基于稀疏表示的印花织物疵点检测

2018-04-28刘茁梅李鹏飞景军锋

西安工程大学学报 2018年2期

刘茁梅,李鹏飞,景军锋

(西安工程大学电子信息学院,陕西西安 710048)

0 引言

纺织品表面缺陷进行有效检测与控制是现代纺织企业控制成本及提高产品竞争力的关键环节之一．随着人工智能与计算机科学的飞速发展,计算机视觉已经在工业表面检测领域中得到广泛的应用,以计算机代替人工视觉不仅可以提高检测速度,降低劳动成本,而且通过织物缺陷自动检测系统可以为织物质量等级的评定提供双方可信的参考数据．

国内外的专家学者根据稀疏表示理论提出了很多织物疵点检测方法，文献[1]应用独立成分分析(ICA)进行织物疵点检测,由于识别能力取决于所提取的独立成分是否能够与疵点外观结构相匹配,所以该方法的疵点适应能力差．文献[2]提出了基于自适应小波的织物疵点自动检测算法，其检测能力强，鲁棒性好，但计算复杂，滤波器要求严格.Zhou[3]等在图像稀疏表示模型上分别提出了基于稀疏表示字典模型重构和自适应字典[4]的织物表面疵点检测系统．但这两种算法仅适用于平纹和斜纹织物表面疵点检测．叶鉴霆等[5]提出基于Gabor提取纹理投影特征的过完备小规模字典稀疏表示模型的图案织物表面疵点检测,但是对于细节疵点的检测不理想．刘绥美等[6]提出基于K-SVD的稀疏编码字典学习的织物表面疵点检测算法,但是该算法的鲁棒性较低．范晓婷[7]提出基于卷积匹配追踪的双字典的图案织物疵点检测算法,但是该算法对疵点的细节和形态特征表征不理想．为此本文提出基于稀疏表示的疵点检测方法,首先通过直方图均衡化增强图像对比度;接着根据盲源分离理论对缺陷图像进行表示,并根据形态成分分析对缺陷图像进行稀疏表示; 然后对缺陷和背景成分进行分解;最后通过叠加二值化法实现疵点增强．

1 疵点检测算法

对印花织物图像首先经过直方图均衡化的预处理阶段,接着进行基于稀疏表示模型的图像分解,最后采用叠加二值化进行分割,实现疵点检测．

1.1 对织物图像进行预处理

为了降低由于图像采集时光线太明或太暗、图像采集元件(如CCD摄像机)精度不准以及图像传输过程中的各种噪声等都会不可避免地降低采集到的印花织物图像质量,造成图像失真，以及对后续图像处理过程的影响,改善图像质量,需采用直方图均衡化的方法对图像进行预处理,即图像增强．直方图均衡化是把这些图像的不均匀分布直方图进行非线性拉伸,重新对图像像素值进行分配,使像素点在图像整个灰度范围内均匀分布,从而达到增强图像视觉效果的目的[8]．通过式(1)推导出直方图均衡化后的图像:

(1)

式中：m为图像的灰度级,n为图像的总像素个数,ni为i灰度级上的像素个数,P(ri)为i灰度级上的概率密度,T(ri)为m灰度级上像素的非线性变换函数,式(1)给出的映射是最终图像直方图均衡化结果．

1.2 基于稀疏表示的图像分解模型

假设织物缺陷图像代表观测向量y,缺陷成分和背景成分代表两个源信号向量y1和y2,图像中的噪声成分代表加性噪声向量v．根据盲源分离中的线性瞬时混合模型,织物缺陷图像的数学模型为[9]

y=y1+y2+v.

由于纺织品中的织物缺陷分布存在稀疏性,使得缺陷图像能够在特定的变换中进行稀疏表示．假设这里存在两个字典A1和A2能够对缺陷成分和背景成分分别进行稀疏表示,则模型为

min‖x1,2‖0s.t.y1,2=A1,2x1,2.

(2)

式(2)是在忽略误差项的情况下进行的稀疏表示．通过对缺陷图像分析可以看出,缺陷图像可以被看作是由一致性比较强的纹理组成的背景成分，具有随机分布的缺陷成分和加性噪声成分组成,由形态成分分析理论[10]可知,即混合信号的组成成分存在差异性,因此缺陷图像可以进行分离操作,并且各形态成分可以使用不同的字典进行稀疏表示,并且各成分存在对应仅能够稀疏表示自身的字典．则模型可以转化为形态成分分析模型:

min‖x1‖0+‖x2‖0s.t.y=A1x1+A2x2.

