基于稀疏表示的印花織物疵點檢測

劉茁梅,李鵬飛,景軍鋒

(西安工程大學(xué) 電子信息學(xué)院,陜西 西安 710048)

0 引 言

紡織品表面缺陷進(jìn)行有效檢測與控制是現(xiàn)代紡織企業(yè)控制成本及提高產(chǎn)品競爭力的關(guān)鍵環(huán)節(jié)之一．隨著人工智能與計算機(jī)科學(xué)的飛速發(fā)展,計算機(jī)視覺已經(jīng)在工業(yè)表面檢測領(lǐng)域中得到廣泛的應(yīng)用,以計算機(jī)代替人工視覺不僅可以提高檢測速度,降低勞動成本,而且通過織物缺陷自動檢測系統(tǒng)可以為織物質(zhì)量等級的評定提供雙方可信的參考數(shù)據(jù)．

國內(nèi)外的專家學(xué)者根據(jù)稀疏表示理論提出了很多織物疵點檢測方法，文獻(xiàn)[1]應(yīng)用獨立成分分析(ICA)進(jìn)行織物疵點檢測,由于識別能力取決于所提取的獨立成分是否能夠與疵點外觀結(jié)構(gòu)相匹配,所以該方法的疵點適應(yīng)能力差．文獻(xiàn)[2]提出了基于自適應(yīng)小波的織物疵點自動檢測算法，其檢測能力強(qiáng)，魯棒性好，但計算復(fù)雜，濾波器要求嚴(yán)格.Zhou[3]等在圖像稀疏表示模型上分別提出了基于稀疏表示字典模型重構(gòu)和自適應(yīng)字典[4]的織物表面疵點檢測系統(tǒng)．但這兩種算法僅適用于平紋和斜紋織物表面疵點檢測．葉鑒霆等[5]提出基于Gabor提取紋理投影特征的過完備小規(guī)模字典稀疏表示模型的圖案織物表面疵點檢測,但是對于細(xì)節(jié)疵點的檢測不理想．劉綏美等[6]提出基于K-SVD的稀疏編碼字典學(xué)習(xí)的織物表面疵點檢測算法,但是該算法的魯棒性較低．范曉婷[7]提出基于卷積匹配追蹤的雙字典的圖案織物疵點檢測算法,但是該算法對疵點的細(xì)節(jié)和形態(tài)特征表征不理想．為此本文提出基于稀疏表示的疵點檢測方法,首先通過直方圖均衡化增強(qiáng)圖像對比度;接著根據(jù)盲源分離理論對缺陷圖像進(jìn)行表示,并根據(jù)形態(tài)成分分析對缺陷圖像進(jìn)行稀疏表示; 然后對缺陷和背景成分進(jìn)行分解;最后通過疊加二值化法實現(xiàn)疵點增強(qiáng)．

1 疵點檢測算法

對印花織物圖像首先經(jīng)過直方圖均衡化的預(yù)處理階段,接著進(jìn)行基于稀疏表示模型的圖像分解,最后采用疊加二值化進(jìn)行分割,實現(xiàn)疵點檢測．

1.1 對織物圖像進(jìn)行預(yù)處理

為了降低由于圖像采集時光線太明或太暗、圖像采集元件(如CCD攝像機(jī))精度不準(zhǔn)以及圖像傳輸過程中的各種噪聲等都會不可避免地降低采集到的印花織物圖像質(zhì)量,造成圖像失真，以及對后續(xù)圖像處理過程的影響,改善圖像質(zhì)量,需采用直方圖均衡化的方法對圖像進(jìn)行預(yù)處理,即圖像增強(qiáng)．直方圖均衡化是把這些圖像的不均勻分布直方圖進(jìn)行非線性拉伸,重新對圖像像素值進(jìn)行分配,使像素點在圖像整個灰度范圍內(nèi)均勻分布,從而達(dá)到增強(qiáng)圖像視覺效果的目的[8]．通過式(1)推導(dǎo)出直方圖均衡化后的圖像:

