施亦東，吳 煒，何國(guó)瓊

(1.武漢紡織大學(xué)新型紡織材料綠色加工及其功能化教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430073;2.四川大學(xué)輕紡食品學(xué)院，四川 成都 610065;3.四川大學(xué)電子信息學(xué)院，四川 成都 610065)

紡織品缺陷是指因生產(chǎn)過(guò)程中生產(chǎn)工序和工藝的差異或不穩(wěn)定，在最終產(chǎn)品上出現(xiàn)的影響織物性能及外觀質(zhì)量的缺陷。它是紡織品質(zhì)量控制的一項(xiàng)重要指標(biāo)［1－2］。紡織品缺陷的檢測(cè)就是在織造、染整完成后，在驗(yàn)布過(guò)程中對(duì)成品質(zhì)量的評(píng)分和分級(jí)工作。其目標(biāo)是及時(shí)發(fā)現(xiàn)在紡織品中存在的缺陷，避免不合格產(chǎn)品流入市場(chǎng)，同時(shí)對(duì)產(chǎn)生缺陷的原因進(jìn)行分析，并及時(shí)反饋給生產(chǎn)部門。紡織品缺陷的檢測(cè)是紡織品質(zhì)量控制的關(guān)鍵環(huán)節(jié)。長(zhǎng)期以來(lái)，紡織品缺陷的檢測(cè)都是由人工視覺(jué)完成，這種方法存在顯然的缺陷，如勞動(dòng)強(qiáng)度大、效率低、漏檢率高、受檢驗(yàn)人員主觀因素影響大，難以得到客觀的檢驗(yàn)結(jié)果。因此基于計(jì)算機(jī)視覺(jué)的紡織品缺陷檢測(cè)在紡織品質(zhì)量控制中的地位日益重要。隨著機(jī)器視覺(jué)及相關(guān)技術(shù)的進(jìn)一步發(fā)展，紡織品質(zhì)量的自動(dòng)檢測(cè)將越來(lái)越多地應(yīng)用于現(xiàn)代工業(yè)生產(chǎn)過(guò)程中。

目前紡織品缺陷檢測(cè)技術(shù)可分為兩大類［3］。一類是利用紡織品圖像紋理的統(tǒng)計(jì)特性進(jìn)行分析，其典型算法主要是灰度共生矩陣［4］?？傮w來(lái)說(shuō)，這類算法存在計(jì)算量大且識(shí)別率普遍不高的缺點(diǎn)。另外一類是將紡織品圖像變換到變換域，然后再進(jìn)行分析和缺陷的檢測(cè)。其典型算法主要是基于小波變換的方法。小波變換［5－8］能夠更靈活地檢測(cè)出紡織品圖像的各個(gè)分解量，將各種交織在一起的不同頻率組成的混合信號(hào)分解成不相同頻率的塊信號(hào)。它能有效地應(yīng)用于模式識(shí)別、邊緣檢測(cè)等問(wèn)題以及紡織品缺陷的檢測(cè)。但是小波變換應(yīng)用于圖像處理時(shí)，一般采用可分離二維小波變換(即采用先對(duì)行做一次一維小波變換，再對(duì)列做一次一維小波變換)。這導(dǎo)致小波基函數(shù)的支撐區(qū)域?yàn)檎叫危蛊渲荒懿东@水平、垂直和對(duì)角3個(gè)方向的信息，相對(duì)而言其基函數(shù)形狀的方向性較差。

Contourlet變換［9］作為新的信號(hào)分析工具，解決了小波變換不能有效表示二維或更高維奇異性的缺點(diǎn)，并能準(zhǔn)確地將圖像中的邊緣捕獲到不同尺度、不同方向的子帶中。它不僅具有小波變換的多尺度特性，還具有小波變換不具有的多方向性和各向異性，更能準(zhǔn)確地提取圖像的特征(方向)信息。這將使Contourlet變換提取的高頻特征比小波變換提取的高頻特征更加豐富，更有利于紡織品缺陷的檢測(cè)。

筆者針對(duì)紡織品缺陷的檢測(cè)提出了一種基于Contourlet變換的紡織品缺陷檢測(cè)方法。該方法首先使用Contourlet對(duì)紡織品圖像進(jìn)行分解;然后計(jì)算變換后的Contourlet系數(shù)的統(tǒng)計(jì)特征;最后利用歐氏距離對(duì)Contourlet系數(shù)的統(tǒng)計(jì)特征進(jìn)行缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明該算法在紡織品缺陷檢測(cè)中取得了滿意的檢測(cè)效果。

