CN104778692B - 一种基于稀疏表示系数优化的织物疵点检测方法 - Google Patents

Abstract

本发明公开了一种基于稀疏表示系数优化的织物疵点检测方法，包括自适应字典库学习、稀疏系数矩阵优化和图像重构、视觉显著图的生成及其分割，对图像进行分块，进行自适应字典库学习并得到字典库；用L2范数最小化方法求得稀疏表示系数矩阵，对所得矩阵中异常系数元素进行优化；利用所得字典库和优化后的稀疏表示系数矩阵重构织物图像，并与待测图像做残差得到残差显著图；采用最大熵阈值分割方法对显著图分割，得到织物疵点检测结果。本发明综合考虑织物纹理特征的随机性和疵点种类的多样性，采用待测织物图像作为字典库学习样本和疵点区域检测参考，具有较高的检测精度；且不需要提取任何疵点信息，自适应能力强；计算速度较快，适合在线检测。

Description

一种基于稀疏表示系数优化的织物疵点检测方法

技术领域

本发明属于纺织品图像处理的技术领域，具体涉及一种使用图像的稀疏性表示方法和显著性分析方法对织物疵点图像进行疵点的检测和定位的方法。

背景技术

织物疵点检测是纺织品质量控制和管理的一个关键环节。随着集成电路和图像处理技术的飞速发展，机器视觉已经在工业表面检测领域中得到了越来越广泛的应用，以计算机视觉来代替人工操作不仅可以提高检测速度，降低劳动成本，而且通过布匹疵点自动检测系统可以为布匹质量等级的评定提供双方可信的参考标准，有利于国际贸易的往来。织物疵点检测与判别算法是该类系统的核心环节，直接影响着系统的性能。

目前，提出的织物疵点检测算法主要以传统统计学习及频谱分析为基础，可以分为基于特征提取和基于非特征提取的两类方法。基于特征提取的方法从织物图像的空域或频域提取有效的织物特征或疵点特征，从而利用特征差异区分织物异常部分和正常织物的纹理。空域方法包括邻域信息、灰度共生矩阵和奇异值分解等方法；频域方法包括傅里叶变换、小波变换、Gabor变换等方法。由于织物纹理和疵点的多样性，基于特征提取的方法所提取特征难以适应不同种类的织物及疵点，自适应性不强。基于非特征提取的方法中，Gabor滤波是最有效的方法。Gabor滤波方法无需直接提取织物纹理和疵点特征，利用一系行优化后的Gabor滤波器，直接将疵点从滤波后的图像中提取出来。然而，该方法检测结果依赖于滤波器和特定的织物纹理及疵点特征的匹配准度，且滤波器的参数选择非常复杂。

基于频谱分析的方法可以弥补这些缺点，将图像变换到频域可以更好地描述图像的整体特性，从而有效地检测织物疵点(参考文献[2]:A.Serdaroglu,A.ErtuzunandA.Ercil,Defect detection in textile fabric images using wavelettransforms and independent component analysis,Pattern Recognit.Image Anal.,16(1):61-64,2006.)。常用的方法有傅立叶变换、小波变换和Gabor变换等。该类方法计算复杂度较高且滤波器组选择对结果影响较大。

基于复杂统计模型的方法通常假定纹理是某种模型下的一个样本，通过学习的方法估计出该模型的参数，再利用假设检验的方法测试待检图像是否符合该参数下的纹理模型(参考文献[3]:Y.Zhang,Z.Luand J.Li,Fabric defect classification using radialbasis function network,Pattern Recognition Letters,31(13):2033-2042,2010.)。用于疵点检测的纹理模型主要有高斯马尔科夫随机场、小波域隐马尔科夫树模型等,相应的学习方法主要有三层后向传播网络、高斯核的径向基函数等。基于统计模型的方法虽然能很好地描述织物图像的纹理信息，但计算量通常很大，而且实现复杂，特别是在线学习尤为困难，识别面积较小的疵点能力较差。

目前提出的算法在一定程度上达到了疵点检测目的，但仍有许多共性的问题和新问题仍然未得到解决或仍待进一步研究：1)布匹种类较多，造成表面纹理多样化(譬如：斜纹、花纹等)，大部分算法对纹理比较简单的布匹检测效果好，而对复杂纹理的织物检测效果较差，不能有效地把疵点与背景分离开来；2)织物疵点种类较多，有横裆疵、斜纹疵、弓弧、断纬疵、斑点疵、扭结纱疵等90多种，目前的检测算法一般只能检测特定的几种疵点类型，且检测精度有待提高。

