織物紋理基元自適應(yīng)Gabor濾波器的疵點(diǎn)檢測(cè)方法

李丑旦,祝雙武,馬阿輝

(西安工程大學(xué) 紡織科學(xué)與工程學(xué)院,陜西 西安 710048)

在織物面料的生產(chǎn)過(guò)程中,織物疵點(diǎn)的檢測(cè)是其質(zhì)量控制與檢測(cè)的一項(xiàng)重要環(huán)節(jié)[1]。傳統(tǒng)的織物疵點(diǎn)檢測(cè)是由工人通過(guò)視覺(jué)檢查進(jìn)行的,存在勞動(dòng)力成本高的問(wèn)題[2],同時(shí)人工檢測(cè)受工人工作時(shí)長(zhǎng)、工作環(huán)境、熟練程度等多種主觀(guān)因素影響,檢測(cè)結(jié)果的可靠性存在爭(zhēng)議[3]。20世紀(jì)70年代以來(lái),隨著數(shù)字圖像技術(shù)的不斷發(fā)展,機(jī)器視覺(jué)在工業(yè)上廣泛應(yīng)用,為織物疵點(diǎn)的自動(dòng)檢測(cè)提供了一種新的方法和研究方向[4-5],許多基于機(jī)器視覺(jué)的織物缺陷檢測(cè)算法也相繼被提出[6]。

織物缺陷檢測(cè)算法可分為基于統(tǒng)計(jì)的方法[7]、基于頻域分析的方法[8]、基于模型的方法[9]、基于學(xué)習(xí)的方法[10]、基于結(jié)構(gòu)分析的方法[11]和多種方法混合與比較的方法。Gabor變換作為一種常用的頻譜分析工具,能夠在頻域中通過(guò)不同方向、不同尺度提取相關(guān)的特征,在空間域和頻率域中具有最佳聯(lián)合定位的優(yōu)點(diǎn),因此也常用于織物紋理背景過(guò)濾[12]。目前,基于Gabor變換實(shí)現(xiàn)織物疵點(diǎn)檢測(cè)的方法可分為兩類(lèi)[13]:基于Gabor濾波器組的檢測(cè)方法[14]和基于優(yōu)化Gabor濾波器的檢測(cè)方法[15]。基于Gabor濾波器組進(jìn)行織物疵點(diǎn)檢測(cè)需要多個(gè)Gabor濾波器組合進(jìn)行濾波處理,但濾波器組合數(shù)量的增加加大了算法的計(jì)算復(fù)雜度,大大降低了圖像處理的效率,難以完成織物疵點(diǎn)實(shí)時(shí)監(jiān)測(cè)檢測(cè)任務(wù),因此研究通過(guò)對(duì)濾波器優(yōu)化的方法進(jìn)行織物疵點(diǎn)檢測(cè)。Gabor濾波器參數(shù)的選擇對(duì)濾波效果有很大影響,合適的Gabor參數(shù)能夠很好地將背景和疵點(diǎn)分離,去除背景紋理對(duì)疵點(diǎn)檢測(cè)的干擾,從而實(shí)現(xiàn)對(duì)織物的快速檢測(cè)。目前,針對(duì)尋找濾波器參數(shù)最優(yōu)組合的算法有基于粒子群算法[16]、基于Gabor濾波器的自動(dòng)檢測(cè)算法[17]、基于遺傳算法優(yōu)化Gabor濾波器[18]等。針對(duì)Gabor濾波器在使用過(guò)程中,難以選取最優(yōu)參數(shù)組合的問(wèn)題,提出通過(guò)將織物的紋理基元結(jié)構(gòu)與Gabor濾波核參數(shù)相互適應(yīng),通過(guò)分析Gabor濾波核與織物紋理結(jié)構(gòu)之間的聯(lián)系,找到Gabor濾波器最優(yōu)參數(shù)組合,最后用尋找的最優(yōu)濾波器對(duì)織物紋理進(jìn)行濾波,實(shí)現(xiàn)了消除背景突出織物疵點(diǎn)的效果。

1 Gabor濾波器的特征及其數(shù)學(xué)描述

1.1 Gabor濾波器特征

傅里葉變換是一種用于信號(hào)處理的有力工具,在圖像處理的過(guò)程中,通過(guò)對(duì)圖像進(jìn)行傅里葉變換,將圖像從空間域轉(zhuǎn)換到頻率域,并在頻域上提取到圖像的頻譜圖、幅值信息等頻域特征。但是由于傅里葉變換容易丟失時(shí)間和位置的局部信息,在應(yīng)用過(guò)程中存在局限性。為了從傅里葉變換中提取到局部特征,1946年D.Gabor首次提出Gabor變換,通過(guò)對(duì)傅里葉變換引入了時(shí)間局部化的窗函數(shù),得到了窗口傅里葉變換,又稱(chēng)為短時(shí)傅里葉變換或Gabor變換。

