一種改進(jìn)的監(jiān)督LLE織物檢測(cè)算法?

侯 璇 李登峰

（武漢紡織大學(xué)數(shù)學(xué)與計(jì)算機(jī)學(xué)院 武漢 430200）

1 引言

我國(guó)是紡織品生產(chǎn)大國(guó)，因此提高紡織品的疵點(diǎn)檢測(cè)準(zhǔn)確率對(duì)提高紡織品企業(yè)核心競(jìng)爭(zhēng)力有重要意義。在織物生產(chǎn)中，織物疵點(diǎn)常采用人工檢測(cè)的方式，但人工檢測(cè)容易受到人主觀情緒和檢測(cè)環(huán)境的影響，從而造成檢測(cè)結(jié)果不精確和檢測(cè)困難的問(wèn)題［1］。隨著科技的發(fā)展，織物疵點(diǎn)檢測(cè)的方式逐漸由傳統(tǒng)的人工檢測(cè)轉(zhuǎn)向自動(dòng)化檢測(cè)。自動(dòng)化檢測(cè)的優(yōu)勢(shì)在于檢測(cè)速度快，檢測(cè)結(jié)果較為精準(zhǔn)，且檢測(cè)效果與人眼所注意的結(jié)果吻合度高。目前，用于織物疵點(diǎn)顯著性特征檢測(cè)的方法分為兩大類。一類是自下向上的基于數(shù)據(jù)驅(qū)動(dòng)的檢測(cè)方法，一類是自上而下的任務(wù)驅(qū)動(dòng)型檢測(cè)方法［2］?；跀?shù)據(jù)驅(qū)動(dòng)的檢測(cè)方法是在沒(méi)有先驗(yàn)知識(shí)的情況下，受數(shù)據(jù)驅(qū)動(dòng)將人的視覺(jué)指導(dǎo)到場(chǎng)景中的例如顏色、亮度、邊緣等，引起像素明顯差異的顯著區(qū)域，該類檢測(cè)方法檢測(cè)速度較快［3］；基于任務(wù)驅(qū)動(dòng)的檢測(cè)方法是在監(jiān)控任務(wù)下，從任務(wù)的角度出發(fā)，例如知識(shí)，預(yù)期和當(dāng)前的目標(biāo)，對(duì)任務(wù)目標(biāo)有意識(shí)的進(jìn)行自上向下的處理以提取需要的感興趣的區(qū)域，該類方法檢測(cè)速度較慢［4］。

LLE算法在織物疵點(diǎn)顯著性特征檢測(cè)中得到了廣泛應(yīng)用，它將高維輸入數(shù)據(jù)點(diǎn)映射到全局低維坐標(biāo)系，在完整保留有用信息完整性的同時(shí)除去大量冗余信息［5］。經(jīng)典的LLE算法對(duì)織物疵點(diǎn)形狀較為敏感，較為容易檢測(cè)織物疵點(diǎn)，但光照因素會(huì)對(duì)實(shí)驗(yàn)結(jié)果造成較大影響。具有較好時(shí)頻局部化特性的Gabor小波對(duì)光照不敏感，可以濾除光照對(duì)實(shí)驗(yàn)結(jié)果帶來(lái)的影響，所以將Gabor小波應(yīng)用于對(duì)織物疵點(diǎn)圖像的濾波［6］。因此本文提出一種將Gabor濾波簇與監(jiān)督LLE算法相結(jié)合的算法，用5個(gè)尺度和8個(gè)方向組成的40個(gè)濾波簇對(duì)織物圖像進(jìn)行濾波，以除去圖像中噪聲和光照等因素的影響。然后用改進(jìn)的監(jiān)督LLE算法對(duì)Gabor濾波后的高維特征進(jìn)行降維，除去高維特征中冗余信息，同時(shí)保留完整的織物疵點(diǎn)特征，再用F-KNN方法對(duì)降維后的特征進(jìn)行分類以檢測(cè)織物疵點(diǎn)。最后，用本文提出的方法對(duì)規(guī)則和不規(guī)則的織物疵點(diǎn)分別進(jìn)行織物疵點(diǎn)檢測(cè)仿真實(shí)驗(yàn)，測(cè)試該算法對(duì)織物疵點(diǎn)的識(shí)別效果。

2 改進(jìn)的監(jiān)督LLE算法織物疵點(diǎn)檢測(cè)方法

2.1 改進(jìn)的監(jiān)督LLE算法流程

改進(jìn)的監(jiān)督LLE算法的流程如圖1所示。首先通過(guò)Gabor濾波簇來(lái)提取織物疵點(diǎn)的特征，其次采用改進(jìn)的監(jiān)督LLE算法對(duì)提取的高維特征進(jìn)行降維，然后采用F-KNN算法進(jìn)行分類，最后得到識(shí)別結(jié)果。

