基于無抽樣離散小波變換的復(fù)雜紋理織物疵點(diǎn)檢測

楊曉波

(浙江樹人學(xué)院,浙江 杭州 310015)

近年來,小波變換因具有多分辨率特性已被廣泛應(yīng)用于織物紋理檢測領(lǐng)域。小波變換可以實(shí)現(xiàn)局部增強(qiáng),由于織物疵點(diǎn)大多分布在局部區(qū)域,利用小波變換可以對疵點(diǎn)進(jìn)行聚焦檢測。Sarraf等[1]選用Daubechies D2[2]小波基對織物紋理圖像進(jìn)行濾波,利用分形理論[3]提取織物特征,對包含25種疵點(diǎn)類型的3 600幅織物進(jìn)行檢測,檢測精度達(dá)到89.5%,但檢測速度較低,僅為30.48 cm/min;Han等[4]采用自適應(yīng)分解尺度小波提取共生矩陣對子圖像進(jìn)行分析,該方法實(shí)時(shí)檢測能力較弱;Yang等[5]通過圖像增強(qiáng)突出織物的紋理特性,該方法只對部分種類織物疵點(diǎn)具有較強(qiáng)響應(yīng),存在一定的局限性;Jasper等[6]也采用自適應(yīng)小波基進(jìn)行織物疵點(diǎn)檢測,由于疵點(diǎn)樣本較少,且其采用的標(biāo)準(zhǔn)小波變換平移可變,不適合檢測細(xì)小局部疵點(diǎn);Yang等[7-8]采用非采樣自適應(yīng)小波提取差異特征進(jìn)行疵點(diǎn)檢測,檢測精度達(dá)到97.5%,該方法對簡單紋理的織物疵點(diǎn)檢測精度較高,對于復(fù)雜紋理或花色織物的疵點(diǎn)檢測精度仍較低。鑒于此,本文采用無抽樣離散小波,通過自適應(yīng)選擇小波分解尺度對復(fù)雜紋理織物疵點(diǎn)進(jìn)行檢測,增強(qiáng)分解后的圖像疵點(diǎn)區(qū)域,采用多尺度小波分解的圖像融合方法對織物疵點(diǎn)進(jìn)行實(shí)時(shí)檢測。

1 無抽樣離散小波變換原理

由于標(biāo)準(zhǔn)小波平移后會發(fā)生能量變化,因而不適用于圖像檢測和識別領(lǐng)域。無抽樣離散小波能夠?qū)D像信號進(jìn)行綜合處理,且具有平移不變特性,因而對不同位置圖像的檢測結(jié)果依然保持穩(wěn)定。

一維無抽樣小波的分解計(jì)算通過高通和低通濾波器進(jìn)行卷積操作完成,如式(1)(2)所示:

(1)

(2)

式中:j表示小波分解尺度;n表示分解尺度個(gè)數(shù);*表示卷積運(yùn)算;cj和wj分別表示無抽樣小波分解在尺度j上的逼近值和小波系數(shù);cj+1表示在cj基礎(chǔ)上的小波分解系數(shù);wj+1表示在不同方向上的小波分解系數(shù);hj和gj分別表示尺度j上的高通與低通濾波器脈沖響應(yīng)系數(shù)。

二維無抽樣小波的分解可通過擴(kuò)展一維無抽樣小波分解得到,經(jīng)過行變換和列變換可以將一維無抽樣小波擴(kuò)展為二維無抽樣小波,如式(3)～(6)所示:

(3)

(4)

(5)

(6)

cj+1、wj+1與cj的尺度相同,當(dāng)疵點(diǎn)分布于織物的不同位置時(shí),二維無抽樣小波具有平移不變特性,有利于準(zhǔn)確檢測織物疵點(diǎn)。

2 小波選擇與疵點(diǎn)判定

疵點(diǎn)判別通過分析圖像區(qū)域的能量變化來實(shí)現(xiàn)。由于疵點(diǎn)中的像素比正常紋理像素更亮或更暗,因此圖像經(jīng)過預(yù)處理后,疵點(diǎn)區(qū)域的能量分布與正常區(qū)域存在差異,經(jīng)過無抽樣離散小波處理后,疵點(diǎn)區(qū)域的能量增強(qiáng),與此同時(shí),正常區(qū)域的能量減小,從而兩類區(qū)域的能量差異進(jìn)一步擴(kuò)大,有利于判別織物疵點(diǎn)。織物疵點(diǎn)的判別流程如圖1所示。

