基于行向S變換的布匹圖像疵點檢測方法*

趙翠芳， 秦悅桐， 黃學優(yōu)， 張長江

(浙江師范大學 數(shù)理與信息工程學院,浙江 金華 321004)

?

基于行向S變換的布匹圖像疵點檢測方法*

趙翠芳， 秦悅桐， 黃學優(yōu)， 張長江

(浙江師范大學 數(shù)理與信息工程學院,浙江 金華 321004)

受光照條件影響，實際生產(chǎn)車間采集的布匹圖像中，其疵點和紋理背景差異不明顯，現(xiàn)有的布匹疵點檢測方法適應(yīng)性較低.為提高疵點檢測率，提出一種基于行向S變換的布匹疵點檢測方法.首先，通過分析周期性紋理布匹圖像在行方向上的S變換系數(shù)特點，確定布匹紋理頻率，去除規(guī)則性紋理，只剩下疵點和干擾部分；然后，采用閾值分割，提取疵點信息；最后，根據(jù)疵點面積特性判斷布匹是否存在疵點，得到最終檢測結(jié)果.實驗結(jié)果證明算法的可行性和有效性.

布匹疵點；S變換；閾值分割；紋理結(jié)構(gòu)

布匹疵點是影響布匹質(zhì)量的主要因素.傳統(tǒng)的疵點檢測主要靠人工完成,隨著大規(guī)模集成電路及圖像處理技術(shù)的不斷發(fā)展，基于機器視覺的布匹疵點檢測系統(tǒng)成為研究熱點.

特征提取是基于機器視覺的布匹疵點檢測算法的關(guān)鍵，良好的特征能較強地區(qū)分正常紋理與各類型疵點.現(xiàn)有的特征提取方法主要依據(jù)布匹的紋理形狀，大致可分為3類：統(tǒng)計學法[1]、模型法[2]和光譜法[3].統(tǒng)計學法主要刻畫布匹的整體紋理特性，對疵點細節(jié)信息的刻畫能力較差，適合于檢測全局疵點或有明顯幾何特征的疵點，且一般計算量較大.模型法是用一種模型對特定的紋理進行描述，其參數(shù)決定了紋理的特性,且受圖像亮度變化影響大，對細小的疵點檢測效果不佳.光譜法在頻域上對布匹圖像進行分析，完成疵點檢測.Bodnarova等[4]比較了幾種常見瑕疵檢測方法，如空間灰度共生矩陣、互相關(guān)、紋理斑點檢測和光譜檢測.比較發(fā)現(xiàn),光譜方法應(yīng)用最廣泛,它運用的技術(shù)主要有傅里葉變換[5]、小波變換[6]和Gabor濾波[7]，速度快，效率高.

本文試圖將一種較新的時頻分析方法——S變換引入到布匹紋理疵點檢測中.加拿大學者Stockwell等[8]于1996年提出的S變換集中了短時傅里葉變換和小波變換的優(yōu)點，具有較高的時頻分辨率，是一類有效的信號分析處理方法.近年來，人們對其在各個領(lǐng)域的應(yīng)用也越來越多,目前主要應(yīng)用于地震信號分析[9]、電能質(zhì)量分析[10]和信號降噪處理[11]等領(lǐng)域.

1 S變換原理

S變換可以表示成加時窗傅里葉變換.函數(shù)h(t)的S正變換表示為[8]

(1)

式(1)中：S是h(t)的S變換；f為頻率；τ和t是時間，其中τ控制時間軸上高斯窗的位置.

S變換中的窗函數(shù)必須滿足歸一化條件,即

(2)

(3)

式(3)中：m為頻移因子離散序號；n為頻率值的離散序號；j為τ的離散序號；j,m和n=0,1,2,…,N-1;T為時間采樣間隔.

S反變換為

(4)

利用傅里葉反變換可以實現(xiàn)離散S反變換式，即

(5)

2 確定織物周期性紋理頻率

紋理是物體表面的固有特征之一，也是圖像區(qū)域一種重要的屬性.在進行布匹疵點檢測過程中，如果能夠去除織物固有的周期性紋理，就能增強疵點信息，有利于疵點檢測.

