管声启， 何建新， 王 杰， 李文森， 雷 鸣

(1. 西安工程大学 机电工程学院， 陕西 西安 710048； 2. 河南省功能性纺织材料重点实验室， 河南 郑州 450007)

应用小波域高斯差分滤波的起球疵点客观评价

管声启1，2， 何建新2， 王 杰1， 李文森1， 雷 鸣1

(1. 西安工程大学 机电工程学院， 陕西 西安 710048； 2. 河南省功能性纺织材料重点实验室， 河南 郑州 450007)

受织物背景纹理多样性以及起球疵点特点的影响，传统的图像处理算法难以满足起球疵点自动检测和客观评价需要，为此，提出一种基于小波域的高斯差分滤波起球客观等级新方法。首先，对起球疵点图像进行小波多层分解，实现周期性背景纹理信息与起球信息的分离；然后，选择合适的小波分解子图进行高斯差分滤波，消除噪声以及光照不均等缓变的背景信息，提高起球信息的显著度；在此基础上，根据起球特征设定阈值对起球疵点图像进行分割，并提取起球特征；最后，通过人工神经网络进行起球疵点客观等级评价。研究结果表明，本文方法用于起球疵点客观等级评价是可行且有效的，具有较强的抗干扰能力。

起球； 疵点； 图像； 小波域； 高斯差分滤波； 阈值分割； 客观评价

目前，作为织物表面质量综合评价重要组成部分的织物起球等级评价，主要依赖人工视觉，通过检验人员主观视觉完成等级评价。而这种起球等级评估方法通常依赖检测专家的主观经验，很容易受心理因素以及外界环境等因素的干扰，评估结果的可靠性较差。伴随着计算机、图像处理技术的发展，基于机器视觉的织物起球客观评级逐渐成为研究的热点[1-3]。目前，基于图像分析的织物起球等级评价主要集中在空间域、变换域进行[4]。

在空间域内，很多研究者做了大量研究工作，并取得了一定的研究成果[5]，例如：对采集的织物灰度图像进行灰度直方图统计，然后进行阈值分割，并选取起球的面积数目作为特征参数，但织物纹理复杂时，织物上的浮点可能被误认为是毛球[6]；使用支持向量机(SVM) 数据挖掘预测针织物起毛起球性能，但SVM的参数需要凭经验来选择[7]；运用二维高斯拟合理论，使用实际起球图像训练起球模板，并使用直方图拟合技术确定合理的阈值分割图像；然后提取起球数目、起球疵点的平均面积、起球的总面积、对比度和密度来训练起球特征，并通过建立相应的公式评估起球等级。然而，利用高斯拟合是否训练出最佳匹配的起球模板将会直接影响评估效果[8]；采用立体视觉进行立体评估[9-10]，主要适合于柔软的粗支纱线织物起球等级评定，不适合坚硬的细纱线织物起球等级评定[11]。众所周知，起球织物图像通常包含周期性、非周期性背景纹理信息、起球信息、光照不均以及噪声信息，在空间域内，这些信息相互纠缠在一起，很难有效分离出起球信息。

在变化域中, XU等[12]采用频谱分析的方法滤除图像中织物的底纹，再用圆形模板匹配的方法定位毛球，并用全局阈值法分割毛球；然而，傅里叶变换是一种全局性的方法，并不能在空间域提供局部信息[13]，从而影响起球评估的准确性。 小波变换具有多尺度多分辨率特性，在时间域和频率域具有表征信号局部特征能力，非常适合奇异信号的检测。Stuart Palmer等[14]提出了一种基于二维离散小波变换的起球密度客观测量方法。还有研究者[16]采用基于二维双树复小波重构图像和神经网络非线性分类完成对起球的客观评价[15]，以及将小波变换和局部二进制模式(LBP)结合起来用于起球客观评估。利于小波变换不仅能够抑制表现为规则信号的正常周期纹理信息，还能增大起球疵点奇异信息与正常背景纹理的对比度，因此，小波变换非常适合边缘突变非常显著的起球检测；然而，起球疵点通常包含奇异信息和非奇异信息，对于那些边缘突变不明显，主要以非奇异信息为主的起球疵点，小波变换不能有效增加此部分信息与非周期背景纹理信息的对比度，这势必影响最终客观评价的准确性。

