CN103745461A - 一种基于区域组合特征的印刷图像缺陷检测方法 - Google Patents

Abstract

本发明涉及一种基于区域组合特征的印刷图像缺陷检测方法，属于图像处理技术领域。分为学习过程和训练过程。学习过程具体为：①针对印刷样张图像进行区域划分。②判断训练样本集中的小张印刷图像的所属区域。③针对训练样本进行特征提取。④建立WLDA分类器。⑤训练WLDA分类器。训练过程具体为：⑥判断测试样本在印刷样张图像中的所属区域。⑦针对测试样本进行特征提取。⑧根据测试样本的所属区域，使用该所属区域对应的WLDA分类器判断测试样本是有缺陷图像还是无缺陷图像。本发明提出的一种基于区域组合特征的印刷图像缺陷检测方法具有如下优点：模板的预先提取工作量小；不同批次与预先提取模板的差异对检测结果影响小；检测效率高。

Description

一种基于区域组合特征的印刷图像缺陷检测方法

技术领域

本发明涉及一种基于区域组合特征的印刷图像缺陷检测方法，特别涉及一种基于区域组合特征和加权线性判别分析的印刷图像缺陷检测方法，属于图像处理技术领域。

背景技术

随着印刷工业的发展，人们对印刷产品的外观、色调及画面的设计要求越来越高，但由于工艺、机械等因素，在印刷过程中不可避免的会出现如漏印、油墨沾污、黑点、文字模糊、起皱、刮伤、针孔、颜色失真、套印错位等缺陷。传统的人工检测的方法已很难保质保量地完成检测任务。随着计算机软、硬件的飞速发展，利用机器视觉来进行印刷品表面图像质量的自动检测已变得切实可行。

印刷缺陷的严重程度是由缺陷的大小、位置、对比度、形状等决定。实际印刷工程中，印刷原始图像有些区域为关键区域，在关键区域中不能出现任何缺陷，而在非关键区域，允许出现不严重的缺陷。因此，检测系统对相同的缺陷判定是不同的：如果缺陷不严重并且出现在非重点区域，印刷产品判定为合格品，但相同缺陷如果出现在关键区域，虽然不严重，但印刷产品仍判定为废品。因此，实际工程中，对检测系统的缺陷辨识能力提出了较高要求。

目前基于机器视觉的检测方法主要是模板法，即将待检图像与预先提取的模板图像进行比较，根据它们之间是否存在差异以及差异大小来判断图像是否存在缺陷。模板法存在的主要缺点有：（1）模板的预先提取工作量大。如果印刷产品类型很多、印刷产品内容丰富，预先提取的模板的大小、范围、和模板数量不确定，提取工作量大；（2）不同批次与预先提取模板存在差异。不同批次的印刷产品由于环境、光照、角度等等因素，通过摄像机采集的图像与预先提取的模板存在差异，影响检测结果；（3）检测工作量大。由于上述原因，不同批次需要重新提取模板，或者根据预先提取的模板进行颜色校正、角度畸变校正等工作，使得检测工作量增加，检测效率较低。

因此如何克服上述缺点，研究高效率印刷图像缺陷检测方法，降低使用复杂度成为必要。

发明内容

本发明的目的是为了克服已有印刷图像缺陷检测方法存在的不足，提出一种基于区域组合特征和加权线性判别分析的印刷图像缺陷检测方法。

本发明的目的是通过下述技术方案实现的。

一种基于区域组合特征的印刷图像缺陷检测方法，分为学习过程和训练过程两部分。

所述学习过程具体为：

步骤一、针对印刷样张图像进行区域划分。具体步骤为：

第1.1步：对印刷样张图像进行手动区域划分，即人为指定印刷样张图像中的L个关键区域，L≥0，将其它区域称为非关键区域。所述关键区域中不能出现任何印刷缺陷；所述非关键区域允许出现不严重的缺陷。

第1.2步：针对印刷样张图像中的非关键区域，根据印刷图像的纹理结构、颜色特征及面积将其划分为K个非关键区域，K≥1。

步骤二、在步骤一操作的基础上，判断训练样本集中的小张印刷图像在印刷样张图像中的所属区域，将训练样本集中的小张印刷图像分为(L+K)个训练子集。

步骤三、针对步骤二中所述训练样本集中的小张印刷图像进行特征提取，具体步骤为：

第3.1步：对训练样本集中的小张印刷图像进行纹理特征的提取。具体为：

第3.1.1步：将所述小张印刷图像转换为灰度图像；然后对灰度图像进行m个尺度和n个方向的Gabor滤波，得到m×n幅Gabor图像，分别用G_i,j；其中，5≤m≤10，8≤n≤16，1≤i≤m，1≤j≤n。

