基于紋理分析的鋁型材表面噴涂質量的檢測

胡繼文， 何山

（長春工業大學機電工程學院，長春130012）

0 引 言

紋理是圖像非常重要的視覺特征之一，其中紋理分析在計算機視覺的相關領域里得到了廣泛應用。文獻［1］將紋理分析應用到陶瓷表面粗糙度的研究，運用灰度共生矩陣分析表面紋理特征與粗糙度的內在關系，探討各紋理參數的變化規律，從而定性評估陶瓷表面粗糙度。文獻［2］將紋理分析應用到茶青在線分類，通過提取灰度共生矩陣的能量、相關性、對比度、逆差距4個紋理特征參數特征值，比較不同茶葉類型的紋理特征從而進行分類。文獻［3］將紋理分析應用到蘑菇的品質分類，也是提取相關的紋理特征信息進行研究的。由此可見紋理分析在很多領域已經應用得到嘗試和應用。但基于紋理分析的鋁型材噴涂表面質量的研究還是很少。目前鋁型材表面噴涂質量都是通過人眼檢測，在質檢過程中，主要看鋁型材噴涂表面質量的顆粒大小和表面粗糙度。顆粒大，表面粗糙，被稱為大砂（也就是不合格品）；顆粒小，表面細化均勻，被稱為細砂（合格品）。在評判產品合格不合格，完全憑借工人的經驗，沒有一個統一的標準。這對于新手而言或者人眼難以區分的產品時，檢測很容易出錯。針對這種情況，本文從計算機視覺的角度，利用紋理分析，提取相關的紋理特征信息，通過圖像的處理，實現產品的分類，從而達到質量檢測的目的。

1 灰度共生矩陣

在圖像中某個方向上相隔一定距離s的一對像元灰度（i，j）所呈現出來的統計規律，在一定程度上可以反映出該圖像的紋理特性。我們可以用一個矩陣來描述這個統計規律，而這個矩陣就是所謂的灰度共生矩陣（GLCM）［4］。薄華等［5］從理論上證明了對比度、熵和相關性是3個不相關并且分辨最好的統計量。于是本文選用熵、對比度、相關性3個特征統計量。

熵：是圖像包含信息量的隨機性度量，熵值越大，圖像越復雜。其表達式為

對比度：反映紋理的清晰程度，其值越大，紋理的溝紋越深，視覺效果就越清晰。其表達式為

相關性：用來度量圖像的灰度級在行或列方向上的相似程度，值越大，相關性也越大。

實驗利用Matlab編程求得鋁型材表面噴涂圖像的特征值，這里我們取 4 個離散的方向：0°、45°、90°、135°，并將所得結果保留小數點后4位，如表1所示。

表1 灰度共生矩陣運行的結果

由表 1 可知：1）大砂的熵值要比正常的要大很多，表明大砂圖像灰度分布復雜程度要比正常圖像高，熵值越大，其相應的鋁型材表面紋理越粗糙；2）細砂圖像的對比度比大砂圖像大，表面正常圖像要比大砂圖像紋理清晰，其相對應的鋁型材表面紋理視覺效果要好；3）細砂圖像的相關性要比大砂圖像大很多，表明細砂圖像的相關性要比大砂圖像要大，其相對應的鋁型材表面更加均勻。

2 Gabor濾波

Gabor濾波是D.Gabor 1946年提出的。它克服了傳統傅里葉變換在頻域內無任何時域分辨力的缺陷，體現了信號的聯合時頻分析特性［6］。Gabor函數可以在頻域內以不同尺度和不同方向上提取一些相關的紋理特征信息，并且通過利用Gabor函數形成的二維Gabor濾波器，可在空間域和頻率域同時擁有最佳的局部化特征。此外，Gabor函數又與人眼的生物作用相仿［7］，可以捕捉到相當多的紋理特征信息，因此在紋理識別上獲得較為廣泛的應用。

二維Gabor函數可以用以下形式表示：

圖1 不同角度濾波圖像

確定θ值：選一個f固定值，使θ從0～2π之間每間隔π/6依次取一個數，第一個從0開始到11π/6結束共取12個角度（由于0和2π一致，故不必取到2π），并將結果從小到大依次排列，顯示結果如圖1所示。

