基于小波静态分解的离散小疵点检测

管声启，石秀华，王 筠

（1.西安工程大学 机电工程学院，西安 710048；2.西北工业大学 航海学院，西安 710072）

基于小波静态分解的离散小疵点检测

管声启1，2，石秀华2，王 筠1

（1.西安工程大学 机电工程学院，西安 710048；2.西北工业大学 航海学院，西安 710072）

在分析织物疵点特点的基础上，提出了一种新的检测方法.首先根据正常织物小波分解后的能量来确定小波基和小波分解层数.接着对测试图像进行小波静态分解，然后提取子图中的子窗口标准差作为提取的特征；在此基础上，通过与正常子图中的特征相比较来判断小疵点是否存在.最后通过提取特征构造的标准差图确定小疵点的位置.实验表明，该检测方法是有效的.

小波分解；特征提取；标准差图；疵点检测

目前，基于图像处理的织物疵点检测在空间域内的主要方法有灰度共生矩阵法、Markov随机场法、灰度直方图统计法、灰度匹配法，这些方法虽然具有直观、算法简单的优点，但其计算量大、预测性差，很难满足快速检测的需要[1].在频域内的主要研究方法有二维傅里叶变换法、小波变换法[2].其中，傅里叶变换法是把图像从空间转换到频域进行分析，其特点是检测速度快，但通常只适合较大疵点检测；小波变换法是通过缩放、平移等对图像进行多尺度细化分析处理，实现高频部分的空间细分和低频部分的频率细分，能够有效地从图像中提取出信息；然而小波基的选取以及小波分解层数的确定往往依赖研究人员的经验，这也就限制了小波在织物疵点检测中的广泛应用.通过以上分析可以看出，现有的疵点检测方法大多存在一定的局限性，都是试图通过一种算法来实现对所有疵点的检测，而没有考虑织物疵点种类的多样性.由于织物疵点种类繁多，不同的疵点其图像特征是不同的，因此传统的检测方法对某些疵点检测的效果并不理想，尤其在离散小疵点检测中更是如此.离散小疵点难以检测的主要原因在于小疵点分布广泛，单个面积过小，其疵点信息被淹没在正常的纹理信息中，因此很容易漏检和错检；另外，小疵点位置往往也难以定位[3～4].本文根据离散小疵点的特点，在解决小波基和小波分解层数的基础上，通过正交小波的多层静态分解实现了对小疵点精确检测.

1 小波静态分解

1.1 小波的静态分解过程

设hk为低通滤波器系数，gk为高通滤波器系数，二维数字图像的小波分解可表示为：

可以看出，小波每做1次分解实质上是通过滤波器h、g进行1次滤波，滤波后输出1个近似子图和3个细节子图.传统的小波分解为了保证分解后各子图的总尺寸与原图尺寸相同，通常对输出的子图进行2抽样，使输出数据长度减半[5].这种2抽样虽然能够减少数据的冗余，但会造成图像目标定位不准.因此，本文在小波分解时去掉2抽样，这将有利于织物疵点检测中的精确定位.小波的静态分解过程如图1所示：

1.2 小波基的选取

用于织物图像分解的小波必须具有高消失矩、紧支性和快速衰减性.Daubechies从滤波器的角度出发，构造具有了高消失矩、正交紧支的DB小波，且具有一定近似对称性[6-7]，因此，选用DB小波用于织物图像的分解.在确定小波基支撑长度时，通常选用支集长度小于19（也就是消失矩小于10）就可以满足要求.支集具体长度采用DB小波分解后的织物纹理能量最小来确定.

式中：f（x，y）表示像素点在（x，y）处的灰度；M和N分别代表高频子图的高度和宽度.

在J分辨率下，图像的总能量和织物纹理能量分别为：

由于对角线高频子图能量较小，因此仅考虑水平细节子图和垂直细节子图的能量.如果小波分解后的织物纹理能量最小，那说明小波分解能够较好抑制了光滑的周期性纹理信息，此时小波就可以看成与织物纹理匹配的小波.

1.3 小波静态分解层数的确定

小波分解的目的之一就是让织物纹理在不同层次中被分解出来，当织物纹理已经被分解在不同层次的细节子图时，就没有必要对近似子图再进行分解.由于织物纹理具有周期性和重复性，故具有较大的能量.如果细节子图含有正常纹理信息，那么其细节子图能量在总能量中占的比重较大.因此，根据细节子图能量占总能量的比重来确定分解的层数.

2 小波静态分解在织物疵点检测中应用

2.1 织物疵点检测的原理

织物疵点是由于织造过程中的经纬纱不规则交织造成的，其纹理特征明显不同于正常的规则纹理.如果能够有效抑制了正常的纹理信息，或者把正常的纹理信息与局部异常的疵点信息分离在不同的子图中，这样就会减少正常纹理对疵点信息的影响，从而有利于疵点的检测.而小波的静态分解不仅能利用小波的高消失矩抑制正常的纹理信息，又能通过小波多层分解把正常纹理和疵点信息分离在不同的子图中，最大限度减少了正常纹理对疵点的影响，从而实现对离散小疵点的检测.其具体的检测过程如下：首先通过小波分解计算织物纹理能量和细节子图能量比重来确定小波基和小波分解层数；然后进行小波静态多层分解；在此基础上，根据疵点特点划分子窗口，通过子窗口提取标准差特征；最后通过构造标准差图来进行疵点识别.