第3.1.2步：对每幅Gabor图像G_i,j分别提取59维局部二值模式（Local BinaryPatterns，LBP）特征，用符号

表示，

第3.1.3步：对每幅Gabor图像G_i,j分别提取16维灰度共生矩阵（Gray-levelCo-occurrence Matrix，GLCM）特征，用符号

表示，

第3.1.4步：对每幅Gabor图像G_i,j分别提取15维灰度梯度共生矩阵（Gray-level Gradient Co-occurrence Matrix，GLGCM）特征，用符号

表示， $f_{i,j}^{\mathrm{glgcm}}\∈R^{1\×15}.$

第3.1.5步：将第3.1.2步得到的59维局部二值模式特征

第3.1.3步得到的16维灰度共生矩阵特征以及第3.1.4步得到的15维灰度梯度共生矩阵特征

c进m行连接，得到组合纹理特征，用符号

表示， $f_{i,j}^{\mathrm{texture}}=\left[\begin{array}{ccc}{f}_{i,j}^{\mathrm{lbp}}& f_{i,j}^{\mathrm{glcm}}& f_{i,j}^{\mathrm{glgcm}}\end{array}\right].$

第3.2步：对训练样本集中的小张印刷图像进行颜色特征的提取。具体为：

第3.2.1步：将训练样本集中的小张印刷图像转换色相-饱和度-色调（Hue-Saturation-Value，HSV）颜色空间模型的HSV图像；

第3.2.2步：使用第3.2.1步中所述HSV图像生成m个尺度的颜色图像，即得到m张颜色图像，分别用C_i表示。

第3.2.3步：对每张颜色图像C_i提取63维颜色特征，分别用符号

表示。

第3.2.4步：为了与纹理特征保持维度一致，扩展每个尺度的颜色特征，得到扩展颜色特征，用符号

表示，其中， $f_{i,1}^{\mathrm{color}}=f_{i,2}^{\mathrm{color}}=\·\·\·=f_{i,n}^{\mathrm{color}}=f_i^{\mathrm{hsv}}.$

第3.3步：对第3.1.5步得到的组合纹理特征

和第3.2.4步得到的扩展颜色特征

进行连接，得到组合图像特征，用符号表示， $f_{i,j}^{\mathrm{img}}=\left[\begin{array}{cc}{f}_{i,j}^{\mathrm{texture}}& f_{i,j}^{\mathrm{color}}\end{array}\right].$

经过步骤三的操作，对于训练样本集中的一幅小张印刷图像，可以得到m×n个组合图像特征。

步骤四、建立WLDA（Weighted Linear Discriminant Analysis，加权线性判别分析）分类器。

WLDA分类器由T个WLDA弱分类器自左向右连接而成，T的值由人为指定，100≤T≤1000。

所述WLDA弱分类器（用符号h(x)表示）的定义如公式（1）所示。

$h\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{ifw}\·x>\mathrm{\θ}\\ -1& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

其中，x为WLDA弱分类器h(x)的输入量，即样本的组合图像特征；w为最佳投影向量，w可通过公式（2）计算得到。

$w=S_{\mathrm{weighted}}^{-1}\·({\mathrm{\μ}}_{\mathrm{weighted}}^1-{\mathrm{\μ}}_{\mathrm{weighted}}^2)---\left(2\right)$

其中，S_weighted表示总类内加权离散度矩阵，可通过公式（3）计算得到；

表示无缺陷样本的加权均值向量，可通过公式（4）计算得到；

表示有缺陷样本的加权均值向量，可通过公式（5）计算得到。

$S_{\mathrm{weighted}}=\frac{\left(\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p\right)\·S_{\mathrm{weighted}}^1+\left(\underset{q=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_q\right)\·S_{\mathrm{weighted}}^2}{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p+\underset{q=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_q}---\left(3\right)$

其中，N₁为无缺陷样本的数量；N₂为有缺陷样本的数量；d_p为第p个无缺陷样本的权重；d_q为第q个有缺陷样本的权重；

为无缺陷样本的加权离散度矩阵，可通过公式（6）计算得到；为有缺陷样本的加权离散度矩阵，可通过公式（7）计算得到。

${\mathrm{\μ}}_{\mathrm{weighted}}^1=\frac{1}{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p}\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p\·x_{p---\left(4\right)}$

