CN103778624A - 一种基于最优阈值分割的织物疵点检测方法 - Google Patents

Abstract

本发明公开了一种基于最优阈值分割的织物疵点检测方法，包括最佳阈值选取和图像分割两部分，最佳阈值选取具体包括以下几个步骤：步骤1.任选一灰度值作为分割阈值，步骤2.根据阈值，把图像分为两类，步骤3.求每一类图像的灰度均值和图像的灰度总均值，步骤4.求两类的类间方差及类内方差，步骤5.计算权值，步骤6.根据判别公式计算出最优的分割阈值。图像分割部分在前一部分的基础上进行，将图像中每一像素点的灰度值与最佳阈值比较，大于阈值的灰度值赋值为255，小于阈值的灰度值赋值为0，这样就可以将图像分为背景与目标两部分。本发明在分割阈值选取时，不但考虑像素类间方差，同时引入了类内距离，并采用权值进行加强，使算得的阈值更加精确能够准确地检测出织物图像的疵点，提高对复杂纹理图像的分割效果。

Description

一种基于最优阈值分割的织物疵点检测方法

技术领域

本发明涉及织物图像的疵点检测方法，具体涉及使用最优阈值分割方法对织物疵点图像进行疵点检测和定位，属于纺织品图像处理领域。 

背景技术

在纺织产品中，织物疵点是影响纺织品价格的重要因素。据市场调查，有疵点的产品的价格要降为正常产品价格的45%-53%。因此织物疵点检测是织物生产过程中的一个关键环节。传统的织物疵点检测是由人工完成的，人工检测速度慢，漏检、误检率高，而且检测结果受工人的主观影响大，不能满足实时检测的要求。 

近年来，随着计算机及图像处理技术的发展，基于计算机视觉的自动验布系统已逐步进入实际应用，国外主要产品有以色列Evs公司的I-TEX验布系统、比利时Barco公司的Cyclops在线布匹检测系统和瑞士Uster公司的Fabriscan验布系统等，国内主要有无锡动视科技有限公司和上海恒意得信息科技有限公司生产的织物疵点检测装置等。在工业生产过程中，布匹的生产速度快且表面纹理较为复杂，产品的质量易受光照等外在条件的影响，目前已有系统稳定性较差，实际应用中的适应能力和对疵点的识别能力也很有限。 

对于织物疵点检测装置，疵点检测算法是整个系统的核心，影响着系统的性能。实际上，对于织物疵点检测目的就是将织物图像分割为背景及疵点两部分，因此采用阈值分割技术有望解决这类问题。阈值分割方法的工作原理：用一个或几个阈值将图像的灰度级分为几部分，将隶属于同一部分的像素视为相同的区域，这样就可以把图像分成两个或多个区域。目前已有阈值分割方法分为：迭代法、双峰法、最大类间方差法、波谷强调法等。 

基于迭代法阈值分割技术首先将图像平均灰度设为初始阈值，将图像像素分为两部分，然后计算两部分各自的平均灰度，然后通过各自平均灰度求出全局阈值，再采用全局阈值对图像像素进行分类，重复以上过程，直至收敛，该类方法可以通过自动选取阈值，将图像分为目标和背景区域，然而图像细微处的区分度并不好（参考文献[1]:沈圆，李国勇.图像的阈值分割法设计[J].机械工程与自动化，2012，5：45-46；[2]:卜涛涛，卢超.图像分割算法研究[J].电脑知识与技术，2010，6(18)：1944-1946.）。双峰法根据图像灰度直方图的分布，选取波谷处的灰度值作为阈值对图像进行分割（参考文献[3]:杨修国.关于直方图双峰法的研究与改进[J].电子设计工程，2012，20（12）：176-179.），该类方法仅对背景简单、具有双峰分布的织物图像检测有效。最大类间方差法（参考文献[4]:Otsu,N..A threshold selection method from gray-level histograms.IEEE Transactions on Systems Man Cybernet SMC,1979,9(1):62-66.）将处于背景区域的像素值与处于目标区域的像素值分为两类，并试图找寻一个阈值，使得分割后两类像素值的类间方差最大，该类方法在具有明显波峰及波谷的图像上取得了较好的实验结果，但是对于具有较小的织物疵点或者背景纹理 较为的复杂的图像检测效果较差。Hui-Fuang Ng.（参考文献[6]:Hui-Fuang Ng.Automatic thresholding for defect detection[J].Pattern Recognition Letters，2006，27：1644–1649.）通过对图像直方图的观察，得出图像的最优分割阈值往往以较大概率出现在直方图的波谷位置（该像素值出现的概率较小）。该方法通过将像素类间方差判据公式乘以一个权值，对判据值进行加强，该权值为所求阈值出现的概率。如果权值较小，该值为最优阈值的可能性就越大，则乘以的权值较大；否则乘以的权值较小。该方法在有限的织物图像集上取得了较好的结果。由于该类方法仅考虑了类间方差，当织物图像纹理复杂或光照不均匀时，不能把疵点正确的分割出来。 