圖1 織物疵點(diǎn)判別流程圖Fig.1 Flowchart of fabric defects identification

從圖1可知,獲取織物圖像后,首先進(jìn)行圖像預(yù)處理,然后利用無抽樣小波將像素信息轉(zhuǎn)化為頻率域,并劃分能量幅值,圖像經(jīng)融合處理后便可提取相應(yīng)的特征值,最后設(shè)定閾值,超過設(shè)定閾值時(shí)即判定存在疵點(diǎn)。

2.1 小波基和分解尺度選擇

利用無抽樣離散小波進(jìn)行疵點(diǎn)判別,關(guān)鍵是要選擇合適的小波基和小波分解尺度。小波基的選擇主要考慮兩大因素,其一是小波基的數(shù)學(xué)特性,重點(diǎn)考察小波基的正交性、緊支撐和消失矩陣等;其二是所選小波基能夠突出圖像的局部特征。由于Daubechies D2小波[2]可以實(shí)現(xiàn)快速小波轉(zhuǎn)換,同時(shí)具有正交性、連續(xù)性和緊支撐性,分解過程計(jì)算量較小,因而本文選用Daubechies D2小波作為小波基,對織物的各類疵點(diǎn)進(jìn)行檢測。

小波分解尺度的選擇需要考慮織物圖像的紋理特征,復(fù)雜紋理的織物圖像包含的信息量較大,選擇分解尺度時(shí)需突出疵點(diǎn)的能量信息,選擇的尺度以適中為宜,因?yàn)槌叨冗^大將增加算法的計(jì)算量,不利于實(shí)時(shí)性檢測;尺度過小則會遺漏較小的疵點(diǎn)信息,檢測效果下降。

由于織物表面紋理具有較強(qiáng)的周期性,正常紋理的能量將向固有頻率點(diǎn)集中,疵點(diǎn)區(qū)域的能量分布則相對分散。另外,不同織物的紋理周期存在差異,因此紋理的固有頻率點(diǎn)也存在不同。

由于疵點(diǎn)區(qū)域與正常區(qū)域的能量分布在不同區(qū)域,因此在選擇小波的分解尺度時(shí)應(yīng)滿足的條件為:

(7)

式中:FD表示疵點(diǎn)的通帶頻率;FTi表示正常紋理在i方向上的阻帶頻率,i=1,2,3分別表示水平、垂直和對角線方向。

通過式(7)可以得到小波分解尺度的最小值,由于不同方向上的織物紋理存在不同的固有頻率點(diǎn),因此在選擇小波分解尺度時(shí)也應(yīng)有所不同。

不同類型的織物疵點(diǎn)所需要的小波分解尺度不同,為了保證疵點(diǎn)檢測的通用性,從最小的小波分解尺度開始,采用連續(xù)的小波分解尺度簇用于檢測各種類型的疵點(diǎn),分解尺度簇經(jīng)過Daubechies D2小波變換后輸出,輸出的小波系數(shù)為:

(8)

式中:Owc為輸出小波系數(shù);h、v和d分別為水平、垂直、對角線3個(gè)方向的起始尺度;N為分解尺度的總個(gè)數(shù)。

2.2 特征提取和疵點(diǎn)判定

織物圖像經(jīng)過無抽樣離散小波變換后,可以得到空間能量頻譜分布,提取相關(guān)的能量特征即可判別紋理圖像中是否存在疵點(diǎn),具體的能量特征值為:

(9)

(10)

(11)

式中:HE、VE、DE分別表示水平、垂直和對角線方向的幅值能量;CPi表示在i方向的小波系數(shù)。

特征提取的流程如圖2所示。提取織物的圖像特征,首先需累積圖像區(qū)域的幅值,從而獲得累積向量,接著計(jì)算累積向量的能量,當(dāng)累積向量的能量大于直接求取的圖像能量時(shí),則認(rèn)為該區(qū)域存在疵點(diǎn),否則認(rèn)為該區(qū)域?yàn)檎？椢锛y理區(qū)域。

圖2 織物圖像特征提取流程圖Fig.2 Flowchart of feature extraction of fabric image

進(jìn)行疵點(diǎn)判定時(shí),首先從織物圖像區(qū)域中提取HE、VE、DE3種能量特征;接著將這3種能量與設(shè)定的閾值進(jìn)行比較,當(dāng)任何一種幅值能量超出設(shè)定閾值,則判定該區(qū)域存在疵點(diǎn),否則可認(rèn)為該區(qū)域?yàn)檎＜y理。該判定方法不僅能判定疵點(diǎn)的準(zhǔn)確位置,而且可以檢測出疵點(diǎn)的特征,如該疵點(diǎn)的構(gòu)成要素是暗像素還是亮像素。