其中，x_p为第p个无缺陷样本的m×n个组合图像特征。

${\mathrm{\μ}}_{\mathrm{weighted}}^2=\frac{1}{\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p}\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p\·x_p---\left(5\right)$

其中，x_q为第q个无缺陷样本的m×n个组合图像特征。

$S_{\mathrm{weighted}}^1=\frac{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p\·x_p\·x_p^T}{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p}-{\mathrm{\μ}}_{\mathrm{weighted}}^1\·{{\mathrm{\μ}}_{\mathrm{weighted}}^1}^T---\left(6\right)$

$S_{\mathrm{weighted}}^2=\frac{\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p\·x_p\·x_p^T}{\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p}-{\mathrm{\μ}}_{\mathrm{weighted}}^2\·{{\mathrm{\μ}}_{\mathrm{weighted}}^2}^T---\left(7\right)$

步骤五、训练WLDA分类器。

使用步骤二中所述(L+K)个训练子集中的图像分别训练(L+K)个WLDA分类器。使用每个训练子集中的图像训练一个分类器，该训练子集中的无缺陷样本的数量为N₁；有缺陷样本的数量为N₂。其具体操作步骤如下：

步骤5.1：用符号t表示当前训练的WLDA弱分类器的编号，并设定t的初始值为1，则第t个WLDA弱分类器用符号h_t(x)表示。用符号w_t,s表示当前训练的WLDA弱分类器h_t(x)的每张输入样本的权值，1≤s≤(N₁+N₂)；当t＝1时， $w_{1,s}=\frac{1}{N_1+N_2}.$

步骤5.2：训练第t个弱分类器h_t(x)，具体过程如下：

步骤5.2.1：使用公式（8）对WLDA弱分类器h_t(x)的输入样本的权值w_t,s进行归一化处理。

$w_{t,s}=\frac{w_{t,s}}{\underset{s=1}{\overset{N_1+N_2}{\mathrm{\Σ}}}{w}_{t,s}}---\left(8\right)$

步骤5.2.2：将训练样本集中的每张小张印刷图像的第一个组合图像特征

输入到第一个WLDA特征弱分类器中；每张小张印刷图像的第二个组合图像特征

输入到第二个WLDA特征弱分类器中；以此类推，每张小张印刷图像的第m×n个组合图像特征

输入到第m×n个WLDA特征弱分类器中。所述WLDA特征弱分类器的定义与WLDA弱分类器一样。

步骤5.2.3：分别使用m×n个WLDA特征弱分类器判别输入的组合图像特征是有缺陷样本还是无缺陷样本。

步骤5.2.4：根据步骤5.2.3的判别结果，以及样本预先给定的所属类别，计算各WLDA特征弱分类器的识别错误率，分别用符号ε_i,j表示。

步骤5.2.5：取出各WLDA特征弱分类器识别错误率ε_i,j中的最小值，用符号ε_t表示，将该最小值ε_t对应的WLDA特征弱分类器作为第t个WLDA弱分类器h_t(x)，同时用符号l_t记录各WLDA特征弱分类器识别错误率ε_i,j中的最小值ε_t对应的WLDA特征弱分类器的序号，1≤l_t≤m×n。

步骤5.2.6：用符号α_t表示WLDA弱分类器h_t(x)的权值，其值可通过公式（9）计算得到。

${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}---\left(9\right)$

其中， ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t}.$

步骤5.2.7：使t值自增1，然后判断t＞T是否成立，如果成立，执行步骤5.3；否则，执行步骤5.2.8。

步骤5.2.8：使用公式（10）计算当前的WLDA弱分类器h_t(x)的输入样本的权值w_t,s，然后返回到步骤5.2.1。

$w_{t,s}=w_{t-1,s}\·{\mathrm{\β}}_{t-1}^{e_{t-1,s}}---\left(10\right)$

其中，e_t-1,s的值根据WLDA弱分类器h_t-1(x)对第s张输入样本的识别结果确定；当识别正确时，e_t-1,s的取值为1；当识别错误时，e_t-1,s的取值为0。