在實際布匹生產(chǎn)車間中，以機器頂部前方橫梁上的日光燈作為布匹表面的照明條件，將分辨率為1 290×960的面陣攝像機架在橫梁上進行圖像采集.攝像機的幀頻為30fps，視場長邊負責0.9m的布匹實際幅面區(qū)域，精度為1.44像素/mm.為減少仿真圖像的計算量，從采集的原始無疵點布匹圖像中截取圖像，分辨率為256×128，如圖1(a)所示.又從圖1(a)中抽取某一行信號，如圖1(b)所示.可以看出，布匹紋理圖像的灰度值在行方向上基本呈周期分布.

(a)原始布匹圖像 (b)從(a)圖中抽取的某行信號圖1 布匹紋理結(jié)構(gòu)

圖2(a)為正弦信號模型y=sin(2πt)，在Matlab中仿真時選取采樣點數(shù)為200，采樣頻率為10；圖2(b)為正弦信號y在S變換域內(nèi)的時頻圖.圖2(b)中顏色越明亮，表示S變換系數(shù)模值越大.可以看出，正弦信號y的S變換系數(shù)在各頻率點的模值明亮區(qū)域集中，且呈一條直線.

(a)正弦信號y波形圖 (b)正弦信號y的S變換域時頻分析圖圖2 正弦信號y的S變換分析

(a)～(c)為原始無疵點布匹圖像;(d)～(f)為從圖(a)～(c)中抽取的某行信號;(g)～(i)為信號(d)～(f)的S變換域時頻圖;(j)～(l)為對應(yīng)時頻圖(g)～(i)的模最大值頻率統(tǒng)計直方圖圖3 布匹圖像紋理結(jié)構(gòu)分析

圖3(a)～圖3(c)分別為實際場景中采集的3種不同類型的原始無疵點布匹圖像；圖3(d)～圖3(f)分別為從圖3(a)～圖3(c)所示布匹圖像中抽取的某行信號；圖3(g)～圖3(i)分別為圖3(d)～圖3(f)所示信號在S變換域內(nèi)的時頻圖；圖3(j)～圖3(l)分別為圖3(g)～圖3(i)所示時頻圖的模最大值頻率統(tǒng)計直方圖.分析圖3(g)～圖3(i)可知，對于周期性布匹紋理信號，其S變換域內(nèi)系數(shù)模最大值相對比較集中，與正弦信號一致，呈直線.可見模最大值頻率直方圖均呈現(xiàn)為單波峰或雙波峰狀，且雙波峰中兩峰差距顯著.由此可以把直方圖中最高波峰所對應(yīng)的頻率點確定為紋理信號頻率，從而得出布匹紋理頻率fT.

3 疵點檢測

3.1 S變換去除布匹紋理信號

規(guī)整的布匹圖像往往是有規(guī)律的紋理圖像，疵點的發(fā)生破壞了圖像局部區(qū)域的紋理完整性.由于疵點是不經(jīng)常發(fā)生的，即疵點出現(xiàn)頻率比紋理頻率低，所以在S變換域，疵點信號相對于周期性紋理信號存在于低頻區(qū)域.設(shè)置合理的低通濾波器，將頻率滿足f≥fTheld(fTheld為頻率閾值)的S變換系數(shù)去除，頻率滿足f

圖4(a)～圖4(c)為實際場景中采集的布匹疵點圖像;圖4(d)～圖4(f)為從圖4(a)～圖4(c)布匹圖像中抽取的某行帶疵點信號;圖4(g)～圖4(i)為圖4(d)～圖4(f)中抽取信號的S變換域時頻圖;圖4(j)～圖4(l)為去除紋理和干擾后的信號F.觀察圖4(d)～圖4(f)帶疵點信號波形圖可知，受光照條件和噪聲干擾的影響，從幅度上看，紋理背景所在的大部分信號幅度波動較大，疵點被淹沒在紋理背景中.從圖4(j)～圖4(l)去除周期性紋理后的信號F的波形圖可以看出，經(jīng)過S變換處理后，疵點與背景的幅度差異明顯增強.