上式是忽略了噪声信息和误差信息．为了使上述模型有利于计算,这里使用逼近算法中的基追踪去噪将非凸的问题转化成凸优化问题(即用l1范数替代l0范数),同时完成误差及加性噪声作为约束项进行替换,则上述模型转化为[11]

式中：参数δ取决于噪声和稀疏表示模型误差．经过分析可知,要实现对织物疵点图像的缺陷成分和背景成分有效的分离,等价于实现y1和y2两部分的重构,进一步得到织物疵点图像分离的稀疏表示模型为

(3)

(4)

式中：γ表示总变差正则化惩罚项的权重因子．最后采用块协调松弛算法[13]并根据式(4)的目标函数进行交替优化求解,使得缺陷成分和纹理成分得到有效的分离,达到有效分割缺陷目标的目的．

1.3 二值化分割图像

对图像分解后的瑕疵部分Id进行二值化[14]操作,由于织物瑕疵的多样性,为了得到更好的分割结果,使用叠加二值化图像法,即采用一种两次分割并叠加结果的双阈值法分割法．这里将瑕疵部分图像Id设为原始图像,取图像的阈值为T1和T2.其中T2>T1,分割后的二值图像的定义式为[15]

式中：f(x,y)表示分割后的二值图像,0表示像素为黑色,1表示像素为白色．

2 结果与讨论

为了验证本文提出的方法的有效性,使用MATLAB R2014a环境进行测试．印花织物数据集来自香港大学工业自动化研究实验室提供的星型、方格型和圆点型织物样本．其中缺陷图像100幅,无缺陷图像100幅,每类20幅．印花织物图像的格式均为BMP格式,大小均为256×256像素,分辨率为600 dpi的彩色图像．其中疵点类型包括断纱、破洞、粗纬、细纬、多网等．为了对基于稀疏表示的织物缺陷检测方法进行准确的评估,采用检测成功率进行计算．检测成功率的定义如下[16]:

3种背景纹理共12幅织物图像及其疵点检测结果如图1所示.其中，(a)为方格型图像,(b)为圆点型图像,(c)为星型图像.从图1可以看出，提出的算法的检测结果较理想,不仅能够对复杂纹理的织物缺陷图像的缺陷部分进行较好的分离,而且织物疵点的位置和疵点形状细节得到了较准确的可视化识别．

(a) 方格型图像

(b) 圆点型图像

将提出的方法与目前较为先进的其他5种疵点检测算法进行了比较,其他检测算法包括独立成分分析(ICA)、稀疏表示字典模型重构(SRDR)、Gabor滤波器,稀疏编码字典学习(SCDL)、卷积匹配追踪的双字典(CMPDD)．6种疵点检测算法检测率结果见表1.

从表1可以看出，本文提出的检测算法比其他检测算法优势明显．本文提出的方法是根据形态成分的差异性对图像信号进行交替分离,能够很好地保留各成分的信息,达到精准定位,保留细节的目的．在相同的条件下，SRDR算法的检测率最低,SCDL算法比SRDR算法的检测率较高,此算法中采用了KSVD算法进行字典学习,但是,该算法对织物的纹理周期要求较为严格．ICA算法仅仅对方格型织物具有较好的检测率,因为是受到图像特征重构的影响．基于Gabor滤波器的疵点检测算法对滤波器的参数设定要求较高．CMPDD算法的检测率相对较好,使用了卷积匹配追踪和基于Gabor的KSVD算法进行稀疏编码训练并学习得到融合字典,然后将无疵点样本图像和待检测图像分别在融合字典上进行投影作为特征,最后采用距离判断疵点．提出的方法不仅可以对噪声进行识别,同时利用疵点的稀疏性,以及组成织物疵点图像各个成分的形态差异性对缺陷成分进行交替分离较好地保留了疵点的细节和形态特征,鲁棒性较好,检测率较高．

表 1 提出的算法与其他算法检测率对比Table 1 Comparison of detection rate of the proposed algorithm and others %

3 结论

(1) 根据纺织品中的织物缺陷分布存在稀疏性,提出了基于稀疏表示的印花织物疵点检测．该方法根据组成缺陷图像各形态成分之间的差异性对各成分进行交替分离,不仅能够很好地保留各形态的细节和特征;而且适用于多类型织物,尤其是对复杂纹理织物具有较好的检测效果．

(2) 利用观测信号的形态多样性,将稀疏与冗余表示应用在织物疵点图像处理中,解决了印花织物疵点检测的难题.

