基于最优参数非线性GLCM 的织物瑕疵检测算法

董 蓉，李 勃

（1.南通大学 电子信息学院，江苏 南通226019；2.南京大学 电子科学与工程学院，江苏 南京210093）

0 引 言

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［1］。从频域提取织物图像特征的方法如小波 变 换［2－4］、傅 里 叶 变 换［5］、Gabor滤 波［6－9］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 （local binary pattern，LBP）［10，11］、邻 域 统 计 特 征 （均 值、方差、熵）［12］、邻 域 灰 度 排 列［13］、纹 理 图 案 规 则 性 特 征［14］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。以上方法在检测之后往往还需要通过形态学滤波辅助去除噪声斑点来进一步准确定位瑕疵区域。不管哪种特征描述方法，最重要的是将瑕疵和非瑕疵图像转换到该特征空间后，能够保证二者的特征分布区分度足够明显，才能达到准确定位瑕疵区域的目的。

本文提出采用一种非线性GLCM 特征描述织物纹理的方法以充分利用特征空间，有效提取图像特征。所提瑕疵检测包括最优尺度方向学习和瑕疵检测两个阶段。在学习阶段，计算无瑕疵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；在检测阶段，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。由于采用了非线性GLCM 算法并学习了最优尺度和方向，算法能够最大程度凸显瑕疵区域和非瑕疵区域的特征差别，同时得益于GLCM 本身对噪声的抗干扰能力以及自适应的二值化阈值，在未进行形态学滤波去噪的情况下，算法也能获得十分准确的瑕疵区域定位结果。

1 非线性GLCM 特征提取原理

GLCM 通过统计图像灰度的空间相关性来描述纹理。对输入图像A，将其灰度量化为N 级 （N 小于图像A 的灰度级数目），创建N＊N 的GLCM 矩阵G，G 矩阵中 （i，j）处的数值为A 图像中空间相对位置为P ＝ ［Dx，Dy］且量化灰度为 （i，j）的像素对的数目，即

由于对图像A 的灰度先进行了N 级量化，GLCM 可大大抵抗噪声干扰。由于不同图像大小不一，为保证所获得的GLCM 矩阵具有统一可比性，需将其归一化

Gn中每个元素实际上代表了图像A 中量化灰度对 （i，j）出现的概率。一般情况下，获得GLCM 矩阵后，再通过求取GLCM 矩阵的能量、对比度、熵、自相关等特征值来组成特征向量以描述图像A，然而，不管哪种特征值，都是对GLCM 矩阵再次统计的结果，仅能描述图像A 纹理特征的某一片面方面，且求取过程都将耗时。为保持图像特征描述的完整性，文章将GLCM 矩阵元素序列作为图像A 的特征向量，当量化级数为N＝8时，该特征向量维度为64。

一般GLCM 特征提取算法在进行灰度量化时均采用线性量化，即将当前图像的灰度范围 ［gmin，gmax］等份划分为N 个区间，将A 图像转变为只有N 级灰度的图像。线性量化操作简单，但对于织物图像，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，图1 （b）显示了织物图像图1 （a）的灰度分布，由图可见，灰度集中于中低亮度区域，对此图像如果采用线性量化，则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。为此，文章提出非线性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，再进行均匀量化。考虑到直方图均衡化可以有效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，如图1 （c）所示为图1 （a）的非线性映射函数。图2分别显示了线性和非线性GLCM 特征提取的结果，相比可见线性GLCM 矩阵十分稀疏，未能充分利用特征空间。

图1 非线性GLCM 构建

2 最优GLCM 尺度及方向参数学习

当选择不同的空间相对位置参数P 时，GLCM 将获得不同尺度和方向下的图像纹理特征。如，P＝ ［0，δ］、P＝ ［－δ，δ］、P＝ ［－δ，0］、P＝ ［－δ，－δ］分别可获得0°、45°、90°、135°方向的纹理特征，而P＝ ［0，δ］、P＝ ［0，2＊δ］、P＝ ［0，3＊δ］又将获得同一方向不同尺度下的纹理特征。一般算法将各个方向各个尺度的GLCM特征向量全部组合起来形成总的特征向量描述，如果选择量化级数为8、方向数为4、尺度数为5，则最终的特征向量维度为64×4×5＝1280。这种方式的缺陷在于所形成的特征向量维数高、计算耗时，且对同一类纹理，其特征往往在某一尺度和方向中凸显，引入其它不必要的尺度方向纹理特征反而容易在特征向量相似性度量阶段引起额外干扰。为此，文章提出学习最优非线性GLCM 尺度和方向参数并以此参数进行瑕疵检测。具体学习过程如下。