(1)

式中：m為圖像的灰度級,n為圖像的總像素個數(shù),ni為i灰度級上的像素個數(shù),P(ri)為i灰度級上的概率密度,T(ri)為m灰度級上像素的非線性變換函數(shù),式(1)給出的映射是最終圖像直方圖均衡化結(jié)果．

1.2 基于稀疏表示的圖像分解模型

假設(shè)織物缺陷圖像代表觀測向量y,缺陷成分和背景成分代表兩個源信號向量y1和y2,圖像中的噪聲成分代表加性噪聲向量v．根據(jù)盲源分離中的線性瞬時混合模型,織物缺陷圖像的數(shù)學(xué)模型為[9]

y=y1+y2+v.

由于紡織品中的織物缺陷分布存在稀疏性,使得缺陷圖像能夠在特定的變換中進(jìn)行稀疏表示．假設(shè)這里存在兩個字典A1和A2能夠?qū)θ毕莩煞趾捅尘俺煞址謩e進(jìn)行稀疏表示,則模型為

min‖x1,2‖0s.t.y1,2=A1,2x1,2.

(2)

式(2)是在忽略誤差項的情況下進(jìn)行的稀疏表示．通過對缺陷圖像分析可以看出,缺陷圖像可以被看作是由一致性比較強(qiáng)的紋理組成的背景成分，具有隨機(jī)分布的缺陷成分和加性噪聲成分組成,由形態(tài)成分分析理論[10]可知,即混合信號的組成成分存在差異性,因此缺陷圖像可以進(jìn)行分離操作,并且各形態(tài)成分可以使用不同的字典進(jìn)行稀疏表示,并且各成分存在對應(yīng)僅能夠稀疏表示自身的字典．則模型可以轉(zhuǎn)化為形態(tài)成分分析模型:

min‖x1‖0+‖x2‖0s.t.y=A1x1+A2x2.

上式是忽略了噪聲信息和誤差信息．為了使上述模型有利于計算,這里使用逼近算法中的基追蹤去噪將非凸的問題轉(zhuǎn)化成凸優(yōu)化問題(即用l1范數(shù)替代l0范數(shù)),同時完成誤差及加性噪聲作為約束項進(jìn)行替換,則上述模型轉(zhuǎn)化為[11]

式中：參數(shù)δ取決于噪聲和稀疏表示模型誤差．經(jīng)過分析可知,要實現(xiàn)對織物疵點圖像的缺陷成分和背景成分有效的分離,等價于實現(xiàn)y1和y2兩部分的重構(gòu),進(jìn)一步得到織物疵點圖像分離的稀疏表示模型為

(3)

(4)

式中：γ表示總變差正則化懲罰項的權(quán)重因子．最后采用塊協(xié)調(diào)松弛算法[13]并根據(jù)式(4)的目標(biāo)函數(shù)進(jìn)行交替優(yōu)化求解,使得缺陷成分和紋理成分得到有效的分離,達(dá)到有效分割缺陷目標(biāo)的目的．

1.3 二值化分割圖像

對圖像分解后的瑕疵部分Id進(jìn)行二值化[14]操作,由于織物瑕疵的多樣性,為了得到更好的分割結(jié)果,使用疊加二值化圖像法,即采用一種兩次分割并疊加結(jié)果的雙閾值法分割法．這里將瑕疵部分圖像Id設(shè)為原始圖像,取圖像的閾值為T1和T2.其中T2>T1,分割后的二值圖像的定義式為[15]