圖1 改進(jìn)的監(jiān)督LLE算法流程圖

2.2 特征提取

Gabor小波在時(shí)域和頻域都具有良好的分辨能力且對(duì)光照不敏感［7］，能在一定程度上減小光照因素對(duì)實(shí)驗(yàn)帶來(lái)的影響，因此本文將Gabor小波作為濾波器。又Gabor濾波簇以Gabor小波作為基礎(chǔ)，且能有效地提取圖像多尺度下的局部方向特征，所以這里采用Gabor濾波簇作為濾波器，選取4、4、8、8、16五種波長(zhǎng)和八個(gè)方向尺度組成的40個(gè)濾波器對(duì)每幅圖片提取40個(gè)Gabor紋理特征。

2.3 數(shù)據(jù)降維

Gabor濾波簇提取的特征維數(shù)較高，存在大量冗余信息，影響織物疵點(diǎn)檢測(cè)的準(zhǔn)確率。為降低高維特征，消除冗余，保留織物疵點(diǎn)的有效識(shí)別特征，需對(duì)高維特征進(jìn)行降維處理。

2.3.1 LLE算法

LLE算法是由Roweis和Saul于2000年提出的，是一種非線性的在降維空間中能最大程度保留圖像局部信息的一種局部線性流行性學(xué)習(xí)算法［8］。該算法的主要思想是先將高維數(shù)據(jù)用局部線性的方式進(jìn)行表示，再將其在降維空間進(jìn)行降維處理，盡可能地保持其局部線性所表示的有效特征的完整來(lái)實(shí)現(xiàn)降維過(guò)程［9］。LLE算法因其求解便捷的特性，被廣泛應(yīng)用于各個(gè)領(lǐng)域。

2.3.2 監(jiān)督的LLE算法

LLE算法的降維效果雖然較好，但對(duì)樣本類別信息的考慮并不十分周全。而監(jiān)督的LLE算法不僅能夠利用數(shù)據(jù)集中少量的類別信息，更能體現(xiàn)數(shù)據(jù)集的本征維數(shù)。監(jiān)督LLE算法是在樣本點(diǎn)與其鄰域之間構(gòu)造局部線性平面，并在此基礎(chǔ)上建立優(yōu)化目標(biāo)函數(shù)［10］。

監(jiān)督的LLE算法與傳統(tǒng)LLE算法不同，它將所有樣本分為訓(xùn)練集和測(cè)試集。對(duì)訓(xùn)練樣本進(jìn)行降維的過(guò)程，由于考慮到樣本點(diǎn)間的類別信息［11］，因此第一步需先計(jì)算兩個(gè)樣本之間的最大歐氏距離。假定D1表示計(jì)算后的距離，D表示兩樣本之間的距離，max(D)表示兩類之間的最大歐氏距離，σ表示控制兩個(gè)距離之間的參數(shù)，則D1=D+σmax(D)。求出樣本間的距離后，確定各個(gè)數(shù)據(jù)點(diǎn)的k個(gè)近鄰點(diǎn)，通過(guò)最小化目標(biāo)函數(shù)可得到約束的權(quán)值矩陣w。根據(jù)權(quán)值矩陣w，通過(guò)最小化代價(jià)函數(shù)可計(jì)算出最優(yōu)嵌入Y=（y1，y2，…，yn）。其次將所有高維樣本點(diǎn)映射到低維空 間 ，其 損 失 函 數(shù) ε()Y 為。當(dāng)其取最小值時(shí)，可以求出 xi的輸出向量 yi，當(dāng)=I，則yij（j=1，2，3，…，k）是 yi的k個(gè)近鄰點(diǎn)［12］。

測(cè)試樣本集的降維方式與訓(xùn)練集存在較大差異。假定 X(d×N)為訓(xùn)練樣本，Y(d×N)為訓(xùn)練樣本降維后的樣本，d為訓(xùn)練樣本的維數(shù)，m為訓(xùn)練樣本降維后的維數(shù)，N為訓(xùn)練樣本的個(gè)數(shù)，X′為測(cè)試樣本的集合，則測(cè)試樣本集的算法通過(guò)以下三個(gè)步驟來(lái)實(shí)現(xiàn)：第一步：在測(cè)試樣本中選取一個(gè)特征xa，將 xa加入 X矩陣，則該矩陣變?yōu)閐x(N+1)矩陣。在訓(xùn)練樣本中尋找 xa的k個(gè)近鄰點(diǎn)，用d(xi,xj)=||xi-xj||計(jì)算兩個(gè)樣本之間的距離。第二步：計(jì)算 xa與其k個(gè)近鄰點(diǎn)間的權(quán)值系數(shù)：，其中 xaj（j=1，2，3，…，k）是 xa的k個(gè)鄰近點(diǎn)waj之間的權(quán)值。第三步：計(jì)算xa降維后的向量［13］。這樣，就實(shí)現(xiàn)降維過(guò)程。

