《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 顯示光電 > 設(shè)計(jì)應(yīng)用 > 基于灰度共生矩陣特征圖像的織物疵點(diǎn)檢測(cè)方法
基于灰度共生矩陣特征圖像的織物疵點(diǎn)檢測(cè)方法
2015年微型機(jī)與應(yīng)用第21期
吳 哲1,劉孝星2,,鄭力新1,,周凱汀2
(1.華僑大學(xué) 工學(xué)院,福建 泉州 362021,; 2.華僑大學(xué) 信息科學(xué)與工程學(xué)院,福建 廈門 361021)
摘要: 提出一種由灰度共生矩陣生成相應(yīng)特征圖像的算法,,進(jìn)行了圖像分割和織物疵點(diǎn)檢測(cè),。先將織物疵點(diǎn)圖像進(jìn)行灰度級(jí)量化至16級(jí),再提取0°,,45°,,90°,135°四個(gè)方向上的灰度共生矩陣,,通過計(jì)算灰度共生矩陣中的熵,、相關(guān)性、對(duì)比度,、差異性,、逆差矩共五種特征值并生成相應(yīng)的特征圖像,對(duì)常見的5種織物疵點(diǎn)進(jìn)行了分割檢測(cè)實(shí)驗(yàn),。實(shí)驗(yàn)結(jié)果證明基于灰度共生矩陣生成特征圖像的檢測(cè)算法是一種檢測(cè)效果良好的疵點(diǎn)檢測(cè)方法,。
Abstract:
Key words :

  摘  要: 提出一種由灰度共生矩陣生成相應(yīng)特征圖像的算法,進(jìn)行了圖像分割和織物疵點(diǎn)檢測(cè),。先將織物疵點(diǎn)圖像進(jìn)行灰度級(jí)量化至16級(jí),,再提取0°,45°,,90°,,135°四個(gè)方向上的灰度共生矩陣,,通過計(jì)算灰度共生矩陣中的熵、相關(guān)性,、對(duì)比度,、差異性、逆差矩共五種特征值并生成相應(yīng)的特征圖像,,對(duì)常見的5種織物疵點(diǎn)進(jìn)行了分割檢測(cè)實(shí)驗(yàn),。實(shí)驗(yàn)結(jié)果證明基于灰度共生矩陣生成特征圖像的檢測(cè)算法是一種檢測(cè)效果良好的疵點(diǎn)檢測(cè)方法。

  關(guān)鍵詞: 灰度共生矩陣,;特征圖像,;疵點(diǎn)檢測(cè)

0 引言

  織物疵點(diǎn)檢測(cè)是現(xiàn)代紡織工業(yè)產(chǎn)品質(zhì)量監(jiān)管中的重要環(huán)節(jié)之一。隨著計(jì)算機(jī)技術(shù)在工業(yè)表面檢測(cè)中的推廣與應(yīng)用,,基于機(jī)器視覺的織物疵點(diǎn)檢測(cè)方法逐漸成為紡織工業(yè)發(fā)展的一個(gè)趨勢(shì),。紡織品由于其制造工藝特性具有規(guī)則的周期性紋理,而織物疵點(diǎn)可看成正常紋理結(jié)構(gòu)的一種畸變,,因此檢測(cè)織物疵點(diǎn)實(shí)質(zhì)上是一個(gè)分析紋理突發(fā)畸變的過程,。理論已證明圖像的灰度共生矩陣是一種很好的紋理分析方法,可廣泛用于將圖像灰度值轉(zhuǎn)化為紋理信息[1],。當(dāng)前采用基于灰度共生矩陣疵點(diǎn)檢測(cè)方法的參考文獻(xiàn)[2-5]主要是通過計(jì)算特征值并通過特征值的歸納分類判斷疵點(diǎn),,無法完成對(duì)疵點(diǎn)圖像的分割及相關(guān)信息的提取,。而本文提出的算法可以通過特征值生成特征圖像,,進(jìn)而完成疵點(diǎn)的分割與檢測(cè)。將文中算法與基于Hough變換和Gabor濾波的檢測(cè)算法以及基于頻域篩狀濾波器的檢測(cè)算法進(jìn)行對(duì)比實(shí)驗(yàn),,對(duì)勾絲,、缺經(jīng)、破洞,、油污,、缺緯5種常見的織物疵點(diǎn)進(jìn)行檢測(cè),本文算法效果最好,。

