CN105277567A - 一种织物瑕疵检测方法 - Google Patents

Abstract

本发明涉及一种织物瑕疵检测方法，首先为了充分利用特征空间、有效提取图像特征，构建了一种非线性灰度共生矩阵特征，然后通过对无瑕疵织物图像的学习获得非线性灰度共生矩阵特征提取的最优尺度方向参数以及自适应的瑕疵分割阈值，最后采用所获得的参数提取待检测图像的特征，通过特征相似性距离度量定位瑕疵区域。本发明方法能有效定位织物瑕疵区域，且受噪声干扰小。

Description

一种织物瑕疵检测方法

技术领域

本发明涉及机器视觉与视频图像处理技术领域，具体为一种织物瑕疵检测方法。

背景技术

通过人工视觉来对完成对织物瑕疵检测的方法存着工作量大、漏检率高、误检率高、受主观感觉影响等多种问题，基于机器视觉的织物瑕疵自动检测能有效解决这一问题。为区分瑕疵和非瑕疵区域，对织物图像采用合适的特征描述是关键问题。

从频域提取织物图像特征的方法如小波变换、傅里叶变换、Gabor滤波等，先将图像分解到所定义的各个频域子带，通过子带系数的差异区分瑕疵区域。从空域提取特征的方法如局部二值模式(LocalBinaryPattern,LBP)、邻域统计特征(均值、方差、熵)、邻域灰度排列、纹理图案规则性特征等，直接利用待检像素邻域的灰度统计特征构成特征向量，利用相似性距离度量或者分类器定位瑕疵区域。为有效准确检测织物瑕疵，选取的特征提取算法都要求应当能够保证将瑕疵和非瑕疵图像转换到该特征空间后，二者的特征分布区分度足够明显，否则极易受到噪声干扰，产生误检漏检，导致瑕疵区域定位不准。灰度共生矩阵GLCM(GrayLevelCo-occurrenceMatrix)特征是一种描述图像灰度的空间相关性特征的算法，由于织物纹理图像往往体现出较强的空间相关性，而瑕疵往往会破坏空间相关性，因此很适宜采用GLCM特征进行检测。但是现有基于GLCM特征的方法普遍采用线性量化，导致生成的GLCM矩阵十分稀疏、特征空间利用不充分，并且，GLCM特征生成过程中采用的尺度和方向参数往往人为设定，不能达到最优。

发明内容

本发明要解决的问题是：现有通过机器视觉进行织物瑕疵检测的方法易受噪声干扰，往往产生误检或漏检，定位不准；现有基于GLCM特征的瑕疵检测方法存在特征空间利用不充分、参数设定不能达到最优等缺点；进一步的，现有用于分割瑕疵的阈值往往人为设定，影响算法自动化程度。

本发明的技术方案为：一种织物瑕疵检测方法，采用非线性灰度共生矩阵GLCM作为特征描述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤：非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映射函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性GLCM特征向量相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性GLCM特征向量和自适应的二值化阈值；在检测阶段，对待检测织物图像采用最优尺度方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵区域。

具体步骤如下：

1)非线性映射函数求取：对无瑕疵图像A，采用直方图均衡化算法，获得非线性映射函数T，在函数T作用下，图像A的直方图分布变为均匀分布；

2)最优参数学习：对大小为W*H的图像A中每一像素(x,y)，以(x,y)为中心，提取大小为dw*dh的图像块B，计算图像块B在参数下的非线性GLCM特征向量其中s、d为整数，且1≤s≤S，1≤d≤D，S、D为用户自定义的尺度范围和方向数；计算的均值作为参考特征向量计算 与参考特征向量的相似性距离计算的均方差作为最优尺度方向参数的评价标准，选取均方差最小时的尺度s和方向参数d作为最优尺度s_op和最优方向d_op，同时以所述最优尺度方向参数下的参考特征向量作为瑕疵检测步骤中的参考特征向量R_sop ^dop，并利用该最优尺度方向参数下的的均方差和均值构建瑕疵检测步骤中的自适应二值化阈值TH_Γ；

3)瑕疵检测：对待检测图像的每个像素(x,y)，选择以该像素为中心的dw*dh的图像块，计算其在最优参数P_sop ^dop＝[2s_op*cos(d_op*π/D),2s_op*sin(d_op*π/D)]下的非线性GLCM特征向量V(x,y)，计算V(x,y)与R_sop ^dop之间的特征向量相似性距离，获得相似性距离分布图，通过阈值TH_Γ对相似性距离分布图二值化，定位瑕疵区域。