(a)～(c)為原始無疵點布匹圖像;(d)～(f)為從圖(a)～(c)中抽取的某行信號;(g)～(i)為信號(d)～(f)的S變換域時頻圖;(j)～(l)為對應(yīng)時頻圖(d)～(f)去除周期性紋理后的信號圖4 提取疵點信號

3.2 信號閾值分割

采用S變換去除布匹周期性紋理后，布匹圖像中存有潛在疵點和部分噪聲干擾.對S反變換信號圖像F進行閾值分割，進一步提取疵點信息.分割閾值T采用Niblack算法進行確定：

(6)

式(6)中:m為信號F的平均值；S為信號F的均方差;λ為經(jīng)驗值，一般選擇3～5,這里λ取3.

3.3 疵點判別

將原始布匹圖像的每行數(shù)據(jù)進行S變換處理，并進行閾值分割，得到分割圖像.由于提取疵點信息過程中存在干擾信號，為減少誤判，結(jié)合連通區(qū)域面積特征進行疵點判別.根據(jù)實際機器視覺平臺的攝像頭參數(shù)及實際拍攝的布匹幅面區(qū)域?qū)挾龋山y(tǒng)計單紗線所成像素個數(shù)為N.當局部連通區(qū)域面積大于等于N時，就認為有疵點存在，否則疵點不存在.布匹斷絲疵點的寬度一般在2 mm以上(根據(jù)工廠統(tǒng)計，紋理最細的布匹其斷線疵點的寬度不會小于2 mm),若以2 mm作為最小識別精度，則根據(jù)系統(tǒng)實際采集圖像情況(1.44 像素/mm)確定N的值，這里設(shè)N為3.

4 實驗結(jié)果及分析

為驗證算法的有效性，選取TILDA數(shù)據(jù)庫和實際場景中采集的不同類型的500幅布匹疵點圖像進行Matlab仿真實驗，并與文獻[7]中提到的Gabor濾波方法進行比較.圖5為原始疵點圖像(包括污點和斷線疵點)，圖6為采用本文提出的算法對布匹圖像進行疵點檢測的分割結(jié)果，圖7為Gabor濾波算法疵點分割結(jié)果.可以看出，本文提出的算法相比Gabor濾波器算法[7]效果較好.利用本文算法能較準確地分割出布匹疵點位置.Gabor濾波器通過疵點邊緣增強效應(yīng)分割疵點位置，這種方法取決于濾波器帶通區(qū)域內(nèi)2種紋理成分(織物和疵點)能量之差，其值越大，邊緣增強效果越好，越利于疵點分割.當織物與疵點能量差別不大時，利用Gabor濾波就很難檢測出疵點.

從左到右、從上到下分別為:疵點圖像1～疵點圖像9圖5 原始疵點圖像

為客觀評價疵點分割算法的性能，采用傳統(tǒng)的圖像分割評價參數(shù)(如式(7)所示)來衡量，得到的結(jié)果如表1所示.

圖6 本文提出算法的分割結(jié)果

圖7 Gabor[7]算法分割圖像

J本文方法Gabor變換算法疵點圖像10.54120.3297疵點圖像20.46090.2345疵點圖像30.23760.2539疵點圖像40.34070.2432疵點圖像50.32210.0988疵點圖像60.06780.0033疵點圖像70.48930.1570疵點圖像80.25640.0028疵點圖像90.29950.0056

(7)

式(7)中:Ud為從同一種疵點類型在多個疵點區(qū)域中計算出的某一特征的平均值，能表示出該疵點區(qū)域與正常紋理之間的差異;Um為從大量正常紋理區(qū)域中計算出的該區(qū)域特征值的平均值;J為疵點區(qū)域與非疵點區(qū)域特征值均值的比值.Kumar等[12]也是采用類似的比值方法評估疵點分割算法的分割能力.如果得到的值較大，就表明疵點區(qū)域與非疵點區(qū)域特征值之間具有較大的歐式距離，分割性能較好.觀察表1可見，本文提出的疵點分割方法計算所得的值大多優(yōu)于Gabor變換算法.

