局部相位量化特征的织物瑕疵检测算法

应玉龙，项 明

（浙江纺织服装职业技术学院信息媒体学院，浙江宁波，315211）

局部相位量化特征的织物瑕疵检测算法

应玉龙，项 明

（浙江纺织服装职业技术学院信息媒体学院，浙江宁波，315211）

为实现快速有效的织物瑕疵自动检测，给出了一种基于局部相位量化特征与混合核函数SVM分类器相结合的算法.该算法首先采用LPQ算子提取分块织物瑕疵图像的LPQ直方图，然后采用混合核函数进行分类识别.该方法融合了两种算法的优越性，不仅能够提取织物瑕疵图像纹理信息，而且具有更好的学习能力和推广性，并且LPQ直方图的维数与原始图像大小无关.结果表明，该算法所确定的瑕疵位置与主观视觉吻合，相比经典算法，在检测效率上得到改善.

局部相位量化；混合核函数；瑕疵检测

0 引 言

织物瑕疵检测是提高纺织品质量的重要手段.传统上，大多数纺织企业主要依靠熟练员工来对生产的纺织品进行瑕疵检测.但依靠人工的检测方法不仅耗时长，工人压力大，而且工人的生理心理因素也会使得误检率和漏检率升高.为了避免人工检测的缺陷及提高工作效率，基于机器视觉的瑕疵检测方法研究在该领域被逐渐重视［1］.纹理是织物图像的最显著特征之一，正常的织物图像表面纹理有序，结构基元排列规则，而瑕疵区域的存在破坏了织物纹理的规律性.对织物图像的纹理特征进行统计分析，获得基于数学模型的描述，然后利用这些特征参数分离待检测织物图像中瑕疵区域对正常纹理的影响，就可以实现织物图像中的瑕疵检测.

文献［2］给出一种基于多尺度Gabor滤波器的织物瑕疵检测方法，在多尺度和多角度上对织物图像进行Gabor滤波，建立图像的层次表示结构，在融合与重建图像金字塔结构的基础上，实现的织物瑕疵图像检测算法具有实时性；文献［3］给出一种多分辨率的基于LBP特征的织物缺陷检测算法，将图像分块提取在不同尺度下的改进LBP特征并构造出用于描述图像块的特征向量，使用SVM分类器判断图像中的缺陷区域；文献［4］提出一种根据聚类分析和支持向量机进行织物瑕疵分类算法，利用瑕疵区域的形状，使用ISODATA算法对瑕疵的几何特征进行聚类，在聚类形成的子空间内再根据瑕疵的纹理特征利用SVM进行分类；文献［5］通过Canny算子提取瑕疵边缘特征，采用小波分析算法对瑕疵图像分别在水平、垂直方向进行三层分解，提取多角度的图像频域特征，根据图像纹理频谱的分布情况，实现对各类织物瑕疵的实时检测；文献［6］提出一种基于时间序列的功率谱纹理分析方法，依据AR算法估计得到谱数据，从中提取能够反映纹理周期和取向等特征的向量，来检测织物瑕疵纹理.

以上算法说明织物瑕疵检测是非常活跃的研究领域，为了进一步提高算法的检测性能，需要研究织物图像表面纹理特征的提取算法，区分正常纹理和瑕疵区域.LPQ是一种处理空间模糊纹理的特征描述算子，已成功应用于纹理检索和人脸识别领域［7－8］.因此，文中给出一种基于局部相位量化特征与混合核函数SVM分类相结合的方法进行织物瑕疵检测.

1 检测原理

算法从两个方面去探讨织物瑕疵识别问题：一是在织物生产线上，高速运动图像会存在运动模糊的情况下，算法采用局部相位量化特征，取得较为稳定的特征，在各种特征提取算子中，局部相位量化方法对模糊变换最为不敏感，根据周围邻域像素点提取中心像素点的相位信息特征，以便更有效获取瑕疵图像的特征，算法的理论基础是短时离散傅里叶变换，其对包括运动、失去焦点造成的模糊具有不敏感性；二是提高分类器的性能，支持向量机的许多特性是由所选择的核函数来决定，为了得到性能更为优良的支持向量机，算法的改进是把多个核函数组合起来，形成一种混合核函数.

1.1 局部相位信息的计算

局部相位量化特征是一种有效的纹理描述算子，近年来，LPQ算子已经得到不断的发展和演化［9－11］.LPQ算法中，图像f（x）像素点的局部相位信息计算公式为

式中，Nx为像素点的M×M邻域.

LPQ计算4个复值系数，二维频率点u1＝［a 0］T，u2＝［0 a］T，u3＝［a a］T，u4＝［a －a］T.式中，a＝1／M，为标量频率.

