基于区域生长法的自适应图像分割的网眼织物瑕疵检测*

兰瑜洁，钟舜聪，2*

(1.福州大学机械工程及自动化学院光学/太赫兹及无损检测实验室，福建福州350108;2.福建省医疗器械和生物技术重点实验室，福建福州350000)

0 引言

经编网眼织物是一种含有网眼形小孔的织物面料，因其具有质地轻、回弹性好、柔软性好等特点，在服装、医用、航天等领域具有较为广泛的应用［1］。在织物加工过程中，由于机械故障或人为操作不当，产品很容易出现各类瑕疵。瑕疵的出现不仅会对产品的外观造成破坏，还会严重降低产品的质量。在工业生产中，织物瑕疵检测主要是实现织物上可能出现的瑕疵的识别和定位，从而保证生产质量［2］。随着工业自动化的发展，因具有可靠性高、检测速度快等特点，机器视觉技术开始逐渐取代传统上的人工视觉检测，在工业生产质量监控环节发挥着越来越重要的作用［3］。

针对机器视觉在织物瑕疵检测上的应用，国内外学者已提出了大量的算法。这些算法归结起来主要有三大类:基于统计学特征的方法、基于频谱分析的方法和基于模型的方法［4］。基于统计学特征方法主要是利用不同的表示方式来定义图像像素灰度值的空间分布情况，通过研究灰度值的分布来进行瑕疵的检测。如:Haralick 等人［5］以二阶统计量的形式利用灰度共生矩阵来测量像素灰度值的空间相关性，从而来描述图像纹理特性;T.Kasparis 等人［6］利用分形特征来实现对织物纹理的描述。基于频谱分析的方法主要是将待测织物图像进行变换后，在频域内对其进行分析，利用图像在频域中的特性进行瑕疵的检测。如:Chan 和Pang［7］利用分析傅里叶变换后的频率谱特性进行瑕疵的分类;Yang 等人［8］利用自适应小波对瑕疵进行检测;Escofet 等人［9］应用多尺度和多分辨率Gabor 滤波器进行瑕疵检测。基于模型的方法通过随机过程对图像纹理进行建模，从而将瑕疵检测问题转化成统计假设检验问题［10］。如:Serafim［11］提出了利用二维自回归模型结合多分辨率金字塔实现瑕疵分割的方法;Cohen［12］利用高斯马尔可夫模型对无瑕疵织物纹理进行建模来对织物瑕疵进行检测。然而，这些算法的针对的主要是平纹和斜纹的织物瑕疵检测，在网眼织物这类特殊布料检测的研究上，还存在着一定的空白［2］。由于网眼织物纹理周期较大且网眼孔径尺寸远大于纱线直径的特点，现有的算法在网眼织物瑕疵检测上适用性也有待进一步的优化。

由于网眼织物纱线分布稀疏，瑕疵区域和网眼织物自身的纹理背景(纱线或孔隙)的灰度值十分接近:纱线聚拢瑕疵(相对大面积白色区域)和织物背景纱线灰度值接近;破洞瑕疵(相对大面积黑色区域)和网眼布孔隙灰度值接近。如果不剔除织物自身背景纹理的干扰，提取出来的瑕疵图像总会不可避免地混入较多的自身纹理背景的成分，很难对瑕疵区域进行完整地分割。因为网眼织物本身结构特性所带来的这类噪声在成像过程中是无法避免的，通过一定的滤波方法改善纹理背景的灰度分布对瑕疵的提取来说是有其必要性的。

经过滤除特定频率成分后的网眼织物图像具有瑕疵区域图像灰度分布均匀，非瑕疵区域整体灰度均匀、局部灰度值存在远小于织物本身周期的周期性波动的特点，通过一般的仅以像素灰度值为基础的阈值分割方法很难自适应地获得一个合适阈值来达到理想的分割效果，并且可能引入大量的背景噪声，对瑕疵提取的准确性和瑕疵区域的定位造成不必要的干扰。

