基于無抽樣離散小波變換的復雜紋理織物疵點檢測

楊曉波

(浙江樹人學院,浙江 杭州 310015)

近年來,小波變換因具有多分辨率特性已被廣泛應用于織物紋理檢測領域。小波變換可以實現局部增強,由于織物疵點大多分布在局部區域,利用小波變換可以對疵點進行聚焦檢測。Sarraf等[1]選用Daubechies D2[2]小波基對織物紋理圖像進行濾波,利用分形理論[3]提取織物特征,對包含25種疵點類型的3 600幅織物進行檢測,檢測精度達到89.5%,但檢測速度較低,僅為30.48 cm/min;Han等[4]采用自適應分解尺度小波提取共生矩陣對子圖像進行分析,該方法實時檢測能力較弱;Yang等[5]通過圖像增強突出織物的紋理特性,該方法只對部分種類織物疵點具有較強響應,存在一定的局限性;Jasper等[6]也采用自適應小波基進行織物疵點檢測,由于疵點樣本較少,且其采用的標準小波變換平移可變,不適合檢測細小局部疵點;Yang等[7-8]采用非采樣自適應小波提取差異特征進行疵點檢測,檢測精度達到97.5%,該方法對簡單紋理的織物疵點檢測精度較高,對于復雜紋理或花色織物的疵點檢測精度仍較低。鑒于此,本文采用無抽樣離散小波,通過自適應選擇小波分解尺度對復雜紋理織物疵點進行檢測,增強分解后的圖像疵點區域,采用多尺度小波分解的圖像融合方法對織物疵點進行實時檢測。

1 無抽樣離散小波變換原理

由于標準小波平移后會發生能量變化,因而不適用于圖像檢測和識別領域。無抽樣離散小波能夠對圖像信號進行綜合處理,且具有平移不變特性,因而對不同位置圖像的檢測結果依然保持穩定。

一維無抽樣小波的分解計算通過高通和低通濾波器進行卷積操作完成,如式(1)(2)所示:

(1)

(2)

式中:j表示小波分解尺度;n表示分解尺度個數;*表示卷積運算;cj和wj分別表示無抽樣小波分解在尺度j上的逼近值和小波系數;cj+1表示在cj基礎上的小波分解系數;wj+1表示在不同方向上的小波分解系數;hj和gj分別表示尺度j上的高通與低通濾波器脈沖響應系數。

二維無抽樣小波的分解可通過擴展一維無抽樣小波分解得到,經過行變換和列變換可以將一維無抽樣小波擴展為二維無抽樣小波,如式(3)～(6)所示:

(3)

(4)

(5)

(6)

cj+1、wj+1與cj的尺度相同,當疵點分布于織物的不同位置時,二維無抽樣小波具有平移不變特性,有利于準確檢測織物疵點。

2 小波選擇與疵點判定

疵點判別通過分析圖像區域的能量變化來實現。由于疵點中的像素比正常紋理像素更亮或更暗,因此圖像經過預處理后,疵點區域的能量分布與正常區域存在差異,經過無抽樣離散小波處理后,疵點區域的能量增強,與此同時,正常區域的能量減小,從而兩類區域的能量差異進一步擴大,有利于判別織物疵點?？椢锎命c的判別流程如圖1所示。

圖1 織物疵點判別流程圖Fig.1 Flowchart of fabric defects identification

從圖1可知,獲取織物圖像后,首先進行圖像預處理,然后利用無抽樣小波將像素信息轉化為頻率域,并劃分能量幅值,圖像經融合處理后便可提取相應的特征值,最后設定閾值,超過設定閾值時即判定存在疵點。

2.1 小波基和分解尺度選擇

利用無抽樣離散小波進行疵點判別,關鍵是要選擇合適的小波基和小波分解尺度。小波基的選擇主要考慮兩大因素,其一是小波基的數學特性,重點考察小波基的正交性、緊支撐和消失矩陣等;其二是所選小波基能夠突出圖像的局部特征。由于Daubechies D2小波[2]可以實現快速小波轉換,同時具有正交性、連續性和緊支撐性,分解過程計算量較小,因而本文選用Daubechies D2小波作為小波基,對織物的各類疵點進行檢測。

小波分解尺度的選擇需要考慮織物圖像的紋理特征,復雜紋理的織物圖像包含的信息量較大,選擇分解尺度時需突出疵點的能量信息,選擇的尺度以適中為宜,因為尺度過大將增加算法的計算量,不利于實時性檢測;尺度過小則會遺漏較小的疵點信息,檢測效果下降。