发明内容

本发明的目的是为了解决上述技术中存在的问题，提出一种基于最优阈值分割的织物疵点检测算法，该方法在阈值选取时，不但考虑像素类间方差，同时引入了类内距离，并采用权值进行加强，实现对织物疵点的正确检测，具有较强的适应性。算法包括两个阶段，具体如下： 

一：最优阈值选取 

具体包括以下几个步骤： 

步骤1.图像分类 

通过设定初始阈值T，把图像分为两类； 

步骤2.两类像素的灰度均值和整幅图像平均灰度计算 

设N_i是灰度值为i(f_min≤i≤f_max)的像素数，

为图像总的像素数，则各灰度级出现的概率为： 

$P\left(i\right)=\frac{N_i}{N}---\left(1\right)$

C₁类图像像素出现的概率为： 

$P_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\Σ}}}P\left(i\right)---\left(2\right)$

C₁类图像像素的均值： ${\mathrm{\μ}}_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\Σ}}}\frac{\mathrm{iP}\left(i\right)}{P_1}---\left(3\right)$

C₂类图像像素出现的概率为： 

$P_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\Σ}}}P\left(i\right)---\left(4\right)$

C₂类图像像素的均值： ${\mathrm{\μ}}_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\Σ}}}\frac{\mathrm{iP}\left(i\right)}{P_2}---\left(5\right)$

整幅图像平均灰度： $\mathrm{\μ}=\underset{i=f_{\min }}{\overset{f_{\max }}{\mathrm{\Σ}}}\mathrm{iP}\left(i\right)=P_1{\mathrm{\μ}}_1+{\mathrm{\μ}}_2{P}_2---\left(6\right)$

步骤3.C₁及C₂类像素灰度值的类间方差计算 

两类的类间方差计算公式如（9）所示： 

σ²(T)=P₁(μ-μ₁)²+P₂(μ-μ₂)²   （7） 

步骤4.C₁及C₂类像素灰度值的类内方差计算 

类内方差如下： 

第一类图像的类内方差为： $S_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1)}^2---\left(8\right)$

第二类图像的类内方差为： $S_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_2)}^2---\left(9\right)$

步骤5.最优阈值计算 

阈值的判决函数如公式（12）所示： 

$\mathrm{th}=\mathrm{Arg}\underset{f_{\min }\&le;T<f_{\max }}{\mathrm{Max}}\left\{\frac{(1-P\left(T\right))(P_1{(\mathrm{\&mu;}-{\mathrm{\&mu;}}_1)}^2+P_2{(\mathrm{\&mu;}-{\mathrm{\&mu;}}_2)}^2)}{S_1+S_2}\right\}---\left(10\right)$

由公式（12）可知，表达式

取值最大时对应的阈值，就是最优分割阈值。 

二：图像分割 

将图像中每一像素点的灰度值与最优分割阈值比较，大于阈值的灰度值赋值为255，小于阈值的灰度值赋值为0，这样就可以将织物图像分为背景及疵点两类。 

本发明的优点在于： 

（1）分割阈值选取时，不但考虑像素类间方差，同时引入了类内距离，并采用权值进行加强，使算得的阈值更加精确； 

（2）不仅适用于检测表面纹理简单的织物，也适用于检测纹理较为复杂的织物，扩大了算法的使用范围。 

附图说明

图1是本发明的织物疵点检测流程； 

图2a是原始疵点织物图像； 

图2b为最大类间法检测的结果； 

图2c为波谷强调法检测的结果； 

图2d为本发明所提算法检测的结果； 

图3a为原始光照不均—污点图像； 

图3b最大类间法检测的结果； 

图3c波谷强调法检测的结果； 

图3d本发明所提算法检测的结果； 

图4a为原始织物粗径图像； 

图4b为最大类间法检测的结果; 

