應(yīng)用Gussian回代交替方向圖像分解算法的色織物疵點(diǎn)檢測(cè)

景軍鋒， 范曉婷， 李鵬飛， 張 蕾， 張宏偉

(西安工程大學(xué) 電子信息學(xué)院， 陜西 西安 710048)

應(yīng)用Gussian回代交替方向圖像分解算法的色織物疵點(diǎn)檢測(cè)

景軍鋒， 范曉婷， 李鵬飛， 張 蕾， 張宏偉

(西安工程大學(xué) 電子信息學(xué)院， 陜西 西安 710048)

針對(duì)傳統(tǒng)的人工織物檢測(cè)方法效率低，穩(wěn)定性差，處理速度慢的問題，提出了基于Gaussian回代交替方向(ADMG) 圖像分解的色織物疵點(diǎn)檢測(cè)算法。首先對(duì)疵點(diǎn)織物進(jìn)行直方圖均衡化的預(yù)處理操作，以減少織物背景紋理信息對(duì)織物疵點(diǎn)檢測(cè)產(chǎn)生的影響。然后采用總方差范數(shù)與Sobolev空間中的半范數(shù)相結(jié)合的Gaussian回代交替方向的圖像分解算法，將色織物圖像分解為疵點(diǎn)部分u和紋理部分v。最后，應(yīng)用二維Otsu閾值方法將圖像的疵點(diǎn)部分u分割，識(shí)別織物圖像上的疵點(diǎn)。實(shí)驗(yàn)結(jié)果表明：通過基于ADMG圖像分解算法對(duì)包括星型、方格型和圓點(diǎn)型在內(nèi)的色織物圖像疵點(diǎn)檢測(cè)是可行、有效的，可得到滿意的識(shí)別結(jié)果。

圖像分解； 織物疵點(diǎn)檢測(cè)； 總方差范數(shù)； Gaussian 回代交替方向法

目前，國內(nèi)大多數(shù)企業(yè)仍舊采用傳統(tǒng)的人工目測(cè)的方法對(duì)紡織品質(zhì)量進(jìn)行檢測(cè)[1]，因受工作環(huán)境和勞動(dòng)強(qiáng)度的影響使得檢測(cè)效率較低，已經(jīng)成為提高紡織企業(yè)生產(chǎn)效率的瓶頸之一。

國內(nèi)外許多學(xué)者已經(jīng)提出了多種基于計(jì)算機(jī)視覺的疵點(diǎn)檢測(cè)算法，如基于統(tǒng)計(jì)學(xué)方法的自相關(guān)函數(shù)法、共生矩陣法、數(shù)學(xué)形態(tài)學(xué)法；還有在頻域提取特征值的傅里葉變換法、Gabor濾波器法、小波變換法以及基于模型算法的自回歸模型、馬爾科夫隨機(jī)場法[2]等，但這些算法主要是針對(duì)于紋理結(jié)構(gòu)較為簡單的平紋和斜紋織物，而對(duì)于包括星型、方格型、圓點(diǎn)型等相對(duì)復(fù)雜的色織物的疵點(diǎn)檢測(cè)研究相對(duì)較少[3]，因此，如何對(duì)色織物進(jìn)行疵點(diǎn)檢測(cè)具有較深刻的研究意義。

小波預(yù)處理黃金模板相減匹配(WGIS)法[4]，基于圖案紋理周期性的規(guī)則帶(RB)法[5]，基于圖像像素標(biāo)準(zhǔn)偏差的布林帶(BB)法[6]以及基于圖案子圖形的疵點(diǎn)檢測(cè)算法[7]等都是目前存在的幾類針對(duì)于色織物的疵點(diǎn)檢測(cè)算法。而本文采取了一種基于Gaussian回代交替方向(ADMG)的圖像分解算法對(duì)色織物進(jìn)行疵點(diǎn)檢測(cè)，首先對(duì)疵點(diǎn)織物進(jìn)行直方圖均衡化，以降低圖像噪聲；將經(jīng)過預(yù)處理后的色織物圖像進(jìn)行圖像分解，該分解算法主要通過凸優(yōu)化理論模型和總變差最小化去噪模型相結(jié)合，綜合分析圖像分解目標(biāo)函數(shù)，從而獲取紋理背景和織物疵點(diǎn)；最后通過二值化閾值實(shí)現(xiàn)織物疵點(diǎn)增強(qiáng)。

