应用Gussian回代交替方向图像分解算法的色织物疵点检测

景军锋， 范晓婷， 李鹏飞， 张 蕾， 张宏伟

(西安工程大学 电子信息学院， 陕西 西安 710048)

应用Gussian回代交替方向图像分解算法的色织物疵点检测

景军锋， 范晓婷， 李鹏飞， 张 蕾， 张宏伟

(西安工程大学 电子信息学院， 陕西 西安 710048)

针对传统的人工织物检测方法效率低，稳定性差，处理速度慢的问题，提出了基于Gaussian回代交替方向(ADMG) 图像分解的色织物疵点检测算法。首先对疵点织物进行直方图均衡化的预处理操作，以减少织物背景纹理信息对织物疵点检测产生的影响。然后采用总方差范数与Sobolev空间中的半范数相结合的Gaussian回代交替方向的图像分解算法，将色织物图像分解为疵点部分u和纹理部分v。最后，应用二维Otsu阈值方法将图像的疵点部分u分割，识别织物图像上的疵点。实验结果表明：通过基于ADMG图像分解算法对包括星型、方格型和圆点型在内的色织物图像疵点检测是可行、有效的，可得到满意的识别结果。

图像分解； 织物疵点检测； 总方差范数； Gaussian 回代交替方向法

目前，国内大多数企业仍旧采用传统的人工目测的方法对纺织品质量进行检测[1]，因受工作环境和劳动强度的影响使得检测效率较低，已经成为提高纺织企业生产效率的瓶颈之一。

国内外许多学者已经提出了多种基于计算机视觉的疵点检测算法，如基于统计学方法的自相关函数法、共生矩阵法、数学形态学法；还有在频域提取特征值的傅里叶变换法、Gabor滤波器法、小波变换法以及基于模型算法的自回归模型、马尔科夫随机场法[2]等，但这些算法主要是针对于纹理结构较为简单的平纹和斜纹织物，而对于包括星型、方格型、圆点型等相对复杂的色织物的疵点检测研究相对较少[3]，因此，如何对色织物进行疵点检测具有较深刻的研究意义。

小波预处理黄金模板相减匹配(WGIS)法[4]，基于图案纹理周期性的规则带(RB)法[5]，基于图像像素标准偏差的布林带(BB)法[6]以及基于图案子图形的疵点检测算法[7]等都是目前存在的几类针对于色织物的疵点检测算法。而本文采取了一种基于Gaussian回代交替方向(ADMG)的图像分解算法对色织物进行疵点检测，首先对疵点织物进行直方图均衡化，以降低图像噪声；将经过预处理后的色织物图像进行图像分解，该分解算法主要通过凸优化理论模型和总变差最小化去噪模型相结合，综合分析图像分解目标函数，从而获取纹理背景和织物疵点；最后通过二值化阈值实现织物疵点增强。

1 疵点检测

基于图像分解的色织物疵点检测过程主要包括3个步骤：预处理；基于ADMG图像分解；二值化阈值。算法整体流程如图1所示。

1.1 预处理

实际生产生活中，图像采集时光线太明或太暗、图像采集元件(如CCD摄像机)精度不准以及图像传输过程中的各种噪声等都会影响采集到的色织物图像质量，造成图像失真[8]。为降低这种失真对后续图像处理过程的影响，改善图像质量，需采用直方图均衡化的方法对图像进行预处理，即图像增强。直方图均衡化是将这些图像的不均匀分布直方图进行非线性拉伸，重新对图像像素值进行分配，使像素点在图像整个灰度范围内均匀分布，从而达到增强图像视觉效果的目的[9]。图2示出方格型粗纬和星型断纱2类色织物在未经过/经过直方图均衡化预处理得到的分解后的疵点部分u，可看出直方图均衡化这一预处理操作对检测结果的重要影响，经过预处理的色织物图像分解检测结果可更加显著地突出色织物疵点位置。

