基于小波变换与局部熵的织物疵点检测方法

顾 菁，薛云灿，张 龙，杨 亚

（河海大学物联网工程学院，常州213022）

基于小波变换与局部熵的织物疵点检测方法

顾 菁，薛云灿，张 龙，杨 亚

（河海大学物联网工程学院，常州213022）

针对传统人工目测以及现有疵点检测方法检测精度与效率不高的问题，结合基于小波变换的织物疵点检测方法和基于局部熵的织物疵点检测方法各自的特点，提出了一种基于小波变换与局部熵的织物疵点检测方法。该方法对正常织物与待测织物图像进行一层小波变换，采用大小相同且不完全重叠的局部窗口提取正常织物与待测织物图像的经向细节子图像局部熵与纬向细节子图像局部熵，计算正常织物子图像与待测织物子图像局部熵的差值绝对值，根据阈值判断是否存在疵点并直接识别常见疵点类型。仿真结果表明，该方法的检测精度比传统的基于局部熵的布匹疵点检测方法更高。

局部熵；小波变换；织物疵点检测；子图像；差值绝对值；判断阈值

1 引 言

传统的疵点检测通常依靠人工目测，这种检测方法不仅受检测人员主观因素影响，且存在检测效率低、漏检率、误检率高和数据处理不便等弊端［1－2］，因此，基于机器视觉的疵点自动检测技术受到广泛关注。

目前，疵点检测的方法主要有空间域和频率域两类，其中频率域处理方法中的小波变换可以对图像进行多尺度分析，提取局部奇异性特征且通用性较强，是较为理想的图像处理工具［3－4］。

局部熵是反映图像灰度离散程度的特征值，其具有反映信息丰富、抗几何变形能力良好以及目标检测能力突出的优点［5］。

基于以上分析，提出基于小波变换和局部熵的织物疵点检测方法，并取得了满意效果。

2 小波变换

对图像进行二维小波变换即选用有低通性质的小波基h（k）和有高通性质的小波基g（k）分别对二维信号的行方向和列方向两个一维函数进行卷积。图像经过二维离散小波一次分解，产生经过行低通列低通方向滤波的反映图像概貌信息的低频子图像、经过行低通列高通方向滤波的反映水平方向纹理信息的纬向子图像、经过行高通列低通方向滤波的反映垂直方向纹理信息的经向子图像、经过行高通列高通的反映对角线方向纹理信息的对角线子图像，共四幅子图像。

Daubechies小波具有紧支撑的正交性和正则性，可以实现快速算法。经实验，dbN小波系列中db2小波检测效果较佳，因此选取db2小波进行检测。

3 局部熵

在信息论中，熵表示的是平均不确定性的量度，能够有效反映事件包含的信息［6］。对于不含疵点的正常织物图像，其熵值是确定的，对于含有疵点的织物图像，其熵值会发生改变［7－8］。对于图像的局部窗口M×N，局部熵的定义如下：

其中，fij表示点（i，j）处的灰度值，Pij为图像的灰度分布。

4 检测方法流程与仿真结果分析

工业纺织生产过程中最为常见的疵点有纬向、经向和区域类疵点。由纬纱形成或沿纬纱方向呈现的疵点叫纬向疵点，如图1（b）所示。由经纱形成或沿经纱方向呈现的疵点叫经向疵点，如图1（c）所示。布面上所占部位较小或仅在一处易于计算尺寸数量的疵点叫区域类疵点，如图1（d）所示。

4.1 检测方法流程

因采用的图像为256×256像素，所以为兼顾实时性与精确度，选取的局部窗口大小为32×32。

图1 原始织物图像

传统的基于局部熵的织物疵点检测方法如下：对多幅无疵点图像进行局部熵计算，并选取最小值作为判断阈值。对待测织物图像进行局部熵计算，若存在小于判断阈值的局部熵值，则判断存在疵点。具体检测流程如图2（a）所示。

基于小波变换与局部熵的织物疵点检测方法如下：对一幅256×256像素的经过预处理后的不含疵点的织物图像进行小波变换，得到四幅子图像。取其中128×128像素的经向细节子图像与纬向细节子图像，分别将这两幅子图像分割成49个不完全重叠的32×32的局部窗口，计算所有窗口的局部熵。对待测织物图像进行相同处理并计算其与不含疵点织物图像局部熵的差值绝对值，若大于所设阈值，则判断存在疵点。具体检测流程如图2（b）所示。

4.2 仿真结果对比分析

表1为对图1三幅含疵点的图像使用基于局部熵的织物疵点检测方法进行检测的结果。首先，对十幅无疵点图像进行局部熵计算，得出最小局部熵为388.569，并将其作为判断阈值；接着对三幅含疵点图像进行局部熵计算，并分别得出最小值。由表中数据可得，对于图1（b）、图1（d）的判断结果为存在疵点，而对图1（c）的判断结果为不存在疵点，判断出现错误。由此可见，此种判断方法存在一定的问题。

表1 基于局部熵的织物疵点检测方法结果

经分析，此种方法在选取无疵点图像最小局部熵值的过程中，若选取的多幅无疵点图像中任意一幅存在灰度分布不均匀或拍摄时受外界因素影响等状况，则会对判断阈值的选取产生影响。

基于小波变换与局部熵的织物疵点检测方法在相同条件下对无疵点图像与待测图像进行拍摄，将拍摄的图像经过小波变换以提取局部奇异性特征值，并对子图像相应的每一块局部熵值进行差值绝对值计算作为判断依据，可以解决上述问题。

