基于數字形態學濾波與SVM技術的簾子布疵點檢測

溫盛軍， 常保磊， 蔣成龍， 張五一

(中原工學院， 鄭州450007)

?

基于數字形態學濾波與SVM技術的簾子布疵點檢測

溫盛軍， 常保磊， 蔣成龍， 張五一

(中原工學院， 鄭州450007)

針對簾子布生產過程中可能出現的瑕疵問題，提出了一種多形態多尺寸的數字形態學濾波方法，采用多種不同形狀和大小的結構元素對簾子布疵點圖像進行濾波，對濾波后的圖像使用大律法閾值分割，并提取疵點的長、寬、長寬比、面積等特征。最后，利用支持向量機(SVM)進行疵點識別。實驗結果表明，該方法可準確檢測簾子布中漿斑、經線粘連、斷經、劈縫等主要疵點，具有分類準確、辨別速度快的優點，疵點識別率達93.3%。

疵點檢測；數字形態學；支持向量機；簾子布

在簾子布生產過程中，疵點檢測是必不可缺少的環節。目前我國的檢測技術相對落后，傳統檢測大多以人工檢測為主，工作強度高、時間長，由于受檢測人員主觀因素的影響，無法保證疵點檢測的準確[1-2]。隨著人工智能和圖像處理技術的迅速發展，基于圖像分析的織物疵點檢測技術已取代傳統的人工視覺檢測，成為織物疵點檢測領域的研究熱點[3-8]。簾子布表面經緯線有典型的構造，具有顯著的方向性、周期性及均勻性，而織物疵點的存在，打亂了經線紋理在頻率及方向上的協調一致[9]。傳統的數字圖像處理方法采用一個結構元素對圖像進行分析，疵點識別效果不理想，尤其是在對圖像進行形態學邊緣檢測時，一個結構元素只對與其同方向的邊緣敏感，而與其不同方向的邊緣則會被平滑掉[10-13]。本文提出了一種基于多結構多尺寸數字形態學處理的簾子布疵點檢測技術。該方法通過多結構多尺寸數字形態學對圖像進行濾波，使用大律法對濾波后的圖像進行閾值分割，提取疵點的長度、寬度、長寬比、面積等特征，并把提取的特征值通過支持向量機進行訓練建模， 利用模型對比，實現疵點的分類識別。

1　基于多結構多尺寸數字形態學的圖像濾波

數字形態學利用具有特定形態的構造元素來衡量和提取圖像中的對應形狀，并對圖像進行分析和辨別。形態學的處理可以在保持圖像原有基本形狀的同時，簡化圖像數據，并且去除圖像中一些不相關的結構。具體步驟為：先將原始圖像通過直方圖均衡化預處理，再對處理后的均衡化圖像進行高斯濾波，然后用多結構多尺寸數字形態學濾波器對高斯濾波處理后的圖像進行濾波。

1.1直方圖均衡化

直方圖的橫坐標、縱坐標分別表示圖像的灰度值和出現灰度值的概率，不反映像素的空間位置所在，只統計每一種灰度級在圖像中出現的次數或概率。直方圖均衡化是通過控制灰度級的概率密度函數，盡可能使每種灰度像素個數相等或均勻分布，加強直方圖統計中所占比例高的像素的灰度值，減少直方圖中比例小的灰度值所占用的灰度范圍。增大亮度，使兩者之間對比度變大，整體的對比度不變。

預處理采用直方圖均衡化來增強圖像的對比度，如圖1—圖4所示。由于采用的是背光照明方式，簾子布的經線較為密集，照明不充足，造成拍攝圖像偏暗，正常區域和疵點區域差別顯示不明顯。同時，直方圖均衡化可以剔除一些細小噪聲造成的圖像某點灰度值凸起。

對于前景和背景都太暗的簾子布漿斑、斷經、經線粘連、劈縫圖像，經過直方圖均衡化后，可加強圖像中比例高的像素的灰度值，減小圖像中比例小的灰度值所占用的灰度范圍。因此，圖像亮度增大，前景和背景之間對比度變大，整體對比度不變。

1.2高斯低通濾波器

高斯濾波是對圖像中的背景與前景作模糊處理，同時保留圖像疵點的邊緣特征。當濾波器的模板尺寸大時，高斯濾波能很好地保持疵點的邊緣特征[10]。用高斯濾波法對圖1—圖4進行均衡化處理后的圖像如圖5所示。濾波之后，圖像前景和背景模糊了，但保留了圖像疵點的特征。