1.2 ADMG的图像分解

1.2.1 ADMG算法

(1)

该算子的空间范围为S=X1×X2×X3×Rl。

因此，可应用Gaussian回代交替方向法解决凸优化模型问题，该算法的流程如下。

1.4.3 生活质量 阴道炎患者在治疗后的生活质量采用SF-36评价，该评价表分为第一类和第二类，其中第一类为生理健康，含生理职能、生理功能、躯体疼痛和总体健康4个方面；第二类为心理健康，含情感职能、精神健康、活力和社会功能4个方面。分值越高，说明患者的生活质量越好。

1)参数定义：

(2)

(3)

(4)

(5)

2)交替方向法(ADM)步骤：

(6)

3) Gaussian回代步骤，直至‖vk-vk‖H<ε，迭代结束：

(7)

1.2.2 图像分解

一幅自然的织物图像往往同时包含多类信息，如：结构信息、纹理信息和噪声等，因此，从已有的织物图像中提取有用信息，对图像进行分解是图像处理中一个非常重要的过程[12]。采用Rudin等[13]提出的总变差最小化去噪模型的总变差范数结合Sobolev空间中的半范数可有效解决图像分解问题。本文采用文献[14]中提出的图像分解算法，将色织物图像分解为纹理部分v和疵点部分u，假设目标图像I∈Rn，通过下式来分解目标图像I：

(8)

式中：u表示疵点部分；v表示纹理部分；表示一阶导数算子；div=-T是散度算子；τ≥1，μ≥1分别是用来权衡目标函数3个组成部分的参数。式(8)中的第1项‖‖1称为u的总变差范数(TV)。在图像处理过程中TV范数的优势在于其可最大程度地保留图像的边缘信息。对于任意的表示Rn中的一个向量，并由下式给出：

(9)

由此，将图像分解目标函数结合Gaussian回代交替方向法的凸优化模型，可得到色织物图像的疵点部分u和纹理部分v。图3分别示出圆点型和星型的粗纬型疵点织物图像经过ADMG图像分解得到的纹理部分v和疵点部分u。

1.2.3 相关性最大化

需要考虑到式(8)中的2个最优权衡参数(τ,μ)的正确选取。由式(8)可得到2个输出结果：疵点部分u和纹理部分v。但是，为达到准确选出权衡参数能够更精确地检测织物疵点的目的，考虑到织物的纹理背景v与无疵点色织物W具有较高的相关性，二者的最大相关性计算公式如下：

(10)

1.3 二值化阈值

通过式(8)获得的疵点图像u在形状上基本包含了色织物的疵点部分，从图2和图3的检测结果可看出疵点部分已经可视化，但是对于疵点边界和织物颜色边界仍然是难以辨认。为更准确地识别出疵点，采用基于像素灰度值及像素点邻域灰度值的二维Otsu阈值的图像分割方法[15]，依据最大类间方差进行分割。将疵点图像u设为原始图像，取图像的阈值为T，则分割后的二值图像的定义式为：

(11)

2 实验结果与分析

本文共选取了166幅不同纹理的色织物图像进行检测，其中星型为25幅无疵点，25幅有疵点；方格型为30幅无疵点，26幅有疵点；圆点型为30幅无疵点，30幅有疵点，包括断纱，破洞，粗纬，细纬，结节，多网共6种纹理背景不同的织物。本实验是在MatLab R2008a环境下进行的，色织物样本来自香港大学工业自动化研究实验室和广东溢达纺织有限公司提供的样布。色织物图像的格式均为BMP格式，大小均为256像素×256像素，分辨率为200dpi的图像。图5～7分别示出了部分星型、方格型和圆点型共3类、9幅色织物及其疵点检测结果，结果见图5～7所示。