Gabor濾波器的波形與人類(lèi)視覺(jué)系統(tǒng)中簡(jiǎn)單細(xì)胞的視覺(jué)皮層感受野響應(yīng)非常相似,如圖1所示,對(duì)Gabor濾波器波形圖1(b)與脊椎動(dòng)物視覺(jué)皮層感受野響應(yīng)圖1(a)進(jìn)行對(duì)比并獲取了兩者的殘差圖1(c)。

從兩者的殘差圖1(c)可見(jiàn)兩者相差極小,基于Gabor濾波器的這一性質(zhì),在圖像處理、模式識(shí)別及計(jì)算機(jī)視覺(jué)等領(lǐng)域中常用Gabor濾波器來(lái)實(shí)現(xiàn)人臉識(shí)別、圖像的紋理特征提取、圖像匹配等。研究發(fā)現(xiàn),Gabor濾波器在圖像處理中對(duì)于紋理特征的表達(dá)和分離以及提取目標(biāo)的局部空間和頻率域信息方面都有很好的表現(xiàn)。

圖1 Gabor濾波器與脊椎動(dòng)物視覺(jué)皮層感受野響應(yīng)對(duì)比圖

1.2 Gabor濾波器的數(shù)學(xué)描述

Gabor濾波器作為圖像尺度表示和特征分析的常用工具,可以方便實(shí)現(xiàn)圖像的尺度變化。二維Gabor濾波器表達(dá)式為:

式中:δx和δy分別為高斯核函數(shù)在x軸和y軸兩方向的尺度參數(shù);f0為正弦調(diào)諧函數(shù)的頻率;θ為旋轉(zhuǎn)角度;(x',y')經(jīng)過(guò)旋轉(zhuǎn)θ得到

和

經(jīng)過(guò)Gabor濾波后的圖像R(x,y)表達(dá)式如式(2)所示。

式中:T(x,y)為待測(cè)織物圖像;T(x,y)為經(jīng)Gabor濾波器濾波后的特征圖像;*為圖像的濾波操作,表示Gabor濾波器對(duì)圖像進(jìn)行卷積處理。

在Gabor濾波器對(duì)圖像進(jìn)行卷積操作的過(guò)程中,Gabor特征主要依靠濾波核在頻域?qū)π盘?hào)進(jìn)行加窗,獲取對(duì)圖像局部信息的特征描述。一個(gè)Gabor核能獲取到圖像某個(gè)頻域鄰域的響應(yīng)情況。在進(jìn)行卷積操作時(shí),濾波核大小對(duì)圖像信息非常敏感,不同的核大小對(duì)圖像紋理濾波效果有較大差異,因此適當(dāng)?shù)臑V波核尺寸能充分發(fā)揮Gabor濾波器對(duì)紋理圖像的濾波作用,以達(dá)到織物疵點(diǎn)檢測(cè)的目的。

2 織物紋理基元

紋理是以像素的鄰域灰度空間分布為特征,無(wú)法用像素點(diǎn)來(lái)定義。對(duì)于機(jī)器視覺(jué)來(lái)說(shuō),紋理是為了分割和識(shí)別場(chǎng)景或物體表面類(lèi)型而產(chǎn)生的一種視覺(jué)標(biāo)記。對(duì)紋理的研究就是對(duì)圖像特征的研究,即圖像的紋理分析,來(lái)達(dá)到分類(lèi)和識(shí)別場(chǎng)景的效果。由于織物是由經(jīng)緯紗線(xiàn)按照一定的組織規(guī)律交織而成,織物大多有著重復(fù)的紋理特征,為了更好地實(shí)現(xiàn)對(duì)織物疵點(diǎn)區(qū)域的識(shí)別與分割,需要獲取織物紋理基元。采用自相關(guān)函數(shù)來(lái)進(jìn)行織物紋理基元的測(cè)量。

對(duì)于具有重復(fù)性紋理的織物圖像,其圖像的自相關(guān)函數(shù)將會(huì)表現(xiàn)出固定的周期性,這個(gè)固定的周期等于相鄰紋理基元之間的距離,應(yīng)用自相關(guān)函數(shù),能夠計(jì)算出紋理圖像的紋理周期和紋理基元的大小。

對(duì)于一幅N*N圖像的自相關(guān)(Auto-correlation)函數(shù)p[k,l]定義為:

如圖2(a)、(b)所示,是用自相關(guān)函數(shù)對(duì)織物圖像生成垂直與水平方向的自相關(guān)曲線(xiàn),從圖2中可以看出自相關(guān)曲線(xiàn)具有明顯的峰值、谷值和波形周期。通過(guò)圖2(a)中曲線(xiàn)右側(cè)峰值和圖2(b)中曲線(xiàn)下側(cè)峰值垂直與水平像素位置可以得出織物紋理基元信息為16*17。

