采用频域滤波的织物疵点检测方法

2017-07-18 11:15刘伟斌郑力新周凯汀
关键词:纹理织物

刘伟斌, 郑力新, 周凯汀

(1. 华侨大学 信息工程与科学学院, 福建 厦门 361021;2. 华侨大学 工学院, 福建 泉州 362021)

采用频域滤波的织物疵点检测方法

刘伟斌1, 郑力新2, 周凯汀1

(1. 华侨大学 信息工程与科学学院, 福建 厦门 361021;2. 华侨大学 工学院, 福建 泉州 362021)

首先,通过傅里叶变换获得含有疵点的织物频谱图,根据频谱图设计频域滤波器分离正常的纹理信息,保留疵点信息;然后,通过傅里叶逆变换进行灰度图重构,得到去除正常纹理的疵点图像;最后,经过高斯平滑后二值化分割出织物疵点.实验选取5种织物疵点进行验证,结果表明:采用频域滤波的织物疵点检测方法检测效果良好,且检测率达到90%以上. 关键词: 疵点检测; 织物; 纹理; 频域滤波; 傅里叶变换

目前,绝大多数的织物疵点检测还处于人工检测阶段.由于受到人的因素影响,人工检测的效率低、误检率高,而基于机器视觉的自动检测日益受到业内的认可.织物通常由纱线按照一定的纹理结构进行编织而成,其生产工艺决定了织物疵点属于正常纹理结构的一种畸变.因此,检测织物疵点是一项纹理分析的过程.采用纹理模型进行疵点检测的主要有高斯马尔科夫随机场(GMRF)模型[1]、Poisson模型[2]和Wold模型[3].近年来也出现了一系列织物疵点检测的新方法,如Kumar等[4]提出Gabor滤波器应用于疵点检测;Han等[5]采用自适应小波包(AWP)分解织物图像进行判断疵点的存在;Chan等[6]采用傅里叶变换进行谱分析继而提取特征参数进行检测.本文提出一种新的频域滤波器设计方法进行织物疵点检测,加强对织物正常纹理信息能量的抑制,使织物的纹理和疵点具备更强的对比度,从而有利于疵点的分割.

1 频域滤波器设计

1.1 二维离散傅里叶变换

图像在计算机中的实质是1个矩阵,且为数字信号.一副大小为M×N的图像可用f(x,y)表示,其中:x=0,1,2,…,M-1;y=0,1,2,…,N-1.f(x,y)的离散傅里叶正变换F(u,v)可表示为

(1)

式(1)中:u=0,1,2,…,M-1;v=0,1,2,…,M-1;在频域中,u,v确定频率.由此可知:频域图像大小和时域图像大小相同.

由于傅里叶变换的可逆性,二维离散傅里叶逆变换为

(2)

由式(2)可知:即使f(x,y)为实数,其傅里叶变换也为复数的形式.因此,通常情况下傅里叶变换后的频谱图实质是F(u,v)的幅度图.傅里叶变换中幅度定义为

(3)

相位角定义为

(4)

利用式(3),(4),采用极坐标表示F(u,v),即

(5)

图像经过傅里叶变换可以有效地展现频域的相关特性,织物图像存在着周期性纹理,在频域中也就有相应的频率特性.因此,可以利用织物图像进行傅里叶变换,并在频域中进行相应的处理.

1.2 滤波器设计算法

织物纹理及其频谱图,如图1所示.由图1(a),(c)可知:织物的纹理信息伴随着一定的周期性和方向性.由图1(b),(d)可知:织物灰度图的纹理是由纱线按照一定的结构编织而成,经过傅里叶变换对应的频域中的频谱图以图像中心呈发散状分布,且在方向上与空间域中的纹理的方向正交.图2(a),(c)是由图1(a),(c)去除高频部分后得到的频谱图;图2(b),(d)是由图1(a),(c)去除低频部分得到的频谱图;图2(e)~(h)是由图2(a)~(d)经傅里叶逆变换重构的灰度图.由图2(e),(g)可知:当去除高频信息时,纹理受到很大程度上的抑制.由图2(f),(h)可知:当相应地去除低频信息时,纹理的周期性和方向性几乎得到了保留.这说明织物的纹理信息主要处于高频段,同时单纯的应用低通滤波器虽然可以很大程度上抑制正常的纹理信息,但也几乎破坏了可能含有疵点的重要信息.

