应用目标稀少特征的织物疵点图像分割

管声启，师红宇，赵 霆

(1.西安工程大学机电工程学院，陕西 西安 710048;2.西安工程大学计算机科学学院，陕西 西安 710048)

织物疵点检测是纺织品质量检验的重要环节之一。传统的织物疵点检测由人工离线完成，这种检验方法存在着较高的误检率和漏检率，检测效率低下，验布具有滞后性［1］，难以满足在线检测的需要［1－3］。随着计算机图像处理技术的发展，基于机器视觉的织物疵点检测算法的研究成为热点课题。目前，关于织物疵点检测算法众多，有不少学者采用自适应阈值分割的方法用于织物疵点检测［4］。

Otsu法是一种常见的图像分割方法，是通过最大类间方差获得分割阈值，然而这种分割方法分割织物图像所获得的疵点区域通常含有大量的背景纹理信息。为此，李红梅等［5］提出了同时满足类间方差最大和类内方差最小条件的改进Otsu法，然后根据最佳自适应阈值进行疵点分割;钟小勇等［6］采用局部阈值分割的自适应阈值算法分割织物疵点;赵静等［7］利用图像信息熵最大时得到的阈值作为图像的自适应阈值，并用此阈值对图像进行分割;杜磊等［8］通过对分割效果分析，认为分割效果好坏依次为局部阈值分割算法＞改进的Otsu算法＞Oust算法＞最大熵阈值算法。局部阈值分割算法的分割效果与分割窗口大小和用于控制图像分割程度系数有关，在实际分割中，改进的Otsu算法应用更为广泛。通过分析可以看出，这些方法直接根据织物图像特征确定阈值，然后利用确定的阈值进行分割，其关键在于所确定的阈值是否适合各类织物图像中的疵点分割。祝双武等［9］提出了一种新的基于纹理结构分析的织物疵点检测方法，通过计算纹理图像的局部不平整度来定位疵点，并采用Otsu算法自动获取阈值进行图像分割;赵波等［10］采用显著性区域特征进行疵点定位，然后最大熵对疵点图像进行分割。这些方法是通过织物图像进行预处理，以提高疵点与背景纹理的对比度;然后通过确定阈值进行疵点图像的分割。可以看出，无论采用哪种自适应阈值分割方法，分割阈值直接会影响着分割效果;因此，自适应阈值的确定是基于阈值分割方法的关键。

传统的Otsu阈值分割方法是基于图像本身数据分析而确定的阈值，没有充分考虑到检测目标本身特征，对目标大小非常敏感，目标区域通常含有大量背景信息。对于特征明显的目标检测，人类视觉系统直接从视图中搜索与检测目标匹配的特征，然后实现目标检测，从而提高与背景纹理对比度低的检测目标的检测准确率。为了模拟人类这种感觉机制，本文在分析织物疵点特点的基础上，提出了基于目标特征的织物疵点分割方法;并通过实验验证算法的有效性。

1 织物疵点图像分割理论

1.1 织物疵点特征分析

织物是由经、纬纱线按一定的浮沉规律交织而成，表现为周期性重复变化，织物疵点是在织造过程中由工艺或者原材料异常产生的，是织物纹理的局部异常，表现为局部突变特征［11］。目前，织物疵点种类繁多，常见的疵点多达几十种，其形态、特征各异;为了减少算法复杂性，对织物疵点分类研究也日趋成为热点，比如按照疵点在织物纹理中分布情况可分为局部疵点，离散性疵点和方向性疵点，如图1所示。

图1 疵点示例Fig.1 Sample of defects.(a)Local defect;(b)Isotropic defect;(c)Directional defect