由于織物表面紋理具有較強的周期性,正常紋理的能量將向固有頻率點集中,疵點區域的能量分布則相對分散。另外,不同織物的紋理周期存在差異,因此紋理的固有頻率點也存在不同。

由于疵點區域與正常區域的能量分布在不同區域,因此在選擇小波的分解尺度時應滿足的條件為:

(7)

式中:FD表示疵點的通帶頻率;FTi表示正常紋理在i方向上的阻帶頻率,i=1,2,3分別表示水平、垂直和對角線方向。

通過式(7)可以得到小波分解尺度的最小值,由于不同方向上的織物紋理存在不同的固有頻率點,因此在選擇小波分解尺度時也應有所不同。

不同類型的織物疵點所需要的小波分解尺度不同,為了保證疵點檢測的通用性,從最小的小波分解尺度開始,采用連續的小波分解尺度簇用于檢測各種類型的疵點,分解尺度簇經過Daubechies D2小波變換后輸出,輸出的小波系數為:

(8)

式中:Owc為輸出小波系數;h、v和d分別為水平、垂直、對角線3個方向的起始尺度;N為分解尺度的總個數。

2.2 特征提取和疵點判定

織物圖像經過無抽樣離散小波變換后,可以得到空間能量頻譜分布,提取相關的能量特征即可判別紋理圖像中是否存在疵點,具體的能量特征值為:

(9)

(10)

(11)

式中:HE、VE、DE分別表示水平、垂直和對角線方向的幅值能量;CPi表示在i方向的小波系數。

特征提取的流程如圖2所示。提取織物的圖像特征,首先需累積圖像區域的幅值,從而獲得累積向量,接著計算累積向量的能量,當累積向量的能量大于直接求取的圖像能量時,則認為該區域存在疵點,否則認為該區域為正?？椢锛y理區域。

圖2 織物圖像特征提取流程圖Fig.2 Flowchart of feature extraction of fabric image

進行疵點判定時,首先從織物圖像區域中提取HE、VE、DE3種能量特征;接著將這3種能量與設定的閾值進行比較,當任何一種幅值能量超出設定閾值,則判定該區域存在疵點,否則可認為該區域為正常紋理。該判定方法不僅能判定疵點的準確位置,而且可以檢測出疵點的特征,如該疵點的構成要素是暗像素還是亮像素。

3 對比實驗

為了驗證無抽樣離散小波檢測方法的可行性,測試樣本選用常見的花色織物疵點類型,采用無抽樣離散小波檢測方法對不同類型的織物疵點進行檢測。實驗選用XLP8K6C-H-F4型CCD線陣相機(深圳市度申科技股份有限公司)獲取疵點樣本,織物表面分辨率設定為0.358 mm/像素,疵點樣本圖像的大小為512像素×512像素,每個檢測圖像的子區域設定為64像素×64像素。

本文實驗累計采集圖片總數54 006張,其中合格樣本圖像 30 242張,疵點樣本圖像23 764張,采用本文算法對檢測樣本進行測試,通過分析檢測正確率和誤判率,評定最終的檢測結果。選用的常見花色織物疵點種類如圖3所示。

圖3 8種常見花色織物疵點Fig.3 8 types common fabric defects in different patterns and colors.(a)Broken picks; (b) Missing end; (c) Hole; (d) Nep(e) Oil contamination; (f) Square eye;(g) Drop stitch; (h) Coarse knot

當織物出現疵點時,正?？椢锏募y理模式將會發生變化,疵點區域的內部像素變化有別于正常紋理區域。檢測過程中,選取斷緯、缺經和油污為有代表性的花色織物疵點,采用的無抽樣小波分解尺度個數為2,對圖像進行分解,所得結果如圖4所示。

圖4 3種花色織物疵點的無抽樣離散小波檢測結果Fig.4 Non-sampling discrete wavelet detection results of three color fabric defects.(a) Broken weft; (b) Horizontal energy diagram; (c) Testing result;(d) Lack of warp; (e) Vertical energy diagram; (f) Testing result; (g) Oil contamination; (h) Horizontal energy diagram; (i) Testing result

選用常見花色織物的漏針、破洞和棉結類型疵點進行檢測,對應的無抽樣小波分解尺度個數分別為2、1和3,所得結果如圖5所示。

圖5 另外3種花色織物疵點的無抽樣離散小波檢測結果Fig.5 Non-sampling discrete wavelet detection results of another three color fabric defects.(a) Drop stitch; (b) Horizontal energy diagram; (c) Testing result;(d) Hole; (e) Vertical energy diagram; (f) Testing result;(g) Nep; (h) Horizontal energy diagram; (i) Testing result