近年来，基于稀疏表示的图像处理方法得到了快速的发展和较好的应用成果。基于稀疏表示的织物疵点检测方法中，首先，通过稀疏表示原理和L1范数最小化从待测织物图像中学习出字典库；然后，利用字典库求解出稀疏表示系数矩阵，重构出只包括正常织物纹理的重构图像；将重构图像与将测试图像相减，突出残差图像中的疵点区域，应用阈值分割定位出织物疵点。周健等人所提方法[文献[1]，Zhou J,Wang J.Fabric defectdetection using adaptive dictionaries[J].Textile Research Journal,2013:0040517513478451.]直接从待测织物图像中学习出小型字典库，且对字典库原子进行了受限优化。该方法可重构出不同织物的纹理图像，具有较高自适应特性；然而，该技术应用于花纹织物词典检测中时，所训练出得字典库难以准确表示正常纹理，原织物重构误差较大，导致误检、漏检等情况出现。

发明内容

本发明的目的是为了解决上述现有技术存在的技术问题，提供一种基于稀疏表示系数优化的织物疵点检测方法，实现了对织物图像疵点的有效检测与定位，且具有较高的检测精度。

为了达到上述目的，本发明的技术方案是：一种基于稀疏表示系数优化的织物疵点检测方法，包括自适应字典库学习、稀疏系数矩阵优化和图像重构、残差显著图的生成及其分割，其步骤为：

一、自适应字典库学习

包括以下两个步骤：

步骤1.织物图像的分块

将大小为n×n的待测织物图像y分割为n个大小相同的图像块，并展开每个图像块为n×1的列向量，组合列向量为矩阵A＝[A₁,A₂,...,A_n],A_i∈R^n×1，i＝1,…,n，R为实数集；

步骤2.字典库学习

对矩阵A进行学习，得到用于其稀疏性表示的字典库D，具体方法如下式：

其中,D＝[d₁,d₂,...,d_k]是从矩阵A中学习出的字典库，d_j∈R^n×1含有n个元素的列向量是字典库D中的任一库原子，α_l是对矩阵A用字典库D表示的稀疏系数矩阵，λ是正则化参数；

二、稀疏系数矩阵优化和图像重构

包括以下几个步骤：

步骤1.通过对织物图像稀疏表示，可以得到用字典库D表示的待测织物图像y的稀疏表示系数矩阵α，求解稀疏表示系数矩阵α方法是求解如下式所示的L-2范数问题：

步骤2.将稀疏表示系数矩阵α进行优化，具体的优化方法如下式：

其中，μ_i和σ_i分别表示稀疏表示系数矩阵α中第i行的均值与方差，γ是决定系数元素是否需要被优化的常数；

步骤3.利用优化得到的系数矩阵α^*与自适应字典库D重构待测织物图像y的重构图像重构方法如下式：

y_r ^*＝Dα^* (4)

三、视觉显著图的生成与分割

步骤1.视觉显著图的生成

将重构图像与原待测织物图像y做残差，生成视觉显著图y_c，如下式：

步骤2.视觉显著图的分割

选取最大熵阈值分割方法对视觉显著图y_c分割，实现对织物疵点区域的检测与定位，其熵的判别函数定义如下式：

Φ(s,t)＝lg[P_MP_N]+H_M/P_M+(H_L-H_M)/P_N (6)

其中，H代表熵的大小，M为疵点区域，N为正常纹理区域，L是灰度级数，其中，P_M为疵点区域占图像的比例，P_N为正常区域的比例，P_M＝1-P_N，且：

其中，p_i,j为视觉显著图y_c中点灰度-区域灰度均值对(i,j)发生的概率，s为其灰度大小，t为其邻域均值大小，选取最佳阈值向量(s^*,t^*)满足：

从而，利用

将疵点从视觉显著图y_c中分割出来，得到检测结果。

本发明的有益效果为：

(1)本发明综合考虑织物纹理特征的随机性和疵点种类的多样性，采用待测织物图像作为字典库学习样本和疵点区域检测参考，仅提取织物的正常纹理和整体上下文主要信息，不考虑织物疵点对正常纹理区域的影响，有效地完成了织物疵点的检测与定位，具有较高的检测精度。

