基于相对总变差模型与MSER的织物毛球等级评价

杜林涛,李鹏飞,顾 德

(1.西安工程大学 电子信息学院,陕西 西安 710048;2.江南大学 轻工过程先进控制教育部重点实验室,江苏 无锡 214122)

0 引 言

织物起毛起球是由于织物在日常穿着、洗涤等各种摩擦作用下表面产生绒毛和毛球颗粒的现象。毛球的存在会影响织物的手感和外观,同时给纺织企业带来极大困扰,对织物的实用性能造成较大影响,织物起毛起球等级是衡量纺织品质量的一个重要指标[1]。目前国内外针对织物起毛起球的等级评定仍主要采用人工评级方法,该方法受主观因素影响较大,测试结果重复一致性较差,且对检测环境要求极为严格。

从20世纪80年代开始,国内外已有学者利用图像分析技术来尝试替代传统的人工方法对织物起毛起球质量进行客观评价。Konda[2]等最早将毛球图像转换为二值图像,提取毛球个数和毛球面积与标准样本对照以确定织物起毛起球等级。文献[3-4]等人通过快速傅里叶变换,在频域滤除织物纹理信息,采用模板匹配提取毛球信息。Chen等[5]提出了基于多尺度匹配滤波的毛球检测方法,能够准确定位分布不均且尺寸差异较大的毛球。但是上述方法对光照不均以及纹理复杂的织物分割效果较差。Deng等[6]利用小波分解重构的方法滤除织物纹理信息,消除了纹理信息对毛球分割的干扰。汪亚明[7]等使用基于小波变换与Gabor[8]滤波的方法,能够抑制织物纹理,消除光照不均现象。但是基于小波变换[9-10]、Gabor滤波等频域的方法参数较多,处理速度比较慢,对于纹理复杂,或者周期性不强织物的纹理抑制效果一般,导致毛球分割不完整,影响起毛起球等级评价结果。赵喜林等[11]使用相对总变差模型对织物纹理信息进行了有效抑制,但无法消除光照不均对毛球分割的影响,鲁棒性较低。

针对上述问题,提出一种基于相对总变差模型与MSER相结合的起毛起球等级评价方法。首先利用直方图均衡化提高图像对比度,增强毛球信息，再设计了一种卷积核,用以消除光照不均现象;其次利用相对总变差模型在抑制图像纹理信息的同时保留毛球边缘信息，并使用MSER分割毛球区域,通过开运算消除孤立像素点;最后统计毛球总面积占图像面积的比例(以下简称毛球占比),并建立织物起毛起球等级评价标准,实现对织物起毛起球等级的客观评价。

1 织物起毛起球等级评价算法

通过对采集的标准毛球图像进行分析,提取其等级特征参数,建立起毛起球等级评价标准,完成对起毛起球等级的客观评价。提出的织物起毛起球等级评价算法由图像预处理、纹理抑制、毛球分割、等级评定4部分构成。

1.1 图像预处理

图像采集采用1 200 W像素相机,打光方式为条形光源侧面打光,样照织物的直径为9 cm,拍摄图像的大小为1 024×1 024,本文截取图像的最大内接正方形(512×512)为最终等级评定的研究对象。截取的织物起毛起球图像如图1(a)所示。由于织物的毛球与背景纹理的灰度值比较接近,难以直接将毛球分割出来。因此首先采用直方图均衡化增强毛球图像对比度,凸显毛球区域,结果如图1(b)所示。光照变化对织物毛球的分割,以及等级评价结果影响较大,根据Retinex[12]理论,织物起毛起球图像的光照分量整体变化较为平缓,主要存在于图像低频部分(光照分量如图1(c)所示),而反射分量则主要存在于图像高频部分,其变化比较剧烈,如织物毛球信息与纹理信息[13]。因此要消除织物图像中的光照不均现象,就需要滤除图像中的低频信息。

由于空间滤波相较于频域滤波,计算量比较小,具有更快的计算速度,因此设计一种尺寸为5×5的卷积核,以消除光照不均。该卷积核结构如式(1)所示,卷积核中心权值为-25,中心点周围的权值均为1,通过该卷积核滤波[14]能够降低光照过强区域图像的灰度值,提高光照过暗区域图像的灰度值,消除图像光照不均匀现象的同时增强毛球边缘信息,其效果类似于高通滤波,对直方图均衡化后的织物毛球图像进行卷积核滤波后的效果如图1(d)所示。

(a) 原始图像 (b) 直方图均衡化

(c) 光照分量 (d) 滤波结果图 1 毛球图像预处理Fig.1 Pilling images pretreatment

(1)

