CN1845175A - 基于小波和共生矩阵的纹理表面缺损检测方法 - Google Patents

Abstract

一种图像处理技术领域的纹理表面缺损检测方法，步骤为：(1)对原始图像进行多水平小波变换；(2)计算并分析小波变换后各水平上低频近似子图像的共生矩阵特征；(3)选择合适分解水平，得到滤除纹理后的缺损图像；(4)采用传统无纹理缺损检测技术进行检测。本发明结合小波变换和共生矩阵滤除图像中高频的纹理信息，将纹理缺损检测问题转化为较简单的无纹理缺损检测，不需要大量样本训练分类器，提高了检测效率，同时不需要标准图像样本，可以直接对缺损图像进行处理。

Description

基于小波和共生矩阵的纹理表面缺损检测方法

技术领域

本发明涉及的是一种图像处理技术领域的方法，尤其是一种基于小波和共生矩阵的纹理表面缺损检测方法。

背景技术

纹理表面缺损检测是图像处理问题的一个难点，纹理具有周期性灰度或结构变化，因此，小波变换是常用纹理特征提取和分析的基本方法之一。它在频域进行处理，因而具有快速性的特点。常用检测方法在纹理特征基础上，建立纹理模型，通过模型匹配方法进行检测，或者将缺损看作一类纹理模式对纹理特征聚类，实现纹理分割。这些方法在应用中取得了成功，但是基于模型方法计算量较大，其实时性问题有待于进一步研究，而当缺损很细小时(如滑痕检测)不足以构成一类纹理模式，因此，基于聚类的方法也有很大局限性。

经对现有技术的文献检索发现，A.Latif-Amet等在《Image Vision andComputing》2000，18，第543-553页上发表的“An Efficient Method for TextureDefect Detection：Sub-band Domain Co-occurrence Matrices”中结合小波和共生矩阵对纺织品表面进行缺损检测，首先采用小波变换将纹理图像分解成不同频率部分，然后将各频率子图像分割为子窗口计算每个窗口的共生矩阵特征进行特征提取，在此基础上，利用训练好的分类器对每个子窗口进行判断，进而识别出哪个子窗口含有缺陷。该方法结合了小波变换和共生矩阵特征进行缺损检测，但是分类器训练过程耗时长，需要大量实验样本，因而较复杂。因此，如何简化问题并利用现有平滑图像检测技术需要进一步研究。由于纹理一般具有周期性灰度或结构变化，在频域中表现为高频部分，如果能够在频域中滤除代表纹理的高频部分，则纹理图像缺损检测可以转化为平滑图像检测问题。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于小波和共生矩阵的纹理表面缺损检测方法，使其不需要对原图像进行聚类和特征训练，就可以检测出纹理图像中的缺损区域。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

(1)对原图像进行多水平小波变换

图像经小波变换后可以得到四个子图像，分别为低频近似子图像、水平方向高频子图像、垂直方向高频子图像和对角方向高频子图像。对每一水平上的低频近似子图像继续进行小波变换，可以得到一系列不同水平上的小波变换结果。

(2)计算共生矩阵特征

经过步骤(1)的多水平小波变换后，较高水平上的低频近似子图像中的纹理信息被进一步分解到高频子图像中，从而逐渐平滑。但是，图像中的缺损一般也对应于高频部分，随着分解水平的增加，逐渐模糊因而影响检测。

共生矩阵是常用的进行纹理分析的统计方法之一，Haralick等在1973年定义了14个共生矩阵特征，这些特征有效反映了图像纹理的分布情况。其中，局部同质性特征的大小体现了图像平滑的程度，因此，计算不同水平上低频近似子图像共生矩阵特征的大小可以度量随分解水平的增加，图像平滑程度的变化。

(3)选择分解水平

在步骤(2)的基础上，通过观察及分析发现随着分解水平的增加，各低频近似子图像的局部同质性特征急剧增加直到某一水平这种增加渐趋平缓。这表明在该水平上的低频近似子图像的纹理已被滤除，选取该水平上的低频近似子图像则可以得到包含缺损在内的平滑图像。

为得到该水平，对共生矩阵特征随分解水平的变化进行分析。首先计算共生矩阵特征基于分解水平的差分，然后在一定的分解水平范围内求该差分的最大值，则该最大值所对应的分解水平即所求分解水平。

(4)无纹理图像缺损检测

经过步骤(3)，得到的无纹理缺损图像，在此基础上，可以将纹理图像缺损检测转化为无纹理图像缺损检测问题。

上述步骤(2)中，计算各分解水平上低频近似子图像共生矩阵及其局部同质性特征，共生矩阵计算中取方向(Δm，Δn)＝(1，1)，其计算方法为：

$C(i,j)=\frac{\mathrm{Num}(P(x,y)=i||P(x+\mathrm{\Δm},y+\mathrm{\Δn})=j)}{\underset{m,n=1}{\overset{M,N}{\mathrm{\Σ}}}\mathrm{pairs}},$ 局部同质性特征的计算方法为： $\mathrm{localhomogeneity}=\underset{i,j=1}{\overset{M,N}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}C(i,j).$

