高斯混合模型在印花织物疵点检测中的应用

李 敏，崔树芹，谢治平

(武汉纺织大学数学与计算机学院，湖北 武汉 430072)

印花织物的表面疵点检测工序目前主要由人工完成，不仅费时、费力，且检测结果受人为主观因素影响较多，准确率不高［1］。

近年来，不少学者提出使用计算机视觉技术和图像处理技术来实现印花织物疵点的自动检测。潘如如等［2］以互相关理论为基础，提出了一种基于互相关的印花织物疵点检测方法，该方法能够实现花纹偏移、颜色色差等疵点的自动检测;Kuo等［3］提出了一种基于RGB累计均值法的印花织物疵点检测方法，使用该方法，通过对含有断经、断纬等5种瑕疵的25幅印花织物图像进行检测，准确率可达到96.8%;付蹇［4］提出运用Gabor滤波器和规则带来对印花织物进行疵点自动检测。大量实验结果表明，上述3种方法均存在对噪声敏感的问题。为解决圆网印花过程中的对花检测问题，景军锋等［5］提出先采用JSEG算法对织物图像进行分割，然后选取各颜色区域的边缘轮廓作为匹配的特征信息，并通过2次基于Fouriermellin变换的曲线匹配，完成对花误差的检测，但是该方法仅仅只能检测对花误差，无法解决诸如烂花、搭色污迹等缺陷。

由于现有的印花织物疵点检测方法都存在一定的缺陷，为此，本文提出了一种基于高斯混合模型(Gaussian mixture model，GMM)的印花织物疵点检测方法。该方法以高斯混合建模技术为基础，引入分块的思想对传统高斯混合模型进行改进，以提高疵点检测的精度。实验结果表明，使用本文提出的疵点检测方法，可以得到较高的检测正确率，同时保证较低的误检率和漏检率。

1 基于GMM的疵点检测方法

高斯混合模型是背景建模最为成功的方法之一［6］。由于对光照变化和噪声等具有较强的鲁棒性，高斯混合模型在目标检测中得到了广泛应用［7－9］。

基于高斯混合模型的疵点检测方法，首先使用K个高斯模型来表征印花织物图像中各个像素点的特征;然后在新图像获取后，判断新图像中的每个像素点与高斯混合模型是否匹配，如果匹配，则为印花织物图像中的点，否则为疵点。具体过程如下。

1)模型建立。对于像素点(x0，y0)，t时刻的观察值 xt= ［rt，gt，bt］T，属于印花织物图像的概率为:

式中:K为高斯分布的个数，K的范围一般为3～5，其值可根据计算机的运算能力进行调整，本文K取值为5;wj，t为第 j个高斯密度函数的权重，且有;uj，t是均值向量;∑j，t是 t时刻第 j个高斯协方差矩阵，且为方差;为第 j个高斯密度函数，定义为

2)高斯分布排序。先按照优先级对K个高斯分布进行排序，优先级的计算公式为

然后将满足如下公式的前B个模型作为背景模型:

其中:argmbin (·)表示满足括号内不等式条件下b的最小取值;T为阈值且T∈(0，1)，如果T很小，则背景通常由单个高斯分布来描述;如果T较大，则背景由多个高斯分布混合描述。为兼顾准确性和速度，本文中T的值为0.7。

3)高斯匹配。将待测像素xt与B个高斯分布依次进行匹配，匹配公式为

如果待测像素与第j个高斯模型匹配，表明该像素属于印花织物图像中的正常像素;若待测像素与所有高斯模型都不匹配，表明该像素为疵点像素。检测出疵点像素后，若已有的高斯模型个数小于K，那么增加一个新的高斯分布;若已有的高斯模型个数等于K，那么用新的高斯分布替代最小优先级的高斯分布。

4)参数更新。高斯分布权重更新公式如下:

式中:α是学习率且α∈(0，1)，α取值太大，会使模型对干扰敏感;α取值太小，会影响模型的更新速度。本文α取值0.01;若待测像素与第i个高斯模型匹配，wj，t等于 1，否则，wj，t等于 0。

均值参数和方差参数的更新公式分别如下:

其中ρ为学习率，其值为

对含有不同疵点类型的印花织物图像，使用高斯混合模型进行疵点检测的结果见图1。

从图1(d)、(e)可看出，使用高斯混合模型，色差疵点和错花疵点区域能够正确地显示出来，但是，很多不属于疵点区域的像素也被判断成了疵点。造成这种现象的主要原因是高斯混合模型是基于单个像素来建立背景模型的，它假设相邻像素之间的灰度值无关［10］。在高斯匹配的过程中，高斯混合模型将每个像素的当前值和其背景模型进行比对后，立即独立地进行硬判决，造成了检测精度不高的问题。

通过分析发现，印花织物图像相邻像素之间具有相关性，不仅如此，疵点区域的相邻像素也有很强的相关性，如果能够利用这种相关性来对高斯混合模型进行改进，将能有效提高疵点检测的精度。

图1 传统GMM疵点检测的结果Fig.1 Example of defect detection results based on traditional GMM.(a)Defect free image;(b)Image with color error;(c)Image with flower error;(d)Defect results for(b);(e)Defect results for(c)

2 基于改进GMM的疵点检测方法

2.1 基本思想

印花织物图像通常由花纹和背景区域2部分构成，花纹和背景区域内部的像素之间具有很强的相关性，使得这2个区域的像素在空间上具有平坦的特征。如果能够利用这种平坦性特征，在平坦区域内利用多个相邻像素构成的像素块进行疵点检测，可在提高检测精度的前提下，显著提高检测速度。

2.2 算法实现

首先对印花织物图像做分块处理，用每块的均值来代替这个块内的各点像素值进行建模，然后以块为单位进行高斯匹配。如匹配成功，则更新对应高斯分量，否则退化为更小的子块进行处理，如仍不匹配则以传统的单像素模式进行判决。具体算法描述如下。

1)对t时刻的图像I，按照从左到右、从上到下的顺序，将I分割成4像素×4像素和2像素×2像素大小的方块，对于分割后像素个数不够的方块，用0填充;

2)计算4像素×4像素方块内像素的均值和2像素×2像素方块内像素的均值，分别记为

3)使用式(1)对所有的X16t和X4t进行建模，使用式(3)对高斯模型排序;

4)使用式(5)对4像素×4像素分块进行高斯匹配操作，如果匹配，则该像素块对应的16个像素为正常像素，使用式(6)～(9)对参数进行更新;当前位置处理完毕后，依次处理下一个像素块。如果不匹配，表明该块可能为疵点区域，转至步骤5);

5)将4像素×4像素块分割成4个2像素×2像素子块，使用式(5)对2像素×2像素子块进行高斯匹配操作，如果匹配，则该子块对应的4个像素为正常像素，使用式(6)～(9)对参数进行更新;当前位置处理完毕后，依次处理下一个子块。否则，表明该子块可能为疵点区域，转至步骤6);

6)以传统的单像素模式对每个子块内的像素进行处理。

使用改进后的高斯混合模型对图1中含疵点的印花织物图像进行疵点检测，结果见图2。

图2 改进后的GMM疵点检测结果Fig.2 Results of modified defect detection.(a)Defect result for Fig.1(b);(b)Defect result for Fig.1(c)

3 实验结果与分析

为验证本文所提算法的有效性，使用多幅具有不同瑕疵缺陷的印花织物图像进行了测试。实验的硬件环境为CPU 1.66 GHZ，内存2 G;操作系统为Windows XP，软件为Visual C++6.0和OpenCV。

图3～5示出3幅典型印花织物图像的疵点检测结果。可看出，与基于传统GMM的疵点检测方法相比较，本文提出的方法效果更好，结果更准确。

接下来使用本文提出的方法分别对100幅图像进行测试，其中具有错花、色差、斑点和花形歪斜缺陷的图像均为20幅，另有20幅正常的图像，得出的结果如表1所示。方法(方法2)对100幅图像进行疵点检测所得结果的比较。

图3 印花织物1疵点检测结果Fig.3 Defect detection results of print fabric 1.(a)Defect free image;(b)Defective image;(c)Detection results based on traditional GMM;(d)Detection results based on improved GMM

图4 印花织物2疵点检测结果Fig.4 Defect detection results of print fabric 2.(a)Defect free image;(b)Defective image;(c)Detection results based on traditional GMM;(d)Detection results based on improved GMM