(a)原圖像　　　　　　　　(b)均衡化后圖像圖1　漿斑原圖像與均衡化后的圖像

(a)原圖像　　　　　　　　(b)均衡化后圖像圖2　經線粘連原圖像與均衡化后的圖像

(a)原圖像　　　　　　　(b)均衡化后圖像圖3　斷經原圖像與均衡化后的圖像

(a)原圖像 　　　　　　　(b)均衡化后圖像圖4　劈縫原圖像與均衡化后的圖像

(a)漿斑　　　　　　　(b)經線粘連　　　　　　　(c)斷經　　　　　　　　　(d)劈縫圖5　高斯濾波結果圖

1.3多結構多尺寸數字形態學濾波

1.3.1二值灰度形態學處理

數字形態學中，二值圖像的形態變換是一種針對集合的處理過程。其形態算子的實質是物體或形狀的集合與結構元素間的相互作用，結構元素的形狀決定了運算所提取信號的形狀信息。形態學基本運算包括膨脹、腐蝕、開運算、閉運算。用T(i,j)結構元素模型對原始圖像I(x,y)進行腐蝕，然后進行膨脹運算，此過程稱為開運算。對圖像進行膨脹運算，然后進行腐蝕運算，此過程稱為閉運算。利用4種基本形態學運算可以組合出多種不同圖像的處理算法，以對圖像形狀和結構進行分析與處理，如圖像分割、細化、噪聲濾波、圖像增強、邊緣提取、形態骨架提取等。

灰度圖像形態學是從二值圖像形態學擴展而來的，形態學的運算對象不再是集合，而是灰度圖像函數。設f(x,y)、b(s,t)分別表示二值形態學中的輸入圖像和結構元素，用結構元素b(s,t)對灰度圖像f(x,y)進行腐蝕和膨脹運算，如下所示：

g(x,y)=min{f(x+s,y+t)-b(s,t)|(x+s,y+t)∈Df,(x,y)∈Db}

(1)

h(x,y)=max{f(x+s,y+t)+b(s,t)|(x+s,y+t)∈Df,(x,p)∈Db}

(2)

其中：g(x,y)、h(x,y)分別是腐蝕和膨脹后的灰度圖像，Df和Db為f(x,y)和b(s,t)的定義域。

1.3.2多結構多尺寸檢測算法

幾何形狀結構是形態學的基本算子，直接影響圖像處理效果和質量。在實際處理不同圖像應用中，只有一定的結構元素可用，且結構元素的形狀和大小必須適用于目標圖像的幾何特征。結構元素一般分為對稱結構和非對稱結構，對稱結構通常有圓盤、菱形、正方形、六邊形等。由于對稱結構元素各個方向相同，因此可以得到與方向無關的運算結果。在結構元素形狀確定后，結構元素的大小也很重要。結構元素過小，開運算時不能剔除較小的無關疵點，

閉運算時不能填補物體內相連的孔洞；結構元素過大，開運算時會造成假斷裂，閉運算時會造成目標過度粘連。

單個結構元素只能在單個方向上對圖像進行處理。圖像中的目標復雜，采取一種結構元素時，某些方向的邊緣不能被檢測出來，無法得到完整的圖像輪廓。本文提出了一種基于多結構元素的數字形態學圖像邊緣檢測算法。多尺寸檢測利用大小不同的結構元素提取目標圖像特征。大尺寸結構元素優點是去噪能力強，缺點是檢測邊緣較粗；小尺寸結構元素優點是檢測邊緣好，但去噪能力差。設b為結構元素，n為尺寸參數，多尺寸結構元素的定義為：

nb=b⊕b⊕b…⊕b

(3)

多結構元素檢測采用不同形狀結構提取圖像特征，能更好地處理圖像細節和平滑性。將不同結構檢測結果合并，可得到多結構元素圖像處理邊緣檢測結果En b(x,y)。

(4)

對于多結構多尺寸算子，由于大小不同、形狀不同，使得處理結果不同，因而需要對多結構進行運算合成。

假設f′(x,y)為合成的圖像，[k,l]為尺寸n的取值范圍，wn為尺寸的權重，則加權合成算法如式(5)：

(5)

