基于小波靜態(tài)分解的離散小疵點(diǎn)檢測

管聲啟，石秀華，王 筠

（1.西安工程大學(xué) 機(jī)電工程學(xué)院，西安 710048；2.西北工業(yè)大學(xué) 航海學(xué)院，西安 710072）

基于小波靜態(tài)分解的離散小疵點(diǎn)檢測

管聲啟1，2，石秀華2，王 筠1

（1.西安工程大學(xué) 機(jī)電工程學(xué)院，西安 710048；2.西北工業(yè)大學(xué) 航海學(xué)院，西安 710072）

在分析織物疵點(diǎn)特點(diǎn)的基礎(chǔ)上，提出了一種新的檢測方法.首先根據(jù)正?？椢镄〔ǚ纸夂蟮哪芰縼泶_定小波基和小波分解層數(shù).接著對測試圖像進(jìn)行小波靜態(tài)分解，然后提取子圖中的子窗口標(biāo)準(zhǔn)差作為提取的特征；在此基礎(chǔ)上，通過與正常子圖中的特征相比較來判斷小疵點(diǎn)是否存在.最后通過提取特征構(gòu)造的標(biāo)準(zhǔn)差圖確定小疵點(diǎn)的位置.實(shí)驗(yàn)表明，該檢測方法是有效的.

小波分解；特征提??；標(biāo)準(zhǔn)差圖；疵點(diǎn)檢測

目前，基于圖像處理的織物疵點(diǎn)檢測在空間域內(nèi)的主要方法有灰度共生矩陣法、Markov隨機(jī)場法、灰度直方圖統(tǒng)計(jì)法、灰度匹配法，這些方法雖然具有直觀、算法簡單的優(yōu)點(diǎn)，但其計(jì)算量大、預(yù)測性差，很難滿足快速檢測的需要[1].在頻域內(nèi)的主要研究方法有二維傅里葉變換法、小波變換法[2].其中，傅里葉變換法是把圖像從空間轉(zhuǎn)換到頻域進(jìn)行分析，其特點(diǎn)是檢測速度快，但通常只適合較大疵點(diǎn)檢測；小波變換法是通過縮放、平移等對圖像進(jìn)行多尺度細(xì)化分析處理，實(shí)現(xiàn)高頻部分的空間細(xì)分和低頻部分的頻率細(xì)分，能夠有效地從圖像中提取出信息；然而小波基的選取以及小波分解層數(shù)的確定往往依賴研究人員的經(jīng)驗(yàn)，這也就限制了小波在織物疵點(diǎn)檢測中的廣泛應(yīng)用.通過以上分析可以看出，現(xiàn)有的疵點(diǎn)檢測方法大多存在一定的局限性，都是試圖通過一種算法來實(shí)現(xiàn)對所有疵點(diǎn)的檢測，而沒有考慮織物疵點(diǎn)種類的多樣性.由于織物疵點(diǎn)種類繁多，不同的疵點(diǎn)其圖像特征是不同的，因此傳統(tǒng)的檢測方法對某些疵點(diǎn)檢測的效果并不理想，尤其在離散小疵點(diǎn)檢測中更是如此.離散小疵點(diǎn)難以檢測的主要原因在于小疵點(diǎn)分布廣泛，單個(gè)面積過小，其疵點(diǎn)信息被淹沒在正常的紋理信息中，因此很容易漏檢和錯(cuò)檢；另外，小疵點(diǎn)位置往往也難以定位[3～4].本文根據(jù)離散小疵點(diǎn)的特點(diǎn)，在解決小波基和小波分解層數(shù)的基礎(chǔ)上，通過正交小波的多層靜態(tài)分解實(shí)現(xiàn)了對小疵點(diǎn)精確檢測.

1 小波靜態(tài)分解

1.1 小波的靜態(tài)分解過程

設(shè)hk為低通濾波器系數(shù)，gk為高通濾波器系數(shù)，二維數(shù)字圖像的小波分解可表示為：

可以看出，小波每做1次分解實(shí)質(zhì)上是通過濾波器h、g進(jìn)行1次濾波，濾波后輸出1個(gè)近似子圖和3個(gè)細(xì)節(jié)子圖.傳統(tǒng)的小波分解為了保證分解后各子圖的總尺寸與原圖尺寸相同，通常對輸出的子圖進(jìn)行2抽樣，使輸出數(shù)據(jù)長度減半[5].這種2抽樣雖然能夠減少數(shù)據(jù)的冗余，但會(huì)造成圖像目標(biāo)定位不準(zhǔn).因此，本文在小波分解時(shí)去掉2抽樣，這將有利于織物疵點(diǎn)檢測中的精確定位.小波的靜態(tài)分解過程如圖1所示：

1.2 小波基的選取

用于織物圖像分解的小波必須具有高消失矩、緊支性和快速衰減性.Daubechies從濾波器的角度出發(fā)，構(gòu)造具有了高消失矩、正交緊支的DB小波，且具有一定近似對稱性[6-7]，因此，選用DB小波用于織物圖像的分解.在確定小波基支撐長度時(shí)，通常選用支集長度小于19（也就是消失矩小于10）就可以滿足要求.支集具體長度采用DB小波分解后的織物紋理能量最小來確定.