3 對比實(shí)驗(yàn)

為了驗(yàn)證無抽樣離散小波檢測方法的可行性,測試樣本選用常見的花色織物疵點(diǎn)類型,采用無抽樣離散小波檢測方法對不同類型的織物疵點(diǎn)進(jìn)行檢測。實(shí)驗(yàn)選用XLP8K6C-H-F4型CCD線陣相機(jī)(深圳市度申科技股份有限公司)獲取疵點(diǎn)樣本,織物表面分辨率設(shè)定為0.358 mm/像素,疵點(diǎn)樣本圖像的大小為512像素×512像素,每個(gè)檢測圖像的子區(qū)域設(shè)定為64像素×64像素。

本文實(shí)驗(yàn)累計(jì)采集圖片總數(shù)54 006張,其中合格樣本圖像 30 242張,疵點(diǎn)樣本圖像23 764張,采用本文算法對檢測樣本進(jìn)行測試,通過分析檢測正確率和誤判率,評定最終的檢測結(jié)果。選用的常見花色織物疵點(diǎn)種類如圖3所示。

圖3 8種常見花色織物疵點(diǎn)Fig.3 8 types common fabric defects in different patterns and colors.(a)Broken picks; (b) Missing end; (c) Hole; (d) Nep(e) Oil contamination; (f) Square eye;(g) Drop stitch; (h) Coarse knot

當(dāng)織物出現(xiàn)疵點(diǎn)時(shí),正?？椢锏募y理模式將會發(fā)生變化,疵點(diǎn)區(qū)域的內(nèi)部像素變化有別于正常紋理區(qū)域。檢測過程中,選取斷緯、缺經(jīng)和油污為有代表性的花色織物疵點(diǎn),采用的無抽樣小波分解尺度個(gè)數(shù)為2,對圖像進(jìn)行分解,所得結(jié)果如圖4所示。

圖4 3種花色織物疵點(diǎn)的無抽樣離散小波檢測結(jié)果Fig.4 Non-sampling discrete wavelet detection results of three color fabric defects.(a) Broken weft; (b) Horizontal energy diagram; (c) Testing result;(d) Lack of warp; (e) Vertical energy diagram; (f) Testing result; (g) Oil contamination; (h) Horizontal energy diagram; (i) Testing result

選用常見花色織物的漏針、破洞和棉結(jié)類型疵點(diǎn)進(jìn)行檢測,對應(yīng)的無抽樣小波分解尺度個(gè)數(shù)分別為2、1和3,所得結(jié)果如圖5所示。

圖5 另外3種花色織物疵點(diǎn)的無抽樣離散小波檢測結(jié)果Fig.5 Non-sampling discrete wavelet detection results of another three color fabric defects.(a) Drop stitch; (b) Horizontal energy diagram; (c) Testing result;(d) Hole; (e) Vertical energy diagram; (f) Testing result;(g) Nep; (h) Horizontal energy diagram; (i) Testing result

從圖4和圖5可知,當(dāng)疵點(diǎn)類型不同時(shí)所采取的小波分解尺度數(shù)也要相應(yīng)改變,這樣才能得到較好的檢測結(jié)果。為了客觀分析小波分解尺度個(gè)數(shù)與各類疵點(diǎn)檢測能力之間的關(guān)系,可以通過計(jì)算疵點(diǎn)區(qū)域特征平均值與正常區(qū)域特征平均值的比值(見式(12))對其進(jìn)行判定。

(12)

式中:Ui代表某種疵點(diǎn)在疵點(diǎn)區(qū)域中的特征值;Uj表示在正常紋理區(qū)域所獲得的特征值;p為疵點(diǎn)判別指數(shù)。

當(dāng)計(jì)算所得p值較大時(shí),則說明疵點(diǎn)區(qū)域與正常區(qū)域差異明顯,可以設(shè)定正常區(qū)域?qū)?yīng)的p值為閾值,超過設(shè)定閾值即可判定存在疵點(diǎn)。