局部疵点仅仅表现在织物图像某个局部发生异常;离散疵点表现为织物纹理中的离散分布，且每个疵点面积较小;方向性疵点在织物图像中呈现方向性的分布。虽然每种疵点具有一定的共同特性，但对于具体的疵点来说，这种共同特征会因为采集情况、织物纹理种类、疵点形态等因素的不同而波动。例如:方向性疵点有水平方向和垂直方向疵点之分，这些方向性疵点有可能存在于平纹纹理或斜纹纹理中，有些疵点方向性特征比较明显，有些方向性不明显，如图2所示。因此，根据织物疵点分布状态的特征也很难把此类疵点全部检测出来。

图2 方向性疵点的示例Fig.2 Samples of directional defects.(a)Directional defect 1;(b)Directional defect 2;(c)Directional defect 3

绝大部分织物疵点在织物纹理中，表现为少数区域的局部异常，即稀少性。利用这个疵点特征就能把织物疵点检测出来。

1.2 基于目标稀少特征的分割

在织物纹理图像中，织物疵点数目是比较少的;而人类视觉总是对视野中的少数目标表现出很强的兴趣，如果能利用人类视觉这种特性，就有可能把这些目标与背景存在差异不大的疵点分割出来。通常稀少目标必须满足以下条件:

1)目标区域必须与背景区域存在一定的区分度，存在一定的对比度;

2)目标区域数目与背景区域数目相比较是很少的;

3)假设目标区域灰度值高于大部分背景区域(目标区域较亮)。为了满足上述条件，式(1)如下:

式中:Imax(i，j)表示在滤波后织物图像(i，j)处的大于δotsu的像素点，δotsu为最大类间方差确定的阈值;Irarity表示目标兴趣区域的稀少度，其数值越大表明越稀少;num［Imax］δ(n+1)、num［Imax］δ(n)分别表示在［δotsu，255］之间进行 N等分得到一系列阈值δ(1)、…、δ(n －1)、δ(n)、…、δ(N)中的第 n+1 和n次分割时兴趣区域数目;Irarity(max)表示最佳稀少度，即前后相邻两次分割后兴趣区数目差最大，这说明兴趣区域数目已经迅速的变成稀少。

根据式(1)，找出最佳稀少度对应的阈值δ(n+1)，采用阈值δ(n+1)分割兴趣区，兴趣区域必须满足式(2):

在实际检测中，目标区域灰度有可能高于背景纹理信息，也有可能低于背景纹理信息。为了满足使本算法适应各类情况的目标分割，本文首先对滤波织物图像在［δotsu，255］区间确定系列阈值，然后通过稀少性特征确定分割阈值，分割出亮度较高的疵点;如果不能通过稀少性分割出疵点区域，说明疵点亮度较暗，本文将对预处理织物图像反色处理(即采用255－Imax(i，j)代替图像 Imax(i，j)像素值)使疵点亮度处于［δotsu，255］区间，然后重复前面步骤通过系列阈值分割，确定最终分割阈值。

2 织物疵点图像分割过程

本文织物疵点图像分割过程如图3所示。分别对采集的织物图像进行滑动均值滤波、图像分割、形态学滤波等步骤完成对疵点的检测。

2.1 织物图像的滑动均值滤波

织物纹理总是具有周期性，具体表现为纹理基元的重复;疵点反映周期性纹理的局部破坏，表现为纹理基元上的突变。如果能抑制正常纹理基元信息，就能突出疵点信息。为此，通过自相关函数确定基元尺寸，以基元尺寸大小的窗口在织物图中滑动，以其均值代替窗口中心的像素点灰度值。其滑动均值滤波过程如下。

图3 织物疵点图像分割过程Fig.3 Segmentation processing of fabric defect images

首先，分别根据式(3)、(4)计算织物纹理的水平和垂直方向自相关函数，获得到水平自相关曲线和垂直自相关曲线。

式中:Cx表示水平方向自相关函数、Cy表示垂直方向自相关函数，M ×N表示图像尺寸，fi，j表示图像在(i，j)像素灰度值，x表示图像行的序号，y表示图像列的序号。