式中：f（x，y）表示像素點(diǎn)在（x，y）處的灰度；M和N分別代表高頻子圖的高度和寬度.

在J分辨率下，圖像的總能量和織物紋理能量分別為：

由于對角線高頻子圖能量較小，因此僅考慮水平細(xì)節(jié)子圖和垂直細(xì)節(jié)子圖的能量.如果小波分解后的織物紋理能量最小，那說明小波分解能夠較好抑制了光滑的周期性紋理信息，此時(shí)小波就可以看成與織物紋理匹配的小波.

1.3 小波靜態(tài)分解層數(shù)的確定

小波分解的目的之一就是讓織物紋理在不同層次中被分解出來，當(dāng)織物紋理已經(jīng)被分解在不同層次的細(xì)節(jié)子圖時(shí)，就沒有必要對近似子圖再進(jìn)行分解.由于織物紋理具有周期性和重復(fù)性，故具有較大的能量.如果細(xì)節(jié)子圖含有正常紋理信息，那么其細(xì)節(jié)子圖能量在總能量中占的比重較大.因此，根據(jù)細(xì)節(jié)子圖能量占總能量的比重來確定分解的層數(shù).

2 小波靜態(tài)分解在織物疵點(diǎn)檢測中應(yīng)用

2.1 織物疵點(diǎn)檢測的原理

織物疵點(diǎn)是由于織造過程中的經(jīng)緯紗不規(guī)則交織造成的，其紋理特征明顯不同于正常的規(guī)則紋理.如果能夠有效抑制了正常的紋理信息，或者把正常的紋理信息與局部異常的疵點(diǎn)信息分離在不同的子圖中，這樣就會(huì)減少正常紋理對疵點(diǎn)信息的影響，從而有利于疵點(diǎn)的檢測.而小波的靜態(tài)分解不僅能利用小波的高消失矩抑制正常的紋理信息，又能通過小波多層分解把正常紋理和疵點(diǎn)信息分離在不同的子圖中，最大限度減少了正常紋理對疵點(diǎn)的影響，從而實(shí)現(xiàn)對離散小疵點(diǎn)的檢測.其具體的檢測過程如下：首先通過小波分解計(jì)算織物紋理能量和細(xì)節(jié)子圖能量比重來確定小波基和小波分解層數(shù)；然后進(jìn)行小波靜態(tài)多層分解；在此基礎(chǔ)上，根據(jù)疵點(diǎn)特點(diǎn)劃分子窗口，通過子窗口提取標(biāo)準(zhǔn)差特征；最后通過構(gòu)造標(biāo)準(zhǔn)差圖來進(jìn)行疵點(diǎn)識別.

2.2 織物疵點(diǎn)檢測

正常紋理與起球離散小疵點(diǎn)如圖2所示.

2.2.1 小波基函數(shù)及分解層數(shù)確定

采用DB1至DB10小波分別對正?？椢飯D像進(jìn)行四層靜態(tài)分解，計(jì)算織物紋理能量，其結(jié)果如圖3所示.

由圖3可見，DB3小波分解后的織物紋理能量最小，說明其與被檢測的織物紋理能很好地匹配，因此將采用DB3用于被檢測織物紋理圖像的分解.

采用DB3小波對正?？椢锛y理進(jìn)行四層分解，計(jì)算每層的細(xì)節(jié)子圖能量占該層總能的比重，計(jì)算結(jié)果如表1所示.

表1 細(xì)節(jié)子圖能量比重Tab.1 Proportion energy of detail sub-image

從表1可以看出，小波二層分解細(xì)節(jié)子圖能量占總能量比重最大，說明，正常的紋理信息已經(jīng)給分離出來，因此測試的圖像只需要小波二層分解.

2.2.2 織物疵點(diǎn)圖像的分解

對含有小疵點(diǎn)的織物圖像進(jìn)行小波靜態(tài)二層分解，分解結(jié)果如圖4所示.

2.2.3 小疵點(diǎn)特征提取

由于對角線細(xì)節(jié)子圖含有大量的噪聲信息，因此，只從近似子圖、水平細(xì)節(jié)子圖和垂直細(xì)節(jié)子圖提取紋理特征.為了突出小疵點(diǎn)特征信息，必須把小波分解的各層子圖劃分一系列的子窗口.具體過程是：首先根據(jù)自相關(guān)函數(shù)確定被測試織物組織單元尺寸，然后根據(jù)組織單元尺寸來確定子窗口尺寸，最后根據(jù)子窗口大小對各層子圖進(jìn)行劃分.

在特征提取時(shí)，采用小波二層分解后各子圖中的子窗口標(biāo)準(zhǔn)差作為提取的特征.如果提取的特征超過正常織物特征一定范圍，則可以判斷疵點(diǎn)的存在.正常織物與疵點(diǎn)織物各層子圖的子窗口標(biāo)準(zhǔn)差構(gòu)造的標(biāo)準(zhǔn)差圖如圖5所示.

