對預處理后的織物圖像進行分割，形成疵點興趣區，如圖5所示。

圖4 織物圖像預處理Fig.4 Pre-processing of fabric image.(a)Original image;(b)Image after pre-processing

圖5 離散疵點興趣區示例Fig.5 Sample of isotropic defect interest region.(a)Interest region number curve;(b)Rarsity curve;(c)Defect of interest region

從圖中可看出，對邊撐疵采用稀少性特征分割;在［δotsu－255］區間，對圖4中的預處理織物圖像灰度值進行8等分，然后計算不同閾值下興趣區域數目和稀少度如圖5(a)、(b)所示;在圖5(a)中興趣區域數目在橫坐標3～4之間下降最快(在圖(b)中橫坐標在3處稀少度最大)，說明在圖5(a)中4處對應閾值能夠使興趣區域明顯稀疏，目標與背景基本被分離出來，按照此處閾值分割效果如圖5(c)所示。

2.3 形態學濾波

由織物圖像分割后所得到的興趣區通常含有一定噪聲和較小的孤立點;為了消除這部分信息對疵點提取的影響，以織物基元尺寸作為結構元素尺寸，采用先膨脹、后腐蝕的形態學閉運算操作;通過閉運算不僅能平滑濾波，而且還能能夠除去區域中的小孔，填平狹窄的斷裂、細長的溝壑以及輪廓的缺口。圖5(c)的形態學濾波結果如圖6所示，織物圖像中的噪聲和孤立點被有效的抑制。

3 試驗與分析

圖6 形態學濾波結果Fig.6 Morphological filtering result

選擇從工業現場采集的不同紋理的邊跳紗、邊撐疵、經縮波浪、油緯以及百腳疵點圖像進行實驗，圖像大小為256像素×256像素。為了驗證本文算法的有效性，采用Oust改進算法(文獻［5］采用的方法)、基于本文均值濾波的Oust改進算法以及本文方法進行織物疵點圖像分割。

試驗與檢測結果如圖7所示。基于改進Ostu分割效果圖7(b)中，含有大量的正常紋理信息與噪聲信息，說明這種方法確定的閾值不能實現正常紋理與疵點的完全分離;基于濾波的改進Ostu分割效果圖7(c)中，正常紋理基本被抑制，但分割后的圖中仍然含有大量噪聲;分析主要原因可能是通過滑動濾波能夠消除正常紋理對分割的影響，但那些與疵點灰度值接近的噪聲不能通過其確定的閾值實現與疵點的分離，這說明所確定的閾值不是最優閾值;本文方法的分割效果如圖7(d)所示，織物疵點與背景紋理完全分離，表明本文的分割方法不僅利用滑動窗口濾除正常紋理信息，而且利用織物疵點目標的稀少能夠確定最佳閾值，使與疵點接近的噪聲被分離。另外，當在測試織物圖像中增加高斯噪聲時，采用本文算法也能較完整分割出疵點信息，說明算法具有較強的魯棒性。

圖7 織物疵點檢測算法對比Fig.7 Detection algorithms of fabric defect.(a)Segmentation result of harness skip;(b)Segmentation result of temple mark;(c)Segmentation result of shrinkage;(d)Segmentation result of oiled pick;(e)Segmentation result of mis-picks

4 結論

傳統的織物疵點檢測算法不能有效地分割疵點信息，本文通過研究織物疵點紋理及疵點特征，利用基元窗口濾波抑制正常紋理對圖像分割的影響，并利用疵點的稀少特征，通過預分割確定最佳閾值，在此基礎上，分割出疵點興趣區，最后通過形態學濾波消除噪聲和較小的孤立點，從而實現對織物疵點的準確分割。由于有效地利用了織物紋理與織物疵點特點，本文織物疵點圖像分割算法能夠解決織物疵點分割閾值確定的問題。與傳統算法相比，具有較高的分割準確性和較強的魯棒性。

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

［2］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.

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

［4］袁端磊，路立平.織物疵點自動檢測技術的研究進展［J］.鄭州輕工業學院學院:自然科學版，2005，20(3):69－73.YUAN Duanlei，LU Liping.The research progress of automatic fabric defects detection technology［J］.Journal of Zhengzhou University of Light Industry:Natural Science Edition，2005，20(3):69－73.

［5］李紅梅，李玉超.Otsu法在織物疵點檢測中的研究及應用［J］.科技信息，20011(32):525 －526.LI Hongmei，LI Yuchao.The research and application of Otsu in fabric defect detection［J］.Science＆Technology Information，2011(32):525－526.

［6］鐘小勇，姚桂國，梁金祥，等.局部閾值分割用于織物疵點檢測 ［J］.江蘇紡織，2009(9):54 －55.ZHONG Xiaoyog，YAO Guiguo，LIANG Jinxiang，et al.Local threshold segmentation for fabric defect detection［J］.Jiangsu Textile，2009(9):54 －55.

［7］趙靜，于鳳芹.基于圖像最大熵的織物疵點檢測方法［J］.紡織科技進展，2010(2):64－65.ZHAO Jing，YU Fengqin.Fabric defect detection based on maximum entropy of image［J］.Progress in Textile Science＆ Technology，2010(2):64－65.

［8］杜磊，李立輕，汪軍，等.幾種基于圖像自適應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 fabric defect detection methods based on image self-adaptive threshold segmentation［J］.Journal of Textile Research，2014，35(6):56－61.

［9］祝雙武，郝重陽.一種基于改進型PCNN的織物疵點圖像自適應分割方法［J］.電子學報，2012，40(3):611－616.ZHU Shuangwu，HAO Chongyang.An approach for fabric defect image segmentation based on the improved conventional pcnn model［J］.ACTA Electronica Sinica，2012，40(3):611－616.

［10］趙波，鄭立新，潘旭玲，等.新的基于圖像顯著性區域特征的織物疵點檢測算法［J］.計算機應用，2012，32(6):1574－1577.ZHAO Bo，ZHENG Lixin，PAN Xuling，et al.New approach of fabric defects detection based on saliency region feature ［J］.Journal of Computer Applications，2012，32(6)1574－1577.

［11］JAYASHREE V，SHAILA Subbaraman.Identification of twill grey fabric defects using DC suppress Fourier power spectrum sum features［J］.Textile Research Journal，2012，82(14):1485－1488.