图5 印花织物3疵点检测结果Fig.5 Defect detection results of print fabric 3.(a)Defect free image;(b)Defective image;(c)Detection results based on traditional GMM;(d)Detection results based on improved GMM

表l 使用本文所提出的方法得到的检测结果Tab.1 Detection results by our proposed method %

从表1可看出，使用本文提出的方法，检测的平均正确率可达到94%，特别是对于花型歪斜缺陷，正确率达到了100%。

表2示出使用传统GMM(方法1)和本文所提

表2 2种检测方法所得结果的比较Tab.2 Comparision of results by two methods %

从表2可看出，使用本文提出的方法进行疵点检测，正确率比传统GMM高8%，而误检率则远远低于传统GMM方法。造成这种现象的主要原因在于高斯混合模型是基于单个像素来建立背景模型的，当图像质量下降时，很容易将噪声也判断成疵点，因此造成了较高的误检率。而本文的方法则充分利用了像素邻域的空间信息，对虚警像素点起到了很好的抑制作用。

4 结语

本文通过分析印花织物图像的特点，提出了一种基于改进高斯混合模型的疵检测方法。该方法首先对织物图像进行和分块操作，并根据像素块的均值来建立高斯混合模型，基于图像块来进行疵点检测，如果检测出图像块为疵点区域，则对图像块进行子块分割，并进一步对子块进行疵点检测。如果检测出子块依然为疵点区域，则退化为传统的单像素模式进行处理。实验结果表明，使用本文提出的疵点检测方法进行疵点检测，正确率可达到94%，漏检率为4%，误检率为2%。该方法还能有效处理检测过程中出现的光照不均和噪声等问题。

本文所提的算法目前还处于简单的算法模拟阶段，在实际的印花织物检测中，需要完成织物图像的分割，同时在检测时还需对疵点结果进行分类操作，这些都是下一步的研究方向。

［1］NGAN Y T，PANG K H，YUNG H C.Automated fabric defect detection:a review［J］.Image and Vision Computing，2011，29:442 －458.

［2］潘如如，高卫东，钱欣欣，等.基于互相关的印花织物疵点检测［J］.纺织学报，2010，31(12):134－138.PAN Ruru，GAO Weidong，QIAN Xinxin，et al.Defect detection of print fabrics using normalized cross correlation［J］.Journal of Textile Research，2010，31(12):134－138.

［3］KUO C F，HSU C T，CHEN W H.Automatic detection system for printed fabric defects［J］.Textile ResearchJournal，2012，82(6):591 －601.

［4］付骞.印花织物的疵点检测［J］.西安航空学院学报，2013，31(5):50－52.FU Qian.Detection of defects on printed fabrics［J］.Journal of Xi'an Aeronautical University，2013，31(5):50－52.

［5］景军锋，李光燕，李鹏飞.曲线匹配算法及其在织物自动对花检测中的应用［J］.纺织学报，2012，33(8):145－148.JING Junfeng， LIGuangyan， LIPengfei. Curve matching algorithm and its application in fabric automatic register detection［J］.Journal of Textile Research，2012，33(8):145－ 148.

［6］LI M，WANG B，CUI S Q.Texture primitive based method for patterned fabric defect detection［J］.Journal of Computational Information Systems，2013，13(9):5125－ 5132.

［7］ZHOUX S， COMANICIU D， GUPTA A. An information fusion framework for robust shape tracking［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27(1):115－129.

［8］LEE D S.Effective Gaussian mixture learning for video background subtraction［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005，27(5):827－ 832.

［9］周建英，吴小培，张超，等.基于滑动窗的混合高斯模型运动目标检测方法［J］.电子与信息学报，2013，35(7):1650－1656.ZHOU Jianying，WU Xiaopei，ZHANG Chao，et al.A moving object detection method based on sliding window Gaussian mixture model［J］.Journal of Electronics and Information Technology，2013，35(7):1650－ 1656.

［10］陈明生，梁光明，孙即祥.利用时空背景模型的快速运动目标检测方法［J］.中国图象图形学报，2011，16(6):1002－1007.CHEN Mingsheng，LIANG Guangming，SUN Jixiang.Fast moving object detection method usingtemporalspatial background model［J］.Journal of Image and Graphics，2011，16(6):1002－ 1007.