其次，以水平自相关曲线的2个峰值之间长度作为基元的水平尺寸，以垂直自相关曲线的2个峰值之间长度作为基元的垂直尺寸;采用式(5)、(6)、(7)分别计算基元水平尺寸lx、基元垂直尺寸ly和基元窗口 Tx，y大小。

式中:mun［max(cx)］表示水平自相关曲线极大值数目，mun［max(cy)］表示垂直自相关曲线极大值数目。

最后，按照式(8)计算基元窗口均值，以基元窗口在织物图像中滑动，以基元均值Ma，b代替相应基元窗口尺寸中心像素点(a，b)的灰度值，通过遍历整个织物图像，从而抑制织物纹理信息。

式中a、b分别表示基元中心点的横坐标和纵坐标。

2.2 织物图像分割

图4示出织物图像的预处理。式(1)确定最佳稀少度和分割阈值;然后根据式(2)对预处理后的织物图像进行分割，形成疵点兴趣区，如图5所示。

图4 织物图像预处理Fig.4 Pre-processing of fabric image.(a)Original image;(b)Image after pre-processing

图5 离散疵点兴趣区示例Fig.5 Sample of isotropic defect interest region.(a)Interest region number curve;(b)Rarsity curve;(c)Defect of interest region

从图中可看出，对边撑疵采用稀少性特征分割;在［δotsu－255］区间，对图4中的预处理织物图像灰度值进行8等分，然后计算不同阈值下兴趣区域数目和稀少度如图5(a)、(b)所示;在图5(a)中兴趣区域数目在横坐标3～4之间下降最快(在图(b)中横坐标在3处稀少度最大)，说明在图5(a)中4处对应阈值能够使兴趣区域明显稀疏，目标与背景基本被分离出来，按照此处阈值分割效果如图5(c)所示。

2.3 形态学滤波

由织物图像分割后所得到的兴趣区通常含有一定噪声和较小的孤立点;为了消除这部分信息对疵点提取的影响，以织物基元尺寸作为结构元素尺寸，采用先膨胀、后腐蚀的形态学闭运算操作;通过闭运算不仅能平滑滤波，而且还能能够除去区域中的小孔，填平狭窄的断裂、细长的沟壑以及轮廓的缺口。图5(c)的形态学滤波结果如图6所示，织物图像中的噪声和孤立点被有效的抑制。

3 试验与分析

图6 形态学滤波结果Fig.6 Morphological filtering result

选择从工业现场采集的不同纹理的边跳纱、边撑疵、经缩波浪、油纬以及百脚疵点图像进行实验，图像大小为256像素×256像素。为了验证本文算法的有效性，采用Oust改进算法(文献［5］采用的方法)、基于本文均值滤波的Oust改进算法以及本文方法进行织物疵点图像分割。

试验与检测结果如图7所示。基于改进Ostu分割效果图7(b)中，含有大量的正常纹理信息与噪声信息，说明这种方法确定的阈值不能实现正常纹理与疵点的完全分离;基于滤波的改进Ostu分割效果图7(c)中，正常纹理基本被抑制，但分割后的图中仍然含有大量噪声;分析主要原因可能是通过滑动滤波能够消除正常纹理对分割的影响，但那些与疵点灰度值接近的噪声不能通过其确定的阈值实现与疵点的分离，这说明所确定的阈值不是最优阈值;本文方法的分割效果如图7(d)所示，织物疵点与背景纹理完全分离，表明本文的分割方法不仅利用滑动窗口滤除正常纹理信息，而且利用织物疵点目标的稀少能够确定最佳阈值，使与疵点接近的噪声被分离。另外，当在测试织物图像中增加高斯噪声时，采用本文算法也能较完整分割出疵点信息，说明算法具有较强的鲁棒性。