2.3.3 改進(jìn)的監(jiān)督LLE方法

傳統(tǒng)的織物疵點(diǎn)檢測(cè)由于對(duì)樣本進(jìn)行特征提取的過(guò)程產(chǎn)生了大量高維特征向量，為避免對(duì)高維特征進(jìn)行統(tǒng)一的處理而忽略其中的有效信息。本文在監(jiān)督的LLE算法的基礎(chǔ)上提出一種非均勻的增量式LLE檢測(cè)方法，該方法在監(jiān)測(cè)數(shù)據(jù)流變化的同時(shí)，仍能在降維后完整保留高維特征的拓?fù)浣Y(jié)構(gòu)［14］。因此該降維方式充分利用了數(shù)據(jù)處理后的中間結(jié)果，不需重新對(duì)數(shù)據(jù)集進(jìn)行計(jì)算，即可對(duì)檢測(cè)集的樣本進(jìn)行識(shí)別［15］。該算法實(shí)現(xiàn)步驟如下：

1）為新樣本特征向量尋找近鄰點(diǎn)。用LLE算法的第一步找出xN+1的k個(gè)近鄰點(diǎn)（j=(1 , 2,…,k )）；

3）將與新樣本特征向量對(duì)應(yīng)的降維后的點(diǎn)求出。已知xN+1的近鄰點(diǎn)xjN+1，對(duì)應(yīng)的降維后的數(shù)據(jù)點(diǎn)為。 xN+1降維后的輸出向量為 yN+1，，這樣，改進(jìn)的非均勻增量式LLE算法實(shí)現(xiàn)對(duì)高維特征降維。

2.4 F-KNN分類器

KNN分類算法是一種將模糊理論與KNN算法相結(jié)合的快速分類算法［16］。該分類算法克服了KNN算法將最鄰近樣本之間的不同距離看成是等距離來(lái)進(jìn)行分類，從而在樣本分布不均勻時(shí)，影響分類精度的缺點(diǎn)［17］。F-KNN算法對(duì)該問(wèn)題進(jìn)行了改善，為每一個(gè)類別設(shè)置相應(yīng)的隸屬度，然后根據(jù)隸屬度的大小來(lái)判定屬于哪一個(gè)類別，而不是單純的將某個(gè)樣本判定為是否為某一類。同時(shí)，F(xiàn)-KNN算法在時(shí)間上有所優(yōu)化，縮短了分類的時(shí)間。

本文將F-KNN算法引入作為分類器，該算法判定樣本屬于某類的依據(jù)是根據(jù)樣本x對(duì)每個(gè)類別 j的隸屬程度來(lái)判定的。當(dāng)所選取的樣本類別j隸屬度最高時(shí)，則將 j作為最終的分類類別。但在該判定過(guò)程中會(huì)出現(xiàn)待分類樣本對(duì)其中兩個(gè)類別的隸屬度相差不大的情況，這種情況下很難根據(jù)隸屬程度來(lái)判斷屬于哪一個(gè)類別。因此，F(xiàn)-KNN算法設(shè)置了兩極隸屬度，當(dāng)出現(xiàn)該種情況時(shí)，首先用一極隸屬度來(lái)判定是否與結(jié)果類別相符合，若符合，則判定屬于該類。如不符合，則用第二極隸屬度做相應(yīng)的判斷。這種隸屬度分極的方式使得分類結(jié)果更為準(zhǔn)確。

F-KNN分類器的具體操作步驟是先輸入待分類的數(shù)據(jù)樣本x，按照分類所選取的分類指標(biāo)將待分類樣本分成 j類，并計(jì)算出每個(gè)樣本與已知樣本之間的相似度sim(x ,xi)，取出相似度最大的前k個(gè)樣本，然后計(jì)算樣本x對(duì)每個(gè)類別 j的隸屬度，最后根據(jù)隸屬度的判定規(guī)則來(lái)做出判定。

設(shè)待分類數(shù)據(jù)x對(duì)類別 j的隸屬度函數(shù)為

其中simdam為屬于 j類的nj個(gè)鄰居與xi的相似度之和，即

simk為k個(gè)鄰居與xi的相似度之和，即

經(jīng)過(guò)以上步驟分類成功，但當(dāng)出現(xiàn)兩個(gè)類別的隸屬度相差不大，很難判定具體屬于哪個(gè)類的時(shí)候，需用兩極隸屬度的方法來(lái)進(jìn)行分類，其主要步驟如下：首先選擇μ()x≥0.4的類別 j，其個(gè)數(shù)記為nμmj：

