基于纹理分析的铝型材表面喷涂质量的检测

胡继文， 何山

（长春工业大学机电工程学院，长春130012）

0 引 言

纹理是图像非常重要的视觉特征之一，其中纹理分析在计算机视觉的相关领域里得到了广泛应用。文献［1］将纹理分析应用到陶瓷表面粗糙度的研究，运用灰度共生矩阵分析表面纹理特征与粗糙度的内在关系，探讨各纹理参数的变化规律，从而定性评估陶瓷表面粗糙度。文献［2］将纹理分析应用到茶青在线分类，通过提取灰度共生矩阵的能量、相关性、对比度、逆差距4个纹理特征参数特征值，比较不同茶叶类型的纹理特征从而进行分类。文献［3］将纹理分析应用到蘑菇的品质分类，也是提取相关的纹理特征信息进行研究的。由此可见纹理分析在很多领域已经应用得到尝试和应用。但基于纹理分析的铝型材喷涂表面质量的研究还是很少。目前铝型材表面喷涂质量都是通过人眼检测，在质检过程中，主要看铝型材喷涂表面质量的颗粒大小和表面粗糙度。颗粒大，表面粗糙，被称为大砂（也就是不合格品）；颗粒小，表面细化均匀，被称为细砂（合格品）。在评判产品合格不合格，完全凭借工人的经验，没有一个统一的标准。这对于新手而言或者人眼难以区分的产品时，检测很容易出错。针对这种情况，本文从计算机视觉的角度，利用纹理分析，提取相关的纹理特征信息，通过图像的处理，实现产品的分类，从而达到质量检测的目的。

1 灰度共生矩阵

在图像中某个方向上相隔一定距离s的一对像元灰度（i，j）所呈现出来的统计规律，在一定程度上可以反映出该图像的纹理特性。我们可以用一个矩阵来描述这个统计规律，而这个矩阵就是所谓的灰度共生矩阵（GLCM）［4］。薄华等［5］从理论上证明了对比度、熵和相关性是3个不相关并且分辨最好的统计量。于是本文选用熵、对比度、相关性3个特征统计量。

熵：是图像包含信息量的随机性度量，熵值越大，图像越复杂。其表达式为

对比度：反映纹理的清晰程度，其值越大，纹理的沟纹越深，视觉效果就越清晰。其表达式为

相关性：用来度量图像的灰度级在行或列方向上的相似程度，值越大，相关性也越大。

实验利用Matlab编程求得铝型材表面喷涂图像的特征值，这里我们取 4 个离散的方向：0°、45°、90°、135°，并将所得结果保留小数点后4位，如表1所示。

表1 灰度共生矩阵运行的结果

由表 1 可知：1）大砂的熵值要比正常的要大很多，表明大砂图像灰度分布复杂程度要比正常图像高，熵值越大，其相应的铝型材表面纹理越粗糙；2）细砂图像的对比度比大砂图像大，表面正常图像要比大砂图像纹理清晰，其相对应的铝型材表面纹理视觉效果要好；3）细砂图像的相关性要比大砂图像大很多，表明细砂图像的相关性要比大砂图像要大，其相对应的铝型材表面更加均匀。

2 Gabor滤波

Gabor滤波是D.Gabor 1946年提出的。它克服了传统傅里叶变换在频域内无任何时域分辨力的缺陷，体现了信号的联合时频分析特性［6］。Gabor函数可以在频域内以不同尺度和不同方向上提取一些相关的纹理特征信息，并且通过利用Gabor函数形成的二维Gabor滤波器，可在空间域和频率域同时拥有最佳的局部化特征。此外，Gabor函数又与人眼的生物作用相仿［7］，可以捕捉到相当多的纹理特征信息，因此在纹理识别上获得较为广泛的应用。

二维Gabor函数可以用以下形式表示：

图1 不同角度滤波图像

确定θ值：选一个f固定值，使θ从0～2π之间每间隔π/6依次取一个数，第一个从0开始到11π/6结束共取12个角度（由于0和2π一致，故不必取到2π），并将结果从小到大依次排列，显示结果如图1所示。