因此，本研究采用灰度级结合像素连通性的区域生长法［13］来使这类问题得到有效解决。

1 经编网眼织物瑕疵检测算法

针对滤波后图像的灰度分布特点，区域生长法与其他经典的分割方法相比，具有可以实现瑕疵区域的完整提取、抗噪性强、易于准确实现分割参数的自适应求取等优势。

因此，本研究提出一种针对这类布料的检测方法，通过在滤除与织物背景纹理相关频率成分的基础上利用自适应的区域生长法对瑕疵区域进行分割，可取得较好的检测结果。

算法总体流程图如图1所示。

图1 算法流程图

首先笔者设计带阻滤波器通过频域滤波将织物纹理背景与瑕疵区域分离，再根据滤波后图像的灰度分布情况自适应地设定区域生长法的分割参数实现瑕疵区域的提取，最后通过形态学处理过滤由于滤波后图像灰度分布和区域生长法固有特性所共同产生的小面积“伪瑕疵”区域，最终实现瑕疵的准确分割。

1.1 频域滤波

在网眼织物图像中，最显著的特征是织物呈一定间隔重复的背景纹理。在空间域中，它以织物纹理周期性成分的形式与高频图像细节成分、低频图像背景灰度成分、噪声等多种频率成分混杂在一起，在空间域中很难将这些成分相互分开。因此，本研究通过将织物灰度图像转换到在频率域进行分析和处理，以实现对图像背景纹理信息的削弱。

由于图像频率是表征图像空间域中灰度值变化的指标，图像频谱图具有十分重要的物理意义。图像在空域和频域之间的变换主要是通过二维离散傅里叶变换对来实现。

一个MxN 大小的二维函数f(x，y)的离散傅里叶变换对为［14］:

在进行网眼织物检测时，由于滤波器选择不当(如理想滤波器响应曲线在截止频率处的突然跳变)所带来的振铃现象会使重建后的瑕疵区域边界的灰度值产生较大波动，从而对后续瑕疵区域的提取造成较大影响(如产生虚假边界，瑕疵定位错误等)，因此，为了在可接受的振铃现象的基础上能够达到较好的滤波效果，本研究采用二阶巴特沃斯滤波器实现频域滤波［15］。

n 阶巴特沃斯带阻滤波器的传递函数定义如下:

式中:D0—带阻滤波器的中心频率，W—滤波器阻带带宽，n—滤波器阶数。

1.2 区域生长法分割

在减弱了织物正常纹理背景对瑕疵提取的干扰后，需要选取适当的图像分割方法将包含瑕疵的区域完整地识别出来。图像分割主要是通过目标区域的灰度、纹理、轮廓等特征与非目标区域的差别来实现目标区域的提取［16］。在织物瑕疵检测中，图像分割的好坏将直接影响瑕疵区域提取的精度和准确性。

基于区域分割技术的区域生长法是一种根据事先定义的准则将像素或子区域聚合成更多区域的过程，即选取一组具有某种特征的像素点为初始“种子”点，将与“种子”点具有相似特征的相邻像素点附加到生长区域中来实现图像相似区域的合并，主要适用于目标区域内部特征具有一定的相似性且与非目标区域不连续的图像的分割。

其基本公式如下所示:

令R 表示整幅图像区域。可以将分割看成是将R划分为n 个子区域R1，R2，…，Rn的过程:

(b)Ri是一个连通的区域，i=1，2，…，n;

(c)Ri∪Rj=φ，对所有的i 和j，i≠j;

(d)P(Ri)=TURE，对于i=1，2，…，n;

(e)P(Ri∪Rj)=FALSE，对于任意相邻区域Ri和Rj。

这里，P(Ri)是定义在集合Ri的点上的逻辑谓词，φ 是空集。

1.3 形态学处理

因为本研究分别取灰度最大值和最小值对应像素点为种子点以同时满足两类瑕疵(加性瑕疵、减性瑕疵)的检测，即使图像不存在相应的瑕疵或仅存在其中一类瑕疵，根据算法本身的性质，在两张分割结果图仍分别会出现至少一个标记区域。根据网眼织物频率域滤波后无瑕疵区域纹理背景呈定向小周期波动的特性和区域生长法的分割特点，当相应的图像上不存在瑕疵时，最大、最小灰度值点将落在非瑕疵区域上，此时分割出的结果将以若干分散的小面积区域形式体现。通过形态学处理可以很好地将这些“伪瑕疵”去除。

首先，本研究通过形态学运算提取二值图像中像素间具有8 连通性的连通分量。令Y 表示i 个包含于集合A 中的连通分量，确定出区域Y 中的一个点P。通过如下迭代表达式生成Y 中的所有元素:

式中:X0= P;B—八连通区域对应的结构元素。当Xk=Xk－1时算法收敛，且令Y=Xk。

笔者再通过计算所提取出的连通区域面积，保留面积大于一定阈值(该阈值通过实验设定为纹理基元所占的面积的2 倍)的区域，将其余的小面积区域剔除。最后本研究将分别经过形态学处理后的两幅图像进行“或”操作，得到最终的瑕疵分割结果。

2 试验与结果分析

2.1 不同滤波方式对网眼布纹理背景滤除效果的比较

通过实验发现，滤除原点外能量最大集中区域对应频率成分后的重建图像中纹理背景仍较为明显(背景条纹灰度值与瑕疵区域仍较为接近)不利于后续瑕疵区域的提取，因此，笔者进一步滤除能量次大集中区域对应的频率成分。待测网眼布图像、滤除两部分频率成分后的频谱图及重建后图像如图2所示。

图2 滤波后的频谱图及重建图像

从图2(c)中可以看出，经过两次滤波已经基本可以保证在较好地保留瑕疵区域边缘信息的前提下均化织物的正常纹理背景，此时背景灰度分布已足够均匀且可以较好地与瑕疵区域区分开来，为瑕疵区域的提取创造了较为有利的条件。

在滤波方式的设计中，本研究对比了理想低通滤波［17］和本研究中的滤波方式滤波后的重建图像。原图像经过理想低通滤波和本研究中的滤波方式滤波的效果图分别如图3(a)、3(b)所示。

图3 滤波效果对比图

从图3(a)中可以看出，理想低通滤波方法虽然在一定程度上实现了背景纹理灰度的均化，但同时也导致了瑕疵边缘的模糊，降低了瑕疵区域提取的精度。而如图3(b)所示，本研究中的算法可以在去除纹理背景的前提下较好地保留瑕疵的边缘和细节信息。

2.2 分割算法在网眼布检测上检测效果比较

针对滤波后图像的分割问题，本研究所采用的区域生长法以滤波后图像灰度分布为依据，具体步骤及相应的自适应参数选取方法如下:

(1)初始种子点的选取。从滤波后图像灰度分布直方图可知，由于滤波所造成图像背景中孔隙和纱线的灰度值相互趋向接近(原本图像背景中孔隙和纱线位置的灰度值互相趋向接近)，原始图像中原本分布于灰度直方图两端的属于纹理背景的像素点灰度值分布向直方图中部集中，大部分落在中部区域。由于上文中提到的滤波方法并不对瑕疵区域的灰度值造成较大改变，若待测织物中存在瑕疵，瑕疵区域灰度值对应像素点依旧落在灰度直方图的左(减性瑕疵)右(加性瑕疵)两端，相应地，灰度直方图中的最小值或最大值对应的像素点一般属于瑕疵区域。利用这个特性，可以自适应地设定种子点的为待测图像的最小灰度值MIN 对应像素点或最大值灰度值MAX 对应像素点，即可以从瑕疵区域中的相应灰度值最值点出发寻找相邻区域中与种子性质相似的像素，将其归并为同一区域。

(2)确定区域生长准则。利用滤波后图像自身的灰度分布，自适应地设定适当的灰度级绝对差值作为区域生长法的生长阈值(当相邻像素点间的灰度差值大于该阈值时停止生长)。鉴于瑕疵区域面积一般相对整个图幅较小，所占的像素点数较少，不会对灰度分布的总体情况有太大影响，滤波后的图像灰度的总体分布仍类似于正态分布［18］。借鉴正态分布特性，求取灰度均值μ 和标准差σ。设置灰度差阈值T1、T2分别为T1=MAX－(μ +2σ)，T2=(μ－2σ)－MIN 基本可以保证瑕疵区域所包含的像素点大部分落在将要被提取灰度范围内，从而保证瑕疵区域能够较完整地被分离和提取出来。

(3)利用得到的生长阈值比较种子点与八连通邻域像素点的灰度值的绝对差值，将符合条件的像素点添加到生长区域中，直至在相邻区域找不到符合条件的像素点后生长停止，得到最终的分割结果。