1 Contourlet變換

Contourlet變換［9］是 M.N.Do 和 Martin Vetterti提出的一種二維圖像表示方法。由于大多數(shù)自然圖像并非全部由一些不連續(xù)的點(diǎn)組成，而是很大程度上由分段光滑的輪廓線組成。二維小波變換對(duì)零維或不連續(xù)的點(diǎn)有稀疏表示，而對(duì)于輪廓線的表示能力有限。Contourlet變換克服了小波變換的缺點(diǎn)。在Contourlet變換的過(guò)程中，首先應(yīng)用拉普拉斯金字塔分級(jí)來(lái)捕獲點(diǎn)不連續(xù)性，再利用方向?yàn)V波器將點(diǎn)不連續(xù)性與線結(jié)構(gòu)聯(lián)系起來(lái)，從而得到圖像的稀疏表示，總體類似于將圖像用輪廓線(Contour)分割為基本的單元。Contourlet變換在尺度、方向和方框的比例上都是彈性的。同時(shí)Contourlet在頻率域提供了一個(gè)多級(jí)定向的分解，能夠滿足曲線的各向異性尺度關(guān)系，并提供一種快速的、結(jié)構(gòu)化的分解信號(hào)方法。

Contourlet變換由多尺度分析的拉普拉斯塔式金字塔(Laplacian Pyramid，LP)和方向分析的方向?yàn)V波器組(Directional Filter Bank，DFB)組成。Contourlet變換的步驟分為兩步:1)由拉普拉斯塔式金字塔對(duì)圖像進(jìn)行多尺度分解以“捕獲”奇異點(diǎn)(高頻信息)，生成一個(gè)原始圖像的低通采樣信號(hào)(即高斯圖像)和一個(gè)原始圖像與預(yù)測(cè)圖像之差形成的帶通圖像(即拉普拉斯圖像);2)其中拉普拉斯塔式金字塔分解后的帶通圖像由方向?yàn)V波器組進(jìn)行2k方向分解(其中k可自行定義，以獲得期望的方向分解數(shù))，將頻域分解成2k個(gè)楔型(wedge shape)子帶，使得分布在同方向上的奇異點(diǎn)合成為一個(gè)系數(shù)。

Coutourlet是一種多分辨力、多方向的變換。其中拉普拉斯金字塔分解實(shí)現(xiàn)多分辨力，而方向?yàn)V波器組實(shí)現(xiàn)多方向。金字塔分解不具有方向性，而方向?yàn)V波器對(duì)高頻部分能很好地分解，對(duì)低頻部分卻不能。兩者的結(jié)合恰好能彌補(bǔ)對(duì)方的不足，從而得到很好的圖像描述方式。圖1為使用拉普拉斯金字塔和方向?yàn)V波器組一起進(jìn)行Contourlet變換的示意圖。拉普拉斯金字塔輸出的帶通圖像傳遞給方向?yàn)V波器組，當(dāng)對(duì)這些帶通圖像應(yīng)用方向?yàn)V波器組時(shí)，便能有效地“捕獲”方向信息。圖2a為一幅帶缺陷的紡織品圖像;圖2b為圖2a進(jìn)行2層Contourlet變換，4個(gè)方向分解后的結(jié)果。從圖2可以看出Contourlet變換能夠有效地分解原始圖像，并提取各個(gè)方向的高頻特征信息。

2 統(tǒng)計(jì)特征

提取統(tǒng)計(jì)特征量［2］的目的是對(duì)Contourlet系數(shù)固有的、本質(zhì)的特征和屬性進(jìn)行測(cè)量，并將結(jié)果數(shù)值化為特征矢量，即用一組多維矢量來(lái)表征Contourlet系數(shù)，為后續(xù)的分析提供基礎(chǔ)。考慮到計(jì)算的簡(jiǎn)潔性，該算法選擇了均值、方差、峰度(Kurtosis)、偏度(Skewness)4種特征量進(jìn)行統(tǒng)計(jì)計(jì)算。