5 結(jié) 語

本文以實際場景中采集到的布匹圖像為研究對象，提出一種基于行向S變換的布匹疵點檢測方法.S變換作為短時傅里葉變換和小波變換的擴展，具有頻率分辨率高、抗噪性強的優(yōu)點.利用S變換能有效地去除周期性紋理，有利于疵點信號的提取，且不易受織物和疵點的能量差別、光照條件、噪聲等影響.S變換可以借助FFT和卷積定理實現(xiàn)快速計算.此外,S變換是一個線性運算,滿足線性疊加原理,且具有無損可逆性.這兩個性質(zhì)為本文的檢測算法提供了良好的基礎(chǔ)，有利于算法在實際工程中實現(xiàn).

[1]Bu H G,Wang J,Huang X B.Fabric defect detection based on multiple fractal features and support vector data description[J].Eng Appl Artif Intel,2009,22(2):224-235.

[2]Bu H G,Huang X B,Wang J,et al.Detection of fabric defects by auto regressive spectral analysis and support vector data description[J].Text Res J,2010,80(7):579-589.

[3]Li G X,Li Y F.Defect detection study of fabric based on gabor filter algorithm[J].Mater Sci Forum,2011,697/698:491-494.

[4]Bodmarova A,Bennamoun M,Kubik K K.Suitability analysis of techniques for flaw detection in textiles using texture analysis[J].Formal Pattern Analysis & Applications,2000,3(3):254-266.

[5]Casterllini C,Francini F,Longobardi G,et al.On-line textile quality control using optical Fourier transform[J].Opt Laser Eng,1996,24(1):19-32.

[6]Yang X,Pang G,Yung N.Discriminative training approaches to fabric defect classification based on wavelet transform[J].Pattern Recogn,2004,37(5):889-899.

[7]楊曉波.基于Gabor濾波器的織物疵點檢測[J].紡織學報,2010,31(4):55-59.

[8]Stockwell R G,Mansinha L,Lowe R P.Localization of the complex spectrum:The S transform[J].IEEE T Signal Process,1996,44(4):998-1001.

[9]馬見青,李慶春,王美丁,等.廣義S變換在地震勘探中的研究進展[J].物探與化探,2011,35(2):265-269.

[10]Reddy M J B,Raghupathy R K,Venkatesh K P,et al.Power quality analysis using discrete orthogonal S-transform (DOST)[J]. Digit Signal Process,2013,23(2):616-626.

[11]李興慧,張光明,陰俊霞,等.基于S變換的自適應(yīng)降噪方法[J].蘭州理工大學學報,2013,39(2):21-24.

[12]Kumar A,Pang G K H.Defect detection in textured materials using optimized filters[J].IEEE T Syst Man Cy B,2002,32(5):553-570.

(責任編輯 陶立方)

Fabric defect detection with line-based S-transform

ZHAO Cuifang, QIN Yuetong, Huang Xueyou, ZHANG Changjiang

(CollegeofMathematics,PhysicsandInformationEngineering,ZhejiangNormalUniversity,Jinhua321004,China)

Affected by the lighting conditions, there had no significant difference between defect and texture background in the fabric images from the actual production workshop. So the existing fabric defect detection methods had low adaptability. To improve the detection rate, a novel fabric defect detection algorithm with one-dimensional S-transform on the line direction was proposed. Firstly, based on the S-transform with high time-frequency resolution, it was analyzed the characteristics of the periodic texture images S-transform coefficients, determined the frequency of fabric texture, removed the image regular textures, and then only preserved the defects and interference regions. Secondly, it was detected the defect by using threshold segmentation. Finally, based on the area characteristics, it was determined whether the image had defects. Experimental results was given to demonstrate the feasibility and effectiveness of the algorithm.

abric defect； S-transform； threshold segmentation； texture structure

10.16218/j.issn.1001-5051.2016.04.006

2015-12-09；

2016-06-16

浙江省科技廳公益性技術(shù)應(yīng)用研究計劃項目(2012C31005);浙江省重中之重學科“計算機科學與技術(shù)”資助項目

趙翠芳(1979-)，女，副教授，博士.研究方向:機器視覺;目標檢測與識別;數(shù)字圖像處理;高速信號處理.

TP751.1

A

1001-5051(2016)04-0392-07