圖6是通過5種不同算子結構對4種不同疵點進行濾波的結果圖。由圖6可知，不同結構元素對不同形狀邊緣具有不同的適應性，經過加權合成，可使圖像邊緣更好地保留下來。

(a)漿斑　　　　　　　(b)經線粘連　　　　　　　　(c)斷經　　　　　　　　(d)劈縫圖6　多尺寸多元素形態學濾波結果圖

2　大律法閾值分割

大津法通過圖像的灰度特征，將圖像分割成背景區域和目標區域兩部分，使兩部分的類間方差取值最大。背景區域和目標區域的類間方差越大，構成圖像的兩部分的差別越明顯，圖像的錯分概率越小。

假設圖像像素總數為N，灰度范圍為[0,255]，灰度為i的像素個數為ni，其概率pi為：

pi=ni/N

(6)

用閾值T將灰度圖像分割為目標區域和背景區域兩部分，分別用D0、D1表示。圖像的總體灰度均值如式(7)所示：

(7)

(8)

(9)

兩者之間的方差為：

(10)

(a)漿斑　　　　　　　　(b)經線粘連　　　　　　　(c)斷經　　　　　　　　　(d)劈縫圖7　閾值分割圖像

3　疵點檢測及特征提取

3.1基于灰度比例法的疵點檢測

簾子布疵點判別是一個實時動態過程，需要有快速且判斷準確的算法與之匹配。疵點快速判別的主要任務是在盡可能短的時間里把帶有疵點的圖像檢測出來，并且能夠給出疵點的位置。常用的織物疵點判別都是建立在空間域上，根據正常紋理和疵點紋理的變化來進行判斷。本文采用灰度比例法對疵點進行判別。該方法從簾子布自身紋理出發，結合閾值分割理論，在原理上抓住簾子布的自身特點，具有很好的適應性。

首先用大津法獲取閾值T。將10幅圖分別按照兩個窗口進行分塊，求取每塊的灰度比例值，將這10幅圖像對應的塊相加，求取每塊的均值μii和標準差σii。然后，確定判別標準μii-C1σii≤B/F≤μii+C2σii(B/F為前景與背景的比值，C1和C2為常數)。如果灰度比值B/F在此標準范圍內，視為正常。按照定義好的檢測窗口求取灰度比值，若灰度比值屬于正常范圍，定義檢測窗口值為1；若μii-C1σii>B/F，說明前景占主導，定義檢測窗口值為2；若μii-C1σii

以漿斑為例。以方形窗口為模板，正常簾子布的max和min在一定范圍內浮動，如圖8所示。漿斑在方形窗口檢測下，疵點部分在窗口處灰度比例發生巨變，如圖9所示。圖9中，在15～20之間曲線出現一個峰值，與正常簾子布形成鮮明的對比，即可判斷此處存在疵點。

圖8　正常簾子布的max和min曲線

圖9　漿斑疵點的max曲線

3.2疵點特征提取

對閾值分割后的圖像，需要計算圖像的長、寬、長寬比和面積，提取這些特征數據。找到圖像疵點區域的最左方與最右方的點，通過相減得到的像素值即為疵點區域的長；找到圖像疵點區域的最上方與最下方的點，通過相減得到的像素值即為疵點區域的寬；對長寬求比例，即得長寬比；計算出白色區域所覆蓋的像素點的個數，即為疵點區域的面積。以上計算所得到的長、寬、面積等不是實際的圖像大

小，而是用像素代表的大小。圖10所示為接頭疵點圖像的寬度和長度，圖中像素255均代表疵點的寬與長。

圖10　疵點接頭的長和寬示意圖

將得到的漿斑、經線粘連、接頭、劈縫等疵點的長、寬、長寬比以及面積數據存儲到表格里，如圖11和12所示。每種疵點選取40幅，并將4種疵點設定4種標簽，分別為1、2、3、4。數據表格的前4列是輸入的特征參數，最后一列是疵點的類型。這些特征數據將作為支持向量機輸入的特征向量，為下一步建立SVM疵點識別模型所用。

圖11　訓練樣本1

圖12　訓練樣本2

4　基于SVM的疵點分類識別

SVM技術通過核函數將原空間里的線性不可分數據映射到線性可分的高維特征空間中，以實現線性不可分疵點的分類識別。以前面提取的多個特征參數作為輸入到支持向量機的學習樣本，建立識別模型，通過SVM模型對疵點類型進行分類識別。

將上述采集的120幅圖像疵點部分的長、寬、長寬比以及面積數據作為SVM的訓練樣本，通過svmtrain函數建立SVM模型。通過模型，用svmpredict函數對另外30組測試樣本進行識別，結果如圖13所示。根據測試樣本的輸出結果，分類識別正確率達到93.3% ，達到所需的檢測要求。

圖13　測試樣本輸出圖

5　結　語

本文結合多結構多尺寸數字形態學、大律閾值分割算法和SVM技術，進行了簾子布疵點的檢測與識別。實驗結果表明，采用本文所提出的方法可以快速準確判別疵點，且對漿斑、經線粘連、斷經、劈縫等疵點的分類識別率達到93.3%。

[1]卿湘運,段紅,魏俊民.基于局部熵的織物疵點檢測與識別的研究[J].紡織學報，2004,25(5):57-59.