1 灰度共生矩陣基本原理

  紋理描述的灰度共生矩陣(Gray-Level Co-occurrence Matrix,,GLCM)方法是基于在紋理中某一灰度級(jí)結(jié)構(gòu)重復(fù)出現(xiàn)的情況,如待分析圖像中的一個(gè)M×N的子圖窗口,,PDRLKG@9~]A`65B]3)YZQ)BT.png,,d(a,b)表示在方向DRLKG@9~]A`65B]3)YZQ)BT.png上間隔距離為d的像素組(a,,b)在窗口中出現(xiàn)的次數(shù),。非歸一化共生矩陣可以表示為公式(1)~(4)[6]:

 14.png

  其中|{…}|指集合的基數(shù),D=(M×N)×(M×N),。

  下面一個(gè)例子闡述計(jì)算d=1共生矩陣,。圖1為一個(gè)具有4個(gè)灰度級(jí)的圖像,。

001.jpg

  矩陣P0°,1按照如下方式構(gòu)造:元素P0°,,1(0,,0)表示在方向角度為0°上相鄰的兩個(gè)灰度值均為0的次數(shù);在這種情況下P0°,,1(0,,0)=4。同理,,元素P0°,,1(3,2)表示在方向角度為0°上相鄰的兩個(gè)灰度值均為3和2的次數(shù),;注意P0°,,1(3,2)=1,,則P0°,,1(2,3)=1,,因?yàn)榫仃嚨膶?duì)稱性:

  _S0CE}7C_9Z4WAW7P00{Z2G.png

  對(duì)其他方向DRLKG@9~]A`65B]3)YZQ)BT.png和距離值d的矩陣PDRLKG@9~]A`65B]3)YZQ)BT.png,,d的計(jì)算亦是同理。GLCM體現(xiàn)了影像灰度值在某一方向和間隔時(shí)的特點(diǎn),,但區(qū)分紋理的特征并不能由它直接給出,,所以需要在其基礎(chǔ)上獲取統(tǒng)計(jì)屬性用來定量描述紋理。

  根據(jù)GLCM特點(diǎn),,Haralick等提取了14種特征值用于紋理分析[7],,但在使用它時(shí),由于計(jì)算機(jī)工作量較大,,運(yùn)行時(shí)間太長(zhǎng),,考慮到使用的效率,一般情況下采用以下幾個(gè)比較常見的特征值來提取紋理的特征[8]:

 ?。?)二階矩:又稱能量,,是圖像均勻性的測(cè)度,圖像的灰度分布越均勻,,相應(yīng)的ASM值越大,;反之,ASM越小,。

  5.png

 ?。?)熵:為圖像隨機(jī)性灰度分布的信息量,是圖像紋理復(fù)雜情況的表征,。圖像的灰度越復(fù)雜,,熵越大,;圖像中灰度越均勻,熵越小,。

 TAXZ5ISGHGP9(_8FRMY(8AU.png

 ?。?)對(duì)比度:反映局部圖像中的變化測(cè)度,圖像中灰度值差別越大,,則圖像邊緣越銳利,,對(duì)比度也就越大;典型的是k=2,,λ=1,。

  7.png

  (4)逆差矩:測(cè)量灰度圖像的局部圖像強(qiáng)度的均勻性,,如果局部均勻,,逆差矩值較大。

 8.png

 ?。?)差異性:其度量與對(duì)比度相似,,但是為線性增加,局部對(duì)比度越高,,差異性越大,。

 9.png

  (6)相關(guān)性:是圖像中灰度值線性度的測(cè)度,,表述共生矩陣中各行各列中灰度值之間的相似度,。

  1014.png

2 本文算法設(shè)計(jì)

  2.1 圖像灰度級(jí)量化

  相機(jī)獲取的圖片灰度值范圍為0~255,即圖片為8位,?;叶裙采仃嚨挠?jì)算量由圖像灰度級(jí)和圖像大小共同決定[9],如一幅大小的256級(jí)灰度圖,,其計(jì)算量達(dá)512×512×2562=1.72×1010次,目前性能較高的民用計(jì)算機(jī)的計(jì)算能力為1 000萬次/s來?yè)Q算,,則需要約28 min才能計(jì)算完畢,。如此長(zhǎng)的計(jì)算時(shí)間不適合實(shí)際要求,因此在圖像大小不變的情況下需要采用將圖像灰度級(jí)量化,,本文對(duì)布匹圖像灰度級(jí)量化到16級(jí),。為不影響圖像的清晰度,在對(duì)圖像量化前先對(duì)圖像做均衡化處理,,以擴(kuò)大圖像灰度值的動(dòng)態(tài)范圍,,再進(jìn)行量化;將灰度值除以16后取整,,便可將其從0~255轉(zhuǎn)換為0~15,;從而降低灰度共生矩陣的大小,。將灰度值量化至0~15后人眼看上去圖片非常暗淡甚至是全黑的顯示狀態(tài),但不影響后續(xù)的計(jì)算和特征提取,。

