基于MBLBPV算法的布匹瑕疵檢測方法

(河南理工大學 計算機科學與技術學院，河南 焦作 454003)

布匹瑕疵是影響布匹質量的重要因素。據統計，布匹瑕疵導致的劣等紡織品價格僅為一等紡織品的45%～65%[1]，因此，布匹瑕疵檢測是布匹生產過程中至關重要的環節。傳統的基于人眼的檢測方法存在費用高、效率低、準確性差和主觀性強的問題。為了提高布匹瑕疵檢測的準確率，基于計算機視覺的檢測方法[2]成為研究的焦點。目前，基于計算機視覺的檢測方法主要分為頻譜法、統計法和模型法3種類型[3-4]。基于頻譜的檢測算法主要基于傅里葉變換、Gabor變換[5]或小波變換[6]等將布匹圖像轉換到頻域來實現瑕疵檢測，但該類方法具有較高的計算復雜度；基于模型的方法需要對各種布匹瑕疵進行全面訓練，因此增加了在線檢測的困難度，較難滿足檢測的實時性要求；基于統計方法是利用像素的統計特征進行瑕疵檢測，該類方法簡單明了，但容易受噪聲和外界條件的干擾。

作為一種簡單有效的統計方法，局部二值模式(Local Binary Patterns,LBP)[7]已被廣泛用于紋理分類、人臉識別及圖像匹配等領域，多種針對LBP的擴展方法也被提了出來[8]。在文獻[9]中，Tajeripour等人基于LBP算法實現了布匹瑕疵檢測，該方法有效地降低了LBP的特征維數，同時又保證了LBP特征對瑕疵圖像的有效表達。但該方法對應的紋理邊緣彎曲度小，造成正常樣本與瑕疵樣本的特征區分不明顯。為此，付蓉等人[10]提出了自適應局部二值模式的檢測方法，項明等人[11]提出了基于局部二值模式方差(LBP Variance,LBPV)[12]的檢測方法。雖然上述方法取得了較好的檢測效果，但仍對圖像尺度變化考慮不足，同時仍存在噪聲敏感的問題。

針對上述LBP及改進方法在布匹瑕疵檢測中存在的問題，提出一種基于多尺度分塊局部二值模式方差(Multi-Scale Block Local Binary Patterns Variance,MBLBPV)算子。該算子仍然基于局部二值模式方差LBPV[12]，但在特征提取時，融入多尺度分塊思想，將特征提取擴展到任意大小的“子塊區域”。該方法在較好描述不同尺度分塊紋理信息的同時，用局部灰度方差反應圖像灰度分布對比度的變化，削弱了噪聲對特征提取的干擾，也使瑕疵樣本與正常樣本能夠明顯區分。實驗結果表明，該方法可以有效地實現瑕疵檢測，并對圖像噪聲具有較好的抑制作用。

1 多尺度分塊局部二值模式方差

1.1 局部二值模式

基本LBP算子是針對圖像3×3的矩形鄰域，以中心像素的灰度值為閾值與其鄰域像素的灰度值進行比較，若鄰域像素的灰度值不小于閾值，則將該點標記為1，否則標記為0。從而，該矩形鄰域的8個像素點可以產生一個8位的二進制數，將這個二進制數轉換為十進制無符號整數，即為該鄰域中心像素的LBP值。LBP值的定義如下：

(1)

(2)

式中，ROR(x,i)為旋轉函數，表示將x循環右移i位。

為了降低特征維數，Ojala等人又提出了一致局部二值模式(Uniform Local Binary Patterns，ULBP)。設U表示LBP算子中從1到0或從0到1跳變的次數，定義如下：

U(LBPP,R)=|s(gi-1-gc)-s(g0-gc)|+

(3)

若U(LBPP,R)≤2，就把這個模式歸為一致模式，否則記為非一致模式。

結合旋轉不變模式與一致模式，Ojala等人給出了旋轉不變一致局部二值模式：

(4)

式中，上標riu2表示旋轉不變一致模式。

1.2 局部二值模式方差

為了突出局部空間結構和對比度信息，Ojala等人[13]提出了局部鄰域灰度方差(VAR)：

(5)