图4c为波谷强调法检测的结果； 

图4d为本发明所提算法检测的结果。 

具体实施方式

以下是本发明结合附图和实施例的详细说明。 

本发明给出一种基于最优阈值分割的织物疵点检测算法，首先求出图像的灰度直方图，通过定初始阈值，将图像初步分为两类，然后根据波谷强调法求类间方差和权值，但是由实验知这样得到的判决函数有一个明显的缺点，就是没有考虑类内方差，所以本发明在选取分割阈值时进行了改进，不仅考虑了类间方差还考虑了类内方差，优化了阈值判决函数的性能。具体包括最佳阈值的选取和图像分割两部分，如下所示： 

一：最优阈值选取 

具体包括以下几个步骤： 

步骤1.图像分类 

通过设定初始阈值T，把图像f={f(x,y),1≤x≤M,1≤y≤N}分为两类，具体公式如（1）和（2）： 

C₁={f₁(x,y)|f_min≤f(x,y)≤T}  （1） 

C₂={f₂(x,y)|T+1≤f(x,y)≤f_max}   （2）其中，f_min和f_max为图像灰度最小和最大值，T为分类阈值，f_min+1≤T≤f_max-1，C₁表示第一类像素，C₂表示第二类像素； 

步骤2.两类像素的灰度均值和整幅图像平均灰度计算 

设Ni是灰度值为i(f_min≤i≤f_max)的像素数，

为图像总的像素数，则各灰度级 出现的概率为： 

$P\left(i\right)=\frac{N_i}{N}---\left(3\right)$

C₁类图像像素出现的概率为： 

$P_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right)---\left(4\right)$

C₁类图像像素的均值： ${\mathrm{\&mu;}}_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\&Sigma;}}}\frac{\mathrm{iP}\left(i\right)}{P_1}---\left(5\right)$

C₂类图像像素出现的概率为： 

$P_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}P\left(i\right)---\left(6\right)$

C₂类图像像素的均值： ${\mathrm{\&mu;}}_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}\frac{\mathrm{iP}\left(i\right)}{P_2}---\left(7\right)$

整幅图像平均灰度： $\mathrm{\&mu;}=\underset{i=f_{\min }}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}\mathrm{iP}\left(i\right)=P_1{\mathrm{\&mu;}}_1+{\mathrm{\&mu;}}_2{P}_2---\left(8\right)$

步骤3.C₁及C₂类像素灰度值的类间方差计算 

两类的类间方差计算公式如（9）所示： 

σ²(T)=P₁(μ-μ₁)²+P₂(μ-μ₂)²   （9） 

步骤4.C₁及C₂类像素灰度值的类内方差计算 

类内方差如下： 

第一类图像的类内方差为： $S_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&mu;}}_1)}^2---\left(10\right)$

第二类图像的类内方差为： $S_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&mu;}}_2)}^2---\left(11\right)$

步骤5.最优阈值计算 

阈值的判决函数如公式（12）所示： 

$\mathrm{th}=\mathrm{Arg}\underset{f_{\min }\&le;T<f_{\max }}{\mathrm{Max}}\left\{\frac{(1-P\left(T\right))(P_1{(\mathrm{\&mu;}-{\mathrm{\&mu;}}_1)}^2+P_2{(\mathrm{\&mu;}-{\mathrm{\&mu;}}_2)}^2)}{S_1+S_2}\right\}---\left(12\right)$

由公式（12）可知，表达式

取值最大时对应的阈值，就是最优分割阈值。 

二：图像分割 

将图像中每一像素点的灰度值与最优分割阈值比较，大于阈值的灰度值赋值为255，小于阈值的灰度值赋值为0，这样就可以将织物图像分为背景及疵点两类，如式（13）所示： 

$\left\{\begin{array}{c}f(x,y)<\mathrm{th},f(x,y)=0\\ f(x,y)\&GreaterEqual;\mathrm{th},f(x,y)=255\end{array}\right.---\left(13\right)$

其中，th为最优分割阈值。 

实施例： 

实施例中采用的样本图像为灰度图像（若为彩色图像，将其转换为灰度图像）。图2a、3a所示的织物样本都存在污点缺陷。织物样本2a受光照条件影响，图像明亮不均匀；织物样本3a除光照不均匀外，织物表面的纹理相对较复杂。用Otsu算法、波谷强调法和本文算法检测的结果分别如图2b、2c、2d和图3b、3c、3d所示。由图可知，对织物样本2a和3a，最大类间方差法和波谷强调法由于受光照、织物表面纹理复杂程度的影响，均不能正确地检测出疵点，而本发明所提算法能正确的检测出疵点。 