(a) 水平纹织物原图 (b) 水平纹织物频域图 (c) 斜纹织物原图 (d) 斜纹织物频域图 图1 织物纹理及其频谱图Fig.1 Figure of fabric texture and its spectrum

(a) 水平纹去高频 (b) 水平纹去低频 (c) 斜纹纹去高频 (d) 斜纹纹去低频

(e) 水平纹去高频(重构) (f) 水平纹去低频(重构) (g) 斜纹纹去高频(重构) (h) 斜纹纹去低频(重构)图2 纹理频域滤波及其灰度重构图Fig.2 Figure of texture filtered frequency domain and reconstructed grayscale

因此,需要设计一种类似带通频域的滤波器,使织物纹理信息和疵点信息之间有一个节点进行区分滤波.由织物纹理在频域中的图像可以看出:除频域图像中心外,纹理能量集中在图像中心附近的亮斑上.需要设计一种滤波器能够针对这些亮斑进行滤波,以最大限度滤除纹理,又最大限度保留疵点能量.

图3 滤波器设计算法流程Fig.3 Filter algorithm design process

滤波器设计算法流程,如图3所示.在获取织物图像后进行傅里叶变换,将频域图进行高斯平滑滤波后,采用最大类间方差法(OTSU)二值化处理.然后,通过分割出的粒子面积大小筛选进行粒子滤波,通过粒子参数确定频域滤波器所需参数,将滤波后的频域图进行傅里叶逆变换重构灰度图,再进行OTSU分割出疵点图像.

滤波器的设计为

(6)

式(6)中:φ为图4(f)中的黑色斑块,是织物纹理能量集中区.φ的确定过程如下:图4(a)中的织物经傅里叶变换后得到频域能量图F(u,v),如图4(b)所示;由于其频谱发散衰减特性,不利于后续操作,因此,对其进行求模运算,并采用高斯滤波器进行平滑操作,效果如图4(c)所示;针对平滑滤波后的频谱图进行二值化分割,采用OTSU确定阈值,分割后的效果如图4(d)所示;通过粒子筛选的方式保留粒子面积为0≤Sn≤δ2的粒子,效果如图4(e)所示;分别以保留的粒子的质心为圆心作半径为γ的圆,这些圆所组成的区域即为φ.

参照式(7),将原频谱图F(u,v)进行滤波,得到的效果如图4(f)所示,即

(7)

(a) 织物原图 (b) 原织物频域图 (c) 频域图平滑后 (d) 平滑后二值化

(e) 粒子筛选 (f) 纹理滤波 (g) 去除大多数纹理 (h) 纹理信息 图4 频域滤波器设计Fig.4 Designed frequency domain filter

面积δ2与圆半径γ的确定过程:对经OTSU后获得的图4(d)进行粒子分析,得到各粒子的面积参数,取最大值的2/3为δ2,由于疵点能量信息常位于低频部分,因此,面积最大的那块即为疵点能量;当δ2=2×Smax/3时,可在保留疵点信息的同时滤除大多数的纹理信息,对已分割的粒子作最小外接圆,获取各粒子的最小外接圆半径,在滤波过程中需要保证最大限度的滤除纹理信息,因此,γ取Rmax.

由图4(g)可知:经过该滤波器滤波后重构的灰度图纹理信息基本上被剥离出来.将原始图像减去重构的灰度图像得到的效果如图4(h)所示,可以看出绝大多数的纹理信息.

2 实验结果分析

2.1 实验步骤

1) 将织物图片进行傅里叶变换,设计频域滤波器.

2) 针对该织物图片的频谱图与相应的滤波器进行滤波后,应用傅里叶逆变换重构灰度图像.

3) 对重构的灰度图像进行分割,采用OTSU阈值法,检测是否存在非0粒子,若有则视为有疵点.

2.2 实验分析

(a) (b) (c) (d) (e) (f) 图5 勾丝处理图Fig.5 Figure of pilling processing

(a) (b) (c) (d) (e) (f) 图6 棉结处理图Fig.6 Figure of nep processing

(a) (b) (c) (d) (e) (f) 图7 破洞处理图Fig.7 Figure of hole processing

(a) (b) (c) (d) (e) (f) 图8 缺纬处理图Fig.8 Figure of broken picks processing

(a) (b) (c) (d) (e) (f) 图9 油污处理图Fig.9 Figure of oil strain processing

2.2.1 常见疵点检测 系统软件平台基于OPENCV 2.1+Visual Studio 2010,硬件环境为四核Intel Core2 2.6 GHz CPU,2 G内存的计算机.分别对勾丝、棉结、破洞、缺纬、油污等5类常见的疵点进行测试,所选图像大小均为512 px×512 px,测试结果如图5~9所示.图5~9中:(a)为疵点织物原图;(b)为经傅里叶变换的频谱图;(c)为经频域滤波后的频谱图;(d)为滤波后傅里叶逆变换重构图;(e)为经OTSU法分割后形态学处理图;(f)为疵点原图(a)经OTSU法分割后形态学处理图.由图5~9中(e),(f)可以看出:原织物疵点图像在未经频域滤波的情况下进行分割,由于受纹理背景等因素的影响,分割出来的疵点图像涵盖着大量的纹理信息,油污疵点由于与纹理有较强的对比度差异,因此,受纹理的影响很小,但大多数疵点是纹理性疵点.傅里叶变换、滤波器参数获取、滤波、傅里叶逆变换、OTSU分割算法模块的时间消耗分别为9.8,8.2,3.2,8.5,4.7 ms,整个算法耗时34.4 ms.