步骤1)中的非线性映射函数T的求取方法为：

$r_k=T\left(k\right)=255\×\mathrm{floor}\left(\underset{h=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_h}{n}\right)---\left(1\right)$

其中，floor()函数表示取整，k为映射前的图像灰度值，r_k为映射后与k对应的图像灰度值，r_k、k均为整数，且0≤r_k≤255，0≤k≤255，n_h为映射前图像A中灰度为h的像素的数目，n为图像A总的像素数目。

步骤2)中获得非线性GLCM特征向量方法为：

i.利用非线性映射函数T对图像块B进行灰度映射；

ii.将映射后的图像块B的灰度线性量化为N级，创建N*N的矩阵G，G矩阵中坐标(i,j)处的数值为图像块B中空间相对位置为且量化灰度为(i,j)的像素对的数目，即

$\begin{array}{c}G(i,j)=\mathrm{num}\left(\mathrm{Set}\right)\\ \mathrm{Set}=\{(B(u,v),B(u+P_s^d\left(1\right),v+P_s^d\left(2\right))|B(u,v)=i,B(u+P_s^d\left(1\right),v+P_s^d\left(2\right))=j\}\end{array}---\left(2\right)$

其中，num()函数表示求取集合Set的元素数目，u、v为图像块B中的像素坐标；iii.求取归一化的GLCM矩阵：

$G_n(i,j)=G(i,j)/\underset{i,j}{\mathrm{\Σ}}G(i,j)---\left(3\right)$

将矩阵G_n所有的列首尾相接变为向量形式

步骤2)中参考特征向量相似性距离的均方差和均值的求取方法分别为：

$R_s^d=\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\underset{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}{\mathrm{\Σ}}}\frac{V_s^d(x,y)}{(W-\mathrm{dw})\×(H-\mathrm{dh})}---\left(4\right)$

${\mathrm{\Γ}}_s^d(x,y)=\left|\right|V_s^d(x,y)-R_s^d\left|\right|---\left(5\right)$

${\mathrm{\σ}}_s^d=\sqrt{\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\underset{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}{\mathrm{\Σ}}}\frac{{({\mathrm{\Γ}}_s^d(x,y)-{\mathrm{\μ}}_s^d)}^2}{(W-\mathrm{dw})\×(H-\mathrm{dh})}}---\left(6\right)$

${\mathrm{\μ}}_s^d=\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\underset{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}{\mathrm{\Σ}}}\frac{{\mathrm{\Γ}}_s^d(x,y)}{(W-\mathrm{dw})\×(H-\mathrm{dh})}---\left(7\right).$

步骤2)中自适应二值化阈值TH_Γ计算方法为：TH_Γ＝μ_sop ^dop+5×σ_sop ^dop。

步骤3)具体为：

a)对待检测图像的每个像素(x,y)构建非线性GLCM特征向量，选择以该像素为中心的dw*dh的图像块，计算其在最优参数P_sop ^dop＝[2s_op*cos(d_op*π/D),2s_op*sin(d_op*π/D)]下的非线性GLCM特征向量V(x,y)，该特征向量生成方法与最优参数学习阶段特征向量的生成方法一致；

b)计算V(x,y)与R_sop ^dop之间的特征向量相似性距离Γ(x,y)＝||V(x,y)-R_sop ^dop||，获得相似性距离分布图；

c)根据阈值TH_Γ对相似性距离分布图二值化，定位瑕疵区域。

本发明提出采用一种非线性灰度共生矩阵特征描述织物纹理以充分利用特征空间，有效提取图像特征。在利用GLCM算法的基础上，针对GLCM算法在织物瑕疵检测的具体应用进行了优化，克服了现有GLCM在应用时的缺陷，实现将GLCM算法的优点应用至织物瑕疵检测。得益于GLCM本身对噪声的抗干扰能力以及本发明所提的自适应的二值化阈值，在未进行形态学滤波去噪的情况下，本发明方法也能获得十分准确的瑕疵区域定位结果。其创新点在于：1)针对一般GLCM特征计算过程中线性量化导致生成的GLCM矩阵十分稀疏、特征空间利用不充分的缺点，提出一种非线性GLCM特征提取算法以获得鲁棒的图像特征；2)构建了一种最优尺度和方向参数学习方法，利用该最优尺度和方向参数进行特征提取能够最大程度凸显瑕疵区域和非瑕疵区域的特征差别；3)构建了一种自适应的瑕疵分割二值化阈值确定方法，十分有利于实际生产过程中的自动化检测。