[2]楊楊.簾子布疵點檢測系統研究[D]. 鄭州：中原工學院，2014.

[3]張五一，楊揚，林聰.基于Gabor濾波器組與BP神經網絡的簾子布疵點檢測研究與實現[J].中原工學院學報，2014，25(3)：1-6.

[4]趙強松，張五一，王斌.基于灰度剖面直方統計的簾子布疵點識別研究[J].中原工學院學報，2009，20(5)：21-25.

[5]張五一，侯遠韶，張繼超.基于二維稀疏表示和范數優化的織物疵點分類研究[J].中原工學院學報，2012，23(3)：24-28.

[6]Arivazhagan S, Ganesan L, Bama S. Fault Segmentation in Fabric Images Using Gabor Wavelet Transform[J].Machine Vision and Applications,2006,16(6):356-363.

[7]袁端磊,宋寅卯.基于最優 Gabor 濾波器的織物缺陷檢測[J].中國圖像圖形學報, 2006, 11(7): 954-958.

[8]張渤,張代林,陳幼平.用于無紡布缺陷檢測的Gabor濾波器參數研究[J].武漢理工大學學報, 2012, 34(7):126.

[9]鄭麗香.基于視頻多幀融合的車牌識別技術研究[D]. 廈門：廈門大學，2012.

[10]宋寅卯,劉磊,李曉娟.基于改進的PCNN和SVM的織物疵點檢測的算法[J].天津理工大學學報,2010,29(5):77-80.

[11]紀惠軍,張小棟,楊建民.基于機器視覺的織物疵點檢測技術探究[J].現代紡織技術,2011(2):11-15.

[12]余農,李予蜀,王潤生.自動檢測圖像目標的形態濾波遺傳算法[J].計算機學,2001;24(4):336-346.

[13]張家. 樹灰度圖像的最大最小優化熵閾值分割[J].電訊技術,1955,35(6):42-45.

(責任編輯：席艷君)Defect Detection Based on Mathematical Morphology Processing and Support Vector Machines for Tyre Fabric

WEN Sheng-jun， CHANG Bao-lei， JANG Cheng-long， ZHANG Wu-yi

(Zhongyuan University of Technology， Zhengzhou 450007, China)

In view of the defect problem in production process of tyre fabric, a multi mathematical morphological structure and more size based filter method is proposed to filter the tyre fabric images with defect using different size and structure element. Then, the filtered image is separated by a big law threshold, and the characteristics of the defect are extracted, including length, width, shape features and area. Finally, support vector machine is used to identify the defect via the extracted characteristics. Experimental results show that the presented method can accurately detect the defects, such as the cord in crack, pulp spot, warp adhesion, thin warp, broken warp and weft. The defect recognition rate is 93%.

defect detection; mathematical morphology; support vector machines; tyre fabric

2016-07-03

國家自然科學基金項目(61304115)；河南省高?？萍紕撔聢F隊項目(14IRTSTHN024);河南省科技攻關項目(0721002210032)

溫盛軍(1979-)，男，福建寧化人，副教授，博士，主要研究方向為非線性控制、安全控制、機器人。

溫盛軍：博士，副教授，中原工學院青年拔尖人才，河南省高等學校青年骨干教師。2011年9月畢業于日本東京農工大學電子信息工程專業，獲學術博士學位。主要研究方向為非線性控制、安全控制、機器人。承擔和完成國家級科研項目3項、省部級科研項目5項、其他項目10余項，其中“基于Web的采暖與空調遠程實時維護系統”項目獲河南省科技進步三等獎，“畢業設計教學模式與質量監控體系的創新與實踐”項目獲河南省優秀教學成果一等獎。發表學術論文64篇，其中被SCI、EI收錄43篇。

1671-6906(2016)04-0007-06

TP274

A

10.3969/j.issn.1671-6906.2016.04.002