陳雪陽，潘 楊，朱 磊，翟子豪

(西安工程大學 電子信息學院，陜西 西安 710048)

0 引 言

在人工智能及機器視覺技術不斷發(fā)展的今天，織物疵點檢測自動化是學者們研究的重點方向?，F存的有關織物疵點檢測[1]方法可以分為統(tǒng)計法[2]、模型法[3-4]、顯著性法[5-7]和深度學習方法[8-10]等4類?；诮y(tǒng)計法的檢測方法要提前構造和預估所需的特征參量信息，以便于通過參量信息分析研究圖像中不同區(qū)域的統(tǒng)計差異，再利用統(tǒng)計差異為定位疵點提供可靠的依據。ZHANG等使用自相關函數將織物圖像劃分為子塊，并利用平均值和標準差作為統(tǒng)計特征參數，將各子塊的區(qū)域按有無疵點分為2類，對含有疵點的子塊進行后處理實現疵點檢測[11]。此類方法對單一紋理圖像適用，泛化能力較弱，因此不適用于多類型的疵點?；谀Ｐ偷臋z測方法通常是對織物的正常紋理進行建模，判斷測試樣本與模型是否一致，以此為依據實現疵點檢測。COHEN等運用高斯馬爾科夫隨機場對無缺陷圖像進行建模，將其分為大小相等的圖像塊，計算圖像塊與建模結果的相似值，判斷圖像塊中是否含有疵點[12]。此類方法對單一紋理圖像適用，泛化能力較弱?；陲@著性的方法是以信息論和對比度作為基礎，通過計算像素點的顯著性值來獲取疵點圖像。ZHANG等提出借助多尺度分析提高疵點和背景的對比度，再利用顏色差異和位置距離共同測量缺陷值，最后通過閾值分割得到檢測結果[13]。此類方法在檢測圖像中較為清晰的疵點時具有良好的表現，但對于模糊或者微小疵點的檢測效果不理想。JING等對輸入織物圖像樣本進行分解和貼標簽，隨后送入到CNN網絡中進行訓練學習，最后使用訓練好的模型對整幅圖像進行檢測，得到疵點的類別和位置[14]。此方法在訓練模型之前需要搜集和整理用于訓練模型的織物數據集，但數據集樣本存在著標簽圖像成本高、缺陷樣本數量不足的問題，為后續(xù)疵點檢測帶來不便。

根據已有的織物疵點檢測方法，不難發(fā)現有效抑制背景紋理對疵點檢測尤為重要，因此本文采用的檢測方法是通過預處理先初步抑制背景紋理，再利用改進的總變差 (total tariation,TV) 模型[15]對織物圖像主結構進行提取，運用該模型實現對背景更精細的抑制效果,隨后選用多尺度線性濾波器實現疵點增強,最后利用點乘運算與形態(tài)學處理得到完整的疵點區(qū)域。

1 織物疵點檢測方法

為了進一步突出疵點區(qū)域，利用多尺度線性濾波器(Frangi)對疵點進行增強處理；最后利用預處理圖和疵點增強圖進行點乘運算和形態(tài)學處理。其流程如圖1所示。

圖 1 織物疵點檢測流程Fig.1 The flow chart of fabric defect detection method

1.1 基于預處理和主結構提取的背景抑制

織物紋理是利用編織技術形成的具有一定分布規(guī)律的結構，它的結構特點通常表現為多樣性和復雜性，這為織物疵點的檢測帶來挑戰(zhàn)。因此消減或降低背景紋理中的信息，是有效克服疵點檢測困難的重要方向和途徑。

織物疵點和背景紋理之間的差別較小會增加疵點檢測的難度，因此提高疵點和背景的對比度顯得尤為重要。將RGB轉換到HSV空間，通過提取明度信息(V)可以調整圖像的亮度以及疵點和背景之間的對比度；再對提取V分量的圖像進行中值濾波和對數增強以解決可能存在的噪聲問題。該操作不僅可以去除噪聲對疵點檢測造成的不利影響，也可保留疵點區(qū)域邊界信息，為后續(xù)的檢測提供良好的基礎，最終達到增強背景和疵點對比度的目的，其計算公式為。

(1)

式中：L為待檢測織物圖像；V為提取的明度分量。當L為彩色圖像時，R、G、B分別為各顏色通道。預處理的圖像可看作紋理與結構的融合，在疵點檢測過程中，背景區(qū)域有時會被當作疵點進行處理，從而發(fā)生誤檢，影響疵點檢測工作的效率和準確率。因此，對背景紋理信息進行弱化或者抑制是檢測過程中必不可少的環(huán)節(jié)。TV模型[15]在消除紋理信息的同時也可提取結構信息，適應各向異性的紋理，具有較好的泛化能力。因此利用改進的TV模型獲取織物圖像的主結構[16]——疵點，最終削弱甚至消除預處理圖像中背景紋理。