附图说明

图1为本发明方法的流程框图。

图2为本发明实施例待检测织物图像。

图3为本发明实施例非线性GLCM特征向量相似性距离分布图。

图4为本发明实施例瑕疵检测结果图。

具体实施方式

本发明方法主要包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤。具体实施方式如下：

1、非线性映射函数求取阶段

对于织物图像，灰度往往集中分布于某一区间，而非均匀分布于整个灰度空间，如果采用一般GLCM特征提取方式则将进行的是线性量化，大批量化值没有或者很少被使用，导致生成的GLCM矩阵十分稀疏，不能充分体现图像纹理特征。本发明提出非线性GLCM特征提取，基本思想是根据灰度出现概率进行量化，高概率灰度区间细量化，低概率灰度区间粗量化，如此可以有效的提取图像特征。实际操作时，这一思想可以转变为先对图像灰度值进行非线性映射，再进行线性量化。考虑到直方图均衡化可以有效的实现集中分布灰度区间向平均分布灰度区间的转化，因此可以利用直方图均衡化获得非线性映射函数。具体方法为对无瑕疵图像A，采用直方图均衡化算法，获得非线性映射函数T，在该函数作用下，图像A的直方图分布变为均匀分布，T的具体形式为：

$r_k=T\left(k\right)=255\×\mathrm{floor}\left(\underset{h=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_h}{n}\right)---\left(1\right)$

其中，floor()函数表示取整，k为映射前的图像灰度值，r_k为映射后与k对应的图像灰度值，r_k、k均为整数，且0≤r_k≤255，0≤k≤255，n_h为映射前图像A中灰度为h的像素的数目，n为图像A总的像素数目。

2、最优参数学习阶段

计算无瑕疵图像A在不同方向尺度参数下的非线性GLCM特征向量相似性距离分布图，通过最小方差原则选择最优尺度和方向参数并获得参考非线性GLCM特征向量和自适应的二值化阈值。

a)选取无瑕疵图像A，大小为W*H，设定用于计算非线性GLCM特征的图像块大小为dw*dh。dw、dh具体数值可由用户自定义，但若dw、dh与当前纹理特征的水平、垂直周期长度相近时效果更佳。

b)对图像A中每一像素(x,y)，以(x,y)为中心，提取大小为dw*dh的图像块B，计算其在参数下的非线性GLCM矩阵并形成特征向量 是GLCM算法里的一个二维参数，其中s、d为整数，且1≤s≤S，1≤d≤D，S、D为用户自定义的尺度范围和方向数。非线性GLCM特征向量提取方法为：

i.利用非线性映射函数T对B进行灰度映射；

ii.将映射后的图像块B的灰度线性量化为N级，创建N*N的矩阵G，G矩阵中(i,j)处的数值为图像块B中空间相对位置为且量化灰度为(i,j)的像素对的数目，即

$\begin{array}{c}G(i,j)=\mathrm{num}\left(\mathrm{Set}\right)\\ \mathrm{Set}=\{(B(u,v),B(u+P_s^d\left(1\right),v+P_s^d\left(2\right))|B(u,v)=i,B(u+P_s^d\left(1\right),v+P_s^d\left(2\right))=j\}\end{array}---\left(2\right)$

空间相对位置是指两个像素点的坐标差值，由于是一个二维参数，和分别代表的第一维和第二维数据。

其中，num()函数表示求取集合Set的元素数目，u、v为图像块B中的像素坐标。

iii.为保证所获得的非线性GLCM特征向量具有统一可比性，将其归一化：

$G_n(i,j)=G(i,j)/\underset{i,j}{\mathrm{\Σ}}G(i,j)---\left(3\right)$

iv.将矩阵G_n所有的列首尾相接变为向量形式

c)计算的均值作为参考特征向量

$R_s^d=\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\underset{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}{\mathrm{\Σ}}}\frac{V_s^d(x,y)}{(W-\mathrm{dw})\×(H-\mathrm{dh})}---\left(4\right)$

d)计算与参考特征向量的相似性距离

${\mathrm{\Γ}}_s^d(x,y)=\left|\right|V_s^d(x,y)-R_s^d\left|\right|---\left(5\right)$

e)对无瑕疵织物图像来说，各处纹理特征具有周期重复性，距离应当不受(x,y)位置变化的影响，因此采用的均方差作为最优尺度方向参数的评价标准：

${\mathrm{\σ}}_s^d=\sqrt{\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\underset{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}{\mathrm{\Σ}}}\frac{{({\mathrm{\Γ}}_s^d(x,y)-{\mathrm{\μ}}_s^d)}^2}{(W-\mathrm{dw})\×(H-\mathrm{dh})}}---\left(6\right)$