步骤5.3：此时得到包含T个WLDA弱分类器的WLDA分类器。

所述训练过程具体为：

步骤六、判断测试样本的小张印刷图像在印刷样张图像中的所属区域。

步骤七、针对步骤六中所述测试样本的小张印刷图像进行特征提取，得到m×n个混合图像特征，特征提取过程与步骤三中所述训练样本集中的小张印刷图像进行特征提取相同。

步骤八、根据步骤六得到的测试样本的小张印刷图像在印刷样张图像中的所属区域，使用该所属区域对应的WLDA分类器，用符号C(z)表示，判断测试样本的小张印刷图像是有缺陷图像还是无缺陷图像。具体为：

步骤8.1：将步骤七得到的测试样本的小张印刷图像的m×n个混合图像特征分别输入到WLDA分类器C(z)中。

步骤8.2：WLDA分类器C(z)中的每个WLDA弱分类器分别对测试样本的小张印刷图像的第l_t个混合图像特征进行判断，通过公式（11）得到最后的判断结果。

$C\left(z\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left({z_l}_t\right)\≥\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t\\ -1& \mathrm{otherwise}\end{array}\right.---\left(11\right)$

其中，z表示WLDA分类器C(z)的输入量，即测试样本的m×n个组合图像特征；

表示WLDA分类器C(z)中第t个WLDA弱分类器h_t(x)对测试样本的第l_t个组合图像特征。

步骤8.3：当C(z)的值为1时，表示测试样本的小张印刷图像为无缺陷图像；当C(z)的值为-1时，表示测试样本的小张印刷图像为有缺陷图像。

有益效果

本发明提出的一种基于区域组合特征的印刷图像缺陷检测方法与已有印刷图像缺陷检测方法相比较，具有如下优点：

①模板的预先提取工作量小，只提取一张印刷大张的模板。

②不同批次与预先提取模板的差异对检测结果影响小。

③检测效率高。

附图说明

图1为本发明具体实施例中的印刷样张图像；

图2为本发明具体实施例中印刷样张图像的关键区域和非关键区域划分示意图；

其中，1-水印区域；2-文字区域；3-头像区域；4-右上纹理区域；5-剩余非关键区域；

图3为本发明具体实施例中测试样本的小张印刷图像。

具体实施方式

为了更好的说明本发明的技术方案，下面结合附图，通过1个实施例，对本发明做进一步说明。

使用本发明提出的基于区域组合特征的印刷图像缺陷检测方法对1000卢比面值的巴基斯坦纸币进行缺陷检测，其操作步骤分为学习过程和训练过程两部分。

所述学习过程具体为：

步骤一、针对印刷样张图像进行区域划分。具体步骤为：

第1.1步：将1000卢比面值的巴基斯坦纸币的正面作为印刷样张图像，如图1所示，对印刷样张图像进行手动区域划分，将1000卢比面值的巴基斯坦纸币的正面中的文字区域2、头像区域3指定为关键区域，如图2所示；将其它区域称为非关键区域。

第1.2步：针对印刷样张图像中的非关键区域，根据印刷图像的纹理结构、颜色特征及面积将其划分为3个部分，分别是水印区域1、右上纹理区域4和剩余非关键区域5。

步骤二、在步骤一操作的基础上，判断训练样本集中的小张印刷图像在印刷样张图像中的所属区域，将训练样本集中的小张印刷图像分为5个训练子集。

训练样本集中有120000张小张印刷图像，其中包含60000张无缺陷图像和60000张有缺陷图像。小张印刷图像均为印刷样张图像的关键区域或非关键区域的一部分。并且120000张小张印刷图像均匀分布在5个区域中，即5个区域各有12000张无缺陷图像和12000张有缺陷图像。

步骤三、针对步骤二中所述训练样本集中的小张印刷图像进行特征提取，具体步骤为：

第3.1步：对训练样本集中的小张印刷图像进行纹理特征的提取。具体为：

第3.1.1步：将所述小张印刷图像转换为灰度图像；然后对灰度图像进行5个尺度和8个方向的Gabor滤波，得到40幅Gabor图像，分别用G_i,j；其中，1≤i≤5，1≤j≤8。

第3.1.2步：对每幅Gabor图像G_i,j分别提取59维局部二值模式（Local BinaryPatterns，LBP）特征，用符号

表示，

第3.1.3步：对每幅Gabor图像G_i,j分别提取16维灰度共生矩阵（Gray-levelCo-occurrence Matrix，GLCM）特征，用符号表示，