圖2 織物自相關(guān)曲線(xiàn)與基元標(biāo)記

3 基于織物紋理基元分析的Gabor疵點(diǎn)檢測(cè)方法

在織物疵點(diǎn)的視覺(jué)自動(dòng)檢測(cè)過(guò)程中,需要不斷減弱織物的背景,即把織物正常的紋理區(qū)域信息弱化,同時(shí)突出疵點(diǎn)區(qū)域的信息,以便把織物的疵點(diǎn)檢測(cè)出來(lái)。鑒于紋理織物圖像有明顯的周期性、方向性和均勻性等特征,根據(jù)織物圖像的紋理特征提出一種基于織物紋理基元自適應(yīng)Gabor濾波器的疵點(diǎn)檢測(cè)方法。該檢測(cè)方法首先通過(guò)對(duì)正常的織物進(jìn)行紋理分析和特征提取,得到織物的紋理基元周期特征,再依據(jù)提取的紋理基元特征設(shè)計(jì)最優(yōu)的Gabor濾波核參數(shù),對(duì)正常紋理進(jìn)行濾除,突出疵點(diǎn)區(qū)域信息,實(shí)現(xiàn)織物的疵點(diǎn)檢測(cè)。

Gabor濾波器的帶通特性要求在濾波器應(yīng)用過(guò)程中根據(jù)處理圖像的紋理特性確定Gabor的濾波核參數(shù),采用適當(dāng)?shù)臑V波核來(lái)對(duì)圖像進(jìn)行濾波處理。

Gabor濾波器對(duì)圖像進(jìn)行濾波處理時(shí),通過(guò)Gabor濾波器的濾波核與圖像進(jìn)行卷積,圖像卷積過(guò)程中核大小對(duì)紋理信息是非常敏感的,核的大小直接影響到最終的濾波效果。因此,在Gabor濾波器的使用過(guò)程中需要對(duì)Gabor核大小參數(shù)合理設(shè)計(jì),得到紋理圖像理想的Gabor濾波器,才能對(duì)紋理圖像實(shí)現(xiàn)很好的濾波處理,達(dá)到疵點(diǎn)檢測(cè)效果。

研究發(fā)現(xiàn),Gabor濾波核與紋理基元有關(guān),為了進(jìn)一步確定濾波器核大小與紋理基元的關(guān)系,要先對(duì)采集的織物圖像進(jìn)行紋理基元試驗(yàn)。通過(guò)使用自相關(guān)函數(shù)計(jì)算得出圖3(a)的紋理基元為9*9,分別設(shè)計(jì)7*7、9*9、11*11三個(gè)尺度的濾波核對(duì)圖像進(jìn)行濾波處理,得到效果如圖3所示,同時(shí)表1列出了紋理基元與濾波核相互關(guān)系。分析可知:當(dāng)濾波核與紋理基元相差較大時(shí),對(duì)織物紋理的濾波作用較差。如圖3(a-1)所示,可以看出當(dāng)濾波核的尺寸小于織物紋理基元的大小時(shí),對(duì)于正常紋理進(jìn)行濾波操作并未獲得很好的濾除效果,圖像仍然存在部分紋理背景;當(dāng)濾波核大小比紋理基元大時(shí),濾波處理效果如圖3(a-3)所示,濾波器在抹除正常紋理背景的同時(shí)也會(huì)將疵點(diǎn)區(qū)域抹去部分,使得濾波后圖像的疵點(diǎn)面積不明顯,較難分割出疵點(diǎn)區(qū)域,在檢測(cè)過(guò)程中會(huì)造成漏檢;當(dāng)濾波核大小與紋理基元相同時(shí),如圖3(a-2)所示,能夠很好地進(jìn)行正常紋理背景消除并留下疵點(diǎn)區(qū)域。

圖3 紋理基元與Gabor濾波核效果

表1 紋理基元與濾波核參數(shù)

通過(guò)對(duì)Gabor濾波核與紋理基元大小的試驗(yàn)研究發(fā)現(xiàn),Gabor濾波核大小與織物的紋理基元的大小相近時(shí),對(duì)于織物的正常紋理濾除效果最好,可以實(shí)現(xiàn)將正常紋理濾除,突出疵點(diǎn)區(qū)域的效果。

4 結(jié)果與分析

4.1 試驗(yàn)結(jié)果

為了進(jìn)一步驗(yàn)證紋理基元與Gabor濾波核設(shè)計(jì)方法的有效性,用采集的織物樣本對(duì)本文的算法進(jìn)行評(píng)估。不同織物疵點(diǎn)檢測(cè)效果如圖4所示。