${\mathrm{\μ}}_s^d=\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\underset{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}{\mathrm{\Σ}}}\frac{{\mathrm{\Γ}}_s^d(x,y)}{(W-\mathrm{dw})\×(H-\mathrm{dh})}---\left(7\right)$

f)由于1≤s≤S,1≤d≤D，因此共有D*S个选取均方差最小时的尺度s和方向参数d作为最优尺度s_op和最优方向d_op，同时以该最优尺度方向参数下的参考特征向量作为瑕疵检测步骤中的参考特征向量R_sop ^dop，并利用该最优尺度和方向参数下的的均方差和均值构建瑕疵检测步骤中的自适应二值化阈值TH_Γ＝μ_sop ^dop+5×σ_sop ^dop。

3、瑕疵检测阶段：

采用最优尺度方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵。

a)对待检测图像的每个像素(x,y)构建非线性GLCM特征向量，具体方式为：选择以该像素为中心的dw*dh的图像块，计算其在最优参数P_sop ^dop＝[2s_op*cos(d_op*π/D),2s_op*sin(d_op*π/D)]下的非线性GLCM矩阵并形成特征向量V(x,y)，该特征向量生成方法与最优参数学习阶段特征向量的生成方法一致；

b)计算V(x,y)与R_sop ^dop之间的特征向量相似性距离Γ(x,y)＝||V(x,y)-R_sop ^dop||，获得相似性距离分布图；

c)设定阈值TH_Γ对相似性距离分布图二值化，定位瑕疵区域。

图2、3、4为本发明实施效果图，其中量化级数N取8，尺度范围S取5，方向数D取4。图3(a)、(b)、(c)、(d)分别是图2(a)、(b)、(c)、(d)的非线性GLCM特征向量相似性距离分布图。由图可见，采用本发明方法，瑕疵区域的特征向量相似性距离明显高于非瑕疵区域，说明本发明所采用的特征提取方法能够有效识别瑕疵。图4(a)、(b)、(c)、(d)是针对图2(a)、(b)、(c)、(d)的瑕疵检测结果，且未进行任何形态学滤波去噪，由图可见，本发明方法对瑕疵定位准确，基本不受噪声干扰。

Claims (7)

1.一种织物瑕疵检测方法，其特征是采用非线性灰度共生矩阵GLCM作为特征描述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤：非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映射函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性GLCM特征向量相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性GLCM特征向量和自适应的二值化阈值；在检测阶段，对待检测织物图像采用最优尺度方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵区域。

2.根据权利要求1所述的一种织物瑕疵检测方法，其特征是具体步骤如下：

1)非线性映射函数求取：对无瑕疵图像A，采用直方图均衡化算法，获得非线性映射函数T，在函数T作用下，图像A的直方图分布变为均匀分布；

2)最优参数学习：对大小为W*H的图像A中每一像素(x,y)，以(x,y)为中心，提取大小为dw*dh的图像块B，计算图像块B在参数P_s ^d＝[2s*cos(d*π/D),2s*sin(d*π/D)]下的非线性GLCM特征向量V_s ^d(x,y)，其中s、d为整数，且1≤s≤S，1≤d≤D，S、D为用户自定义的尺度范围和方向数；计算V_s ^d(x,y)的均值作为参考特征向量R_s ^d，计算V_s ^d(x,y)与参考特征向量R_s ^d的相似性距离Γ_s ^d(x,y)，计算Γ_s ^d(x,y)的均方差σ_s ^d作为最优尺度方向参数的评价标准，选取均方差σ_s ^d最小时的尺度s和方向参数d作为最优尺度s_op和最优方向d_op，同时以所述最优尺度方向参数下的参考特征向量R_s ^d作为瑕疵检测步骤中的参考特征向量R_sop ^dop，并利用该最优尺度方向参数下的Γ_s ^d(x,y)的均方差σ_s ^d和均值μ_s ^d构建瑕疵检测步骤中的自适应二值化阈值TH_Γ；