由圖 1可發現 π/3、2π/3、4π/3、5π/3 方向變換效果明顯，其他方向效果較差，也就是說只要取到π/3的整數倍效果均可，為了方便起見，這里取θ=π/3。

確定f值：目前已確定取θ為π/3，依次取f從1～18變化中每一個整數，并將變換結果從小到大依次排列，結果顯示如圖2所示。

由圖2可以看出當f取16時，變換效果最為明顯，故取f=16。由上已經確定f=16，θ=π/3，然后采用Matlab編程分別對大砂和細砂圖像進行Gabor濾波，分別求得大砂圖像和正常圖像的均值、方差和能量，其濾波后結果如圖 3所示。1） 大砂圖像處理結果：mean=0 0039，con=1.2099，ent=0.0742。2）正常圖像處理結果：mean=0.0039，con=1.1893，ent=0.0204。

圖2 不同頻率濾波圖像

圖3 大砂和細砂濾波后圖像

與原圖像紋理特征相比，經Gabor濾波后的圖像紋理較平坦。通過對比發現正常砂和大砂圖像經Gabor濾波后在均值上沒區別。由于熵反映了圖像的能量，熵值越大，紋理信息越豐富，說明表面越粗糙。而大砂圖像的熵值明顯大于正常砂，說明大砂鋁型材噴涂表面紋理較粗糙。

3 實驗結果與分析

本文在Windows7環境下，利用惠普G4050平板式掃描儀最大分辨率4800×9600dpi隨機采集鋁型材噴涂表面一小塊區域，將其掃描成256×256的圖像，再把它分割成16幀64×64的子圖像。隨機選擇大砂和細砂的紋理子圖像作為樣本，每類的訓練樣本為100個，測試樣本為50個。在實驗過程中，將提取的能量和方差作為鋁型材噴涂表面圖像紋理識別的特征值，然后將得到的特征值利用分類器進行分類識別，最后將灰度共生矩陣、Gabor濾波和神經網絡分類效果進行比較，如表2所示。

表2 采用不同方法分類的準確率 %

由上述實驗結果可知：1）基于紋理分析的方法可以對鋁型材表面噴涂質量達到檢測效果，同時也驗證了紋理分析在細粒度圖像分類方法是可行的；2）針對鋁型材表面噴涂圖像的紋理特征提取，基于Gabor濾波的紋理分析方法更顯得直觀、效果更佳；3）細砂的識別率要遠遠高于大砂，但是當細砂的表面粗糙度與大砂區別不是很明顯時，識別準確率將會大大降低。

4 結 語

本文結合實際生產的需要，基于大砂和細砂在紋理特征上有所不同這個思路，采用兩種不同方法對鋁型材表面噴涂的紋理特征進行分析，從而有效地驗證了采用紋理分析的方法可以對鋁型材表面噴涂質量進行分類，從而達到質量檢測的目的。同時本文也存在一些缺陷，比如對鋁型材噴涂分類準確率不夠高，如何提高鋁型材表面噴涂圖像的分類精度是下一步研究工作的重點。

［1］ 田欣利，王健全，張保國，等.基于紋理分析的Si3N4陶瓷表面粗糙度研究［J］.材料工程，2012（9）：7-13，18.

［2］ 湯哲，江才華，張立，等.基于紋理分析的茶青在線分類［J］.高技術通訊，2014，24（6）：651-656.

［3］ 陳紅，夏青，左婷，等.基于紋理分析的香菇品質分選方法［J］.農業工程學報，2014（3）：285-292.

［4］ SOH I K，COSTAS T.Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices ［J］.IEEE Trans on Geo-science and Remote Sensing，1999，37（2）：780-795.

［5］ 薄華，馬縛龍，焦李成.圖像紋理的灰度共生矩陣計算問題的分析［J］.電子學報，2006（1）：155-158.

［6］ 王華鋒，王玉婷，柴華，等.基于紋理特征的測井圖像分類算法的研究［J］.計算機研究與發展，2013，50（6）：1335-1348.

［7］ HUBEL D H，WIESEL T N.Receptive fields and functional architecture in two nonstriate visual areas 18 and 19 of the cat［J］.J.Neurophysiol，1965，28（2）：229-289.