图7 织物疵点检测算法对比Fig.7 Detection algorithms of fabric defect.(a)Segmentation result of harness skip;(b)Segmentation result of temple mark;(c)Segmentation result of shrinkage;(d)Segmentation result of oiled pick;(e)Segmentation result of mis-picks

4 结论

传统的织物疵点检测算法不能有效地分割疵点信息，本文通过研究织物疵点纹理及疵点特征，利用基元窗口滤波抑制正常纹理对图像分割的影响，并利用疵点的稀少特征，通过预分割确定最佳阈值，在此基础上，分割出疵点兴趣区，最后通过形态学滤波消除噪声和较小的孤立点，从而实现对织物疵点的准确分割。由于有效地利用了织物纹理与织物疵点特点，本文织物疵点图像分割算法能够解决织物疵点分割阈值确定的问题。与传统算法相比，具有较高的分割准确性和较强的鲁棒性。

［1］KUMAR A. Computer-vision-based fabric defect detection:a survey［J］.IEEE Transactions on Industrial Electronics，2008，55(1):348 －363.

［2］GUAN Shengqi，GAO Zhaoyuan.Fabric defect image segmentation based on visual attention mechanism of wavelet domain［J］.Textile Research Journal，2014，84(10):1018－1033.

［3］NGAN H Y T，PANG G K H.Regularity analysis for patterned texture inspection［J］.IEEE Transactions on Automation Science and Engineering，2009，6(1):131－144.

［4］袁端磊，路立平.织物疵点自动检测技术的研究进展［J］.郑州轻工业学院学院:自然科学版，2005，20(3):69－73.YUAN Duanlei，LU Liping.The research progress of automatic fabric defects detection technology［J］.Journal of Zhengzhou University of Light Industry:Natural Science Edition，2005，20(3):69－73.

［5］李红梅，李玉超.Otsu法在织物疵点检测中的研究及应用［J］.科技信息，20011(32):525 －526.LI Hongmei，LI Yuchao.The research and application of Otsu in fabric defect detection［J］.Science＆Technology Information，2011(32):525－526.

［6］钟小勇，姚桂国，梁金祥，等.局部阈值分割用于织物疵点检测 ［J］.江苏纺织，2009(9):54 －55.ZHONG Xiaoyog，YAO Guiguo，LIANG Jinxiang，et al.Local threshold segmentation for fabric defect detection［J］.Jiangsu Textile，2009(9):54 －55.

［7］赵静，于凤芹.基于图像最大熵的织物疵点检测方法［J］.纺织科技进展，2010(2):64－65.ZHAO Jing，YU Fengqin.Fabric defect detection based on maximum entropy of image［J］.Progress in Textile Science＆ Technology，2010(2):64－65.

［8］杜磊，李立轻，汪军，等.几种基于图像自适应阈值分割的织物疵点检测方法比较［J］.纺织学报，2014，35(6):56－61.DU Lei，LI Liqing，WANG Jun，et al.Comparison of several fabric defect detection methods based on image self-adaptive threshold segmentation［J］.Journal of Textile Research，2014，35(6):56－61.

［9］祝双武，郝重阳.一种基于改进型PCNN的织物疵点图像自适应分割方法［J］.电子学报，2012，40(3):611－616.ZHU Shuangwu，HAO Chongyang.An approach for fabric defect image segmentation based on the improved conventional pcnn model［J］.ACTA Electronica Sinica，2012，40(3):611－616.

［10］赵波，郑立新，潘旭玲，等.新的基于图像显著性区域特征的织物疵点检测算法［J］.计算机应用，2012，32(6):1574－1577.ZHAO Bo，ZHENG Lixin，PAN Xuling，et al.New approach of fabric defects detection based on saliency region feature ［J］.Journal of Computer Applications，2012，32(6)1574－1577.

［11］JAYASHREE V，SHAILA Subbaraman.Identification of twill grey fabric defects using DC suppress Fourier power spectrum sum features［J］.Textile Research Journal，2012，82(14):1485－1488.