综上分析看出，空间域和变换域疵点检测方法都存在一定的缺陷，空间域内通常很难有效实现背景纹理信息与起球缺陷的分离，而变换域中小波变换对非奇异突变的起球信息也无能为力。如果能够在变换域中有效消除周期性背景纹理的干扰，然后再利用高斯差分滤波消除光照不均等缓变的背景信息，就能有效地提高起球疵点的显著度，那么就能克服现有空间域和变换域检测的固有缺陷，从而提高客观评估的准确性。

为此，本文通过二维离散小波多尺度变换，实现周期性背景纹理信息与起球缺陷信息的分离；然后，采用高斯差分带通滤波消除非周期性缓变背景纹理以及噪声的干扰；在此基础上，根据起球特征设定分割阈值进行起球疵点的分割，并提取起球疵点特征；最后，通过神经网络对起球疵点特征进行识别，从而完成起球等级客观评价。

1 织物图像周期纹理背景信息滤除

根据小波变换的多尺度多分辨率特征，通过对织物图像的小波分解，可实现织物图像中不同频率正常周期纹理信息与起球信息分离，通过选择合适的小波分解子图从而实现织物图像周期纹理信息的滤除。

1．1二维离散小波分解

设h为低通滤波器，g为高通滤波器，二维数字图像的小波分解可表示为

(1)

式中：m、n分别表示j层子图行、列坐标值;k1、k2分别表示j-1层近似子图行、列坐标值；Lj(m,n)是j层近似子图；Sj(m,n)是j层水平方向细节子图；Cj(m,n)是j层垂直方向细节子图；Hj(m,n)是j层对角线方向细节子图；Lj-1(k1,k2)是j-1层近似子图。

可以看出，通过1次小波分解，实质上是不同频率的滤波器对测试图像进行1次滤波，可获得1个低频近似子图和3个分别代表水平、垂直、对角线方向的高频细节子图，因此，通过小波多层分解可实现不同频率的图像信息在不同频率的子图中分离，从而有利于提取起球缺陷信息。

1．2小波基及分解层数选取

小波分解用于分离起球信息过程中，首先必须选择合适的小波基，确定小波分解层数。

用于织物图像分解的小波消失矩越高，不仅有利于抑制非奇异信号，而且可提高突变奇异信号能力；小波紧支性越好，小波分解计算量越小，越容易对突变的奇异信号定位，因此，本文选择具有高消失矩、正交紧支的小波，且具有一定近似对称性的Sym3小波进行织物起球图像的分解；织物起球图像及其小波分解子图能量梯度曲线如图1所示。

图1 织物起球图像及其小波分解子图能量梯度曲线Fig.1 Fabric pilling image (a) and wavelet decomposition sub-images of relative energy gradient curve (b)

正常的织物纹理是一种结构化的周期性的纹理，其信息非常丰富，能量较大，当高频子图不含周期性纹理信息，仅以起球信息为主时，高频子图能量会发生突变，因此，通过计算每层高频细节子图能量(高频水平细节子图能量与垂直细节子图能量之和，高频对角线细节子图通常以噪声信息为主，高频细节子图能量不包含对角线细节子图能量信息)，拟合细节子图能量梯度曲线，细节子图能量梯度曲线拐点即为正常周期纹理与起球疵点信息分界点，小波分解的前一层主要为周期性纹理信息，而后一层主要包含起球疵点信息。

织物图像能量计算中，第j层各子图能量计算式如下：

(2)

式中：M、N分别表示各子图行列尺寸；EL、ES、EC、EH分别表示第j层近似子图、水平细节子图、垂直细节子图、对角线细节子图的能量。

高频细节子图能量及其梯度分别为

Ej=ES+EC

(3)

(4)

式中：Ej-1、Ej分别表示第j-1层和j层高频细节子图能量；▽Ej-1表示第j-1层高频细节子图能量梯度。

根据式(2)～(4)可得到织物起球图像子图能量梯度曲线，如图1(b)所示。可以看出，细节子图相对能量梯度曲线发生拐点，说明第2层细节子图主要包含丰富的纹理信息，而第3层子图主要为起球疵点信息，第4层为织物纹理非周期性的背景纹理信息。