1 疵點(diǎn)檢測(cè)

基于圖像分解的色織物疵點(diǎn)檢測(cè)過程主要包括3個(gè)步驟：預(yù)處理；基于ADMG圖像分解；二值化閾值。算法整體流程如圖1所示。

1.1 預(yù)處理

實(shí)際生產(chǎn)生活中，圖像采集時(shí)光線太明或太暗、圖像采集元件(如CCD攝像機(jī))精度不準(zhǔn)以及圖像傳輸過程中的各種噪聲等都會(huì)影響采集到的色織物圖像質(zhì)量，造成圖像失真[8]。為降低這種失真對(duì)后續(xù)圖像處理過程的影響，改善圖像質(zhì)量，需采用直方圖均衡化的方法對(duì)圖像進(jìn)行預(yù)處理，即圖像增強(qiáng)。直方圖均衡化是將這些圖像的不均勻分布直方圖進(jìn)行非線性拉伸，重新對(duì)圖像像素值進(jìn)行分配，使像素點(diǎn)在圖像整個(gè)灰度范圍內(nèi)均勻分布，從而達(dá)到增強(qiáng)圖像視覺效果的目的[9]。圖2示出方格型粗緯和星型斷紗2類色織物在未經(jīng)過/經(jīng)過直方圖均衡化預(yù)處理得到的分解后的疵點(diǎn)部分u，可看出直方圖均衡化這一預(yù)處理操作對(duì)檢測(cè)結(jié)果的重要影響，經(jīng)過預(yù)處理的色織物圖像分解檢測(cè)結(jié)果可更加顯著地突出色織物疵點(diǎn)位置。

1.2 ADMG的圖像分解

1.2.1 ADMG算法

(1)

該算子的空間范圍為S=X1×X2×X3×Rl。

因此，可應(yīng)用Gaussian回代交替方向法解決凸優(yōu)化模型問題，該算法的流程如下。

1.4.3 生活質(zhì)量 陰道炎患者在治療后的生活質(zhì)量采用SF-36評(píng)價(jià)，該評(píng)價(jià)表分為第一類和第二類，其中第一類為生理健康，含生理職能、生理功能、軀體疼痛和總體健康4個(gè)方面；第二類為心理健康，含情感職能、精神健康、活力和社會(huì)功能4個(gè)方面。分值越高，說明患者的生活質(zhì)量越好。

1)參數(shù)定義：

(2)

(3)

(4)

(5)

2)交替方向法(ADM)步驟：

(6)

3) Gaussian回代步驟，直至‖vk-vk‖H<ε，迭代結(jié)束：

(7)

1.2.2 圖像分解

一幅自然的織物圖像往往同時(shí)包含多類信息，如：結(jié)構(gòu)信息、紋理信息和噪聲等，因此，從已有的織物圖像中提取有用信息，對(duì)圖像進(jìn)行分解是圖像處理中一個(gè)非常重要的過程[12]。采用Rudin等[13]提出的總變差最小化去噪模型的總變差范數(shù)結(jié)合Sobolev空間中的半范數(shù)可有效解決圖像分解問題。本文采用文獻(xiàn)[14]中提出的圖像分解算法，將色織物圖像分解為紋理部分v和疵點(diǎn)部分u，假設(shè)目標(biāo)圖像I∈Rn，通過下式來分解目標(biāo)圖像I：

(8)

式中：u表示疵點(diǎn)部分；v表示紋理部分；表示一階導(dǎo)數(shù)算子；div=-T是散度算子；τ≥1，μ≥1分別是用來權(quán)衡目標(biāo)函數(shù)3個(gè)組成部分的參數(shù)。式(8)中的第1項(xiàng)‖‖1稱為u的總變差范數(shù)(TV)。在圖像處理過程中TV范數(shù)的優(yōu)勢(shì)在于其可最大程度地保留圖像的邊緣信息。對(duì)于任意的表示Rn中的一個(gè)向量，并由下式給出：

(9)

由此，將圖像分解目標(biāo)函數(shù)結(jié)合Gaussian回代交替方向法的凸優(yōu)化模型，可得到色織物圖像的疵點(diǎn)部分u和紋理部分v。圖3分別示出圓點(diǎn)型和星型的粗緯型疵點(diǎn)織物圖像經(jīng)過ADMG圖像分解得到的紋理部分v和疵點(diǎn)部分u。