從圖4和圖5可知,當疵點類型不同時所采取的小波分解尺度數也要相應改變,這樣才能得到較好的檢測結果。為了客觀分析小波分解尺度個數與各類疵點檢測能力之間的關系,可以通過計算疵點區域特征平均值與正常區域特征平均值的比值(見式(12))對其進行判定。

(12)

式中:Ui代表某種疵點在疵點區域中的特征值;Uj表示在正常紋理區域所獲得的特征值;p為疵點判別指數。

當計算所得p值較大時,則說明疵點區域與正常區域差異明顯,可以設定正常區域對應的p值為閾值,超過設定閾值即可判定存在疵點。

利用不同小波分解尺度對各類織物疵點進行檢測,檢測結果如圖6所示。隨著小波分解尺度個數的增加,6種類型疵點的判別指數也隨之增加,表明當小波分解尺度個數增加時,計算量會隨之加大,檢測精度也會相應增加。缺經疵點頻率響應主能量區與正常紋理的頻率點較為接近,因此只需1個分解尺度就能判別織物的疵點區域。其他類型的疵點頻率響應主能量區與正常紋理的頻率點相差較遠,因而需要較高的分解尺度提取特征值,如臟緯、松經、斷緯和棉結疵點都需要2個及以上分解尺度才能獲得較好的檢測效果;當小波分解尺度個數為3時,疵點判別指數較大。

圖6 不同小波分解尺度對各類織物疵點的檢測結果Fig.6 Detection results of fabric defects with different wavelet decomposition scales

小波分解尺度的自適應選擇取決于待測織物的紋理和疵點頻率特性,紋理不同則對應的小波分解尺度不同,同時不同的頻率反映不同的圖像信息,因此在選擇小波分解尺度時,盡可能選擇能夠使疵點頻率增強的尺度。

為了表明無抽樣離散小波適合于織物疵點檢測,分別選用常見的主流算法[9-11]與本文無抽樣離散小波檢測算法進行實驗,并對結果進行對比分析。實驗采用100幅大小為512像素×512像素的疵點圖像樣本和150幅大小為512像素×512像素的正常紋理疵點圖像樣本進行檢測,疵點類型分別選取斷緯、缺經、油污、漏針、破洞和棉結,檢測結果與織物疵點國家樣照進行比對,與國家樣照一致定為正確,反之則為不正確,對比結果見圖7。

圖7 對比實驗結果Fig.7 Comparative experimental results

從圖7可知,無抽樣離散小波算法的平均正確率達到97%,高于其他主流檢測方法,說明無抽樣離散小波算法比較適合于檢測復雜紋理織物疵點。

另外,為了檢驗疵點識別算法的實時特性,本文采用4種不同的疵點檢測算法對織物疵點進行實時檢測,檢測結果見表1。

表1 不同處理器的疵點檢測結果Tab.1 Defect detection results for different processors

從檢測結果來看,織物幅寬較為接近,不同處理器結合不同檢測算法,檢測速度存在較大差異,無抽樣離散小波檢測法的檢測速度高于其他3種檢測算法,表明無抽樣離散小波檢測法的實時檢測性能較優。

4 結 論

為了提高織物疵點的檢測精度,本文提出一種基于無抽樣離散小波變換算法,通過算法分析和對比性實驗得出以下結論:

①無抽樣離散小波平移不變特性有利于準確檢測分布于織物的不同位置疵點。經過無抽樣離散小波處理后,疵點區域的能量增強,正常區域的能量減小,區域的能量差異變大有利于判別織物疵點。

②選用Daubechies D2小波作為小波基對織物的各類疵點進行檢測。小波分解尺度的選擇需要考慮織物圖像的紋理特征,選擇的尺度以適中為宜。

③從織物圖像區域中提取水平、垂直和對角線方向能量作為特征值,與設定的閾值進行比較,判定該區域是否存在疵點,該判定方法不僅能判定疵點的準確位置,而且可以檢測出疵點的特征。

④分別選取6種類型的織物疵點進行對比實驗,無抽樣離散小波算法的平均正確率達到97%,高于其他3種主流檢測方法,說明無抽樣離散小波算法比較適合于檢測復雜紋理織物疵點;無抽樣離散小波檢測法的實時檢測性能優于其他3種主流檢測算法。