上述步骤(3)中，分解水平的选择根据共生矩阵的局部同质性特征，其选择方法为：根据步骤(2)得到各分解水平上低频近似子图像共生矩阵局部同质性特征，计算该特征随分解水平的差分分析其变化趋势，差分计算方法为： ${\mathrm{DH}}_n=\left\{\begin{array}{cc}0& n=1\\ {\mathrm{DH}}_n-{\mathrm{DH}}_{n-I}& \mathrm{otherwise}\end{array}\right.n=1,...,N,$ 该差分最大值对应的分解水平作为待选择的分解水平。

上述步骤(4)，在步骤(3)的基础上，重构该分解水平上的低频近似子图像，得到滤除纹理的缺损图像，在此基础上，采用阈值法进行检测，阈值法具体实现步骤为：根据图像的直方图以某一灰度为阈值将图像分成目标和背景两组并计算两组间的方差，当被分成的两组之间的方差最大时，就以这个灰度值为阈值分割图像，从而实现缺损检测。

本发明将纹理缺损检测转化为较简单的无纹理缺损检测问题，直接在待检测图像上进行处理，不需要大量图像样本，避免了费时较长的分类器训练过程，大大提高了检测效率。同时，由于小波具有多尺度分析性能，保证了检测的精度。

附图说明

图1为带污迹纹理图像多水平小波变换示例

图2为多水平小波变换后各水平上低频近似子图像共生矩阵特征随分解水平的变化图，其中，(a)为各水平上低频近似子图像局部同质性随分解水平变化图，(b)为各水平上低频近似子图像局部同质性的差分随分解水平变化图。

图3为合适分解水平上的低频近似子图像及其检测结果。(a)第三水平上小波变换后得到的低频近似子图像，(b)用Otsu阈值法检测的结果。

具体实施方式

为了更好地理解本发明所提出的方法，结合附图和实施例作详细描述。

(1)原始图像进行多水平小波变换

由于图像纹理具有重复性结构及灰度变化，采用传统基于空域的方法无法成功检测出灰度相近的缺陷。通过小波变换，可将图像转换到频域进行处理。单水平小波变换可以得到一个低频近似子图像A和三个高频细节子图像H、V和D。对每一水平上的低频近似子图像继续进行小波变换可以构成多水平小波变换。从而得到一系列An，Hn，Vn，Dn(n＝1，…4)其中，An为n水平上低频近似子图像，Hn为n水平上水平方向高频细节子图像，Vn为n水平上垂直方向高频细节子图像，Dn为n水平上对角方向高频细节子图像。

在多水平小波变换过程中，对应高频的纹理信息被逐渐分解到高频的细节子图像当中，低频近似子图像逐渐平滑。

(2)计算小波变换后各分解水平上低频近似子图像的共生矩阵特征

共生矩阵是常用的进行纹理分析的统计方法之一，其计算方法为：

$C(i,j)=\frac{\mathrm{Num}(P(x,y)=i||P(x+\mathrm{\Δm},y+\mathrm{\Δn})=j)}{\underset{m,n=1}{\overset{M,N}{\mathrm{\Σ}}}\mathrm{pairs}}---\left(1\right)$

其中，C(i，j)为共生矩阵，P(x，y)为像素(x，y)的灰度值，Num为计数函数，(Δm，Δn)为给定计算共生矩阵的方向。

Haralick等在1973年定义了14个共生矩阵特征，这些特征有效反映了图像纹理的分布情况，在纹理分析中有着广泛应用。其中，局部同质性特征的大小体现了图像平滑的程度，其计算方法为：

$\mathrm{localhomogeneity}=\underset{i,j=1}{\overset{M,N}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}C(i,j)---\left(2\right)$

图像的局部同质性特征越大，则图像越平滑。反之，则图像纹理越多。计算各分解水平上的低频近似子图像的局部同质性特征并进行比较，可以反映图像纹理的滤除情况。

(3)选择合适的小波分解水平得到滤除纹理后的图像

在步骤(1)中，随着分解水平的增加，低频子图像中的高频部分不断被分解到高频子图像中，低频子图像逐渐平滑，而图像中的高频的缺损部分也逐渐模糊。通过步骤(2)计算各分解水平上低频近似图像的局部同质性特征，发现在一定分解水平之后，局部同质性特征的增加平缓，说明在该水平上纹理已基本滤除。该水平的选取可通过寻找局部同质性特征随分解水平差分的最大值得到。

