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,，P,，d（a，b）表示在方向上間隔距離為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]：

　　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,。

　　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：

　　對(duì)其他方向和距離值d的矩陣P,，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,。

　?。?）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,。

　?。?）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,。

　　（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。

　?。?）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,。

　　（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,。

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

　　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,。

　　3.2 算法實(shí)際檢測(cè)效果

　　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

　　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,。

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.