图4a所示的织物样本存在粗径疵点，织物表面纹理较复杂，而且还存在噪声。用Otsu算法、波谷强调法和本文算法检测的结果分别如图4b、4c、4d所示。由于目标图像与背景图像的灰度值之比较小，最大类间方差法检测不出织物疵点；受噪声、纹理复杂度的影响，波谷强调法检测结果完全错误；而本发明所提算法正确地检测出了疵点部分。 

Claims (1)

1.一种基于最优阈值分割的织物疵点检测方法，其特征在于，包括最优阈值选取和图像分割两部分，具体为：

一：最优阈值选取

具体包括以下几个步骤：

步骤1.图像分类

通过设定初始阈值T，把图像f={f(x,y),1≤x≤M,1≤y≤N}分为两类，具体公式如（1）和（2）：

C₁={f₁(x,y)|f_min≤f(x,y)≤T}    （1）

C₂={f₂(x,y)|T+1≤f(x,y)≤f_max}   （2）

其中，f_min和f_max为图像灰度最小和最大值，T为分类阈值，f_min+1≤T≤f_max-1，C₁表示第一类像素，C₂表示第二类像素；

步骤2.两类像素的灰度均值和整幅图像平均灰度计算

设Ni是灰度值为i(f_min≤i≤f_max)的像素数，

为图像总的像素数，则各灰度级出现的概率为：

$P\left(i\right)=\frac{N_i}{N}---\left(3\right)$

C₁类图像像素出现的概率为：

$P_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\&Sigma;}}}P\left(i\right)---\left(4\right)$

C₁类图像像素的均值： ${\mathrm{\&mu;}}_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\&Sigma;}}}\frac{\mathrm{iP}\left(t\right)}{P_1}---\left(5\right)$

C₂类图像像素出现的概率为：

$P_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}P\left(i\right)---\left(6\right)$

C₂类图像像素的均值： ${\mathrm{\&mu;}}_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}\frac{\mathrm{iP}\left(i\right)}{P_2}---\left(7\right)$

整幅图像平均灰度： $\mathrm{\&mu;}=\underset{i=f_{\min }}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}\mathrm{iP}\left(i\right)=P_1{\mathrm{\&mu;}}_1+{\mathrm{\&mu;}}_2{P}_2---\left(8\right)$

步骤3.C₁及C₂类像素灰度值的类间方差计算

两类的类间方差计算公式如（9）所示：

σ²(T)=P₁(μ-μ₁)²+P₂(μ-μ₂)²    （9）

步骤4.C₁及C₂类像素灰度值的类内方差计算

类内方差如下：

第一类图像的类内方差为： $S_1=\underset{i=f_{\min }}{\overset{T}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&mu;}}_1)}^2---\left(10\right)$

第二类图像的类内方差为： $S_2=\underset{i=T+1}{\overset{f_{\max }}{\mathrm{\&Sigma;}}}{(i-{\mathrm{\&mu;}}_2)}^2---\left(11\right)$

步骤5.最优阈值计算

阈值的判决函数如公式（12）所示：

$\mathrm{th}=\mathrm{Arg}\underset{f_{\min }\&le;T<f_{\max }}{\mathrm{Max}}\left\{\frac{(1-P\left(T\right))(P_1{(\mathrm{\&mu;}-{\mathrm{\&mu;}}_1)}^2+P_2{(\mathrm{\&mu;}-{\mathrm{\&mu;}}_2)}^2)}{S_1+S_2}\right\}---\left(12\right)$

由公式（12）可知，表达式

取值最大时对应的阈值，就是最优分割阈值；

二：图像分割

将图像中每一像素点的灰度值与最优分割阈值比较，大于阈值的灰度值赋值为255，小于阈值的灰度值赋值为0，这样就可以将织物图像分为背景及疵点两类，如式（13）所示：

$\left\{\begin{array}{c}f(x,y)<\mathrm{th},f(x,y)=0\\ f(x,y)\&GreaterEqual;\mathrm{th},f(x,y)=255\end{array}\right.---\left(13\right)$

其中，th为最优分割阈值。

Images