第3.1.4步：对每幅Gabor图像G_i,j分别提取15维灰度梯度共生矩阵（Gray-level Gradient Co-occurrence Matrix，GLGCM）特征，用符号表示， $f_{i,j}^{\mathrm{glgcm}}\∈R^{1\×15}.$

第3.1.5步：将第3.1.2步得到的59维局部二值模式特征

第3.1.3步得到的16维灰度共生矩阵特征

以及第3.1.4步得到的15维灰度梯度共生矩阵特征

c进m行连接，得到组合纹理特征，用符号

表示， $f_{i,j}^{\mathrm{texture}}=\left[\begin{array}{ccc}{f}_{i,j}^{\mathrm{lbp}}& f_{i,j}^{\mathrm{glcm}}& f_{i,j}^{\mathrm{glgcm}}\end{array}\right].$

第3.2步：对训练样本集中的小张印刷图像进行颜色特征的提取。具体为：

第3.2.1步：将训练样本集中的小张印刷图像转换色相-饱和度-色调（Hue-Saturation-Value，HSV）颜色空间模型的HSV图像；

第3.2.2步：使用第3.2.1步中所述HSV图像生成5个尺度的颜色图像，即得到5张颜色图像，分别用C_i表示。

第3.2.3步：对每张颜色图像C_i提取63维颜色特征，分别用符号表示。

第3.2.4步：为了与纹理特征保持维度一致，扩展每个尺度的颜色特征，得到扩展颜色特征，用符号

表示，

其中， $f_{i,1}^{\mathrm{color}}=f_{i,2}^{\mathrm{color}}=\·\·\·=f_{i,n}^{\mathrm{color}}=f_i^{\mathrm{hsv}}.$

第3.3步：对第3.1.5步得到的组合纹理特征和第3.2.4步得到的扩展颜色特征

进行连接，得到组合图像特征，用符号

表示， $f_{i,j}^{\mathrm{img}}=\left[\begin{array}{cc}{f}_{i,j}^{\mathrm{texture}}& f_{i,j}^{\mathrm{color}}\end{array}\right].$

经过步骤三的操作，对于训练样本集中的一幅小张印刷图像，可以得到40个组合图像特征。

步骤四、建立WLDA分类器。

WLDA分类器由500个WLDA弱分类器自左向右连接而成。

所述WLDA弱分类器h(x)的定义如公式（1）至公式（7）所示。

其中，x为WLDA弱分类器h(x)的输入量，即样本的组合图像特征；w为最佳投影向量，w可通过公式（2）计算得到。

步骤五、训练WLDA分类器。

使用步骤二中所述5个训练子集中的图像分别训练5个WLDA分类器。使用每个训练子集中的图像训练一个分类器，该训练子集中的无缺陷样本的数量为12000张；有缺陷样本的数量也是12000张。其具体操作步骤如下：

步骤5.1：用符号t表示当前训练的WLDA弱分类器的编号，并设定t的初始值为1，则第t个WLDA弱分类器用符号h_t(x)表示。用符号w_t,s表示当前训练的WLDA弱分类器h_t(x)的每张输入样本的权值，1≤s≤24000；当t＝1时， $w_{1,s}=\frac{1}{24000}.$

步骤5.2：训练第t个弱分类器h_t(x)，具体过程如下：

步骤5.2.1：使用公式（8）对WLDA弱分类器h_t(x)的输入样本的权值w_t,s进行归一化处理。

步骤5.2.2：将训练样本集中的每张小张印刷图像的第一个组合图像特征输入到第一个WLDA特征弱分类器中；每张小张印刷图像的第二个组合图像特征

输入到第二个WLDA特征弱分类器中；以此类推，每张小张印刷图像的第40个组合图像特征

输入到第40个WLDA特征弱分类器中。所述WLDA特征弱分类器的定义与WLDA弱分类器一样。

步骤5.2.3：分别使用40个WLDA特征弱分类器判别输入的组合图像特征是有缺陷样本还是无缺陷样本。

步骤5.2.4：根据步骤5.2.3的判别结果，以及样本预先给定的所属类别，计算各WLDA特征弱分类器的识别错误率，分别用符号ε_i,j表示。

步骤5.2.5：取出各WLDA特征弱分类器识别错误率ε_i,j中的最小值，用符号ε_t表示，将该最小值ε_t对应的WLDA特征弱分类器作为第t个WLDA弱分类器h_t(x)，同时用符号l_t记录各WLDA特征弱分类器识别错误率ε_i,j中的最小值ε_t对应的WLDA特征弱分类器的序号，1≤l_t≤40。