2.2 织物疵点检测

正常纹理与起球离散小疵点如图2所示.

2.2.1 小波基函数及分解层数确定

采用DB1至DB10小波分别对正常织物图像进行四层静态分解，计算织物纹理能量，其结果如图3所示.

由图3可见，DB3小波分解后的织物纹理能量最小，说明其与被检测的织物纹理能很好地匹配，因此将采用DB3用于被检测织物纹理图像的分解.

采用DB3小波对正常织物纹理进行四层分解，计算每层的细节子图能量占该层总能的比重，计算结果如表1所示.

表1 细节子图能量比重Tab.1 Proportion energy of detail sub-image

从表1可以看出，小波二层分解细节子图能量占总能量比重最大，说明，正常的纹理信息已经给分离出来，因此测试的图像只需要小波二层分解.

2.2.2 织物疵点图像的分解

对含有小疵点的织物图像进行小波静态二层分解，分解结果如图4所示.

2.2.3 小疵点特征提取

由于对角线细节子图含有大量的噪声信息，因此，只从近似子图、水平细节子图和垂直细节子图提取纹理特征.为了突出小疵点特征信息，必须把小波分解的各层子图划分一系列的子窗口.具体过程是：首先根据自相关函数确定被测试织物组织单元尺寸，然后根据组织单元尺寸来确定子窗口尺寸，最后根据子窗口大小对各层子图进行划分.

在特征提取时，采用小波二层分解后各子图中的子窗口标准差作为提取的特征.如果提取的特征超过正常织物特征一定范围，则可以判断疵点的存在.正常织物与疵点织物各层子图的子窗口标准差构造的标准差图如图5所示.

对比图 5 中的（a）、（b）可以发现，（b）中各子图明显存在异常的点，尤其在LL2子图中表现更为突出.正常织物及疵点织物标准差特征范围如表2所示.

表2 标准差特征范围Tab.2 Feature scope of standard detection

2.2.4 小疵点识别

在疵点存在性的判断时，为了保证判断的准确性，必须把每个子图标准差特征极值与正常织物相应子图标准差特征极值比较来判断是否存在疵点.

在疵点的位置和面积检测时，由于小疵点信息分布在各个子图中，选取子图标准差比正常织物子图标准差相差较大的子图进行二值化，然后对各二值子图进行融合，确定疵点的位置和面积.

分析表2可以看出，疵点图像LL2、LH2、HL2中最大方差比相应的正常子图最大方差大3以上，因此对这些子图进行二值化，然后把二值各子图进行相加融合处理，结果如图6中RH所示.

可以计算出，织物疵点总面积为685，疵点个数39，每个疵点平均面积15.

3 结论

利用小波静态多层分解，能够把正常的织物纹理和疵点信息分离在不同的子图中；然后，通过子窗口标准差来判断疵点的存在；在此基础上，通过构造标准差图来确定疵点的位置和疵点的数目.由于小波静态分解能够保持分解后的子图尺寸不变，最大限度地保证了疵点的精确定位；不足之处在于小波静态分解有大量的信息冗余，这可能会降低了织物疵点检测的速度.

[1]CHO C S，CHUNG B M，PARK M J.Development of real-time vision-based fabric inspection system[J].IEEE Transactions on Industrial Electronics，2005，52（4）：1073-1079.

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

[3]CONCI A，PROENCA C B.A computer vision approach for textile inspection[J].Textile Research Journal，2000，70（4）：347-350.

[4]GUZAITIS J，VERIKAS A.Image analysis and information fusion based defect detection in particleboards[J].Electronics and Elelctrical Engineering，2006，71（7）：67-71.

[5]TSAI Du-Ming，CHIANG Cheng-Huei.Automatic band selection for wavelet reconstruction in the application of defect detection[J].Image and Vision Computing，2003，21（5）：413-431.

[6]YANG X，PANG G，YUNG N.Robust fabric defect detection andclassificationusingmultipleadapticewavelets[J].IEE Proceedings-Vision，Image and Signal Processing，2005，152（6）：715-723.

[7]李立轻.基于计算机视觉的织物疵自动检测研究[D].上海：东华大学，2003：15-36.

Small fabric defect detection based on wavelet static decomposition

GUAN Sheng－qi1，2，SHI Xiu－hua2，WANG Yun1
（1.College of Mechanical and Electronic Engineering，Xi′an Polytechnic University，Xi′an 710048，China；2.College of Marine Engineering，Northwestern Polytechnical University，Xi′an 710072，China）

On the basis of analysis of the defect characteristicsof fabrics， a new method for small defect detection was presented.Firstly，the normal fabric energy of wavelet decomposition was used to determine the wavelet function and level of wavelet decomposition.The test image was decomposed statically by wavelet，and then standard deviation of sub－window in the sub－image was extracted as the extracted features， which was compared with the normal sub－image features to determine the existence of defects.Finally， the location of defect was determined by the standard deviation image.Experimental results show that this method is effective.

wavelet decomposition；feature extraction；standard deviation image；defect detection

TS101.97；TP391.41

A

1671－024X（2010）05－0073－04

2010－06－12 基金项目：西安工程大学博士科研基金项目（BS1005）

管声启（1971－），男，博士，副教授.

管声启（1971－），男，博士，副教授.E－mail：sina1300841@163.com