式中，Re｛｝，Im｛｝分别表示一个复数的实部和虚部，傅里叶系数中的相位信息由Fx中每一分量的实部和虚部的符号表示，可以按下式对其进行量化：为Fx向量中的第j个分量.量化的系数用二进制编码整数值来代表：

局部相位量化处理后的织物图像及提取的LPQ相位特征直方图如图1～2所示，其中图1为大尺度纹理织物，图2为小尺度纹理织物.

图1 大尺度织物图像的LPQ特征图像以及直方图Fig.1LPQ feature image and histogram of large scale fabric image

1.2 混合核函数支持向量机

在具体应用场合，支持向量机的特性主要由其核函数来决定，为了使支持向量机更好地分类局部相位量化特征，采用混合核函数对分类器进行改进，即把组合局部性核函数和全局性核函数，形成混合核函数.核函数是非线性变换Φ（·），使K（xi，xj）＝Φ（xi）·Φ（xj）成立的一类函数.核函数的引入使SVM得以实用化.

支持向量机的核函数必须满足Mercer条件，核函数按支持域可分为局部性核函数和全局性核函数，即

RBF函数是一个典型的局部性核函数，即

多项式核函数是一个典型的全局性核函数，即

算法采用RBF函数和多项式核函数，来组合混合核函数，并且满足Mercer条件.为了保证混合核函数具有更好的学习能力和推广性，RBF核函数中σ2取值宜在0.01～0.5之间；对于多项式核函数，q值一般取1或2.

对于混合核函数Kmix＝λKpoly＋（1－λ）Krbf，λ一般在0.50～0.99之间，实验中取λ＝0.98，对于核函数RBF，实验中σ＝0.01时，训练样本训练的效果最好，而多项式核函数中q＝1时，训练的效果最好.

2 实验及结果分析

为了验证提出的检测算法，进行一系列验证实验，按照如下流程，完成图像中的瑕疵提取，对瑕疵进行定位并确定其大小.

（1）对织物瑕疵样本图像进行归一化预处理；

（2）采用LPQ特征提取算法分别对训练样本图像和测试样本图像进行特征提取，得到每张样本图像的直方图LPQH，作为该图像的特征；

（3）采用混合核SVM分类方法进行识别，得出算法的识别率，并对获得的结果进行统计分析.

基于LPQ特征的织物瑕疵图像检测算法有两个重要参数，一个是LPQ特征提取时窗口大小参数M；另一个是混合核函数中的λ值.对于测试图像数据库，M为3时，取得最佳平均识别率，实验中取λ＝0.98效果最好.

收集具有不同纹理背景的织物构成算法检测用的数据集.这些织物全部来自生产实践，其中包含横档疵点、吊经疵点、油污、磨痕、杂物织入、结头及竹节等疵点.每一个256灰度级、32×32大小的子图像看作一个样本.

由于织物疵点外观差异比较大，所展示的几个典型例子不能反映全部，但限于篇幅，不再详细举实例，而将通过下面的实验方案与结果进行讨论，根据瑕疵的几何形状分成块状、点状、线状以及带状4种类型，如图3～6所示.

图3 块状瑕疵检测效果验证Fig.3 Verification of bulk defects detection effect

图4 点状瑕疵检测效果验证Fig.4 Verification of point defects detection effect

图5 线状瑕疵检测效果验证Fig.5 Verification of line defects detection effect

图6 带状瑕疵检测效果验证Fig.6 Verification of belt defects detection effect

为了测试算法的性能，对提出的算法与LBP＋SVM算法、LPQ＋SVM算法进行比较.其中，比较对象算法中的SVM采用RBF核函数，LBP方法采用多分辨率的LBP，每种方法都采用相同的256维特征，在瑕疵图像数据库中分别随机选取一半样本作为训练样本，另一半作为测试样本进行识别比较，识别结果采用100次实验的平均值，结果如图7所示.可见，此方法比LBP＋SVM方法、LPQ＋SVM方法可以取得更优的识别结果.

3 结束语

织物图像瑕疵检测目前在机器视觉领域被日益重视并认为是难点问题之一.基于局部相位量化特征提取与混合核函数支持向量机算法的织物图像瑕疵识别算法，由于采用了局部相位量化方法提取，具有较好的鲁棒性相位统计特征，与现有主流算法相比较，具有较高的识别性能.所提算法有效地利用了图像的统计信息，能够得到较为精确的正常纹理特征，实现局域特征信息的提取.在实际应用中，训练样本尽量取的大一些，从而可以得到更加精确的正常纹理特征.下一步研究主要集中在寻找更好的织物瑕疵特征描述算法和学习分类方法以克服局域特征变化相对较大瑕疵检测的问题.，，

图7 不同算法的识别率比较Fig.7Comparison of recognition rate with different algorithm

［1］ 王松伟，石美红，张正，等.基于熵和变异度的织物疵点图像分割方法［J］.西安工程大学学报，2014，28（2）：207－212.