1.2 相对总变差模型

织物纹理是织造过程中纬线与经线有规律地交织形成的周期结构,织物纹理具有多样性。织物丰富的纹理结构能够满足人们对织物服用性能日益增长的需求,但是纹理信息对毛球的分割造成了很大的困难。因此,要分割织物毛球,首先应该抑制织物的纹理信息。

相对总变差模型是一种用于提取图像主结构的算法[15],该算法可以有效地分解图像中的结构信息(毛球信息)和纹理,适用于非统一的或各向异性的纹理,对于不规则纹理的纹理抑制有较强的鲁棒性。因此选用相对总变差模型来抑制织物纹理信息,并保留图像中的毛球信息,其模型如式(2)所示。

(2)

称为相对总变差。其中D(p)与L(p)分别为窗口总变差与窗口固有变差；ε是一个大于零的微小量,其作用是保证分母不为零；λ作为该模型的调整参数,控制保真项与相对总变差的比例,决定图像的光滑程度与纹理抑制效果。

Dx(p)与Dy(p)的定义如式(3)所示。

(3)

Lx(p)与Ly(p)的定义如式(4)所示。

(4)

式中:q为以p点为中心的一个矩形区域R(p) 内所有像素点的索引; ∂x与 ∂y分别为在水平和垂直方向的偏微分;g为高斯核函数, 其表达式如式(5)所示。

(5)

式中:xp和yp代表中心点像素p的水平和垂直方向坐标;xq和yq代表任意像素点q的2个方向坐标;σ的作用是控制窗口的空间尺寸。

相对总变差模型是通过利用在图像的一个小的窗口区域内,纹理窗口与主结构(毛球)窗口之间的相对总变差值的差别实现对织物纹理的抑制[16]。对织物纹理结构进行有效滤除,对于后续的毛球分割至关重要。

1.3 最大稳定极值区域

MSER(Maximally Stable Extremal Regions)[17]是一种区域检测算法,MSER对于图像灰度的仿射变化具有不变性,拥有良好的稳定性,具备多尺度检测且计算量小等优点,MSER已经成为了区域检测中影响最大的算法,因此采用MSER分割织物起毛起球缺陷区域。

MSER采用分水岭的思想来求取局部稳定区域[18],分水岭关注的是区域合并时的图像灰度,而MSER关注的是区域合并过程中,图像灰度发生变化时区域面积的变化率。当该区域面积变化率较小时,则表明该区域具有稳定性。

MSER算法的基本过程如下:对一幅灰度图像进行二值化处理,阈值从0～255之间依次增加取值,在阈值过程中,图像会形成一些连通区域,观察相邻阈值图像之间连通区域面积的变化情况,若在一个比较宽的阈值范围内连通区域面积变化较小或者几乎没有变化,则该区域为MSER+。类似的用255～0之间依次减小的阈值对图像进行二值化处理,并对连通区域面积进行分析,获得稳定区域MSER-。最后将MSER+,MSER-合并即可得到MSER。其表达式如公式(6)所示。

(6)

式中:Qi表示阈值为i时的连通区域;Δ为阈值的变化量;q(i)表示阈值为i时Qi面积的变化率。当q(i)在i处取得局部极小值时,说明Qi面积变化极小,则该时刻的连通区域Qi为MSER。

利用MSER分割毛球区域之后对其进行开运算,消除图像中的孤立像素点,修正毛球尺寸,以便于下一步对织物起毛起球等级的评价。

1.4 织物起毛起球等级评价

在对毛球准确定位分割之后,要实现织物起毛起球等级的自动评价还需要进一步提取起毛起球等级评价参数,建立起毛起球等级评价参数与起毛起球等级之间的函数关系作为起毛起球等级评价标准,从而实现起毛起球等级的自动评价。

织物在起毛起球过程中随着摩擦次数的增加,连接毛球的纤维会因强力下降而断裂,出现毛球脱落现象,从而导致毛球个数,毛球最大面积随起毛起球程度增加并不一定单调增加。而毛球占比随起毛起球程度的增加呈单调递增,被公认为是稳定的起毛起球等级客观评价参数。因此,本文选用毛球占比作为起毛起球等级评价参数。在提取起毛起球等级评价参数之后,利用比例插值法计算不同等级之间评价参数的分界值,确定各个等级毛球占比的范围,该范围即为起毛起球等级评价的标准。分界值计算公式如式(7)所示,其中X为相邻两级之间毛球占比的分界值,A和B分别为从标准样品中提取的相邻两级的毛球占比值。

(7)

在起毛起球等级评价标准建立之后,求取测试样本的起毛起球等级评价参数,判断该样本等级评价参数在哪一等级范围内,即可确定测试样本起毛起球等级,从而实现起毛起球等级评价。