(3) 选取能够自适应的二值分割方法以及能够加速分解的阈值更新策略是以后进一步研究的内容．

参考文献(References)：

[1] SERDAROGLU A,ERTUZUN A,ERCIL A.Defect detection in textile fabric images using wavelet transforms and independent component analysis[J].Pattern Recognition & Image Analysis,2006,16(1):61-64.

[2] 石美红,龙世忠.基于自适应小波的织物疵点自动分割研究[J].纺织高校基础科学学报，2007，20(2):206-211.

SHI M H,LONG S Z.Research on the fabric defect detection based on an adaptive wavelet transform[J].Basic Sciences Journal of Textile Universities,2007,20(2):206-211.

[3] ZHOU J,SEMENOVICH D,SOWMYA A,et al,Sparse dictionary reconstruction for textile defect detection[C].International Conference on Machine Learning & Applications,Wasington:IEEE Computer Society,2013:21-26.

[4] ZHOU J,WANG J,Fabric defect detection using adaptive dictionaries[J].Textile Research Journal,2013,83(17):1846-1859.

[5] 叶鉴霆,朱秋平,范赐恩.基于稀疏编码投影特征的布匹瑕疵检测[J].科学技术与工程,2014,14(33):111-115.

YE J T,ZHU Q P,FAN C E.Fabric defect detection based on sparse projection features[J].Science Technology & Engineering,2014,14(33):111-115.

[6] 刘绥美,李鹏飞,张蕾,等.基于稀疏编码字典学习的疵点检测[J].西安工程大学学报,2015,29(5):594-599.

LIU S M,LI P F,ZHANG L,et al.Defect detection based on sparse coding dictionary learning[J].Journal of Xi′an Polytechnic University,2015,29(5):594-599.

[7] JING J F,FAN X T,LI P F.Patterned fabric defect detection via convolutional matching pursuit dual-dictionary[J].Optical Engineering,2016,55(5):1-11.

[8] SINGH K,KAPOOR R.Image enhancement using exposure based sub image histogram equalization[J].Pattern Recognition Letters：2014,36(1)：10-14.

[9] OLSSON R K,HANSEN L K.Linear state-space models for blind source separation[J].Journal of Machine Learning Research,2006,7(4):2585-2602.

[10] ELAD M,STARCH J L,QUERRE P,et al.Simultaneous cartoon and texture image inpainting using morphological component analysis(MCA)[J].Applied & Computational Harmonic Analysis,2005,19(3):340-358.

[11] 瞿丽华.基于稀疏成分分析的图像盲源分离研究[D].天津:天津职业技术师范大学,2014:14-17.

QU L H.Study on underdetermined image blind source separation based on sparse component analysis[D].Tianjin:Tianjin University of Technology and Education,2014:14-17.

[12] ELAD M.Sparse and redundant representations:From theory to applications in signal and image processing[M].Springer Publishing Company,Incorporated,2010:250-260.

[13] SHI Q J,SUN H,LU S T,et al.Inexact block coordinate descent methods for symmetric nonnegative matrix factorization[J].IEEE Transactions on Signal Processing,2017,65(22):5995-6008.

[14] 付蓉，石美红,陈惠娟.自适应局部二值模式算法及其在织物疵点检测中的应用[J].纺织高校基础科学学报，2010，23(1):99-104.

FU R,SHI M H,CHEN H J.Adaptive local binary patterns and its application in fabric defect detection[J].Basic Sciences Journal of Textile Universities,2010，23(1):99-104.

[15] SINGH K,KAPOOR R.Image enhancement using exposure based sub image histogram equalization[J].Pattern Recognition Letters,2014,36(1)：10-14.

[16] NGAN H Y T,PANG G K H,YUNG N H C.Automated fabric defect detection:A review[J].Image & Vision Computing,2011,29(7):442-458.