在預處理圖像中的局部小窗口內，它的主結構成分中含有的相似性通常比在背景紋理復雜圖像中的小窗口相似性要高，這也使得主結構更加突出。原模型公式為

(2)

式中：L和M分別為預處理圖像和主結構圖像；k是輸入圖像的索引號；ω為調整參數。第一項為保真項；第二項是正則矩陣。為了進一步增強織物圖像的主結構部分和背景部分的差異，利用窗口總變差和窗口固有變差對式(2)中的正則矩陣(?M)k進行改進，得到相對總變差模型公式，即

(3)

式中：改進后的第2項稱為相對總變差；ω是調整參數，作用是控制改進公式中第1項和第2項之間的比例。改進項的具體表示為

(4)

(5)

(6)

式中：α的作用是控制窗口的空間尺寸，它取決于紋理的深淺程度。

相對總變差模型對預處理后圖像的操作主要依賴于在圖像中取得正方形窗口，在該區(qū)域內對于只包含背景的相對總變差值，該數值小于主結構所對應的總變差值。利用背景和主結構存在的差別實現對紋理背景信息的削弱，實驗結果如圖2所示。

(a) 預處理圖 (b) 主結構圖

為驗證本文提出的背景紋理抑制性能，使用全局低秩分解抑制背景方法[17]和本文所提方法分別對輸入織物圖像進行處理，結果如圖3所示。

(a) 輸入織物圖像

由圖3可知，2種方法均可對背景紋理進行抑制，但使用預處理和主結構提取處理得到的結果顯示背景紋理抑制效果更好。

實驗過程中，相對總變差模型在實現過程中存在2個重要參量，即式(3)中的β和ω，β是避免分母出現0的情況，默認值為0.001；ω為控制平滑度參數。ω較小時，不能完整提取疵點部分；ω較大時，存在紋理細節(jié)丟失的情況。本文根據紋理的粗糙度和尺寸結構大小選擇參數ω的范圍為[0.4，0.6],實驗驗證結果如圖4所示。

(a) 原始圖 (b) ω=0.2 (c) ω=0.3

1.2 基于多尺度線性濾波的疵點增強

經過背景抑制后的織物圖像其疵點區(qū)域仍存在不清晰的問題，為了獲得更好的檢測效果需進一步突出疵點區(qū)域。多尺度線性濾波器[18]可通過Herrsian矩陣各特征值來構造測量函數，對疵點進行精確定位，增強織物背景中的疵點部分，提高疵點區(qū)域和背景的對比度。對于主結構圖像M，利用多尺度線性濾波器來描述織物結構時，需要利用圖像在某點x0處鄰域泰勒展開式[19]，即

(7)

式中：點x0以尺度σ得到的梯度向量是?0,σ；Hessian矩陣是M0,σ。對主結構圖像與高斯函數的導數進行卷積，可得

(8)

式中：γ為規(guī)則化的導數族，一般情況下，γ設為1。

式(7)中最后一項的二階導數為

(9)

在織物圖像中存在的疵點部分，通常來說灰度值大于背景部分對應的值，且疵點大多數都存在于細小區(qū)域內，式(9)中所指的二階導數，疵點部分絕對值較大(或小)也說明了特征值較大(或小)，可表示為

(10)

且滿足

(11)

多尺度線性濾波器在處理二維織物圖像時，需要使用到二維矩陣Hessian所對應的2個特征值，分別是ω1和ω2(|ω1|≤|ω2|)。為了對織物圖像背景紋理的像素進行區(qū)分，本文設置測度W進行表示。當疵點區(qū)域的背景紋理像素對比度低(或高)，相對應W的數值就較小(或大)，可表示為

(12)

由此可以推導出多尺度線性濾波器在處理二維織物圖像時，所得到的測量函數，即

(13)

f0(γ)=maxF0(W)

(14)

式中：μ和c都是用來描述測量相似函數時所需的敏感性閾值參數，經實驗驗證可得μ=0.5，c=11；f0(γ)為不同尺度中的最大響應。

多尺度線性濾波器對提取到的疵點區(qū)域的邊緣部分進行濾波增強，使得原本較為模糊的疵點部分不僅明顯，也增強了疵點的局部細節(jié)信息，處理后的結果圖如圖5所示。