2 织物起球高斯差分滤波

通过小波分解，选择合适的子图能够有效地滤除周期性纹理，从而避免了织物周期性纹理对起球评估的影响；然而，织物图像背景纹理不仅仅是周期性的织物纹理，还存在织物表面的不平整和光照不均等背景信息；起球信息通常与这些非周期背景纹理信息对比度不高，直接用阈值分割必然会造成部分起球信息丢失或者前景中混入部分背景纹理信息，进而影响起球疵点的客观评价效果。

通过分析起球特性可知，织物表面起球是因为纤维与外介质或自身相互缠绕而成，织物起球区域相对于周围区域在灰度上呈一种斑点突起变化，各起球疵点轮廓灰度分布状态近似于高斯函数，如图2所示。如果能增强具有近似高斯分布的斑点状的起球信息，将会有利于起球疵点的分割。

图2 起球疵点灰度统计分布图Fig.2 Statistical distribution of pilling defect grayscale images

在计算机视觉中，高斯差分(DOG)(如式(5)所示)可以看成从1个窄高斯减去1个宽高斯，是墨西哥帽小波的一个近似。它的2个高斯核的半径之比K为5∶1，近似于视网膜上神经节细胞的视野，用于尺度不变特征变换中的斑点检测；而起球灰度就是近似斑点的高斯分布，利用高斯差分带通滤波不仅可有效抑制低频背景不平度、噪声等，而且能提高起球疵点的显著度。

(5)

图3 织物起球子图高斯差分滤波及阈值分割效果图Fig.3 Gauss-differential filtering effect of fabric pilling sub-image and effect threshold segmentation. (a) Approximate information filtering; (b) Horizontal detail information filtering; (c) Vertical detail information filtering; (d) Filtering image information fusion; (e) Threshold segmentation effect

式中： σ为标准差，即为函数的宽度参数，控制了函数径向作用的范围，起球径向尺寸通常与织物组织基元有关，本文选择基元尺寸半径大小作为高斯差分(DOG)σ参数值；K为高斯核的半径之比，其值为5。u、v分别为高斯差分滤波函数的自变量；高斯滤波模板尺寸大小与标准差σ数值有关，当模板尺寸大于6σ×6σ时，滤波作用很小，因此，高斯差分滤波时，起球疵点高斯滤波模板选择尺寸为6σ×6σ。

对图1中起球主要信息的近似子图、水平细节子图、垂直细节子图进行高斯差分滤波，差分滤波效果分别如图3(a)～(c)所示。可以看出，周期性背景信息被有效抑制，起球近似趋势、水平细节、垂直细节信息得到加强，其融合后效果如图3(d)所示，起球疵点的显著性得到较大提高。

3 织物起球客观评价

为客观评价织物起球疵点等级，需要在图像分割的基础上提取织物起球特征，通过起球特征客观评估等级。

3．1织物起球分割

如何将织物起球从织物图像纹理中分割出来，直接影响着特征提取的准确性，进而影响客观评估的效果。而经典的最大类间分割法及其改进方法常常被用于织物疵点图像分割，这类方法用于小目标的图像分割效果不理想。

如图3(d)所示，通过分析高斯差分滤波融合形成的起球显著图可知，显著图中会含有大量的织物毛羽等背景信息，而起球疵点相对于丰富的织物纹理总是稀少的，因此，本文采用在高斯差分滤波后的起球显著图灰度值范围内，按照文献[17]设置分割阈值，进行图像分割，分割效果如图3(e)所示。可以看出，二值图中，织物毛羽等背景纹理信息被有效抑制，起球信息被有效提取出来。

3．2织物起球特征提取

通过比较不同等级的织物起球情况可以看出，织物起球越严重时，起球的数量通常也会增多，起球所占的比重越大，分布越不均匀。为此，本文提取起球数目、平均面积、起球密度作为起球评级的指标。