(2)本发明不需要提取任何疵点信息，不需要参考样本，自适应性和鲁棒性较强。

(3)本发明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；且计算速度较快，适合在线检测。

附图说明

图1为本发明的原理流程图。

图2是原始待测疵点图像。

图3是稀疏表示系数矩阵优化前的织物重构图像。

图4是稀疏表示系数矩阵优化后的织物重构图像。

图5是采用文献[16]的检测结果。

图6为采用文献[1]的检测结果。

图7为本发明的检测结果。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

一种基于稀疏表示系数优化的织物疵点检测方法，如图1所示，首先将n×n的图像分为大小相同的的图像块，其中n一般取64、256、1024等能被开方的整数，本文n取256；然后针对每个图像块，将其灰度值矩阵按列向量依次展开为n×1的列向量，并将每个图像块的列向量合并为一个新的n×n的矩阵；利用稀疏性表示方法，对织物图像学习出自适应字典库D；用L-2范数最小化，求解出稀疏表示系数矩阵α，并对稀疏表示系数矩阵α的元素进行优化；用优化后的系数矩阵α^*和字典库D重构出原待测图像，并与待测图像做残差；最后，用最大熵阈值分割算法对残差图像进行分割，定位疵点区域。本发明从待测织物图像中学习出字典库，解出稀疏表示系数矩阵，通过与正常系数矩阵比较分析，对系数矩阵进行优化；利用字典库和已优化的系数矩阵重构出不含疵点区域的正常纹理图像，并与待测织物图像做差，得到残差图像；最后，利用最大熵阈值方法对残差图像的疵点区域和织物纹理背景进行分割。具体包括三个阶段，分别为：

一：自适应字典库学习

具体包括以下两个步骤：

步骤1.织物图像的分块

将大小为n×n的待测含疵点织物图像y分为n个大小相同的图像块，并展开每个图像块为n×1的列向量。n个图像块的列向量组合为矩阵A＝[A₁,A₂,...,A_n],A_i∈R^{n ×1}，R为实数集。由于待测含疵点织物图像y为稀疏图像，因此矩阵A可以稀疏表示。为了得到矩阵A的频域表示系数，需要找到一个字典库D＝[d₁,d₂,...,d_k],d_j∈Rⁿ(j＝1,…,k)，其中字典库D的每列d_j是一个含有n个元素的列向量，其可以用来表示矩阵A中的每一列A_i(i＝1,…,n)。

步骤2.字典库学习

对矩阵A进行学习，得到用于其稀疏性表示的字典库D，具体方法如下式：

其中，D是从待测含疵点织物图像y中学习出的字典库，α_L是对分块后的矩阵A学习过程中的系数矩阵，d_j表示字典库D中的任一库原子，是对学习字典库D的限定条件，避免学习出的字典基中有过大或过小的原子出现。本文选取256×256的织物图像，因此字典库D的尺寸大小k取4较合适；如果织物图像的尺寸增大，则k的值需要适当增大来适应织物图像的纹理复杂程度。

二：稀疏系数矩阵优化和图像重构

具体包括以下几个步骤：

步骤1.待检测织物图像y的纹理信息y_i可用学习得到的字典库D表示。考虑到重构误差对检测结果的影响，本文没有直接利用学习过程中的系数矩阵α_l。而是，通过对织物图像稀疏表示，得到用字典库D表示的待检测织物图像y的稀疏表示系数矩阵α，求解稀疏表示系数矩阵α方法是求解如下式所示的L-2范数问题：

步骤2.将稀疏表示系数矩阵α进行优化，使得稀疏表示系数矩阵α中的元素回归正常的范围，具体的优化方法如下式：

其中，μ_i和σ_i分别是稀疏表示系数矩阵α中第i行的均值与方差，γ是决定系数元素是否需要被优化的常数。

步骤3.利用优化得到的系数矩阵α^*与自适应字典库D重构待测织物图像y的重构图像重构图像与正常图像更接近。重构方法如下式：

y_r ^*＝Dα^* (4)

三：视觉显著图的生成与分割

步骤1.视觉显著图的生成

得到重构图像后，将其与原待测织物图像y做残差，生成视觉显著图y_c，如下式：

步骤2.视觉显著图的分割

本发明选取最大熵阈值分割方法对视觉显著图y_c分割，实现对织物疵点区域的检测与定位，得到较好的检测结果。熵的判别函数定义如下式：

Φ(s,t)＝lg[P_MP_N]+H_M/P_M+(H_L-H_M)/P_N (6)