${\mathrm{DH}}_n=\left\{\begin{array}{cc}0& n=1\\ {\mathrm{DH}}_n-{\mathrm{DH}}_{n-I}& \mathrm{otherwise}\end{array}\right.n=1,...N---\left(3\right)$

appropriatelevel＝{m|DH_m≥DH_n(n＝1，...N)}    (4)

(4)无纹理图像缺损检测

步骤(3)得到合适分解水平，在该水平上构建低频近似子图像则得到滤除纹理的缺损图像。在此基础上，采用阈值法等传统无纹理缺损检测技术进行缺损检测。

实施例

为验证本发明所提出方法的有效性，以液晶屏表面污迹检测为实施例进行实验。

(1)对纹理图像进行多水平小波变换

对原始图像采用4层小波变换得到如附图1所示的分解结果，在每一层上得到低频近似子图像和三个方向的高频细节子图像。

(2)计算低频近似子图像共生矩阵特征

根据公式(1)和(2)计算各分解水平上低频近似子图像的局部同质性特征。附图2(a)给出低频近似子图像局部同质性特征随分解水平变化情况图，可以看出，当分解水平小于3时，局部同质性特征随着分解水平的增加迅速增加，说明图像中的纹理迅速减少；当分解水平大于3时，这种增加趋势逐渐平缓，说明图像中纹理已基本滤除。

(3)利用共生矩阵特征在各分解水平上的差分最大值确定合适的分解水平

附图2(b)给出了局部同质性特征随分解水平的差分，从图中可看出，当分解水平为3时，差分取得最大值，因此该水平为所求的分解水平。

(4)重构图像并利用无纹理缺损检测方法进行检测

附图3(a)为重构得到的无纹理图像，图3(b)给出利用Otsu阈值法进行检测的结果。

实验证明，本发明提出的方法能有效检测纹理表面的缺损。

Claims (4)

1、一种基于小波和共生矩阵的纹理表面缺损检测方法，其特征在于，包括以下步骤：

(1)对原图像进行多水平小波变换：通过小波变换，将图像分解为不同频率部分，对每一分解水平上的低频近似子图像继续进行分解，构成多水平小波变换：

(2)计算共生矩阵特征：根据步骤(1)得到的一系列低频近似子图像，计算纹理共生矩阵及其局部同质性特征，得到图像平滑程度随分解水平的变化情况；

(3)选择分解水平：根据步骤(2)的计算结果，计算各分解水平上局部同质性特征的差分，求差分最大值对应的分解水平即所求的分解水平；

(4)无纹理缺损图像检测：在步骤(3)得到的分解水平的基础上，重构图像，得到包括缺损在内的无纹理图像，采用无纹理缺损检测方法进行检测。

2、根据权利要求1所述的基于小波和共生矩阵的纹理表面缺损检测方法，其特征是，步骤(2)中，计算各分解水平上低频近似子图像共生矩阵及其局部同质性特征，共生矩阵计算中取方向(Δm，Δn)＝(1，1)，其计算方法为： $C(i,j)=\frac{\mathrm{Num}(P(x,y)=i||P(x+\mathrm{\Δm},y+\mathrm{\Δn})=j)}{\underset{m,n=1}{\overset{M,N}{\mathrm{\Σ}}}\mathrm{pairs}},$ 局部同质性特征的计算方法为： $\mathrm{localhomogeneity}=\underset{i,j=1}{\overset{M,N}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}C(i,j).$

3、根据权利要求1所述的基于小波和共生矩阵的纹理表面缺损检测方法，其特征是，步骤(3)中，分解水平的选择根据共生矩阵的局部同质性特征，其选择方法为：根据步骤(2)得到各分解水平上低频近似子图像共生矩阵局部同质性特征，计算该特征随分解水平的差分分析其变化趋势，差分计算方法为： ${\mathrm{DH}}_n=\left\{\begin{array}{cc}0& n=1\\ {\mathrm{DH}}_n-{\mathrm{DH}}_{n-1}& \mathrm{otherwise}\end{array}\right.n=1,...N,$ 该差分最大值对应的分解水平作为待选择的分解水平。

4、根据权利要求1所述的基于小波和共生矩阵的纹理表面缺损检测方法，其特征是，在步骤(3)的基础上，重构该分解水平上的低频近似子图像，得到滤除纹理的缺损图像，在此基础上，采用阈值法进行检测，阈值法具体实现步骤为：根据图像的直方图以某一灰度为阈值将图像分成目标和背景两组并计算两组间的方差，当被分成的两组之间的方差最大时，就以这个灰度值为阈值分割图像，从而实现缺损检测。

Images