图2 线性与非线性GLCM 特征提取结果对比

（1）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 最好与图像纹理周期符合。设定尺度和方向数目分别为S、D；

（2）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，计算其在参数（1≤s≤S，1≤d≤D）下的非线性GLCM 矩阵并形成特征向量（x，y）；

（4）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（x，y）应当不受 （x，y）位置变化的影响，因此采用（x，y）的均方差作为最优尺度方向参数的评价标准

图3显示了4 种无瑕疵的纹理织物，图4 显示了图3中纹理织物相应的各自最优尺度及方向学习的结果。由图可见，固定方向时，随尺度变化；固定尺度时，不同的方向下亦不同。统计所有尺度方向，总存在一个最小，此时的尺度和方向参数即为所需寻找的最优参数。

图3 4种纹理织物图像

图4 最优尺度及方向参数学习

3 算法流程

如第2节所述，在学习最优尺度方向参数时，同时也可获得最优尺度方向参数下的参考特征向量。瑕疵检测阶段转变为对待检测图像提取非线性GLCM 特征并与参考特征向量匹配的过程，具体流程为：①对待检测图像的每个像素 （i，j）构建非线性GLCM 特征向量，具体方式为：首先利用无瑕疵图像的非线性映射函数对当前图像进行灰度映射，然后选择以该像素为中心的dw＊dh 的窗口，计算其在最优参数下的非线性GLCM 矩阵并形成特征向量V（x，y）。②计算V（x，y）与之间的特征向量距离，获得相似性分布图。③设定阈值THD对相似性分布图二值化，定位瑕疵区域。

4 实验及分析

实验在Matlab7.0上进行仿真实验，按照所提方法进行织物瑕疵检测并与其它算法对比。

待检测织物图像如图6所示。

图5 所提算法流程

图6 待检测织物图像

图7 （a）、（b）、（c）、（d）分别是图6 （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，采用所提算法，瑕疵区域的特征向量相似性距离明显高于非瑕疵区域，说明所采用的特征提取方法能够有效识别瑕疵。按照第3节所述阈值THD对特征向量相似性距离分布图进行二值化即可定位瑕疵区域，结果如图8所示。

图8 所提算法检测结果

为进一步验证算法有效性，将文章所提算法检测结果与基于小波变换特征的检测结果以及基于LBP特征的检测结果进行对比。小波变换特征向量由小波分解的水平、垂直、对角分量的方差组成，LBP 特征向量采用8邻域均匀LBP （uniform LBP）直方图。小波变换特征距离和LBP特征距离的二值化阈值均调整到最优状态。图8是对图6所示瑕疵织物图像利用所提算法检测的结果，图9是基于小波变换特征的检测结果，图10 是基于LBP 特征的检测结果。所有检测结果都是二值化之后的直接结果，未进行任何形态学滤波去噪。由图可见，所提算法对瑕疵定位准确，基本不受噪声干扰，而基于小波特征和LBP特征的方法易受噪声干扰且定位不够准确。

图9 基于小波变换特征的检测结果

图10 基于LBP特征的检测结果

5 结束语

文章提出一种基于最优尺度方向参数非线性GLCM 的织物瑕疵检测算法，包括最优尺度方向参数学习和瑕疵检测两个阶段。通过采用所提非线性GLCM 特征提取方法以及进行最优尺度方向参数的学习，算法能够最大程度凸显瑕疵区域和非瑕疵区域，而算法中自适应的二值化阈值，更是十分有利于实际生产过程中的自动化检测。实验结果表明，相比于基于小波变换特征或者LBP特征的瑕疵检测算法，所提算法能够更好定位织物瑕疵区域并且不易受到噪声干扰。算法对图像中每个像素均取其邻域计算非线性GLCM 特征，实际生产应用中可通过下采样或并行计算等方式进一步降低计算量以达到实时检测的目的。

［1］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 （7）：442－458.