  2.2 共生矩陣提取與特征值計(jì)算

  特征值求解中需要確定GLCM的內(nèi)核窗口,、步距、方向三個(gè)要素,。使用GLCM進(jìn)行紋理分析須選取一定大小的窗口,,本文選用5×5大小窗口;通過實(shí)驗(yàn)對(duì)比采用d=1的步距,,即窗口中心像元與其相鄰的像元進(jìn)行對(duì)比運(yùn)算,;方向一般選取為0°,45°,,90°,,135°,每個(gè)方向上都能夠得出不同的特征值,,如此表述紋理特征過于復(fù)雜也不利于后期特征圖像的生成,,因此將這四個(gè)方向上所求的特征值取均值后作為該窗口特征值。

  2.3 特征圖像生成

002.jpg

  圖2為特征圖像生成方法原理,,圖2(a)左上斜紋區(qū)域?yàn)橐淮翱?,?jì)算窗口特征值并將其賦值給窗口的中心像元;然后將窗口右移一個(gè)像素,,同第一步方式求解并賦值給中心像元,,循環(huán)執(zhí)行至整張圖像后可得到一個(gè)中心白色區(qū)域,如圖2(c)所示,,則白色部分為此圖片的特征值構(gòu)成,;對(duì)于邊界像元的紋理特征值采用0來填充,如此便可得到原圖像的特征圖像,。

3 本文算法實(shí)驗(yàn)結(jié)果

  下面以時(shí)效性和檢測(cè)效果為指標(biāo),,對(duì)基于GLCM特征圖像的疵點(diǎn)檢測(cè)算法進(jìn)行實(shí)驗(yàn)測(cè)試。

  3.1 算法時(shí)效性

  本文測(cè)試系統(tǒng)選取的計(jì)算機(jī)硬件為Intel 2.6 GHz CPU,、2 GB內(nèi)存,,軟件平臺(tái)為OPEN CV2.3、Visual Studio2010,,所選圖像的大小均為512×512,。表1為算法各個(gè)模塊的時(shí)間消耗,從表中可以看出該算法耗時(shí)主要集中在四個(gè)方向上的共生矩陣的提取上,,該處耗時(shí)為1 430.7 ms,。

008.jpg

  3.2 算法實(shí)際檢測(cè)效果

003.jpg


005.jpg

  分別選取勾絲、缺經(jīng),、破洞,、油污,、缺緯五類常見疵點(diǎn)實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖3~7所示,。由圖3~7可以看出,,疵點(diǎn)圖像經(jīng)過特征提取后生成的特征圖像具有很明顯的區(qū)分性,有利于后續(xù)的分割處理,;對(duì)比各特征圖像不難發(fā)現(xiàn),,子圖中(d)熵特征圖對(duì)這五類疵點(diǎn)均具有很好的效果,而差異性,、對(duì)比度,、相關(guān)性、逆差矩特征圖對(duì)油污檢測(cè)效果不佳,,不利于后期的處理,;此外,從圖5(e),、7(e)中可以看出,,相關(guān)性特征圖在勾絲疵點(diǎn)、破洞疵點(diǎn)圖像中效果也不理想,;而對(duì)于缺經(jīng)和缺緯疵點(diǎn),,五種特征圖像均有著很好的效果,疵點(diǎn)和背景都有很強(qiáng)的對(duì)比度,。