在图5～7中，第1列的3幅图像均为色织物疵点样本，第2列的3幅图像均为经过直方图均衡化后的预处理效果图，第3列的3幅图像均为经过ADMG图像分解算法分解后得到的疵点部分u，第4列的3幅图像均为经过二维Otsu阈值分割得到的疵点二值化结果。从检测结果可看出，色织物疵点样本经过基于ADMG的图像分解算法处理后，背景纹理部分v和织物疵点部分u可得到准确的分解，色织物的疵点位置和形状已经得到良好的可视化检测，通过实验可得出，该算法对3类色织物不同的疵点类型的检测时间较短，检测效率较高。

针对星型的5种不同纹理背景疵点类型和圆点型6种不同纹理背景疵点类型色织物的检测成功率、灵敏度及特异性进行分析，结果如表1、2所示。

表1 星型织物的检测率

Tab.1 Detection rates of star-yarn-dyed yarn type %

编号疵点名称检测成功率灵敏度特异性1断纱96.7961002破洞100.01001003多网96.7961004粗纬96.7961005细纬100.0100100

表2 圆点型织物的检测率

Tab.2 Detection rates of dot-yarn-dyed yarn type %

编号疵点名称检测成功率灵敏度特异性1断纱97.196.71002破洞100.0100.01003结节100.0100.01004多网97.196.71005粗纬100.0100.01006细纬100.0100.0100

从检测结果可看出，基于ADMG的图像分解的疵点检测算法对星型的破洞和细纬，圆点型的破洞，结节，粗纬和细纬4种类型织物疵点识别效果较理想，检测成功率，灵敏度和特异性均达到100%。星型以及圆点型共55幅疵点图像均可有效确定疵点位置，而对于断纱，多网2类织物检测结果相对较差，虽然可有效确定疵点图像的疵点位置，但是部分无疵点图像中背景纹理结构与疵点部分区域像素相似度较大，导致了检测结果不理想，存在误差。

3 结束语

本文采用了基于ADMG图像分解算法对色织物疵点进行检测。首先采用直方图均衡化对色织物进行预处理，以减小光源及噪声对图像的影响。然后采用基于ADMG的图像分解算法实现对图像的分解，该算法是在凸优化理论模型的基础上，结合总变差范数模型和Sobolev空间的半范数，通过Gaussian迭代的方法，分析解决图像分解目标函数，将色织物分解为疵点部分u和纹理部分v，并通过无疵点色织物图像与疵点织物的纹理背景的相关性最大化关系，获取图像分解目标函数的最优权衡参数，便于获得最优检测结果。最后通过二维Otsu阈值分割算法将获得的疵点部分u二值化，得到疵点检测结果。实际的印花疵点织物测试结果表明，本文提出的算法具有耗时短，执行效率高，有效性和鲁棒性等优点。但是本算法目前仍然处于MatLab仿真模拟阶段，在实际工厂类色织物疵点检测当中，需要与连续运动中的色织物的实时采集与传输相结合，所以如何有效地将硬件与软件相统一，将是下一步的研究方向。

FZXB

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

[2] 张扬，蒋高明，姚君洲，等. 基于MRF层次模型的贾卡经编针织物图像分割技术[J]. 纺织学报，2012，33(12)： 102-106. ZHANG Y, JIANG G, YAO J, et al. Segmentation of jacquard warp-knitted fabric image based on hierarchical Markov random field model[J]. Journal of Textile Research, 2012, 33(12): 102-106.

[3] 潘如如, 高卫东, 钱欣欣，等. 基于互相关的色织物疵点检测[J]. 纺织学报, 2010, 31(12):134-138. PAN Ruru, GAO Weidong, QIAN Xinxin, et al. Defect detection of printed fabrics using normalized cross correlation[J]. Journal of Textile Research, 2010, 31(12):134-138.

[4] NGAN H Y T, PANG G K H, YUNG S P, et al. Wavelet based methods on patterned fabric defect detection[J]. Pattern Recognition, 2005, 38(4):559-576.