［2］CUI Lingling，LU Chaoyang，LI Jing，et al.Defect detection based on wavelet multi－scale products and morphology ［J］.Opto－Electronic Engineering，2011，38 （8）：90－95 （in Chinese）. ［崔玲玲，卢朝阳，李静，等.基于小波多尺度积与形态学的瑕疵检测算法［J］.光电工程，2011，38 （8）：90－95.］

［3］HAN Lei，LI Chong，JIN Yao，et al.Quick defect detection based on structure character of woven fabric image and wavelet transform ［J］.Computer Engineering and Design，2009，30（10）：2510－2512 （in Chinese）. ［韩磊，李重，金耀，等.基于织物结构特征和小波变换的快速疵点检测 ［J］.计算机工程与设计，2009，30 （10）：2510－2512.］

［4］JIANG Lei，YIN Ye’an.Research on the automatic detection method for fabric flaws based on wavelet analysis［J］.Computer Engineering ＆ Science，2009，31 （5）：49－52 （in Chinese）.［蒋蕾，尹业安.基于小波分析的织物疵点自动检测方法研究 ［J］.计算机工程与科学，2009，31 （5）：49－52.］

［5］GUAN Shengqi，SHI Xiuhua.Fabric defects detection based on frequency domain filtering ［J］.Computer Applications，2008，28（10）：2673－2675（in Chinese）.［管声启，石秀华.基于频域滤波的织物疵点检测［J］.计算机应用，2008，28（10）：2673－2675.］

［6］YANG Xiaobo.Detection of fabric defects based on Gabor filter［J］.Journal of Textile Research，2010，31 （4）：55－59 （in Chinese）.［杨晓波.基于Gabor滤波器的织物疵点检测 ［J］.纺织学报，2010，31 （4）：55－59.］

［7］CHEN Lin，WANG Jun，LI Liqing，et al.Nonwoven fabric defects detection based on 2DGabor filter［J］.Journal of Donghua University （Natural Science），2012，38 （6）：695－699（in Chinese）.［陈琳，汪军，李立轻，等.基于二维Gabor滤波器的非织造布疵点检测 ［J］.东华大学学报 （自然科学版），2012，38 （6）：695－699.］

［8］Mak K L，Peng P，Yiu K F C.Fabric defect detection using morphological filters［J］.Image and Vision Computing，2009，27 （10）：1585－1592.

［9］JING Junfeng，ZHANG Huanhuan，LI Pengfei.Fabric image defect detection based on method library ［J］.Journal of Donghua University（Natural Science），2013，39 （5）：650－655 （in Chinese）.［景军锋，张缓缓，李鹏飞.基于方法库的织物图像疵点检测 ［J］.东华大学学报 （自然科学版），2013，39 （5）：650－655.］

［10］FU Rong，SHI Meihong.Fabric defect detection based on adaptive LBP and SVM ［J］.Journal of Computer Applications，2010，30 （6）：1597－1601 （in Chinese）.［付蓉，石美红.基于自适应LBP 和SVM 的织物疵点检测算法 ［J］.计算机应用，2010，30 （6）：1597－1601.］

［11］LIN Sishui，ZHENG Lixin.A multi－resolution fabric defects detection based on LBP and SOM ［J］.Microcomputer ＆Its Applications，2012，31 （23）：45－54 （in Chinese）. ［林 似水，郑力新.联合LBP 与SOM 的多分辨率织物疵点检测［J］.微型机与应用，2012，31 （23）：45－54.］

［12］LI Pengfei，YANG Ning，JING Junfeng.Fabric defect classification based on radial basis function neural network ［J］.Computer Measurement ＆ Control，2012，20 （10）：2751－2759 （in Chinese）.［李鹏飞，杨宁，景军锋.基于径向基函数神经网络的织物疵点分类 ［J］.计算机测量与控制，2012，20 （10）：2751－2759.］

［13］Zhang Y，Lu Z，Li J.Fabric defect classification using radial basis function network ［J］.Pattern Recognition Letters，2010，31 （13）：2033－2042.

［14］Ngan H Y T，Pang G K H.Regularity analysis for patterned texture inspection ［J］.IEEE Transactions on Automatic Science and Engineering，2009，6 （1）：131－144.