1.2.3 相關(guān)性最大化

需要考慮到式(8)中的2個(gè)最優(yōu)權(quán)衡參數(shù)(τ,μ)的正確選取。由式(8)可得到2個(gè)輸出結(jié)果：疵點(diǎn)部分u和紋理部分v。但是，為達(dá)到準(zhǔn)確選出權(quán)衡參數(shù)能夠更精確地檢測(cè)織物疵點(diǎn)的目的，考慮到織物的紋理背景v與無疵點(diǎn)色織物W具有較高的相關(guān)性，二者的最大相關(guān)性計(jì)算公式如下：

(10)

1.3 二值化閾值

通過式(8)獲得的疵點(diǎn)圖像u在形狀上基本包含了色織物的疵點(diǎn)部分，從圖2和圖3的檢測(cè)結(jié)果可看出疵點(diǎn)部分已經(jīng)可視化，但是對(duì)于疵點(diǎn)邊界和織物顏色邊界仍然是難以辨認(rèn)。為更準(zhǔn)確地識(shí)別出疵點(diǎn)，采用基于像素灰度值及像素點(diǎn)鄰域灰度值的二維Otsu閾值的圖像分割方法[15]，依據(jù)最大類間方差進(jìn)行分割。將疵點(diǎn)圖像u設(shè)為原始圖像，取圖像的閾值為T，則分割后的二值圖像的定義式為：

(11)

2 實(shí)驗(yàn)結(jié)果與分析

本文共選取了166幅不同紋理的色織物圖像進(jìn)行檢測(cè)，其中星型為25幅無疵點(diǎn)，25幅有疵點(diǎn)；方格型為30幅無疵點(diǎn)，26幅有疵點(diǎn)；圓點(diǎn)型為30幅無疵點(diǎn)，30幅有疵點(diǎn)，包括斷紗，破洞，粗緯，細(xì)緯，結(jié)節(jié)，多網(wǎng)共6種紋理背景不同的織物。本實(shí)驗(yàn)是在MatLab R2008a環(huán)境下進(jìn)行的，色織物樣本來自香港大學(xué)工業(yè)自動(dòng)化研究實(shí)驗(yàn)室和廣東溢達(dá)紡織有限公司提供的樣布。色織物圖像的格式均為BMP格式，大小均為256像素×256像素，分辨率為200dpi的圖像。圖5～7分別示出了部分星型、方格型和圓點(diǎn)型共3類、9幅色織物及其疵點(diǎn)檢測(cè)結(jié)果，結(jié)果見圖5～7所示。

在圖5～7中，第1列的3幅圖像均為色織物疵點(diǎn)樣本，第2列的3幅圖像均為經(jīng)過直方圖均衡化后的預(yù)處理效果圖，第3列的3幅圖像均為經(jīng)過ADMG圖像分解算法分解后得到的疵點(diǎn)部分u，第4列的3幅圖像均為經(jīng)過二維Otsu閾值分割得到的疵點(diǎn)二值化結(jié)果。從檢測(cè)結(jié)果可看出，色織物疵點(diǎn)樣本經(jīng)過基于ADMG的圖像分解算法處理后，背景紋理部分v和織物疵點(diǎn)部分u可得到準(zhǔn)確的分解，色織物的疵點(diǎn)位置和形狀已經(jīng)得到良好的可視化檢測(cè)，通過實(shí)驗(yàn)可得出，該算法對(duì)3類色織物不同的疵點(diǎn)類型的檢測(cè)時(shí)間較短，檢測(cè)效率較高。

針對(duì)星型的5種不同紋理背景疵點(diǎn)類型和圓點(diǎn)型6種不同紋理背景疵點(diǎn)類型色織物的檢測(cè)成功率、靈敏度及特異性進(jìn)行分析，結(jié)果如表1、2所示。

表1 星型織物的檢測(cè)率

Tab.1 Detection rates of star-yarn-dyed yarn type %

編號(hào)疵點(diǎn)名稱檢測(cè)成功率靈敏度特異性1斷紗96.7961002破洞100.01001003多網(wǎng)96.7961004粗緯96.7961005細(xì)緯100.0100100