步骤5.2.6：用符号α_t表示WLDA弱分类器h_t(x)的权值，其值可通过公式（9）计算得到。

步骤5.2.7：使t值自增1，然后判断t＞500是否成立，如果成立，执行步骤5.3；

否则，执行步骤5.2.8。

步骤5.2.8：使用公式（10）计算当前的WLDA弱分类器h_t(x)的输入样本的权值w_t,s，然后返回到步骤5.2.1。

步骤5.3：此时得到包含500个WLDA弱分类器的WLDA分类器。

所述训练过程具体为：

步骤六、判断测试样本的小张印刷图像在印刷样张图像中的所属区域。

判断测试样本的小张印刷图像如图3所示，其属于头像区域3，为关键区域。

步骤七、针对步骤六中所述测试样本的小张印刷图像进行特征提取，得到40个混合图像特征，特征提取过程与步骤三中所述训练样本集中的小张印刷图像进行特征提取相同。

步骤八、根据步骤六得到的测试样本的小张印刷图像在印刷样张图像中的所属区域，使用该所属区域对应的WLDA分类器，用符号C(z)表示，判断测试样本的小张印刷图像是有缺陷图像还是无缺陷图像。具体为：

步骤8.1：将步骤七得到的测试样本的小张印刷图像的40个混合图像特征分别输入到WLDA分类器C(z)中。

步骤8.2：WLDA分类器C(z)中的每个WLDA弱分类器分别对测试样本的小张印刷图像的第l_t个混合图像特征进行判断，通过公式（11）得到C(z)的值为0。

步骤8.3：C(z)的值为-1，因此判断测试样本的小张印刷图像为有缺陷图像。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，用于解释本发明，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于区域组合特征的印刷图像缺陷检测方法，其特征在于：其分为学习过程和训练过程两部分；

所述学习过程具体为：

步骤一、针对印刷样张图像进行区域划分；具体步骤为：

第1.1步：对印刷样张图像进行手动区域划分，即人为指定印刷样张图像中的L个关键区域，L≥0，将其它区域称为非关键区域；所述关键区域中不能出现任何印刷缺陷；所述非关键区域允许出现不严重的缺陷；

第1.2步：针对印刷样张图像中的非关键区域，根据印刷图像的纹理结构、颜色特征及面积将其划分为K个非关键区域，K≥1；

步骤二、在步骤一操作的基础上，判断训练样本集中的小张印刷图像在印刷样张图像中的所属区域，将训练样本集中的小张印刷图像分为(L+K)个训练子集；

步骤三、针对步骤二中所述训练样本集中的小张印刷图像进行特征提取，具体步骤为：

第3.1步：对训练样本集中的小张印刷图像进行纹理特征的提取；具体为：

第3.1.1步：将所述小张印刷图像转换为灰度图像；然后对灰度图像进行m个尺度和n个方向的Gabor滤波，得到m×n幅Gabor图像，分别用G_i,_j；其中，5≤m≤10，8≤n≤16，1≤i≤m，1≤j≤n；

第3.1.2步：对每幅Gabor图像G_i,j分别提取59维局部二值模式特征，用符号

表示， $f_{i,j}^{\mathrm{lbp}}\∈R^{1\×59};$

第3.1.3步：对每幅Gabor图像G_i,j分别提取16维灰度共生矩阵特征，用符号

表示， $f_{i,j}^{\mathrm{glcm}}\∈R^{1\×16};$

第3.1.4步：对每幅Gabor图像G_i,j分别提取15维灰度梯度共生矩阵特征，用符号

表示， $f_{i,j}^{\mathrm{glgcm}}\∈R^{1\×15};$

第3.1.5步：将第3.1.2步得到的59维局部二值模式特征

第3.1.3步得到的16维灰度共生矩阵特征以及第3.1.4步得到的15维灰度梯度共生矩阵特征

进行连接，得到组合纹理特征，用符号

表示， $f_{i,j}^{\mathrm{texture}}=\left[\begin{array}{ccc}{f}_{i,j}^{\mathrm{lbp}}& f_{i,j}^{\mathrm{glcm}}& f_{i,j}^{\mathrm{glgcm}}\end{array}\right];$