由图 1可发现 π/3、2π/3、4π/3、5π/3 方向变换效果明显，其他方向效果较差，也就是说只要取到π/3的整数倍效果均可，为了方便起见，这里取θ=π/3。

确定f值：目前已确定取θ为π/3，依次取f从1～18变化中每一个整数，并将变换结果从小到大依次排列，结果显示如图2所示。

由图2可以看出当f取16时，变换效果最为明显，故取f=16。由上已经确定f=16，θ=π/3，然后采用Matlab编程分别对大砂和细砂图像进行Gabor滤波，分别求得大砂图像和正常图像的均值、方差和能量，其滤波后结果如图 3所示。1） 大砂图像处理结果：mean=0 0039，con=1.2099，ent=0.0742。2）正常图像处理结果：mean=0.0039，con=1.1893，ent=0.0204。

图2 不同频率滤波图像

图3 大砂和细砂滤波后图像

与原图像纹理特征相比，经Gabor滤波后的图像纹理较平坦。通过对比发现正常砂和大砂图像经Gabor滤波后在均值上没区别。由于熵反映了图像的能量，熵值越大，纹理信息越丰富，说明表面越粗糙。而大砂图像的熵值明显大于正常砂，说明大砂铝型材喷涂表面纹理较粗糙。

3 实验结果与分析

本文在Windows7环境下，利用惠普G4050平板式扫描仪最大分辨率4800×9600dpi随机采集铝型材喷涂表面一小块区域，将其扫描成256×256的图像，再把它分割成16帧64×64的子图像。随机选择大砂和细砂的纹理子图像作为样本，每类的训练样本为100个，测试样本为50个。在实验过程中，将提取的能量和方差作为铝型材喷涂表面图像纹理识别的特征值，然后将得到的特征值利用分类器进行分类识别，最后将灰度共生矩阵、Gabor滤波和神经网络分类效果进行比较，如表2所示。

表2 采用不同方法分类的准确率 %

由上述实验结果可知：1）基于纹理分析的方法可以对铝型材表面喷涂质量达到检测效果，同时也验证了纹理分析在细粒度图像分类方法是可行的；2）针对铝型材表面喷涂图像的纹理特征提取，基于Gabor滤波的纹理分析方法更显得直观、效果更佳；3）细砂的识别率要远远高于大砂，但是当细砂的表面粗糙度与大砂区别不是很明显时，识别准确率将会大大降低。

4 结 语

本文结合实际生产的需要，基于大砂和细砂在纹理特征上有所不同这个思路，采用两种不同方法对铝型材表面喷涂的纹理特征进行分析，从而有效地验证了采用纹理分析的方法可以对铝型材表面喷涂质量进行分类，从而达到质量检测的目的。同时本文也存在一些缺陷，比如对铝型材喷涂分类准确率不够高，如何提高铝型材表面喷涂图像的分类精度是下一步研究工作的重点。

［1］ 田欣利，王健全，张保国，等.基于纹理分析的Si3N4陶瓷表面粗糙度研究［J］.材料工程，2012（9）：7-13，18.

［2］ 汤哲，江才华，张立，等.基于纹理分析的茶青在线分类［J］.高技术通讯，2014，24（6）：651-656.

［3］ 陈红，夏青，左婷，等.基于纹理分析的香菇品质分选方法［J］.农业工程学报，2014（3）：285-292.

［4］ SOH I K，COSTAS T.Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices ［J］.IEEE Trans on Geo-science and Remote Sensing，1999，37（2）：780-795.

［5］ 薄华，马缚龙，焦李成.图像纹理的灰度共生矩阵计算问题的分析［J］.电子学报，2006（1）：155-158.

［6］ 王华锋，王玉婷，柴华，等.基于纹理特征的测井图像分类算法的研究［J］.计算机研究与发展，2013，50（6）：1335-1348.

［7］ HUBEL D H，WIESEL T N.Receptive fields and functional architecture in two nonstriate visual areas 18 and 19 of the cat［J］.J.Neurophysiol，1965，28（2）：229-289.