图2 检测流程

此处选取的判断阈值为5.3。图1（b）为含有纬向疵点的图像，由图3（a）可见，图中纬向局部熵差值绝对值曲线在疵点处出现明显的峰值且大于5.3，经向局部熵差值绝对值曲线变化相对平缓；图1（c）为含有经向疵点的图像，由图3（b）可见，图中纬向局部熵差值绝对值曲线变化平缓，经向局部熵差值绝对值曲线在疵点处出现明显的峰值且大于5.3；图1（d）为含有区域类疵点的图像，由图3（c）可见，图中纬向局部熵差值绝对值曲线与经向局部熵差值绝对值曲线均出现明显的峰值且大于5.3。

根据上述分析，基于小波变换与局部熵的织物疵点检测方法不仅能判断待测织物是否存在疵点，且能通过局部熵差值绝对值初步判断疵点类型。若纬向局部熵差值绝对值大于所设阈值，经向局部熵差值绝对值小于所设阈值，即可判断疵点为纬向疵点；若纬向局部熵差值绝对值小于所设阈值，经向局部熵差值绝对值大于所设阈值，即可判断疵点为经向疵点；若纬向局部熵差值绝对值与经向局部熵差值绝对值皆大于所设阈值，即可判断疵点为区域类疵点。

图3 疵点图像差值绝对值曲线

5 结束语

提出一种基于小波变换与局部熵的织物疵点检测方法，对织物图像进行一层小波分解，计算量小且保留大部分疵点信息。分别对经纬两幅子图像进行局部熵提取并与标准图像局部熵进行对比，提高检测精度且能直接判断常见疵点类型。实验表明，此种方法有效可行。

［1］ Sari－Sarraf H，Goddard Jr J S.Vision system for onloom fabric inspection［J］.Industry Applications，IEEE Transactions on，1999，35（6）：1252－1259.

［2］ 王学文，邓中民，严平，等.基于小波分析与纹理能量变换的织物疵点检测［J］.棉纺织技术，2007，35（10）：9－12.

WANG Xue－wen，DENG Zhong－min，YAN Ping.Fabric Defect，Detection Based on Wavelet Analysis and Texture Energy Transform［J］.Cotton Textile Technology，2007，35（10）：9－12.

［3］ 黎丹，刘哲.织物疵点特征提取主要算法比较［J］.毛纺科技，2011，39（1）：57－62.

LIDan，LIU Zhe.Comparison of Algorithms to Extract Features Used in Fabric Defects Detection［J］.Wool Textile Journal，2011，39（1）：57－62.

［4］ 周帅，张凤生，李富才，等.基于小波变换的织物疵点图像特征提取［J］.青岛大学学报（工程技术版），2013（2）：53－59.

ZHOU Shuai，ZHANG Feng－sheng，LI Fu－cai.Image Feature Extraction of Fabric Defect Based on Wavelet Transform［J］.Journal of Qingdao University（E＆T），2013（2）：53－59.

［5］ 范为福，牛正光，王东云，等.基于局部熵的织物疵点检测［J］.中原工学院学报，2007，18（5）：16－19.

FANWei－fu，NIU Zheng－guang，WANG Dong－yun.Rationality and Applications of Local Entropy in Inspection of Fabric Defects［J］.Journal of Zhongyuan University of Technology，2007，18（5）：16－19.

［6］ 卿湘运，段红，魏俊民，等.基于局部熵的织物疵点检测与识别的研究［J］.纺织学报，2004，25（5）：57－58.

QING Xiang－yun，DUAN Hong，WEI Jun－min.Fabric Defect Inspection and Recognition Based on Local Entropy Method［J］.Journal of Textile Reserch，2004，25（5）：57－58.

［7］ 王东云，牛正光.改进的基于局部熵的织物疵点检测方法［C］.//第27届中国控制会议论文集，2008：208－211.

WANG Dong－yun，Niu Zheng－guang.Improved Method of Fabric Defects Inspection Based on Local Entropy［C］.//Proceedings of the 27th Chinese Control Conference，2008：208－211.

［8］ 陈利珍，邓中民.基于纹理滤波与局部熵的织物疵点检测［J］.纺织科技进展，2011（5）：42－44.

CHEN Li－zhen，DENG Zhong－min.The Defect Defect of Fabric Based on Texture Filtering and Local Entropy［J］.Progress in Textile Science＆Technology，2011（5）：42－44.

Fabric Defect Detection Method Based on Wavelet Transform and Local Entropy

Gu Jing，Xue Yuncan，Zhang Long，Yang Ya
（College of Internet of Things Engineering，Hohai University，Changzhou 213022，China）

Combining with the advantage of wavelet transform and local entropy，amethod of fabric defect detection based on wavelet transform and local entropy is proposed for solving the problem of low detection precision and efficiency caused by the traditional eyeballing and the existed fabric defect detection.Themethod conducts a layer ofwavelet transform to both normal fabric images and the images to be tested，uses local windowswith the same size and incompletes overlap to extract their local entropy ofwarp and weft detail subimages，then calculates the absolute difference of local entropy of the two kinds of fabric subimages，at last estimateswhether the defect is exist according to the judgement threshold and recognizes the common defect type directly.The simulation results show that the method has higher detection precision and efficiency than the traditional one based on the fabric defect detection.

Local entropy；Wavelet transform；Fabric defect detection；Subimage；Absolute difference；Judgement threshold

10.3969/j.issn.1002－2279.2015.05.018

TP391

A

1002－2279（2015）05－0069－03

顾菁（1991－），女，江苏省靖江市人，硕士研究生，主研方向：智能信息处理理论与技术。

2015－03－10