本研究所采用的区域生长法以最大灰度值MAX对应像素点为种子、灰度差阈值为T1的分割结果和以最小灰度值MIN 对应像素点为种子、灰度是差阈值为T2得到的分割结果分别如图4(a)、4(b)所示。结果显示，利用所计算出来的参数进行区域生长法分割可以达到较好的分割效果且不会引入过多的背景噪声(即具有较强的抗噪声干扰能力，特别是光照不均和灰度均值整体变化的情况下具有较大优势)。分割后图像经过形态学处理后最终获得的瑕疵区域如图4(c)所示。从图4(c)中可以看出，如图4(b)所示的无瑕疵区域图像中的小面积“伪瑕疵”经过上述形态学处理后被正确滤除，证明了本研究中所用的形态学处理方法能够对误判区域进行有效地过滤，并获得正确的检测结果。

在以滤除纹理背景后图像为基础的瑕疵分割上，本研究将所采用的算法与其他几种经典的阈值分割算法的分割效果进行了比较，检测效果如图5所示。

图4 瑕疵区域提取结果

图5 几种方法对滤波后的图像进行瑕疵区域分割效果图

如图5(b)、5(c)所示［19-20］，两种常用的自动阈值区域分割法对滤波后的图像分割效果不是很令人满意，且其分割结果受由光照不均所带来的灰度分布渐变现象影响很大。考虑到可能是因为上面自动阈值选取所得的值与最优的分割阈值有所偏差，本研究通过人工选取分割阈值进行实验，得到了如图5(d)所示结果。从而进一步证明了，由于背景不均且存在局部波动的原因，瑕疵区域提取的完整性与可能带入的背景干扰区域总是存在着一定的矛盾。也就是说，很难找到一个合适的分割阈值来同时克服将正常纹理背景区域误归为瑕疵区域(过分割)或将瑕疵区域误判为正常纹理背景(欠分割)的现象。并且，即使合适的分割阈值确实存在，针对不同的图像也很难设定一个通用的依据来自适应地获得相应的阈值。本研究中利用统计学方法结合区域生长法对瑕疵区域进行提取克服了这个难题，实现了瑕疵区域的自动分割，整个瑕疵检测过程不需要人为干预，且能够有效应对光照不均所可能带来的瑕疵定位错误问题。

从上面的比较中可以得出，网眼布图像经过频域滤波后，利用区域生长法对其分割相较于其他分割方法的优势如下:易于自适应地实现瑕疵区域的完整分割，不需要人工干预;抗干扰(光照不均，光照条件变化等)能力强，分割结果受噪声影响小;分割精度高，区域完整边界清晰，能够有效克服过分割和欠分割现象。

为了进一步验证所提出的区域生长法的通用性，除了如图5所示的长条瑕疵，该方法还应用于点状瑕疵的区域分割精度。带有点状瑕疵的网眼织物如图6(a)所示，利用本研究中算法的分割结果如图6(b)所示。从图6 中可以看出其能够以较高的精度自动提取出相应的瑕疵区域，对网眼织物不同瑕疵的检测具有较好的适用性。

图6 利用本研究中算法对带有点状瑕疵类型的网眼织物图像的分割效果图

3 结束语

本研究结合频域滤波与区域生长法的各自优势以实现网眼织物的瑕疵检测。笔者利用网眼织物网格排布相对规整且具有一定周期性的特点，通过滤除与背景纹理相关的频率成分得到灰度分布相对均匀的背景，从而减少网格线以及大孔隙对网眼布瑕疵检测的干扰，同时，又能够很好地保留瑕疵区域的边缘和细节特点，为下一步的瑕疵分割打下较好的基础。在背景灰度整体趋向均匀但小面积子区域灰度分布依旧存在较剧烈波动的情况下，采用区域生长法对织物瑕疵进行分割尤为合适。在瑕疵区域分割过程中，通过统计学方法自适应地选取分割参数，在保证了分割精度的前提下实现了分割的自动化。

本研究所采用的算法能够较有效地克服了传统分割方法中所存在的过分割和欠分割现象，且分割效果受外部环境变化(如光照条件变化，光照不均等)影响较小。在整个检测过程中所涉及的参数皆为算法通过分析输入图像特征自动选取，不需要人工的干预，通用性和适应性较强，符合生产实际的要求。实验结果表明，本研究所应用的方法具有较高的识别准确率和定位精度，瑕疵区域边界和细节的提取较为精准，抗干扰能力较强，适用于工业上的网眼布瑕疵自动检测。此外，本研究采用的方法在规则纹理背景的平纹斜纹布料瑕疵检测上也具有一定的参考价值。

［1］余桂平.经编网眼布及其应用［J］.东华纺织经济，2014(8):14-16.

