基于纹理边缘周期性与局部方向性的织物疵点检测

吴 宁，管声启，徐帅华

(西安工程大学机电工程学院，陕西 西安 710048)

0 引言

质量控制在纺织品生产中非常重要，纺织品的质量好坏直接影响着纺织企业的生产成本与经济效益。然而，纺织品的质量问题主要出自生产过程中因为各种偶然因素造成的布面瑕疵即织物疵点，要想保证纺织品的质量，就要对布面的疵点进行有效的监控与检测。现在织物疵点检测主要依赖于人工视觉，但由于人工验布是一种单调、乏味且繁重的劳动，检测速度与效率受主观因素影响大，漏检率和误检率均较高。因此开发一种能替代人工检测的自动检测方法成为现在大多数纺织企业迫切需要解决的问题。针对这一问题国内外学者进行了大量的研究，开发出许多织物疵点自动检测算法，取得了一定的效果。但由于织物疵点种类的多样性与复杂性，目前还没有一个完整统一的算法能有效检测出各类疵点，因此新算法的开发仍然是一个重要的研究课题。

目前织物疵点检测算法主要集中在空间域和频域。在空间域进行研究主要是基于织物纹理图像的空间结构特征，如纹理的周期性、方向性、矩及空间复杂性等［1-8］。在频域内进行研究主要是利用傅里叶变换及小波变换将织物图像变换到频域中，针对其频域特性设计相应的滤波器，通过多分辨率多尺度滤波抑制背景纹理，不断提高疵点区域的显著性［9-15］。

本文通过提取已知正常织物纹理边缘的周期性与方向性特征，并利用提取特征对同类织物疵点图像进行分块与特征匹配，进而识别与消除织物疵点图像的正常纹理背景信息，突出疵点信息，最终达到疵点检测的目的。

1 纹理特征提取

1.1 周期性特征提取

织物纹理图像是典型的周期性纹理图像，它可以近似看作是由许多纹理基元构成的，纹理基元在更大区域内不断重复构成了外在表现为规则有序的纹理图像。但实际上由于各种自然因素的影响，纹理基元在微观上是具有一定的差距的。假设图像g(x，y)为周期性纹理图像，g(i，j)为图像第i行第j列位置的像素灰度值，若存在最小正整数a，b和一个足够小的阈值ε，使得下式成立:

即可认定图像是周期性图像，a，b分别为其行方向和列方向的最小周期。周期性是纹理图像的一个重要特征，目前提取纹理图像周期特征的方法有很多，在此应用最广泛的自相关函数法，对于大小为M×N的二维数字图像g(x，y)，其空间自相关函数的归一化表达形式为:

当a=0，b=0时，自相关函数取极值1。

典型织物纹理图像与其自相关函数图像如图1所示，从图1可以看出织物图像的自相关函数图像呈现周期性，但其只表现了原图像的周期性特征，并没有其它特征体现，2幅不同的纹理图像的自相关函数图像也大致一样，无法区别。

图1 纹理图像及其自相关函数图像

基于这个问题本文采用纹理边缘的自相关函数来表现纹理的周期性特征，通过提取织物图像的边缘特征进行自相关函数计算。结果如图2所示，由图2可以看出纹理边缘的自相关函数图像不仅反映了纹理的周期性特征还表现出其具有的方向性特征。

通过式(2)对纹理边缘进行自相关函数计算得到自相关系数矩阵，再对其进行峰值点搜索来确定纹理的周期性。具体做法是分别从自相关系数矩阵的列方向和行方向计算其每行和每列的均值，得到一个均值列向量和一个均值行向量，然后通过峰值点搜索分别计算2个向量的峰值点个数n，m。

若自相关函数矩阵的大小为M1×N1，则其列向周期为:b=N1/(n－1);行向周期为:a=M1/(m－1)，考虑到不能整除问题，a，b向下取整。通过计算得出图2中斜纹织物的行向周期a=3，列向周期b=6。

图2 纹理边缘图像及其自相关函数图像

1.2 局部方向性特征提取

由于织物图像是由经线和纬线以一定的顺序和方式交织而成的，很多织物纹理表现出明显的局部方向性，尤其是斜纹与平纹类织物。而疵点的出现使得织物的局部方向性发生大的突变，利用纹理的方向特征就可以区分正常纹理与疵点。要提取纹理的方向就要在图像中找到一条典型的能代表其局部纹理方向的直线，本文采用Hough变换提取直线的方法来确定纹理的方向，其原理是利用图像空间和Hough参数空间的点－线对偶关系，把图像空间中的检测问题转换到参数空间。图像空间中共线点经过Hough变换所对应的曲线就会相交于一点，通过统计相交点的叠加峰值可检测出图像空间的直线段与方向。

平面XoY上的直线方程为:y=kx+b，其中k，b分别为直线的斜率和截距。其对应的Hough变换参数方程为xcosθ+ysinθ=ρ，其中ρ是直线到坐标系原点的距离，θ是直线法线与x轴的夹角。利用Hough变换对某一斜纹织物直线检测的结果如图3所示，可以看出峰值点出现在30°方向上，即θ=30°，故纹理的主方向为60°。

图3 斜纹织物及其Hough变换

2 疵点检测方法

本文先对特定无疵点纹理图像进行特征提取即周期与方向特征提取，用提取的特征向量去除有疵点织物图像的正常纹理突出疵点区域，最后通过阈值分割得到疵点图像，以达到疵点检测的目的。具体步骤如下:

假设一幅无疵点织物纹理图像数据矩阵为I1，其对应的疵点织物图像为I2，大小为M×N。

(1)对图像I1进行空域平滑滤波去除噪声，利用Canny算子对滤波后图像进行边缘检测得到纹理边缘图像I11。然后对图像I11进行Hough变换确定纹理主方向即峰值系数P。

(2)用本文所述自相关函数法对纹理边缘图像I11进行自相关计算得到其自相关系数，进而通过峰值点搜索来确定纹理的周期，即行向周期a和列向周期b。

(3)根据图像的类型选择处理图像的窗口大小即分块大小，若是细纹理选择a×b，若是粗糙纹理可选择βa×γb，其中β，γ为正整数。利用所确定的窗口对疵点织物图像I2进行Hough变换，用Hough变换峰值系数代替窗口内图像像素值得到一幅新的图像I21。

(4)将I21内的每个值与方向特征即峰值P进行匹配得到I22，关系如下:

其中，i=1，2，…，M;j=1，2，…，N。

设定阈值 ε，若 I22(i，j)＜ ε，则 I22(i，j)取值0，否则取值1，即得到一幅二值图像I23，将此图像称为“蒙板”图像。通过此“蒙板”可以掩盖掉疵点纹理图像的正常纹理，保留疵点区域。

(5)对疵点图像I2进行去背景化操作得到疵点区域图像I3，关系如下:

其中，i=1，2，…，M;j=1，2，…，N。

(6)对图像I3用Otsu法再进行分割，得到最终疵点图像I4。

3 实验结果与分析

通过实验对一些方向性较强的斜纹织物图像进行疵点检测，检测结果如图4所示:其中第一列为具有各类疵点的斜纹织物图像，第二列为对应疵点的“蒙版”图像，第三列为各类疵点信息图像，第四列为疵点分割结果。

图4 基于纹理边缘周期与局部方向性疵点检测结果

从图4可以看出本文方法能够较完整地检测出常见斜纹类织物疵点，算法通用性较好。通过实验，表明该方法对于其他一些纹理边缘清晰规则的织物疵点图像也具有较好的检测效果。由于在织物图像采集的过程中，图像的质量受到各种偶然因素的影响，比如光照不均、随机噪声、镜头污染等，而造成检测结果有所偏差。如图4中疵点分割结果图中含有一些非疵点信息，如何判定并消除这些非疵点信息还需要对算法做进一步的研究与优化。

4 结束语

基于纹理边缘周期性与局部方向性的织物疵点检测方法，是针对织物纹理的周期性与方向性特征而提出的。利用其边缘周期性特征对织物疵点图像进行分块，再对每个图像块进行方向特征匹配，以达到疵点检测的目的。

该方法通过实验获得了良好的检测效果。算法通用性好、简单且容易实现，对方向一致性较好的织物疵点图像的检测效果较好，正确率高。

:

［1］祝双武，郝重阳.基于纹理周期性分析的织物疵点检测方法［J］.计算机工程与应用，2012，48(21):163－166.

［2］汪然，平西建.基于图像纹理复杂度和奇异值分解的重采样检测［J］.计算机辅助设计与图形学学报，2010，22(9):1606－1612.

［3］管声启.方向性纹理织物疵点检测方法研究［J］.计算机工程与科学，2011，33(3):73－76.

［4］Yap P T，Paramesran R，Ong Seng－Huat.Image analysis by Krawtchouk moments［J］.IEEE Transactions on Image Processing，2003，12(11):1367－1377.

［5］赵静，赵东晓，高伟，等.基于最大熵快速迭代算法和边缘算子的织物疵点分割［J］.纺织科技进展，2012(3):40－42.

［6］陈永强，陆安生，胡汉平.基于分形的图像分析方法综述［J］.计算机工程与设计，2005，26(7):1781－1783.

［7］高月芳，韩国强，李桂清，等.图像分析中的矩技术［J］.中国图象图形学报，2009，14(8):1494－1503.

［8］夏勇.基于特征的纹理图像分割技术研究［D］.西安:西北工业大学，2006.

［9］Chan Chi－Ho，Pang G K H.Fabric defect detection by Fourier analysis［J］.IEEE Transactions on Industry Application，2000，36(5):1267－1276.

［10］Thomas P Weldon，William E Higgins，Dennis F Dunn.Efficient Gabor filter design for texture segmentation［J］.Pattern Recognition，1996，29(12):2005－2015.

［11］Wen Che－yen，Chiu Shih－hsuan，Hsu Wei－sheng，et al.Defect segmentation of texture images with wavelet transform and a co－occurrence matrix［J］.Textile Research Journal，2001，71(8):743－749.

［12］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.

［13］Mak K L，Peng P.Detecting defects in textile fabrics with optimal Gabor filters［C］//Proceedings of World Academy of Science，Engineering and Technology.2006:75－80.

［14］韩润萍，孙苏榕，姜玲.基于Gabor滤波器组的织物疵点检测方法［J］.计算机工程与应用，2007，43(7):211－214.

［15］Li Liqing，Huang Xiubao.Fabric defect detection using adaptive wavelet transform［J］.东华大学学报:英文版，2002，19(1):35－39.