4 三種算法實(shí)驗(yàn)對(duì)比分析

006.jpg

  在廣泛研究疵點(diǎn)檢測(cè)相關(guān)文獻(xiàn)的基礎(chǔ)上,,選取目前織物疵點(diǎn)自動(dòng)檢測(cè)中基于Hough變換和Gabor濾波的檢測(cè)算法[10]、基于頻域篩狀濾波器的檢測(cè)算法兩種常用的特征提取算法[11]與本文提出的基于灰度共生矩陣生成特征圖像的疵點(diǎn)檢測(cè)算法對(duì)文中的5種類型,、同一疵點(diǎn)的檢測(cè)效果和時(shí)效性進(jìn)行對(duì)比分析,。實(shí)際疵點(diǎn)分割效果如圖8~12所示。各圖中(a)為所選疵點(diǎn)原圖,,(b)為Hough變換和Gabor濾波算法對(duì)所選疵點(diǎn)的檢測(cè)分割圖像,,(c)為頻域篩狀濾波器算法對(duì)所選疵點(diǎn)的檢測(cè)分割圖像,(d)為灰度共生矩陣特征圖算法對(duì)所選疵點(diǎn)的檢測(cè)分割圖,。由圖8~12(b),、(c)、(d)對(duì)比可以看出三中檢測(cè)算法對(duì)所選取的疵點(diǎn)圖像檢測(cè)效果有優(yōu)勢(shì)也有不足之處,,其中Gabor算法對(duì)破洞疵點(diǎn)的檢測(cè)效果不佳,其所分割出的破洞疵點(diǎn)產(chǎn)生了很強(qiáng)的畸變,,對(duì)其他四類疵點(diǎn)檢測(cè)效果比較理想,;頻域篩狀濾波器對(duì)各類疵點(diǎn)的檢測(cè)分割都在一定程度上丟失了疵點(diǎn)的信息,從分割出來的圖像中可以看出包括破洞,、缺經(jīng),、缺緯,、油污都出現(xiàn)了斷續(xù);將所分割出的疵點(diǎn)形態(tài)特征與原疵點(diǎn)圖像對(duì)比可以看出,,灰度共生矩陣特征圖像的檢測(cè)算法對(duì)所選的五類疵點(diǎn)檢測(cè)效果相比于前兩種算法來說更理想,,能夠較完好地保存疵點(diǎn)形態(tài)特征。

  對(duì)三種檢測(cè)算法的時(shí)效性和檢測(cè)效果進(jìn)行總結(jié)比較,,比較結(jié)果見表2,。

009.jpg

5 結(jié)論

  基于GLCM特征圖像的布匹疵點(diǎn)檢測(cè)算法是本文提出的一種利用GLCM計(jì)算特征值生成紋理特征圖像進(jìn)而完成疵點(diǎn)檢測(cè)的方法。現(xiàn)有的相關(guān)疵點(diǎn)檢測(cè)算法僅單純從特征值上來判斷疵點(diǎn)是否存在,。本文提出的算法利用GLCM的特征值直接生成特征圖像來檢測(cè)織物疵點(diǎn),,檢測(cè)效果良好。同時(shí),,本文提出的疵點(diǎn)檢測(cè)算法對(duì)其他領(lǐng)域紋理表面缺陷檢測(cè)同樣具有一定的應(yīng)用價(jià)值,。

  參考文獻(xiàn)

  [1] STOJANOVIC R. Real-time vision-based system for textile fabric inspection[J]. Real-Time Imaging, 2001,,7(6):507-518.

  [2] Wen C Y,, Chiu S H, Hsu W S,, et al. Defect segmentation of texture images with wavelet transform and a co-occurrence matrix[J]. Textile Research Journal,, 2001,71(8): 743-749.

  [3] Lin P L,, Hsu H C,, Huang P Y, et al. Alveolar bone-loss area localization in periapical radiographs by texture analysis based on fBm model and GLC matrix[C]. Bioelectronicsand Bioinformatics (ISBB),, 2014 IEEE International Symposium on. IEEE,, 2014:1-4.

  [4] CHEN M, DAI S. Analysis on image texture based on gray-level co-occurrence matrix[J]. Communications Technology,, 2012(2):108-111.

  [5] TAJERIPOUR F,, SABERI M, REZAEI M,, et al. Texture classification approach based on combination of random threshold vector technique and co-occurrence matrixes[C]. Computer Science and Network Technology (ICCSNT),, 2011 International Conference on. IEEE, 2011:2303-2306.

  [6] HARALICK R M. Statistical and structural approaches to texture[J]. Proceedings of the IEEE,, 1979,,67(5):786-804.

  [7] HARALICK R M, SHANMUGAM K,, DINSTEIN I H. Textural features for image classification[J]. Systems,, Man and Cybernetics, IEEE Transactions on, 1973 (6): 610-621.

  [8] GOTLIEB C C,, KREYSZIG H E. Texture descriptors based on co-occurrence matrices[J]. Computer Vision,, Graphics, and Image Processing,, 1990,, 51(1): 70-86.

  [9] 鄒超,朱德森,,肖力.基于模糊類別共生矩陣的紋理疵點(diǎn)檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào),,2007,12(1):92-97.

  [10] 管聲啟.方向性紋理織物疵點(diǎn)檢測(cè)方向研究[J].計(jì)算機(jī)工程與科學(xué),,2011,,33(3),73-76.

  [11] TSAI I S,, HU M C. Automatic inspection of fabric defects using an artificial neural network technique[J]. Textile Research Journal,, 1996, 66(7): 474-482.


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。