(a)主結構圖 (b)多尺度濾波結果圖

1.3 基于形態(tài)學處理的輪廓提取

織物圖像經濾波器處理后其疵點區(qū)域雖得到明顯增強，但背景部分仍存在細小區(qū)域未被消除且疵點輪廓不清晰。為了解決上述問題，需要完整刻畫疵點區(qū)域輪廓。本文先將預處理結果圖與疵點增強圖像(二值圖像)進行點乘運算并利用Canny算子提取疵點邊緣，實現對邊緣信息的獲取并精細刻畫疵點輪廓；疵點增強后的圖像主要經過形態(tài)學中的膨脹、填充以及移除與邊界連通目標的操作，實現孤立點去除最終獲取完整的疵點區(qū)域，展示較好的可視化效果，能較好地保留疵點圖像的邊緣信息。結果圖如圖6所示。

2 結果與分析

為驗證本文提出方法的有效性，將本文算法與基于魯棒主成分分析模型方法(robust principal component analysis,RPCA)[20]、基于顯著性檢測方法(spectral residual,SR)[21]和基于最小二乘回歸方法(prior knowledge guided least squares regression,PG-LSR)[22]進行對比，實驗參數選用準確率和時間作為性能評價指標[23-25]。在實驗過程中需要選取織物疵點樣本作為數據集進行測試，數據集是在溢達織物裁片庫中隨機選取得到實驗樣本，數目為100，數據集樣本先按照有無疵點進行分類，其中缺陷樣本數目為50，無缺陷樣本的數目為50；再按照紋理背景分為簡單紋理和復雜紋理，其中包括油污、水污、破洞、帶紗等疵點類型。

為了更好地說明每種方法的魯棒性效果，對各方法中的參數設置進行實驗與說明。在RPCA[20]檢測算法中,主要參數是用于平衡疵點和噪聲的λ和β，分別設置為λ=0.03、β=0.2；在SR[21]檢測算法中，高斯濾波和均值算子的窗口設置分別為10×10 和3×3；在PG-LSR[22]檢測算法中，權衡系數λ、隨機塊數s、重復次數k為3個關鍵參數，分別設置為：λ=0.75，s=5.0，k=5.0；本文在改進的TV模型中有2個參數，分別是描述紋理元素尺寸的參數β和控制平滑度參數ω。取默認值為β=0.001,ω=[0.4,0.6]。各方法對測試樣本進行檢測，實驗驗證結果如圖7、8。

圖7和圖8分別針對簡單和復雜紋理背景的織物圖像進行檢測，圖中分別展示了3種對比算法和本文提出方法的檢測結果。圖7(a)為原始輸入圖像，其中第1～3幅均含有較為清晰的疵點，第4幅含有較細小的疵點，第5幅是未含有疵點的正常樣本圖像。

(a) 多尺度濾波結果圖 (b) 提取輪廓圖 (c) 疵點圖

由圖7、8的實驗結果可以看出，文獻[20]和文獻[22]的檢測方法均可準確檢測出疵點位置，但文獻[20]的檢測結果仍有未消除的背景紋理，文獻[22]的檢測結果中存在疵點輪廓模糊的情況；文獻[21]的檢測結果對疵點位置信息判斷有誤，疵點形狀不完整；以上3種檢測方法對未含有疵點的織物圖像都存在誤檢情況。本文提出的方法在保證準確檢測疵點的同時也可得到完整疵點輪廓，并且對正常織物圖像沒有出現誤檢情況。

表1為各方法對測試集圖像檢測后得到的參數比較。從準確率和時間2個參數比較來看，本文方法的準確率比其他3種算法提高了9%以上；檢測時間居于第2，僅次于文獻[20]中的檢測方法。

(a) 輸入圖像

(a) 輸入圖像

表 1 檢測結果的參數比較

從上述實驗結果可得出，本文采用改進的TV模型在抑制背景紋理的同時提取主結構，可以有效提升疵點檢測效率和準確率。

3 結 語

本文提出了基于主結構提取和多尺度線性濾波的織物疵點檢測方法，首先通過圖像預處理和改進的總變差模型，削弱了背景紋理對疵點檢測的影響，然后利用多尺度線性濾波處理有效增強了疵點區(qū)域，最后提取輪廓結合形態(tài)學處理有效分割出了疵點區(qū)域。由于本文采用先抑制背景紋理，為后續(xù)疵點圖像的增強提供良好的基礎，最終實現對疵點輪廓的精準提取，使得檢測準確率得到明顯提升。