第3.2步：对训练样本集中的小张印刷图像进行颜色特征的提取；具体为：

第3.2.1步：将训练样本集中的小张印刷图像转换色相-饱和度-色调颜色空间模型的HSV图像；

第3.2.2步：使用第3.2.1步中所述HSV图像生成m个尺度的颜色图像，即得到m张颜色图像，分别用C_i表示；

第3.2.3步：对每张颜色图像Ci提取63维颜色特征，分别用符号

表示；

第3.2.4步：为了与纹理特征保持维度一致，扩展每个尺度的颜色特征，得到扩展颜色特征，用符号表示，其中， $f_{i,1}^{\mathrm{color}}=f_{i,2}^{\mathrm{color}}=\·\·\·=f_{i,n}^{\mathrm{color}}=f_i^{\mathrm{hsv}};$

第3.3步：对第3.1.5步得到的组合纹理特征和第3.2.4步得到的扩展颜色特征

进行连接，得到组合图像特征，用符号

表示， $f_{i,j}^{\mathrm{img}}=\left[\begin{array}{cc}{f}_{i,j}^{\mathrm{texture}}& f_{i,j}^{\mathrm{color}}\end{array}\right];$

经过步骤三的操作，对于训练样本集中的一幅小张印刷图像，可以得到m×n个组合图像特征；

步骤四、建立WLDA分类器；

WLDA分类器由T个WLDA弱分类器自左向右连接而成，T的值由人为指定，100≤T≤1000；

所述WLDA弱分类器，用符号h(x)表示，其定义如公式（1）所示；

$h\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{ifw}\·x>\mathrm{\θ}\\ -1& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

其中，x为WLDA弱分类器h(x)的输入向量，即样本的组合图像特征；w为最佳投影向量，w可通过公式（2）计算得到；

$w=S_{\mathrm{weighted}}^{-1}\·({\mathrm{\μ}}_{\mathrm{weighted}}^1-{\mathrm{\μ}}_{\mathrm{weighted}}^2)---\left(2\right)$

其中，S_weighted表示总类内加权离散度矩阵，可通过公式（3）计算得到；

表示有缺陷样本的加权均值向量，可通过公式（4）计算得到；

表示无缺陷样本的加权均值向量，可通过公式（5）计算得到；

$S_{\mathrm{weighted}}=\frac{\left(\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p\right)\·S_{\mathrm{weighted}}^1+\left(\underset{q=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_q\right)\·S_{\mathrm{weighted}}^2}{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p+\underset{q=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_q}---\left(3\right)$

其中，N₁为有缺陷样本的数量；N₂为无缺陷样本的数量；d_p为第p个有缺陷样本的权重；d_q为第q个无缺陷样本的权重；

为有缺陷样本的加权离散度矩阵，可通过公式（6）计算得到；

为无缺陷样本的加权离散度矩阵，可通过公式（7）计算得到；

${\mathrm{\μ}}_{\mathrm{weighted}}^1=\frac{1}{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p}\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p\·x_{p---\left(4\right)}$

其中，x_p为第p个有缺陷样本的m×n个组合图像特征；

${\mathrm{\μ}}_{\mathrm{weighted}}^2=\frac{1}{\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p}\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p\·x_p---\left(5\right)$

其中，x_q为第q个无缺陷样本的m×n个组合图像特征；

$S_{\mathrm{weighted}}^1=\frac{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p\·x_p\·x_p^T}{\underset{p=1}{\overset{N_1}{\mathrm{\Σ}}}{d}_p}-{\mathrm{\μ}}_{\mathrm{weighted}}^1\·{{\mathrm{\μ}}_{\mathrm{weighted}}^1}^T---\left(6\right)$

$S_{\mathrm{weighted}}^2=\frac{\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p\·x_p\·x_p^T}{\underset{p=1}{\overset{N_2}{\mathrm{\Σ}}}{d}_p}-{\mathrm{\μ}}_{\mathrm{weighted}}^2\·{{\mathrm{\μ}}_{\mathrm{weighted}}^2}^T---\left(7\right)$

步骤五、训练WLDA分类器；

使用步骤二中所述(L+K)个训练子集中的图像分别训练(L+K)个WLDA分类器；使用每个训练子集中的图像训练一个分类器，该训练子集中的有缺陷样本的数量为N₁；无缺陷样本的数量为N₂；其具体操作步骤如下：