表2 圓點(diǎn)型織物的檢測(cè)率

Tab.2 Detection rates of dot-yarn-dyed yarn type %

編號(hào)疵點(diǎn)名稱檢測(cè)成功率靈敏度特異性1斷紗97.196.71002破洞100.0100.01003結(jié)節(jié)100.0100.01004多網(wǎng)97.196.71005粗緯100.0100.01006細(xì)緯100.0100.0100

從檢測(cè)結(jié)果可看出，基于ADMG的圖像分解的疵點(diǎn)檢測(cè)算法對(duì)星型的破洞和細(xì)緯，圓點(diǎn)型的破洞，結(jié)節(jié)，粗緯和細(xì)緯4種類型織物疵點(diǎn)識(shí)別效果較理想，檢測(cè)成功率，靈敏度和特異性均達(dá)到100%。星型以及圓點(diǎn)型共55幅疵點(diǎn)圖像均可有效確定疵點(diǎn)位置，而對(duì)于斷紗，多網(wǎng)2類織物檢測(cè)結(jié)果相對(duì)較差，雖然可有效確定疵點(diǎn)圖像的疵點(diǎn)位置，但是部分無疵點(diǎn)圖像中背景紋理結(jié)構(gòu)與疵點(diǎn)部分區(qū)域像素相似度較大，導(dǎo)致了檢測(cè)結(jié)果不理想，存在誤差。

3 結(jié)束語

本文采用了基于ADMG圖像分解算法對(duì)色織物疵點(diǎn)進(jìn)行檢測(cè)。首先采用直方圖均衡化對(duì)色織物進(jìn)行預(yù)處理，以減小光源及噪聲對(duì)圖像的影響。然后采用基于ADMG的圖像分解算法實(shí)現(xiàn)對(duì)圖像的分解，該算法是在凸優(yōu)化理論模型的基礎(chǔ)上，結(jié)合總變差范數(shù)模型和Sobolev空間的半范數(shù)，通過Gaussian迭代的方法，分析解決圖像分解目標(biāo)函數(shù)，將色織物分解為疵點(diǎn)部分u和紋理部分v，并通過無疵點(diǎn)色織物圖像與疵點(diǎn)織物的紋理背景的相關(guān)性最大化關(guān)系，獲取圖像分解目標(biāo)函數(shù)的最優(yōu)權(quán)衡參數(shù)，便于獲得最優(yōu)檢測(cè)結(jié)果。最后通過二維Otsu閾值分割算法將獲得的疵點(diǎn)部分u二值化，得到疵點(diǎn)檢測(cè)結(jié)果。實(shí)際的印花疵點(diǎn)織物測(cè)試結(jié)果表明，本文提出的算法具有耗時(shí)短，執(zhí)行效率高，有效性和魯棒性等優(yōu)點(diǎn)。但是本算法目前仍然處于MatLab仿真模擬階段，在實(shí)際工廠類色織物疵點(diǎn)檢測(cè)當(dāng)中，需要與連續(xù)運(yùn)動(dòng)中的色織物的實(shí)時(shí)采集與傳輸相結(jié)合，所以如何有效地將硬件與軟件相統(tǒng)一，將是下一步的研究方向。

FZXB

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

[2] 張揚(yáng)，蔣高明，姚君洲，等. 基于MRF層次模型的賈卡經(jīng)編針織物圖像分割技術(shù)[J]. 紡織學(xué)報(bào)，2012，33(12)： 102-106. ZHANG Y, JIANG G, YAO J, et al. Segmentation of jacquard warp-knitted fabric image based on hierarchical Markov random field model[J]. Journal of Textile Research, 2012, 33(12): 102-106.

[3] 潘如如, 高衛(wèi)東, 錢欣欣，等. 基于互相關(guān)的色織物疵點(diǎn)檢測(cè)[J]. 紡織學(xué)報(bào), 2010, 31(12):134-138. PAN Ruru, GAO Weidong, QIAN Xinxin, et al. Defect detection of printed fabrics using normalized cross correlation[J]. Journal of Textile Research, 2010, 31(12):134-138.

[4] NGAN H Y T, PANG G K H, YUNG S P, et al. Wavelet based methods on patterned fabric defect detection[J]. Pattern Recognition, 2005, 38(4):559-576.