其中，H代表熵的大小，M为疵点区域，N为正常纹理区域，L是灰度级数，其中，P_M为疵点区域占图像的比例，P_N为正常区域的比例，P_M＝1-P_N，且：

其中，p_i,j为视觉显著图y_c中点灰度-区域灰度均值对(i,j)发生的概率，s为其灰度大小，t为其邻域均值大小，选取最佳阈值向量(s^*,t^*)满足，

从而，用下式将疵点从视觉显著图y_c中分割出来，得到检测结果。

实施例：

实施例中采用织物图像库中常见疵点图像进行实验，包括漏纱、破损、纬松、跳花、结头等的图像。其图像的大小为256×256，选用部分图像如图2中的(a)-(f)所示。在实施例中，k取值为4，公式(1)中λ取值为0.05，公式(3)中γ取值为1.5。采用利用优化前后的稀疏表示系数矩阵α、α^*和字典库D重构待测织物图像，其结果分别如图3中的(a)-(f)和图4中的(a)-(f)所示。由图3中(a)-(f)和图4中(a)-(f)分别一一对比可知，利用稀疏表示系数矩阵α重构的图像即图3中(a)-(f)中含有较为明显的疵点区域，利用优化后的稀疏表示系数矩阵α^*得到的图4中(a)-(f)的重构图像基本呈正常织物图像。因此，稀疏表示系数矩阵优化后的方法较前者效果好。

图5和图6、图7分别是文献[16](Liu Zhoufeng,Wang Jiuge,Zhao Quanjun,LiChunlei.A fabric defect detection algorithm based on improved valley-emphasismethod,International Journal of Computer Science Issues,2013)、文献[1](Zhou J,Wang J.Fabric defect detection using adaptive dictionaries[J].TextileResearch Journal,2013:0040517513478451.)和本发明对图2中(a)-(f)6幅图像的检测结果。可以观察出，文献[16]的检测效果中图5(c)和图5(e)较差，突出疵点区域与实际疵点有一定的差距；文献[1]的整体检测效果不如本发明的检测结果，突出疵点区域与实际疵点有一定的差距。

综上所述，本发明较准确地描述了织物的正常纹理，用正常纹理重构待测织物图像，得到原图与重构图像的残差显著图，并用最大熵阈值方法对显著图分割。如图7中(a)-(f)分别是对图2中(a)-(f)中的6幅图像生成的视觉显著图，由此可知，本发明能很好地凸显疵点区域。因此，本发明能够精确地分割出疵点区域。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于稀疏表示系数优化的织物疵点检测方法，其特征在于包括自适应字典库学习、稀疏系数矩阵优化和图像重构、视觉显著图像的生成及其分割，其步骤具体为：

一、自适应字典库学习

包括以下两个步骤：

步骤1.织物图像的分块

将大小为n×n的待测织物图像y分割为n个大小相同的图像块，并展开每个图像块为n×1的列向量，组合列向量为矩阵A＝[A₁,A₂,...,A_n],A_i∈R^n×1，i＝1,…,n，R为实数集；

步骤2.字典库学习

对矩阵A进行学习，得到用于其稀疏性表示的字典库D，具体方法如下式：

其中,D＝[d₁,d₂,...,d_k]是从矩阵A中学习出的字典库，d_j∈R^n×1，j＝1,…,k含有n个元素的列向量是字典库D中的任一库原子，α_l是对矩阵A用字典库D表示的稀疏系数矩阵，λ是正则化参数；

二、稀疏系数矩阵优化和图像重构

包括以下几个步骤：

步骤1.通过对织物图像稀疏表示，可以得到用字典库D表示的待测织物图像y的稀疏表示系数矩阵α，求解稀疏表示系数矩阵α方法是求解如下式所示的L-2范数问题：

步骤2.将稀疏表示系数矩阵α进行优化，具体的优化方法如下式：

其中，μ_i和σ_i分别表示稀疏表示系数矩阵α中第i行的均值与方差，γ是决定系数元素是否需要被优化的常数；

步骤3.利用优化得到的系数矩阵α^*与自适应字典库D重构待测织物图像y的重构图像重构方法如下式：

y_r ^*＝Dα^* (4)

三、视觉显著图的生成与分割

步骤1.视觉显著图的生成

将重构图像与原待测织物图像y做残差，生成视觉显著图y_c，如下式：

步骤2.视觉显著图的分割

选取最大熵阈值分割方法对视觉显著图y_c分割，实现对织物疵点区域的检测与定位，其熵的判别函数定义如下式：

Φ(s,t)＝lg[P_MP_N]+H_M/P_M+(H_L-H_M)/P_N (6)

其中，H代表熵的大小，M为疵点区域，N为正常纹理区域，L是灰度级数，P_M为疵点区域占图像的比例，P_N为正常区域的比例，P_M＝1-P_N，且：

其中，p_i,j为视觉显著图y_c中点灰度-区域灰度均值对(i,j)发生的概率，s为其灰度大小，t为其邻域均值大小，选取最佳阈值向量(s^*,t^*)满足：

从而，利用

将疵点从视觉显著图y_c中分割出来，得到检测结果。