步骤5.1：用符号t表示当前训练的WLDA弱分类器的编号，并设定t的初始值为1，则第t个WLDA弱分类器用符号h_t(x)表示；用符号w_t,s表示当前训练的WLDA弱分类器h_t(x)的每张输入样本的权值，1≤s≤(N₁+N₂)；当t=1时， $w_{1,s}=\frac{1}{N_1+N_2};$

步骤5.2：训练第t个弱分类器h_t(x)，具体过程如下：

步骤5.2.1：使用公式（8）对WLDA弱分类器h_t(x)的输入样本的权值w_t,s进行归一化处理；

$w_{t,s}=\frac{w_{t,s}}{\underset{s=1}{\overset{N_1+N_2}{\mathrm{\Σ}}}{w}_{t,s}}---\left(8\right)$

步骤5.2.2：将训练样本集中的每张小张印刷图像的第一个组合图像特征

输入到第一个WLDA特征弱分类器中；每张小张印刷图像的第二个组合图像特征

输入到第二个WLDA特征弱分类器中；以此类推，每张小张印刷图像的第m×n个组合图像特征输入到第m×n个WLDA特征弱分类器中；所述WLDA特征弱分类器的定义与WLDA弱分类器一样；

步骤5.2.3：分别使用m×n个WLDA特征弱分类器判别输入的组合图像特征是有缺陷样本还是无缺陷样本；

步骤5.2.4：根据步骤5.2.3的判别结果，以及样本预先给定的所属类别，计算各WLDA特征弱分类器的识别错误率，分别用符号ε_i,j表示；

步骤5.2.5：取出各WLDA特征弱分类器识别错误率ε_i,j中的最小值，用符号ε_t表示，将该最小值ε_t对应的WLDA特征弱分类器作为第t个WLDA弱分类器h_t(x)，同时用符号l_t记录各WLDA特征弱分类器识别错误率ε_i,j中的最小值ε_t对应的WLDA特征弱分类器的序号，1≤l_t≤m×n；

步骤5.2.6：用符号α_t表示WLDA弱分类器h_t(x)的权值，其值可通过公式（9）计算得到；

${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t}---\left(9\right)$

其中， ${\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t};$

步骤5.2.7：使t值自增1，然后判断t>T是否成立，如果成立，执行步骤5.3；否则，执行步骤5.2.8；

步骤5.2.8：使用公式（10）计算当前的WLDA弱分类器h_t(x)的输入样本的权值w_t,s，然后返回到步骤5.2.1；

$w_{t,s}=w_{t-1,s}\·{\mathrm{\β}}_{t-1}^{e_{t-1,s}}---\left(10\right)$

其中，e_t-1,s的值根据WLDA弱分类器h_t-1(x)对第s张输入样本的识别结果确定；当识别正确时，e_t-1,s的取值为1；当识别错误时，e_t-1,s的取值为0；

步骤5.3：此时得到包含T个WLDA弱分类器的WLDA分类器；

所述训练过程具体为：

步骤六、判断测试样本的小张印刷图像在印刷样张图像中的所属区域；

步骤七、针对步骤六中所述测试样本的小张印刷图像进行特征提取，得到m×n个混合图像特征，特征提取过程与步骤三中所述训练样本集中的小张印刷图像进行特征提取相同；

步骤八、根据步骤六得到的测试样本的小张印刷图像在印刷样张图像中的所属区域，使用该所属区域对应的WLDA分类器，用符号C(z)表示，判断测试样本的小张印刷图像是有缺陷图像还是无缺陷图像；具体为：

步骤8.1：将步骤七得到的测试样本的小张印刷图像的m×n个混合图像特征分别输入到WLDA分类器C(z)中；

步骤8.2：WLDA分类器C(z)中的每个WLDA弱分类器分别对测试样本的小张印刷图像的第l_t个混合图像特征进行判断，通过公式（11）得到最后的判断结果；

$C\left(z\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t{h}_t\left({z_l}_t\right)\≥\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\α}}_t\\ -1& \mathrm{otherwise}\end{array}\right.---\left(11\right)$

其中，z表示WLDA分类器C(z)的输入量，即测试样本的m×n个组合图像特征；zl_t表示WLDA分类器C(z)中第t个WLDA弱分类器h_t(x)对测试样本的第l_t个组合图像特征；

步骤8.3：当C(z)的值为1时，表示测试样本的小张印刷图像为有缺陷图像；当C(z)的值为-1时，表示测试样本的小张印刷图像为无缺陷图像。

Images