利用不同小波分解尺度對各類織物疵點(diǎn)進(jìn)行檢測,檢測結(jié)果如圖6所示。隨著小波分解尺度個(gè)數(shù)的增加,6種類型疵點(diǎn)的判別指數(shù)也隨之增加,表明當(dāng)小波分解尺度個(gè)數(shù)增加時(shí),計(jì)算量會隨之加大,檢測精度也會相應(yīng)增加。缺經(jīng)疵點(diǎn)頻率響應(yīng)主能量區(qū)與正常紋理的頻率點(diǎn)較為接近,因此只需1個(gè)分解尺度就能判別織物的疵點(diǎn)區(qū)域。其他類型的疵點(diǎn)頻率響應(yīng)主能量區(qū)與正常紋理的頻率點(diǎn)相差較遠(yuǎn),因而需要較高的分解尺度提取特征值,如臟緯、松經(jīng)、斷緯和棉結(jié)疵點(diǎn)都需要2個(gè)及以上分解尺度才能獲得較好的檢測效果;當(dāng)小波分解尺度個(gè)數(shù)為3時(shí),疵點(diǎn)判別指數(shù)較大。

圖6 不同小波分解尺度對各類織物疵點(diǎn)的檢測結(jié)果Fig.6 Detection results of fabric defects with different wavelet decomposition scales

小波分解尺度的自適應(yīng)選擇取決于待測織物的紋理和疵點(diǎn)頻率特性,紋理不同則對應(yīng)的小波分解尺度不同,同時(shí)不同的頻率反映不同的圖像信息,因此在選擇小波分解尺度時(shí),盡可能選擇能夠使疵點(diǎn)頻率增強(qiáng)的尺度。

為了表明無抽樣離散小波適合于織物疵點(diǎn)檢測,分別選用常見的主流算法[9-11]與本文無抽樣離散小波檢測算法進(jìn)行實(shí)驗(yàn),并對結(jié)果進(jìn)行對比分析。實(shí)驗(yàn)采用100幅大小為512像素×512像素的疵點(diǎn)圖像樣本和150幅大小為512像素×512像素的正常紋理疵點(diǎn)圖像樣本進(jìn)行檢測,疵點(diǎn)類型分別選取斷緯、缺經(jīng)、油污、漏針、破洞和棉結(jié),檢測結(jié)果與織物疵點(diǎn)國家樣照進(jìn)行比對,與國家樣照一致定為正確,反之則為不正確,對比結(jié)果見圖7。

圖7 對比實(shí)驗(yàn)結(jié)果Fig.7 Comparative experimental results

從圖7可知,無抽樣離散小波算法的平均正確率達(dá)到97%,高于其他主流檢測方法,說明無抽樣離散小波算法比較適合于檢測復(fù)雜紋理織物疵點(diǎn)。

另外,為了檢驗(yàn)疵點(diǎn)識別算法的實(shí)時(shí)特性,本文采用4種不同的疵點(diǎn)檢測算法對織物疵點(diǎn)進(jìn)行實(shí)時(shí)檢測,檢測結(jié)果見表1。

表1 不同處理器的疵點(diǎn)檢測結(jié)果Tab.1 Defect detection results for different processors

從檢測結(jié)果來看,織物幅寬較為接近,不同處理器結(jié)合不同檢測算法,檢測速度存在較大差異,無抽樣離散小波檢測法的檢測速度高于其他3種檢測算法,表明無抽樣離散小波檢測法的實(shí)時(shí)檢測性能較優(yōu)。

4 結(jié) 論

為了提高織物疵點(diǎn)的檢測精度,本文提出一種基于無抽樣離散小波變換算法,通過算法分析和對比性實(shí)驗(yàn)得出以下結(jié)論:

①無抽樣離散小波平移不變特性有利于準(zhǔn)確檢測分布于織物的不同位置疵點(diǎn)。經(jīng)過無抽樣離散小波處理后,疵點(diǎn)區(qū)域的能量增強(qiáng),正常區(qū)域的能量減小,區(qū)域的能量差異變大有利于判別織物疵點(diǎn)。

②選用Daubechies D2小波作為小波基對織物的各類疵點(diǎn)進(jìn)行檢測。小波分解尺度的選擇需要考慮織物圖像的紋理特征,選擇的尺度以適中為宜。

③從織物圖像區(qū)域中提取水平、垂直和對角線方向能量作為特征值,與設(shè)定的閾值進(jìn)行比較,判定該區(qū)域是否存在疵點(diǎn),該判定方法不僅能判定疵點(diǎn)的準(zhǔn)確位置,而且可以檢測出疵點(diǎn)的特征。

④分別選取6種類型的織物疵點(diǎn)進(jìn)行對比實(shí)驗(yàn),無抽樣離散小波算法的平均正確率達(dá)到97%,高于其他3種主流檢測方法,說明無抽樣離散小波算法比較適合于檢測復(fù)雜紋理織物疵點(diǎn);無抽樣離散小波檢測法的實(shí)時(shí)檢測性能優(yōu)于其他3種主流檢測算法。