通過(guò)對(duì)常見(jiàn)的織物疵點(diǎn)斷針如圖4(a-1),粗節(jié)紗如圖4(c-1,d-1)以及油污如圖4(e-1)等進(jìn)行試驗(yàn),從圖4可以看出,該檢測(cè)方法能夠?qū)崿F(xiàn)較好的疵點(diǎn)檢測(cè)效果,說(shuō)明該方法具有一定的有效性。

圖4 基于紋理基元的Gabor濾波器疵點(diǎn)檢測(cè)效果

表2 紋理基元與濾波核參數(shù)

4.2 與其他算法檢測(cè)效果對(duì)比

為了檢驗(yàn)方法的穩(wěn)定性和魯棒性,選取TILDA標(biāo)準(zhǔn)織物圖像庫(kù)中尺寸為256×256像素的織物樣本作為對(duì)照,將該疵點(diǎn)檢測(cè)算法與文獻(xiàn)[18]和文獻(xiàn)[19]中基于Gabor濾波器組的疵點(diǎn)檢測(cè)算法進(jìn)行對(duì)比,通過(guò)二值特征圖像對(duì)疵點(diǎn)檢測(cè)的效果進(jìn)行評(píng)估,檢測(cè)結(jié)果如圖5所示,試驗(yàn)結(jié)果證明,該方法是有效和實(shí)用的。

圖5 疵點(diǎn)檢測(cè)效果對(duì)比

由圖5可看出,兩種方法都可以檢測(cè)出疵點(diǎn)的存在,但本文所提出的方法所檢測(cè)出的疵點(diǎn)區(qū)域更加明顯,疵點(diǎn)區(qū)域面積較為集中,疵點(diǎn)區(qū)域分割更為完整,在疵點(diǎn)判斷過(guò)程中的準(zhǔn)確性更高。

4.3 疵點(diǎn)檢測(cè)正確率比較

為了檢驗(yàn)方法的檢測(cè)準(zhǔn)確率,從TILDA標(biāo)準(zhǔn)織物圖像中選取60幅作為檢測(cè)樣本,包含45幅疵點(diǎn)圖像,15幅不含疵點(diǎn)的圖像,其中,n為圖像的邊長(zhǎng),l為濾波器的邊長(zhǎng),檢測(cè)樣本的檢測(cè)結(jié)果見(jiàn)表3。

表3 疵點(diǎn)檢測(cè)結(jié)果統(tǒng)計(jì)

從表3數(shù)據(jù)可得出,本文所采用的檢測(cè)方法正確率高于文獻(xiàn)[18]和文獻(xiàn)[19]的正確率,由此可說(shuō)明本文算法對(duì)于疵點(diǎn)檢測(cè)具有更高的檢測(cè)準(zhǔn)確率和檢測(cè)效率。

檢測(cè)效果如圖6所示。圖6(a)為T(mén)ILDA標(biāo)準(zhǔn)織物疵點(diǎn)圖像,圖6(b)為Gabor濾波效果圖像,可以看出濾波器很好地將織物正常背景濾除,突出了疵點(diǎn)區(qū)域,圖6(c)為濾波后的疵點(diǎn)二值分割圖像,實(shí)現(xiàn)了較好的疵點(diǎn)分割。

圖6 基于紋理基元的Gabor濾波器疵點(diǎn)檢測(cè)效果

5 結(jié) 論

在對(duì)織物中漏針、粗節(jié)紗、油污等常見(jiàn)疵點(diǎn)進(jìn)行研究后,提出基于織物紋理基元的自適應(yīng)Gabor濾波器的疵點(diǎn)檢測(cè)方法。主要實(shí)現(xiàn)了(1)通過(guò)分析織物紋理基元的特征,設(shè)計(jì)最優(yōu)Gabor濾波器核大小;(2)應(yīng)用自適應(yīng)的Gabor濾波器對(duì)織物疵點(diǎn)圖像進(jìn)行濾波實(shí)現(xiàn)對(duì)織物疵點(diǎn)的自動(dòng)檢測(cè);(3)通過(guò)與文獻(xiàn)進(jìn)行對(duì)比試驗(yàn),證明了方法的有效性,實(shí)現(xiàn)了98.33%的檢測(cè)準(zhǔn)確率。對(duì)織物圖像進(jìn)行疵點(diǎn)檢測(cè)試驗(yàn)發(fā)現(xiàn),對(duì)于大部分織物圖像通過(guò)設(shè)計(jì)合適濾波器均可檢測(cè)出紋理發(fā)生突變的區(qū)域(即疵點(diǎn)區(qū)域),從而實(shí)現(xiàn)織物疵點(diǎn)的快速自動(dòng)檢測(cè)目標(biāo),這也證明了本文檢測(cè)方法對(duì)于設(shè)計(jì)最優(yōu)Gabor濾波器是有效的和實(shí)用的。