對比圖 5 中的（a）、（b）可以發(fā)現(xiàn)，（b）中各子圖明顯存在異常的點(diǎn)，尤其在LL2子圖中表現(xiàn)更為突出.正?？椢锛按命c(diǎn)織物標(biāo)準(zhǔn)差特征范圍如表2所示.

表2 標(biāo)準(zhǔn)差特征范圍Tab.2 Feature scope of standard detection

2.2.4 小疵點(diǎn)識別

在疵點(diǎn)存在性的判斷時(shí)，為了保證判斷的準(zhǔn)確性，必須把每個(gè)子圖標(biāo)準(zhǔn)差特征極值與正常織物相應(yīng)子圖標(biāo)準(zhǔn)差特征極值比較來判斷是否存在疵點(diǎn).

在疵點(diǎn)的位置和面積檢測時(shí)，由于小疵點(diǎn)信息分布在各個(gè)子圖中，選取子圖標(biāo)準(zhǔn)差比正?？椢镒訄D標(biāo)準(zhǔn)差相差較大的子圖進(jìn)行二值化，然后對各二值子圖進(jìn)行融合，確定疵點(diǎn)的位置和面積.

分析表2可以看出，疵點(diǎn)圖像LL2、LH2、HL2中最大方差比相應(yīng)的正常子圖最大方差大3以上，因此對這些子圖進(jìn)行二值化，然后把二值各子圖進(jìn)行相加融合處理，結(jié)果如圖6中RH所示.

可以計(jì)算出，織物疵點(diǎn)總面積為685，疵點(diǎn)個(gè)數(shù)39，每個(gè)疵點(diǎn)平均面積15.

3 結(jié)論

利用小波靜態(tài)多層分解，能夠把正常的織物紋理和疵點(diǎn)信息分離在不同的子圖中；然后，通過子窗口標(biāo)準(zhǔn)差來判斷疵點(diǎn)的存在；在此基礎(chǔ)上，通過構(gòu)造標(biāo)準(zhǔn)差圖來確定疵點(diǎn)的位置和疵點(diǎn)的數(shù)目.由于小波靜態(tài)分解能夠保持分解后的子圖尺寸不變，最大限度地保證了疵點(diǎn)的精確定位；不足之處在于小波靜態(tài)分解有大量的信息冗余，這可能會(huì)降低了織物疵點(diǎn)檢測的速度.

[1]CHO C S，CHUNG B M，PARK M J.Development of real-time vision-based fabric inspection system[J].IEEE Transactions on Industrial Electronics，2005，52（4）：1073-1079.

[2]NGAN Henry Y T，PANG Grantham K H，YUNG S P，et al.Wavelet based methods on patterned fabric defect detection[J].Pattern Recognition，2005，38（4）：559-576.

[3]CONCI A，PROENCA C B.A computer vision approach for textile inspection[J].Textile Research Journal，2000，70（4）：347-350.

[4]GUZAITIS J，VERIKAS A.Image analysis and information fusion based defect detection in particleboards[J].Electronics and Elelctrical Engineering，2006，71（7）：67-71.

[5]TSAI Du-Ming，CHIANG Cheng-Huei.Automatic band selection for wavelet reconstruction in the application of defect detection[J].Image and Vision Computing，2003，21（5）：413-431.

[6]YANG X，PANG G，YUNG N.Robust fabric defect detection andclassificationusingmultipleadapticewavelets[J].IEE Proceedings-Vision，Image and Signal Processing，2005，152（6）：715-723.

[7]李立輕.基于計(jì)算機(jī)視覺的織物疵自動(dòng)檢測研究[D].上海：東華大學(xué)，2003：15-36.

Small fabric defect detection based on wavelet static decomposition

GUAN Sheng－qi1，2，SHI Xiu－h(huán)ua2，WANG Yun1
（1.College of Mechanical and Electronic Engineering，Xi′an Polytechnic University，Xi′an 710048，China；2.College of Marine Engineering，Northwestern Polytechnical University，Xi′an 710072，China）

On the basis of analysis of the defect characteristicsof fabrics， a new method for small defect detection was presented.Firstly，the normal fabric energy of wavelet decomposition was used to determine the wavelet function and level of wavelet decomposition.The test image was decomposed statically by wavelet，and then standard deviation of sub－window in the sub－image was extracted as the extracted features， which was compared with the normal sub－image features to determine the existence of defects.Finally， the location of defect was determined by the standard deviation image.Experimental results show that this method is effective.

wavelet decomposition；feature extraction；standard deviation image；defect detection

TS101.97；TP391.41

A

1671－024X（2010）05－0073－04

2010－06－12 基金項(xiàng)目：西安工程大學(xué)博士科研基金項(xiàng)目（BS1005）

管聲啟（1971－），男，博士，副教授.

管聲啟（1971－），男，博士，副教授.E－mail：sina1300841@163.com