2 结果与分析

为验证该算法的有效性,将本文算法与Gabor滤波算法进行对比,实验所用织物图片大小为512×512像素。实验所用计算机处理器为Intel i5-4460,主频为3.20 GHz,配备4G内存,Windows 7操作系统,软件编译环境为MatlabR2015b。

2.1 图像预处理结果

对各等级织物毛球图像进行预处理之后的结果如表1所示。

表1图像预处理结果

Table 1 Image pretreatment results

通过直方图均衡化处理毛球图像后,增强了毛球与织物纹理背景之间的对比度。与此同时可以明显看出图像四周相对于图像中央比较暗,不利于后续的毛球分割,因此需要消除图像光照不均现象。利用设计的滤波器对图像进行滤波处理之后,毛球图像的光照分量被有效滤除,图像的整体灰度分布较为均匀,这对于后续的毛球分割至关重要。

2.2 纹理抑制

在对毛球图像进行预处理之后,织物纹理对于织物毛球分割而言是目前存在的最大的干扰因素,利用相对总变差模型对织物毛球图像进行纹理抑制,不同参数对织物纹理抑制结果如表2所示。

表2纹理抑制结果

Table 2 Texture suppression results

经过大量实验可得,当λ取值小于0.02时, 纹理抑制不够充分, 许多纹理信息被保留, 与毛球信息混为一体,难以区分; 而当λ值大于0.03时, 虽然较好地抑制了图像的纹理信息,但同时会导致图像中的毛球信息大量丢失。 当λ值在0.02～0.03之间时,图像纹理噪声得到了很好的抑制， 同时毛球信息也得到了完整的保留,因此本文选用的λ在0.02～0.03之间。

2.3 毛球分割

经相对总变差模型抑制毛球图像纹理信息后,再通过MSER算法进行毛球分割,结果如表3所示。从分割结果可以看出，有部分较小的噪声点被误判为毛球被分割,并且分割得到的部分毛球尺寸略大于真实毛球,因此对MSER算法的分割结果进行开运算处理。通过开运算处理,误判的毛球被清除并且毛球尺寸更接近于真实大小。将本文算法与目前效果较好的Gabor算法[7]进行对比,可知Gabor算法可以很好地抑制织物纹理信息,并且能够准确地定位分割图像中央部分的毛球信息,但是对于图像四周的毛球定位不准,分割不够精确。这是由于Gabor算法未能消除光照不均,毛球与纹理之间对比度较低造成的。而本文算法不仅能很好地抑制织物纹理信息,而且能有效地消除光照不均并准确分割毛球。

表3毛球分割结果

Table 3 Pilling segmentation results

2.4 织物起毛起球等级评价

在分割毛球后,提取不同等级标准样照的毛球占比值。1～5级标准毛球图像的毛球占比分别为7.21%,6.51%,5.32%,2.59%,0.14%。

利用比例插值法,求得各等级毛球占比的分界值,并划分范围,将该范围作为织物起毛起球的评级标准,评级标准如表4所示。

表 4 织物起毛起球等级评级标准

通过评级准确率客观量化本文算法的评级准确性,评级准确率定义如式(8)所示。

A=P/T

(8)

式中：A为评级准确率；P为评级正确的样本数量；T表示总样本数量。

从样品库中随机挑选10组共50个织物起毛起球样品,测试本文算法评级准确率,结果如表5所示,对1级,4级和5级的起毛起球等级评级准确率为100%,对2级和3级的起毛起球等级评级准确率分别为80%和90%,平均评级准确率为94%。

起毛起球等级测试混淆矩阵(confusion matrix)如图2所示,其横轴表示预测的起毛起球等级,纵轴表示样品实际等级。在对挑选的50个样本进行测试时,该方法将2个2级样本误判为1级样本,1个3级样本误判为2级样本,结果显示该算法对起毛起球等级评价的平均准确率高达94%,能够满足织物起毛起球等级客观评价的需求。

表 5 织物起毛起球等级评级准确率

图 2 起毛起球等级测试混淆矩阵Fig.2 Confusion matrix for pilling grades test

3 结 语

为实现织物起毛起球等级的客观评价,本文首先利用特定的滤波器消除织物图像光照不均的影响,再利用相对总变差模型抑制织物纹理信息并保留毛球信息；其次利用MSER算法分割织物毛球,之后对分割的毛球进行开运算修正毛球区域得到最终的毛球区域；最后计算毛球占比,将该参数作为起毛起球等级评价参数建立起毛起球等级评价标准,并对该算法进行测试。实验结果表明,本文提出的织物起毛起球等级评价方法可以准确、客观地满足织物起毛起球等级评价任务,并对光照条件较为恶劣的测试环境有较强的鲁棒性。