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

[6] NGAN H Y T, PANG G K H. Novel method for patterned fabric inspection using Bollinger bands[J]. Optical Engineering, 2006, 45(8): 087202-087202-15.

[7] NGAN H Y T, PANG G K H, YUNG N H C. Motif-based defect detection for patterned fabric[J]. Pattern Recognition, 2008,41(6):1878-1894.

[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 defect detection methods based on image self adaptive threshold segmentation[J]. Journal of Textile Research, 2014, 35(6): 56-61.

[9] SINGH K, KAPOOR R. Image enhancement using Exposure based sub image histogram equalization[J]. Pattern Recognition Letters, 2014, 36(1):10-14.

[10] YANG J, ZHANG Y, YIN W. A fast alternating direction method for TVL1-L2 signal reconstruction from partial Fourier data[J]. IEEE Journal of Selected Topics in Signal Processing, 2010, 4(2): 288-297.

[11] HE B, TAO M, YUAN X. Alternating direction method with Gaussian back substitution for separable convex programming [J]. Siam Journal on Optimization, 2012, 22(2):313-340.

[12] NG M K, NGAN H Y T, YUAN X, et al. Patterned Fabric Inspection and Visualization by the Method of Image Decomposition[J]. IEEE Transactions on Automation Science & Engineering, 2014, 11(3):943-947.

[13] 张力娜, 李小林. 基于四阶偏微分方程的疵点—纹理图像分解方法[J]. 计算机应用与软件, 2012, 29(9):159-161. ZHANG Lina, LI Xiaolin. Cartoon-texture image decomposition method based on fourth-order pde[J]. Computer Applications and Software, 2012, 29(9):159-161.

[14] NG M K, YUAN X, ZHANG W. Coupled variational image decomposition and restoration model for blurred cartoon-plus-texture images with missing pixels[J]. Image Processing IEEE Transactions on, 2013, 22(6): 2233-2246.

[15] CHEN Z, TU Y. Improved Image segmentation algorithm based on OTSU algorithm[J]. International Journal of Advancements in Computing Technology, 2012, 4(15):206-215.

[16] NGAN H, PANG G, YUNG N. Automated fabric defect detection, A review[J]. Image & Vision Computing, 2011, 29(7):442-458.

Yarn-dyed fabric defect detection based on Gaussian back substitution image decomposition

JING Junfeng, FAN Xiaoting, LI Pengfei, ZHANG Lei, ZHANG Hongwei

(School of Electronic and Information, Xi′an Polytechnic University, Xi′an, Shaanxi 710048, China)

Focusing on the problems of low detection efficiency, poor stability and slow processing speed of conventional artificial fabric detection, a Yarn-dyed fabric defect detection method based on alternating direction method with Gaussian back substitution (ADMG) image decomposition was presented. Firstly, histogram equalization as preprocessing was first conducted for the sampled images to eliminate the influence of background texture of fabric defects. Secondly, ADMG image decomposition method based on the combination of the total variation norm and semi-norm in negative Sobolev space was employed, and the Yarn-dyed fabric images could be decomposed into defect structureuand texture structurev. Finally, the defect structureuwas segmented by using a two-dimensional Otsu thresholding, and the fabric defects could be identified. The experimental results demonstrate that method based on ADMG image decomposition is feasible and effective in Yarn-dyed fabric defect detection contained star-, box- and dot- Yarn-dyed fabric images and satisfactory identification results could be achieved.

image decomposition; defect detection in fabric; total variation norm; alternating direction method with Gaussian back substitution

10.13475/j.fzxb.20150604906

2015-06-25

2016-01-12

国家自然科学基金项目(61301276)；西安工程大学博士科研启动基金资助项目(BS1416)；西安工程大学学科建设经费资助项目(107090811)

景军峰(1978—)，男，副教授，博士。主要研究方向为机器视觉与图像处理。E-mail：413066458@qq.com。

TP 391

A