［2］ZHONG S，ZHANG Q，YAO L，et al.Fabric defect detection using wavelet-enhanced single-point photoelectric sensing system［J］.Applied Mechanics and Materials，2012，162:497-504.

［3］张秋坤，钟舜聪.织物瑕疵的实时光电检测系统［J］，机电工程，2011，28(11):1324-1326.

［4］NGAN H Y T，PANG G K H，YUNG N H C.Automated fabric defect detection-A review［J］.Image and Vision Computing，2011，29:442-458.

［5］HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural features for image classification［J］.IEEE Trans.Systems，Man and Cybernetics，1973，3(6):610-621.

［6］KASPARIS T，TZANNES N S，BASSIOUNI M，et al.Texture description using fractal and energy features［J］.Computers ＆ Electrical Engineering，1995，21(1):21-32.

［7］CHAN C H，PANG G K H.Fabric defect detection by Fourier analysis［J］.IEEE Trans.Industry Applications，2000，36(5):1267-1276.

［8］YANG X Z，PANG G K H，YUNG N H C.Discriminative fabric defect detection using adaptive wavelets［J］.Optical Engineering，2002，41(12):3116-3126.

［9］NAVARRO E R，MILLAN M S，PLADELLORENS J.Detection of local defects in textile webs using Gabor filters［J］.Optical Engineering，1998，37(8):2297-2307.

［10］孙华凯.基于多尺度小波表示和Gabor 滤波器虚部的布匹瑕疵检测算法研究［D］.西安:西安电子科技大学通信工程学院，2011.

［11］SERAFIM A F L.Segmentation of Natural Images Based on Multi-resolution Pyramids Linking of the Parameters of an Autoregressive Rotation Invariant Model Application to Leather Defect Detection［C］//Proc.IEEE 11th IAPR Int'l Conf.Pattern Recognition.Conference C:Image，Speech＆ Signal Analysis.Hagne:［s.n.］，1992:41-44.

［12］COHEN F S，FAN Z G，ATTALI S.Automated inspection of textile fabric using textural models［J］.IEEE Trans.Pattern Analysis ＆ Machine Intelligence，1991，13(8):803-808.

［13］沈凌云，朱 明，郎百和，等.一种用于CTP 版表面瑕疵的自适应检测算法［J］.长春理工大学学报:自然科学版，2014，37(6):94-98.

［14］刘直芳，王运琼，朱 敏.数字图像处理与分析［M］.北京:清华大学出版社，2006.

［15］GONZALES R C，WOODS R E.Digital Image Processing，Second Edition［M］.NJ:Pearson Education，Inc.，2002.

［16］肖俊明，彭喜英.基于机器视觉的图像分割算法的研究［J］.中原工学院学报，2008，19(1):14-16.

［17］陈利珍，邓中民.基于纹理滤波与局部熵的织物疵点检测［J］.纺织科技进展，2011(5):42-44.

［18］ZHOU Jian，WANG Jun.Fabric defect detection using adaptive dictionaries［J］.Textile Research Journal，2013，83(17):1846-1859.

［19］NUZHNAYA T，CHENG Er-kang，LING Hai-bin，et al.Segmentation of Anatomical Branching Structures Based on Texture Features and Graph Cut［C］//IEEE International Symposium on Biomedical Imaging:From Nano to Macro.Chicago:［s.n.］，2011:673-676.

［20］WANG Hong-rui，YANG Jian-li，SUN Hai-jun，et al.An Improved Region Growing Method for Medical Image Selection and Evaluation Based on Canny Edge Detection［C］//International Conference on Management and Service Science.Wuhan:［s.n.］，2011:1-4.

［21］KUMAR A，PANG G K H.Defect detection in textured materials using gabor filters［J］.IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS，2002，38(2):425-440.

［22］CHAN Chi-ho，PANG G K H.Fabric defect detection by fourier analysis［J］.IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS，2000，36(5):1267-1276.

［23］MAK K L，PENG P，YIU K F C.Fabric defect detection using morphological filters［J］.Image and Vision Computing，2009(27):1585-1592.

［24］SARI-SARRAF H，JAMES S.Goddard，Jr.Vision system for on-loom fabric inspection［J］.IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS，1999，35(6):1252-1259.