2.2.2 检测率对比 实验的硬件、软件环境同节2.2.1,共选取150张图像作为样本进行测试,5类疵点图片各30张,分别采用文中方法和现研究领域中检测效果较好的Gabor算法[4,7]进行对比实验.此处Gabor算法采用1个尺度2个方向(水平、垂直)进行滤波.文中方法的检测率(η1)和Gabor算法的检测率(η2),如表1所示.由表1可知:文中方法对5大疵点的检测率均超过90%,与Gabor算法在勾丝、棉结、缺纬、油污上的检测率相差无几;在破洞检测中,由于受破洞疵点本身内部可能还有没有被完全破坏的纹理周期性和方向性的干扰,Gabor滤波法对其检测效果不佳,但文中方法由于抑制了纹理信息, 仍然保持着90%的检测率.

表1 算法检测率Tab.1 Algorithm detection rate

在时效性上,文中方法与Gabor算法单一疵点耗时分别为34.4和292.0 ms.假设织物宽度为1.6 m,采用4台2 K线阵相机分别连接4台上述硬件软件配置一致的PC机,即分辨率为0.2 mm·px-1,图像取2 048 px×512 px,则处理单张图像所耗时间为137.6 ms,则该算法的检测速度达44.65 m·min-1,比人工检测速度(15~30 m·min-1)快得多,可达到实用要求.

3 结束语

根据傅里叶变换后的频谱图特征设计相应的频域滤波器,该滤波器可加强针对织物正常纹理信息能量的抑制.实验结果表明:文中方法具有很好的检测效果和时效性.然而,其不足之处在于在抑制正常纹理背景的同时也抑制了部分织物疵点信息.

[1] DENG Huawu,CLAUSI D A.Gaussian MRF rotation-invariant features for image classification[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(7):951-955.

[2] BRZAKOVIC D P,BAKIC P R,VUJOVIC N S,etal.A generalized development environment for inspection of web materials[C]∥IEEE International Conference on Robotics and Automation.Albuquerque:IEEE Press,1997:1-8.

[3] 徐增波,贡玉南,黄秀宝.基于Wold纹理模型和分形理论的织物疵点检测[J].东华大学学报(自然科学版),2000,26(1):6-9.

[4] 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.

[5] HAN Yangfan,SHI Pengfei.An adaptive level-selecting wavelet transform for texture defect detection[J].Image and Vision Computing,2007,25(8):1239-1248.

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

[7] MAK K L,PENG P.An automated inspection system for textile fabrics based on Gabor filters[J].Robotics and Computer Integrated Manufacturing,2008,24(3):359-369.

(责任编辑: 钱筠 英文审校: 吴逢铁)

Detection Method of Fabric Defects Based on Frequency Domain Filtering

LIU Weibin1, ZHENG Lixin2, ZHOU Kaiting1

(1. College of Information Science and Engineering, Huaqiao University, Xiamen 361021, China;2. College of Engineering, Huaqiao University, Quanzhou 362021, China)

Firstly, a spectrum image for fabric containing defects was obtained from the Fourier transform, According to the spectrum image, frequency domain filter was designed to remove normal texture information and keep defect information; and then a fabric defect image is obtained by Fourier inverse transform for reconstructed gray image which remove normal texture, finally, the fabric defect was obtained after Gaussian smoothing and image segment. The experiment select five types of fabric defects, the experimental results shows that the method is effective, and the detection average accuracy is over 90%.

defects detection; fabric; texture; frequency domain filtering; Fourier transform

10.11830/ISSN.1000-5013.201704022

2014-08-25

郑力新(1967-),男,教授,博士,主要从事工业自动化技术和人工智能的研究.E-mail:1275373176@qq.com.

福建省科技创新平台建设项目(2013H2002)

TP 391

A

1000-5013(2017)04-0562-05

猜你喜欢
纹理织物
无Sn-Pd活化法制备PANI/Cu导电织物
《丝绒织物》等103项纺织行业标准发布
《纺织品织物折痕回复角的测定》正式发布
竹纤维织物抗菌研究进展
基于BM3D的复杂纹理区域图像去噪
纹理入画九龙璧
使用纹理叠加添加艺术画特效
TEXTURE ON TEXTURE质地上的纹理
抓取柔软织物多指灵巧手的建模与仿真
双向纹理函数稀疏采集与重建