若nμmj=0，則 x不屬于任何已知類型，此時(shí)生成一種新類，并將x標(biāo)記為該類的樣本；

若nμmj=1，則判定x屬于類別 j；

若 nμmj=2 ，且 μj1(x) ≥μj2(x)，判定x第一極屬于 j1類，第二極屬于 j2類。

該分類方法充分利用樣本信息，同時(shí)從近鄰的數(shù)量與質(zhì)量?jī)蓚€(gè)方面考慮隸屬程度。因此，該方法在樣本分布不均勻時(shí)，仍能較好地體現(xiàn)樣本的特點(diǎn)，且分類正確率較高。將該分類方法用于織物疵點(diǎn)的檢測(cè)會(huì)使得織物疵點(diǎn)分類更準(zhǔn)確，檢測(cè)速度更快。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證提出的算法有效性，這里對(duì)不規(guī)則和規(guī)則織物疵點(diǎn)進(jìn)行檢測(cè)，其中規(guī)則織物疵點(diǎn)分別是破洞、粗緯和油漬三種類型。實(shí)驗(yàn)機(jī)器配置為Intel Core 2.6GHz CPU，RAM 8.0G，在Windows 10平臺(tái)上用Matlab2017進(jìn)行仿真實(shí)驗(yàn)。圖片大小為512pixel×512pixel。分別使用LLE算法、有監(jiān)督的LLE算法及本文提出的方法進(jìn)行實(shí)驗(yàn)。

3.1 檢測(cè)結(jié)果

針對(duì)不同類型的織物疵點(diǎn)，用上述三種算法進(jìn)行檢測(cè)，得到實(shí)驗(yàn)結(jié)果如下。

1）不規(guī)則織物疵點(diǎn)圖片

2）破洞圖片

3）粗緯圖片

4）油漬圖片

上面四組實(shí)驗(yàn)結(jié)果表明，本文提出改進(jìn)的顯著性特征識(shí)別方法對(duì)不規(guī)則織物疵點(diǎn)和破洞、粗緯以及油漬疵點(diǎn)都有較好的識(shí)別效果，顯著突出了織物疵點(diǎn)，且與人眼視覺(jué)所觀察到的基本一致。檢測(cè)結(jié)果不僅邊緣信息完整良好，且誤檢和漏檢情況較少。實(shí)驗(yàn)充分利用Gabor小波的優(yōu)勢(shì)，對(duì)待檢測(cè)圖片進(jìn)行Gabor濾波簇處理之后，使顯著性特征受噪聲、光照等因素影響的效果較小，且檢測(cè)結(jié)果與原檢測(cè)圖的分辨率相同。

3.2 識(shí)別精確度比較

表1 對(duì)不同類型織物疵點(diǎn)圖像進(jìn)行檢測(cè)的精確度

從上表可看出，改進(jìn)的監(jiān)督LLE算法相對(duì)于有監(jiān)督LLE算法和LLE算法，其檢測(cè)精度都有較大提高。

3.3 檢測(cè)時(shí)間比較

表2 三種算法對(duì)織物疵點(diǎn)檢測(cè)的時(shí)間比較

在實(shí)際應(yīng)用中，檢測(cè)速度是織物檢測(cè)的一項(xiàng)重要指標(biāo)。從上表可知，本文提出的算法運(yùn)行時(shí)間最短，檢測(cè)速度最快。其主要原因是該算法可以準(zhǔn)確地找到顯著的有用特征，有效降低特征維數(shù)，消除了其中大量的無(wú)用、冗余特征。

4 結(jié)語(yǔ)

本文用Gabor濾波簇對(duì)織物疵點(diǎn)特征進(jìn)行提取，再用改進(jìn)的監(jiān)督LLE算法進(jìn)行數(shù)據(jù)降維。LLE算法與監(jiān)督的LLE算法在織物疵點(diǎn)檢測(cè)的過(guò)程中都有較好的降維效果，但LLE算法對(duì)樣本分類信息考慮不完全，監(jiān)督的LLE算法檢測(cè)時(shí)間較長(zhǎng)，效率較低。本文針對(duì)這個(gè)問(wèn)題，提出了一種改進(jìn)的監(jiān)督LLE算法，其檢測(cè)準(zhǔn)確率高于其他算法，同時(shí)時(shí)間性能也更具有優(yōu)勢(shì)。