3)瑕疵检测：对待检测图像的每个像素(x,y)，选择以该像素为中心的dw*dh的图像块，计算其在最优参数P_sop ^dop＝[2s_op*cos(d_op*π/D),2s_op*sin(d_op*π/D)]下的非线性GLCM特征向量V(x,y)，计算V(x,y)与R_sop ^dop之间的特征向量相似性距离，获得相似性距离分布图，通过阈值TH_Γ对相似性距离分布图二值化，定位瑕疵区域。

3.根据权利要求2所述的一种织物瑕疵检测方法，其特征是步骤1)中的非线性映射函数T的求取方法为：

$r_k=T\left(k\right)=255\×\mathrm{floor}\left(\underset{h=0}{\overset{k}{\mathrm{\Σ}}}\frac{n_h}{n}\right)---\left(1\right)$

其中，floor()函数表示取整，k为映射前的图像灰度值，r_k为映射后与k对应的图像灰度值，r_k、k均为整数，且0≤r_k≤255，0≤k≤255，n_h为映射前图像A中灰度为h的像素的数目，n为图像A总的像素数目。

4.根据权利要求2所述的一种织物瑕疵检测方法，其特征是步骤2)中获得非线性GLCM特征向量V_s ^d(x,y)方法为：

i.利用非线性映射函数T对图像块B进行灰度映射；

ii.将映射后的图像块B的灰度线性量化为N级，创建N*N的矩阵G，G矩阵中坐标(i,j)处的数值为图像块B中空间相对位置为[P_s ^d(1),P_s ^d(2)]且量化灰度为(i,j)的像素对的数目，即

G(i,j)＝num(Set)

(2)

Set＝{(B(u,v),B(u+P_s ^d(1),v+P_s ^d(2))|B(u,v)＝i,B(u+P_s ^d(1),v+P_s ^d(2))＝j}

其中，num()函数表示求取集合Set的元素数目，u、v为图像块B中的像素坐标；

iii.求取归一化的GLCM矩阵：

$G_n(i,j)=G(i,j)/\underset{i,j}{\mathrm{\Σ}}G(i,j)---\left(3\right)$

将矩阵G_n所有的列首尾相接变为向量形式V_s ^d(x,y)。

5.根据权利要求2所述的一种织物瑕疵检测方法，其特征是步骤2)中参考特征向量R_s ^d、相似性距离Γ_s ^d(x,y)、Γ_s ^d(x,y)的均方差σ_s ^d和均值μ_s ^d的求取方法分别为：

$R_s^d=\underset{\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}}{\mathrm{\Σ}}\frac{{V_s}^d(x,y)}{(W-\mathrm{dw})\×(H-\mathrm{dh})}---\left(4\right)$

Γ_s ^d(x,y)＝||V_s ^d(x,y)-R_s ^d||(5)

${\mathrm{\σ}}_s^d=\sqrt{\underset{\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}}{\mathrm{\Σ}}\frac{{({\mathrm{\Γ}}_s^d(x,y)-{\mathrm{\μ}}_s^d)}^2}{(W-\mathrm{dw})\×(H-\mathrm{dh})}}---\left(6\right)$

${\mathrm{\μ}}_s^d=\underset{\underset{\mathrm{dh}/2+1\≤y\≤H-\mathrm{dh}/2}{\mathrm{dw}/2+1\≤x\≤W-\mathrm{dw}/2}}{\mathrm{\Σ}}\frac{{\mathrm{\Γ}}_s^d(x,y)}{(W-\mathrm{dw})\×(H-\mathrm{dh})}---\left(7\right).$

6.根据权利要求2所述的一种织物瑕疵检测方法，其特征是步骤2)中自适应二值化阈值TH_Γ计算方法为：TH_Γ＝μ_sop ^dop+5×σ_sop ^dop。

7.根据权利要求2所述的一种织物瑕疵检测方法，其特征是步骤3)具体为：

a)对待检测图像的每个像素(x,y)构建非线性GLCM特征向量，选择以该像素为中心的dw*dh的图像块，计算其在最优参数P_sop ^dop＝[2s_op*cos(d_op*π/D),2s_op*sin(d_op*π/D)]下的非线性GLCM特征向量V(x,y)，该特征向量生成方法与最优参数学习阶段特征向量V_s ^d(x,y)的生成方法一致；

b)计算V(x,y)与R_sop ^dop之间的特征向量相似性距离Γ(x,y)＝||V(x,y)-R_sop ^dop||，获得相似性距离分布图；

c)根据阈值TH_Γ对相似性距离分布图二值化，定位瑕疵区域。