令P為大小為N×M的圖像(系數(shù))塊。P(x，y)表示圖像塊P在(x，y)處的像素(系數(shù))值。

均值表征Contourlet系數(shù)的平均強(qiáng)度，公式為

方差可表征Contourlet系數(shù)的變化程度，公式為

峰度(Kurtosis)為描述總體中所有取值分布形態(tài)陡緩程度的統(tǒng)計(jì)量，公式為

偏度(Skewness)與峰度類似，它也是描述數(shù)據(jù)分布形態(tài)的統(tǒng)計(jì)量，其描述的是某總體取值分布的對(duì)稱性，公式為

3 基于Contourlet變換系數(shù)統(tǒng)計(jì)特征的檢測(cè)算法

紡織品缺陷檢測(cè)的目標(biāo)是根據(jù)紡織品圖像的特性確定缺陷位置的過(guò)程。與識(shí)別問(wèn)題不同，檢測(cè)紡織品缺陷只需要將待檢測(cè)的紡織品分為有無(wú)缺陷兩類。另外，對(duì)于有缺陷的需要標(biāo)明其缺陷的位置。由于缺陷的大小、形狀及類型不固定，因而加劇了紡織品缺陷檢測(cè)問(wèn)題的復(fù)雜和困難程度?？紤]到在紡織品檢測(cè)過(guò)程中，有些缺陷可能從未出現(xiàn)過(guò)，但是當(dāng)織物上面存在一些缺陷時(shí)，這些缺陷區(qū)跟周圍有明顯的區(qū)別。由此可以認(rèn)為只要與正常的紡織品有較大差異的，都是有缺陷的紡織品。

由于在Contourlet分解域進(jìn)行紋理分析可利用紋理空域、頻域信息，該算法將紡織品圖像通過(guò)Contourlet變換，接著將Contourlet系數(shù)劃分成若干固定尺寸的系數(shù)塊，然后統(tǒng)計(jì)Contourlet系數(shù)塊的統(tǒng)計(jì)特征。相對(duì)來(lái)說(shuō)，無(wú)缺陷紡織品可以輕易預(yù)先獲取，因此可以先獲取無(wú)缺陷的紡織品樣本特征，并將該特征作為模板。在檢測(cè)過(guò)程中，將待檢測(cè)的紡織品圖像同樣進(jìn)行Contourlet變換，獲取Contourlet系數(shù)，同樣將該系數(shù)劃分成若干系數(shù)塊。然后每一個(gè)系數(shù)塊與先前建立的模板進(jìn)行比較，如果差異大于預(yù)先設(shè)定的閾值，則認(rèn)為是存在缺陷的紡織品圖像，并標(biāo)明該圖像塊的位置;反之，則為正常的紡織品。

整個(gè)檢測(cè)過(guò)程可由兩個(gè)模塊組成:訓(xùn)練模塊和檢測(cè)模塊。訓(xùn)練模塊的目的是通過(guò)對(duì)正常紡織品樣本進(jìn)行Contourlet變換，提取其Contourlet變換后的系數(shù)的統(tǒng)計(jì)特征，并將該特征作為無(wú)缺陷樣本的模板。檢測(cè)模塊的目的是將紡織品缺陷檢測(cè)出來(lái)，并標(biāo)明塊的位置。該紡織品缺陷檢測(cè)算法的訓(xùn)練和檢測(cè)過(guò)程如圖3所示。

圖3 紡織品缺陷檢測(cè)算法的訓(xùn)練和分類檢測(cè)流程圖

3.1 訓(xùn)練模塊

訓(xùn)練模塊的步驟如下:

1)對(duì)無(wú)缺陷的紡織品樣本進(jìn)行2層4個(gè)方向的Contourlet變換。

2)將變換后的高頻信息(即Contourlet變換系數(shù))進(jìn)行分塊(例如16×16)。

3)計(jì)算每個(gè)方向上的位置為 k，k=1，2，…，C(C 為分塊的數(shù)目)的分塊的統(tǒng)計(jì)特征，即均值、方差、峰度(Kurtosis)、偏度(Skewness)，并對(duì)其進(jìn)行歸一化處理。其中歸一化使用的公式為其中x表示需要?dú)w一化的特征，MinV和MaxV分別表示需歸一化的特征x的最小值和最大值。

4)將前一步計(jì)算的特征組合為一個(gè)特征向量(每個(gè)塊使用4個(gè)方向×4個(gè)特征=16個(gè)特征表示)。

5)使用所有塊的特征向量，構(gòu)建一個(gè)無(wú)缺陷的樣本模板庫(kù)。

3.2 分類檢測(cè)模塊

分類檢測(cè)模塊的步驟如下:

1)對(duì)待檢測(cè)的紡織品樣本進(jìn)行2層4個(gè)方向的Contourlet變換。

2)將變換后的高頻信息進(jìn)行分塊。

3)計(jì)算每一位置，每個(gè)方向上分塊的統(tǒng)計(jì)特征，即均值、方差、峰度、偏度，并對(duì)其進(jìn)行歸一化處理。

4)將前一步計(jì)算的特征組合為一個(gè)特征向量(這樣每個(gè)塊使用4個(gè)方向×4個(gè)特征=16個(gè)特征表示)。

5)將上一步計(jì)算獲取的特征向量與訓(xùn)練過(guò)程中構(gòu)建的無(wú)缺陷的樣本模板庫(kù)中的統(tǒng)計(jì)特征進(jìn)行比較。如果與無(wú)缺陷的樣本模板庫(kù)中最相近距離(使用兩個(gè)向量的歐氏距離計(jì)算)的塊大于預(yù)先設(shè)定的閾值T，則認(rèn)為該塊存在缺陷，否則為無(wú)缺陷的塊。

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證該算法的效果，筆者對(duì)3種不同的紡織品缺陷進(jìn)行了檢測(cè)。部分無(wú)缺陷的紡織品圖像如圖4a所示，其對(duì)應(yīng)的包含缺陷的紡織品圖像如圖4b所示。

實(shí)驗(yàn)中，筆者將無(wú)缺陷的紡織品圖像輸入訓(xùn)練模塊進(jìn)行訓(xùn)練，然后將帶缺陷的樣本輸入分類檢測(cè)模塊進(jìn)行判斷。部分實(shí)驗(yàn)結(jié)果如圖5所示，圖5a為帶缺陷的紡織品圖像，圖5b為對(duì)應(yīng)的檢測(cè)結(jié)果(白色表明該部分存在缺陷)。從這些檢測(cè)結(jié)果圖可以看出，缺陷部分被完全檢測(cè)出來(lái)，從而驗(yàn)證了該算法的有效性。

5 結(jié)論

Contourlet變換作為一種新的信號(hào)分析工具，能準(zhǔn)確地將圖像中的邊緣捕獲到不同尺度、不同方向的子帶中。鑒于此，本文提出了一種基于Contourlet變換的紡織品缺陷檢測(cè)方法，利用Contourlet變換對(duì)紡織品圖像進(jìn)行分解，將Contourlet變換系數(shù)的統(tǒng)計(jì)特征用于缺陷的檢測(cè)，實(shí)驗(yàn)驗(yàn)證了該算法的有效性。

［1］鐘克洪，丁明躍，周成平.基于小波差分統(tǒng)計(jì)特征的紋理缺陷檢測(cè)方法［J］. 系統(tǒng)工程與電子技術(shù)，2004，26(5):660－664.

［2］陳珂，殷國(guó)富，羅小賓.基于統(tǒng)計(jì)特征聚類原理的圖像識(shí)別技術(shù)［J］.四川大學(xué)學(xué)報(bào):工程科學(xué)版，2003，35(5):83－86.

［3］沈晶，楊學(xué)志.一種新的基于紋理分水嶺的紡織品缺陷檢測(cè)方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2009，14(10):1997－2003.

［4］郭航，霍宏濤.灰度共生矩陣在皮膚紋理檢測(cè)中的應(yīng)用研究［J］.中國(guó)圖象圖形學(xué)報(bào)，2010，15(7):1074－1078.

［5］楊學(xué)志，沈晶.采用小波框架的紡織品缺陷分類方法［J］.工程圖學(xué)學(xué)報(bào)，2009(5):108－112.

［6］SARI S H，GODDARD J S.Vision system for on－loom fabric inspection［J］.IEEE Trans.Industry Applications，1999，35(6):1252－1259.

［7］LATIF A，ERTUZUN A，ERCIL A.An efficient method for texture defect detection:sub－band domain cooccurrence matrices［J］.Image and Vision Computing，2000，18:543－553.

［8］TSAI D，HSIAO B.Automatic surface inspection using wavelet reconstruction［J］.Pattern Recognition，2001，34(6):1285－1305.

［9］DO M N，VETTERLI M.The contourlet transform:an efficient directional multiresolution image representation［J］.IEEE Trans.Image Processing，2005，14(12):2091－2106.