式中：f(x,y)表示分割后的二值圖像,0表示像素為黑色,1表示像素為白色．

2 結(jié)果與討論

為了驗證本文提出的方法的有效性,使用MATLAB R2014a環(huán)境進(jìn)行測試．印花織物數(shù)據(jù)集來自香港大學(xué)工業(yè)自動化研究實驗室提供的星型、方格型和圓點型織物樣本．其中缺陷圖像100幅,無缺陷圖像100幅,每類20幅．印花織物圖像的格式均為BMP格式,大小均為256×256像素,分辨率為600 dpi的彩色圖像．其中疵點類型包括斷紗、破洞、粗緯、細(xì)緯、多網(wǎng)等．為了對基于稀疏表示的織物缺陷檢測方法進(jìn)行準(zhǔn)確的評估,采用檢測成功率進(jìn)行計算．檢測成功率的定義如下[16]:

3種背景紋理共12幅織物圖像及其疵點檢測結(jié)果如圖1所示.其中，(a)為方格型圖像,(b)為圓點型圖像,(c)為星型圖像.從圖1可以看出，提出的算法的檢測結(jié)果較理想,不僅能夠?qū)?fù)雜紋理的織物缺陷圖像的缺陷部分進(jìn)行較好的分離,而且織物疵點的位置和疵點形狀細(xì)節(jié)得到了較準(zhǔn)確的可視化識別．

(a) 方格型圖像

(b) 圓點型圖像

(c) 星型圖像圖 1 部分織物缺陷檢測結(jié)果Fig.1 Parts of fabric image inspection result

將提出的方法與目前較為先進(jìn)的其他5種疵點檢測算法進(jìn)行了比較,其他檢測算法包括獨立成分分析(ICA)、稀疏表示字典模型重構(gòu)(SRDR)、Gabor濾波器,稀疏編碼字典學(xué)習(xí)(SCDL)、卷積匹配追蹤的雙字典(CMPDD)．6種疵點檢測算法檢測率結(jié)果見表1.

從表1可以看出，本文提出的檢測算法比其他檢測算法優(yōu)勢明顯．本文提出的方法是根據(jù)形態(tài)成分的差異性對圖像信號進(jìn)行交替分離,能夠很好地保留各成分的信息,達(dá)到精準(zhǔn)定位,保留細(xì)節(jié)的目的．在相同的條件下，SRDR算法的檢測率最低,SCDL算法比SRDR算法的檢測率較高,此算法中采用了KSVD算法進(jìn)行字典學(xué)習(xí),但是,該算法對織物的紋理周期要求較為嚴(yán)格．ICA算法僅僅對方格型織物具有較好的檢測率,因為是受到圖像特征重構(gòu)的影響．基于Gabor濾波器的疵點檢測算法對濾波器的參數(shù)設(shè)定要求較高．CMPDD算法的檢測率相對較好,使用了卷積匹配追蹤和基于Gabor的KSVD算法進(jìn)行稀疏編碼訓(xùn)練并學(xué)習(xí)得到融合字典,然后將無疵點樣本圖像和待檢測圖像分別在融合字典上進(jìn)行投影作為特征,最后采用距離判斷疵點．提出的方法不僅可以對噪聲進(jìn)行識別,同時利用疵點的稀疏性,以及組成織物疵點圖像各個成分的形態(tài)差異性對缺陷成分進(jìn)行交替分離較好地保留了疵點的細(xì)節(jié)和形態(tài)特征,魯棒性較好,檢測率較高．

表 1 提出的算法與其他算法檢測率對比Table 1 Comparison of detection rate of the proposed algorithm and others %

3 結(jié) 論

(1) 根據(jù)紡織品中的織物缺陷分布存在稀疏性,提出了基于稀疏表示的印花織物疵點檢測．該方法根據(jù)組成缺陷圖像各形態(tài)成分之間的差異性對各成分進(jìn)行交替分離,不僅能夠很好地保留各形態(tài)的細(xì)節(jié)和特征;而且適用于多類型織物,尤其是對復(fù)雜紋理織物具有較好的檢測效果．

(2) 利用觀測信號的形態(tài)多樣性,將稀疏與冗余表示應(yīng)用在織物疵點圖像處理中,解決了印花織物疵點檢測的難題.