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

[6] NGAN H Y T, PANG G K H. Novel method for patterned fabric inspection using Bollinger bands[J]. Optical Engineering, 2006, 45(8): 087202-087202-15.

[7] NGAN H Y T, PANG G K H, YUNG N H C. Motif-based defect detection for patterned fabric[J]. Pattern Recognition, 2008,41(6):1878-1894.

[8] 杜磊, 李立輕, 汪軍, 等. 幾種基于圖像自適應(yīng)閾值分割的織物疵點(diǎn)檢測(cè)方法比較[J]. 紡織學(xué)報(bào), 2014, 35(6): 56-61. DU Lei, LI Liqing, WANG Jun, et al. Comparison of several defect detection methods based on image self adaptive threshold segmentation[J]. Journal of Textile Research, 2014, 35(6): 56-61.

[9] SINGH K, KAPOOR R. Image enhancement using Exposure based sub image histogram equalization[J]. Pattern Recognition Letters, 2014, 36(1):10-14.

[10] YANG J, ZHANG Y, YIN W. A fast alternating direction method for TVL1-L2 signal reconstruction from partial Fourier data[J]. IEEE Journal of Selected Topics in Signal Processing, 2010, 4(2): 288-297.

[11] HE B, TAO M, YUAN X. Alternating direction method with Gaussian back substitution for separable convex programming [J]. Siam Journal on Optimization, 2012, 22(2):313-340.

[12] NG M K, NGAN H Y T, YUAN X, et al. Patterned Fabric Inspection and Visualization by the Method of Image Decomposition[J]. IEEE Transactions on Automation Science & Engineering, 2014, 11(3):943-947.

[13] 張力娜, 李小林. 基于四階偏微分方程的疵點(diǎn)—紋理圖像分解方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2012, 29(9):159-161. ZHANG Lina, LI Xiaolin. Cartoon-texture image decomposition method based on fourth-order pde[J]. Computer Applications and Software, 2012, 29(9):159-161.

[14] NG M K, YUAN X, ZHANG W. Coupled variational image decomposition and restoration model for blurred cartoon-plus-texture images with missing pixels[J]. Image Processing IEEE Transactions on, 2013, 22(6): 2233-2246.

[15] CHEN Z, TU Y. Improved Image segmentation algorithm based on OTSU algorithm[J]. International Journal of Advancements in Computing Technology, 2012, 4(15):206-215.

[16] NGAN H, PANG G, YUNG N. Automated fabric defect detection, A review[J]. Image & Vision Computing, 2011, 29(7):442-458.

Yarn-dyed fabric defect detection based on Gaussian back substitution image decomposition

JING Junfeng, FAN Xiaoting, LI Pengfei, ZHANG Lei, ZHANG Hongwei

(School of Electronic and Information, Xi′an Polytechnic University, Xi′an, Shaanxi 710048, China)

Focusing on the problems of low detection efficiency, poor stability and slow processing speed of conventional artificial fabric detection, a Yarn-dyed fabric defect detection method based on alternating direction method with Gaussian back substitution (ADMG) image decomposition was presented. Firstly, histogram equalization as preprocessing was first conducted for the sampled images to eliminate the influence of background texture of fabric defects. Secondly, ADMG image decomposition method based on the combination of the total variation norm and semi-norm in negative Sobolev space was employed, and the Yarn-dyed fabric images could be decomposed into defect structureuand texture structurev. Finally, the defect structureuwas segmented by using a two-dimensional Otsu thresholding, and the fabric defects could be identified. The experimental results demonstrate that method based on ADMG image decomposition is feasible and effective in Yarn-dyed fabric defect detection contained star-, box- and dot- Yarn-dyed fabric images and satisfactory identification results could be achieved.

image decomposition; defect detection in fabric; total variation norm; alternating direction method with Gaussian back substitution

10.13475/j.fzxb.20150604906

2015-06-25

2016-01-12

國家自然科學(xué)基金項(xiàng)目(61301276)；西安工程大學(xué)博士科研啟動(dòng)基金資助項(xiàng)目(BS1416)；西安工程大學(xué)學(xué)科建設(shè)經(jīng)費(fèi)資助項(xiàng)目(107090811)

景軍峰(1978—)，男，副教授，博士。主要研究方向?yàn)闄C(jī)器視覺與圖像處理。E-mail：413066458@qq.com。

TP 391

A