WANG Songwei，SHI Meihong，ZHANG Zheng，et al.A fabric defect image segmentation method based on entropy and variability degree［J］.Journal of Xi′an Polytechnic University，2014，28（2）：207－212.

［2］ 孙华凯.基于多尺度小波表示和Gabor滤波器虚部的布匹瑕疵检测算法研究［D］.西安：西安电子科技大学，2011：24－33.

SUN Huakai.Multiscale wavelet representation on and imaginary Gabor function based fabric defect detection algorithm research［D］.Xi′an：Xidian University，2011：24－33.

［3］ 丁淑敏，李春雷，刘洲峰，等.基于多分辨率的改进LBP特征的织物缺陷检测算法研究［J］.中原工学院学报，2012，23（4）：38－41.

DING Shumin，LI Chunlei，LIU Zhoufeng，et al.Research of fabric defect detection based on improved multiresolution LBP operator［J］.Journal of Zhongyuan University of Technology，2012，23（4）：38－41.

［4］ 步红刚，汪军，黄秀宝.基于AR谱分析的织物瑕疵自动检测［J］.数据采集与处理，2009，24（6）：783－788.

BU Honggang，WANG Jun，HUANG Xiubao.Fabric defect detection based on AR spectral estimation and support vector data description［J］.Journal of Data Acquisition ＆Processing，2009，24（6）：783－788.

［5］ 殷国亮，张瑞，郑欣，等.基于边缘检测和小波分析的布匹瑕疵检测方法［J］.江南大学学报：自然科学版，2012，10（6）：637－641.

YIN Guoliang，ZHANG Rui，ZHENG Xin，et al.Fabric defect detection based on edge detection and wavelet analysis［J］.Journal of Jiangnan University：Natural Science Edition，2012，10（6）：637－641.

［6］ 田承泰，步红刚，汪军，等.基于时间序列分形特征的织物瑕疵检测［J］.纺织学报，2010，31（5）：44－47.

TIAN Chengtai，BU Honggang，WANG Jun，et al.Fabric defects detection based on fractal features of time series［J］.Journal of Textile Research，2010，31（5）：44－47.

［7］ OJANSIVU Ville，HEIKKILA Janne.Blur insensitive texture classification using local phase quantization［M］／／Image and Signal Processing，Heidelberg：Springer Berlin Heideberg，2008：236－243.

［8］ OJANSIVU V，RAHTU E，HEIKKILA J.Rotation invariant local phase quantization for blur insensitive texture analysis［C］／／Pattern Recognition 2008，ICPR 2008，IEEE，2008：1－4.

［9］ RAHTU E，HEIKKILA J，OJANSIVU V，et al.Local phase quantization for blur－insensitive image analysis［J］.Image and Vision Computing，2012，30（8）：501－512.

［10］ 李岚，师飞龙，徐楠楠.自适应加权局部相位量化的人脸识别［J］.光电工程，2013，39（12）：138－142.

LI Lan，SHI Feilong，XU Nannan.Face recognition based on adaptive weighted local phase quantization［J］.Opto－Electronic Engineering，2013，39（12）：138－142.

［11］ MAK K L，PENG P，YIU K F C.Fabric defect detection using multi－level tuned－matched gabor filters［J］.Journal of Industrial and Management Optimization，2012，8（2）：325－341.

编辑、校对：孟 超

Fabric defect detection algorithm based on local phase quantization

YINGYulong，XIANG Ming

（Information Media Institute，Zhejiang Fashion Institute of Technology，Ningbo 315211，Zhejiang，China）

In order to realize fast and effective automatic detection of fabric defects，a combined algorithm for detection of fabric defects based on local phase quantization and mixed kernel SVM classifier is presented.Firstly，the LPQ operator is used to extract histogram sequence of LPQ for fabric defect image，and then the mixed kernel function SVM is used for classification.This method combines the advantages of the two algorithms.It can extract the fabric defect image texture information，and have better generalization ability.The dimension of LPQH is irrelevant to the size of original image.The flow position detected by the algorithm is identical to the subjective vision.The algorithm can detect the flaw position consistent with the subjective vision.Compared to the classical algorithm，the algorithm based on LPQ is improved at detection rate.

local phase quantization；mixed kernel function；defect detection

TS 101.8

A

1674－649X（2015）05－0541－05

10.13338／j.issn.1674－649x.2015.05.004

2015－04－27

浙江省教育厅科研项目（Y201119385，Y201431078）；宁波市自然基金资助项目（2012A610070）；浙江纺织服装职业技术学院资助项目（2012－2A－004）

应玉龙（1979—），男，浙江省浦江县人，浙江纺织服装职业技术学院副教授，研究方向为图像处理与数据挖掘.E－mail：yingyl0928＠163.com