在此基礎上，將LBP和VAR的聯合分布LBP/VAR作為圖像的紋理特征。然而VAR是一系列連續的值，在具體應用中需要量化處理，并且該量化過程中不可避免地出現誤差，影響分類效率。為此，Guo等人[12]提出了LBPV算子。該方法將每個像素的方差作為LBP子模式的權重，有效地將局部空間模式和局部對比度差異融為一體，且無需量化，避免了量化過程中的問題。LBPV的定義如下：

(6)

式中，

其中，k為具體的紋理模式值；N及M表示圖像尺寸。

1.3 多尺度分塊局部二值模式

基本LBP特征的計算是針對單個像素的，像素灰度值微小的變化就可能導致LBP值的不同，易受噪聲的影響。而多尺度分塊局部二值模式(Multi-Block Local Binary Patterns，MBLBP)[14]正好可以彌補LBP的不足之處。該算子采用“子塊區域”的像素灰度平均值之間的比較代替單個像素之間的比較進行LBP特征計算，增加了像素之間的相關性，同時“子塊區域”均值的比較有利于削弱噪聲的干擾。對于9×9的鄰域，首先，計算每個“子塊區域”(3×3鄰域)的灰度均值，然后，以中心子塊區域的灰度均值為閾值，按照基本LBP算法，得到MBLBP特征值。

1.4 多尺度分塊局部二值模式方差

MBLBPV在LBPV的基礎上，融入多尺度分塊的思想[14]，將布匹特征提取由孤立的像素點擴展到適當尺度的子塊區域。其基本過程是：首先給定大小為t×t的子塊，并將圖像中任意3t×3t大小的鄰域窗口轉化為3×3鄰域，對于轉化后3×3鄰域的每個點的值采用對應子塊的灰度均值代替。圖1給出了針對2×2的子塊，將6×6鄰域轉化為3×3鄰域的示例。其次，基于LBPV算子提取轉化后的布匹圖像特征并進行瑕疵檢測。顯然，當t取不同的值時，可以得到不同尺度下的MBLBPV特征，而當t取1時，則退化為LBPV算子。

圖1 2×2子塊鄰域均值化示意圖

針對轉化后的3×3鄰域，設Mgc代表中心子塊鄰域灰度均值，Mgi(i=0,1,…,7)代表其8個相鄰子塊灰度均值，則MBLBPV值的提取過程如下：

(7)

其中：

2 瑕疵檢測

2.1 訓練

在訓練和檢測中，取t=2。在訓練階段，首先將MBLBPV算子應用于無瑕疵布匹圖像，得到標準特征向量V。其次，把無瑕疵布匹圖像分割成互不重疊且大小為Wd×Wd的檢測塊，并分別提取每個檢測塊MBLBPV特征。同時，檢測塊劃分的大小應適中，檢測塊太小計算的準確性不夠，而檢測塊太大將導致瑕疵的檢測能力下降。為了保證檢測塊可以提供豐富、可靠的特征信息，每個檢測塊的MBLBPV算子數目應該足夠多，根據經驗將算子數目設為100。設提取MBLBPV特征的掩模的大小為m×m，則Wd應滿足，

(8)

對于前面提到的LBP及相關改進方法，在進行瑕疵檢測時都基于3×3鄰域，本文測試時也采用同樣掩模，因此由式(8)可知，Wd≥12。

在提取檢測塊特征后，基于Chi-square統計函數度量每個檢測塊的特征向量與標準特征向量V的相似度。設Sb為第b個檢測塊的MBLBPV特征，與標準特征V間的距離度量表示如下：

(9)

式中，Lb為第b個檢測塊的特征向量與標準特征向量V的相似度；B為劃分的塊數。Lb越小說明檢測塊的紋理特征與圖像全局紋理特征越相似。在具體檢測時，選取最大的Lb值作為測試階段判斷瑕疵塊的閾值，

T=max(Lb),b=1,2,…,B

(10)

2.2 檢測

在測試階段，首先將待測試的布匹圖像分割成相互重疊的檢測塊，用MBLBPV算子計算各個檢測塊的特征向量Sb，并通過式(9)計算每個檢測塊的特征向量Sb與標準特征向量V的相似度，標記為Ltest；然后通過比較Ltest與閾值T判斷是否為瑕疵塊。