(3) 選取能夠自適應(yīng)的二值分割方法以及能夠加速分解的閾值更新策略是以后進(jìn)一步研究的內(nèi)容．

參考文獻(xiàn)(References)：

[1] SERDAROGLU A,ERTUZUN A,ERCIL A.Defect detection in textile fabric images using wavelet transforms and independent component analysis[J].Pattern Recognition & Image Analysis,2006,16(1):61-64.

[2] 石美紅,龍世忠.基于自適應(yīng)小波的織物疵點自動分割研究[J].紡織高?；A(chǔ)科學(xué)學(xué)報，2007，20(2):206-211.

SHI M H,LONG S Z.Research on the fabric defect detection based on an adaptive wavelet transform[J].Basic Sciences Journal of Textile Universities,2007,20(2):206-211.

[3] ZHOU J,SEMENOVICH D,SOWMYA A,et al,Sparse dictionary reconstruction for textile defect detection[C].International Conference on Machine Learning & Applications,Wasington:IEEE Computer Society,2013:21-26.

[4] ZHOU J,WANG J,Fabric defect detection using adaptive dictionaries[J].Textile Research Journal,2013,83(17):1846-1859.

[5] 葉鑒霆,朱秋平,范賜恩.基于稀疏編碼投影特征的布匹瑕疵檢測[J].科學(xué)技術(shù)與工程,2014,14(33):111-115.

YE J T,ZHU Q P,FAN C E.Fabric defect detection based on sparse projection features[J].Science Technology & Engineering,2014,14(33):111-115.

[6] 劉綏美,李鵬飛,張蕾,等.基于稀疏編碼字典學(xué)習(xí)的疵點檢測[J].西安工程大學(xué)學(xué)報,2015,29(5):594-599.

LIU S M,LI P F,ZHANG L,et al.Defect detection based on sparse coding dictionary learning[J].Journal of Xi′an Polytechnic University,2015,29(5):594-599.

[7] JING J F,FAN X T,LI P F.Patterned fabric defect detection via convolutional matching pursuit dual-dictionary[J].Optical Engineering,2016,55(5):1-11.

[8] SINGH K,KAPOOR R.Image enhancement using exposure based sub image histogram equalization[J].Pattern Recognition Letters：2014,36(1)：10-14.

[9] OLSSON R K,HANSEN L K.Linear state-space models for blind source separation[J].Journal of Machine Learning Research,2006,7(4):2585-2602.

[10] ELAD M,STARCH J L,QUERRE P,et al.Simultaneous cartoon and texture image inpainting using morphological component analysis(MCA)[J].Applied & Computational Harmonic Analysis,2005,19(3):340-358.

[11] 瞿麗華.基于稀疏成分分析的圖像盲源分離研究[D].天津:天津職業(yè)技術(shù)師范大學(xué),2014:14-17.

QU L H.Study on underdetermined image blind source separation based on sparse component analysis[D].Tianjin:Tianjin University of Technology and Education,2014:14-17.

[12] ELAD M.Sparse and redundant representations:From theory to applications in signal and image processing[M].Springer Publishing Company,Incorporated,2010:250-260.

[13] SHI Q J,SUN H,LU S T,et al.Inexact block coordinate descent methods for symmetric nonnegative matrix factorization[J].IEEE Transactions on Signal Processing,2017,65(22):5995-6008.

[14] 付蓉，石美紅,陳惠娟.自適應(yīng)局部二值模式算法及其在織物疵點檢測中的應(yīng)用[J].紡織高?；A(chǔ)科學(xué)學(xué)報，2010，23(1):99-104.

FU R,SHI M H,CHEN H J.Adaptive local binary patterns and its application in fabric defect detection[J].Basic Sciences Journal of Textile Universities,2010，23(1):99-104.

[15] SINGH K,KAPOOR R.Image enhancement using exposure based sub image histogram equalization[J].Pattern Recognition Letters,2014,36(1)：10-14.

[16] NGAN H Y T,PANG G K H,YUNG N H C.Automated fabric defect detection:A review[J].Image & Vision Computing,2011,29(7):442-458.