(11)

在進行檢測塊劃分時，移動步長越小、重疊區域越多，檢測塊中包含的紋理信息就越多，檢測準確率也會越高。但是，計算時間也會相應地增加。考慮到檢測精度和系統實時性要求，采用Wd/2作為移動步長。

3 實驗結果及分析

為了有效驗證本文方法的有效性，將MBLBPV算子與LBP、LBPV和MBLBP 3種算子的檢測效果進行了對比。實驗中選擇了3類瑕疵圖像：點狀瑕疵、線狀瑕疵和面狀瑕疵，并分別在無噪聲和加入高斯噪聲的情況下進行對比驗證，實驗圖像大小為204像素×143像素。實驗中，首先基于無瑕疵的同類布匹圖像進行訓練，得到判斷瑕疵塊的閾值，然后對待測圖像進行瑕疵檢測。在實驗結果中，有瑕疵的檢測塊標記為白色，判斷為無瑕疵的檢測塊標記為黑色。

首先針對點狀瑕疵、線狀瑕疵和面狀瑕疵的無噪聲圖像，檢測結果如圖2所示。可以看出，相對于其他3種方法，MBLBPV能明顯區分瑕疵區域和正常區域，對于點狀瑕疵、線狀瑕疵和面狀瑕疵都有比較理想的檢測效果。

其次，測試了噪聲情況下，不同算法的檢測效果，實驗中采用的噪聲模型為高斯白噪聲(方差為0.01)。針對3類不同的瑕疵圖像，4種方法的檢測效果如圖3所示。可以看出，MBLBPV算法在加入高斯噪聲的布匹圖像中的瑕疵檢測效果明顯優于其他算法，且噪聲對其他3種方法的影響較大。因此，MBLBPV算法對噪聲不敏感，具有良好的抗噪能力。

圖2 3種瑕疵類型檢測對比

最后，為了客觀地比較不同算法對布匹瑕疵檢測效果，實驗選取錯檢率、漏檢率和正檢率對算法的性能進行客觀評價。其中，錯檢率定義為將無瑕疵檢測塊誤判為有瑕疵檢測塊的數目與測試圖像按照算法要求所劃分的檢測塊總數目的比值；漏檢率定義為將有瑕疵檢測塊誤判為無瑕疵檢測塊的數目與測試圖像按照算法要求所劃分的檢測塊總數目的比值；正檢率定義為正確判斷有瑕疵檢測塊和無瑕疵檢測塊的檢測塊數目與測試圖像按照算法要求所劃分的檢測塊總數目的比值。顯然，錯檢率、漏檢率越小，正檢率越大表示算法檢測效果越好。

(12)

(13)

(14)

圖3 噪聲情況下3種類型瑕疵檢測對比

其中：

Nt=Nf+Nl+Nc

式中，Rf為錯檢率；Rl為漏檢率；Rc為正檢率；Nf為檢測過程中將無瑕疵檢測塊誤判為有瑕疵檢測塊的數目；Nl為檢測過程中將有瑕疵檢測塊誤判為無瑕疵檢測塊的數目；Nc為檢測過程中正確判斷有瑕疵檢測塊和無瑕疵檢測塊的檢測塊數目；Nt為測試圖像中按照算法要求所劃分的檢測塊的總數目。

表1給出了4種方法的檢測效果對比，可以看出，本文算法在無噪聲的布匹圖像和加入噪聲的布匹圖像中均有較好的識別能力，其檢測正確率均能夠達到96%以上，對常見的點狀瑕疵、線狀瑕疵和面狀瑕疵都有較好的檢測效果。

表1 4種方法實驗結果對比 單位：%

4 結束語

在分析利用LBP及其擴展方法進行布匹瑕疵檢測存在的問題的基礎上，提出了基于多尺度分塊局部二值模式方差的布匹瑕疵檢測方法，引入多尺度分塊思想，通過選取適當尺度的分塊區域代替單個像素進行特征提取，解決了局部二值模式的易受噪聲干擾的問題。同時，融合局部方差解決了局部二值模式進行瑕疵檢測效果不理想的問題。實驗表明，MBLBPV算子取得了比傳統方法更好的瑕疵檢測效果，并具有更好的抗噪性能。