1)起球数目。为了计算起球的数目，在起球二值图上采用八连通邻域法搜像素值不为零的连通区域；然后各个连通区域分别标记，在此基础上统计起球数目N。

2)起球的平均面积。统计每个起球面积Ai，并将每个起球面积相加起来，除以起球的总数目N,从而获得起球的平均面积，具体计算公式为

(6)

3)起球密度。起球密度pd可被定义为单位织物起球区域(Aint)的起球面积，其计算公式为

(7)

3.3织物起球等级评价

反向传播(BP)神经网络是一种按误差逆传播算法训练的多层前馈网络，是最广泛应用于模式识别领域的神经网络模型之一。本文采用这种网络用于起球等级评估，其分类评价步骤如下。

1)从标准样本库中选取1～5级起球图像各50幅，然后提取这些图像的起球特征，并按照式(8)进行归一化，形成起球特征样本集。

(8)

2)BP神经网络拓扑结构的确定。在织物疵点识别中设计BP网络时，采用3层网络结构：输入层采用log-sigmoid型传递函数， 起球特征归一化后参数个数即为输入层节点数3。隐层节点数确定通常可参照下式进行：

(9)

式中：n为隐层节点数；nI为输入节点数；nO为输出节点数；α为1～10之间的常数。

通过式(9)确定隐层节点数范围，然后采用Levenberg-Marquardt算法，取网络学习速率为0.1对网络进行训练，以网络输出均方误差小于0.01作为网络收敛条件，分别计算网络收敛时网络迭代次数。以迭代次数最少为原则确定节点数。按照织物起球5个等级，确定BP神经网络输出节点数目为5。

3)起球特征样本集的起球数目、平均面积以及起球密度、起球特征用于对神经网络的训练。

4)对测试图像按照本文方法提取起球数目、平均面积以及起球密度、起球特征，输入训练好的BP网络，进行分类识别。

4 试验与分析

为验证本文提出的起球客观评价方法的有效性和较强的抗噪声性能，分别采用本文算法与人工专家主观评价对比试验，以及在不同的噪声条件下进行等级评价试验。测试图像从标准图库随机选择，每个等级20幅，共100幅。

起球等级评价正确识别率可采用式(10)计算：

(10)

其中：z为起球等级评价正确识别率；i为测试图像起球等级；ci为第i等级测试图像数目；wi为第i等级测试图像误判成其他等级的数目。

人工主观等级评价所选取的专家，是从纺织企业长期从事织物质量测试，并经过进一步培训筛选的3名检验人员。主观评价时，专家需要根据起球标准图像库随机选取的起球图像，独立地进行起球等级评价；当1名专家评价结果与另外2名专家评价结果不一致时，按照多数决定结果进行起球等级认定；当3名专家评价等级互不相同时，此测试图像的主观等级评价无效。采用本文算法与人工专家主观评价对比试验结果如图4所示。

图4 起球等级评价效果Fig.4 Effect evaluation of pilling grade. (a) Objective evaluation of pilling grade; (b) Subjective evaluation of pilling grade

在图4(a)中，95个样本起球图像被正确等级评价，正确识别率为95%；其中，有1幅2级起球样本被错误识别为3级，2幅3级起球样本被错误评价为4级，2幅4级样本被误判为3级。在图4(b)中，85个样本起球图像被人工正确等级评价，15个样本图像被错误判断等级，因此，正确识别率为85%；接近检验人员误判的原因可能是相邻等级的起球特征比较接近。例如：一些1级起球样本被误判为2级，主要原因是这些样本的起球数目或起球平均面积比较接近2级起球特征。检验人员主要依赖个人经验进行客观评估，因此，很难正确分析相邻等级起球特征，导致评价识别率较低。

为了验证本文算法的抗噪声能力，在测试样本图像中添加均值μ=0，标准差σ分别为0.01、0.02、0.03、0.05的高斯噪声，起球等级评价结果如图5所示。

图5 不同强度噪声条件下客观等级评价效果Fig.5 Effect of objective grade evaluation under different intensity noise conditions

从图5(a)～(c)可知， 标准差σ分别为0.01、0.02、0.03时，起球等级客观评价准确率达到91%以上，具有较强抗噪声能力。主要是因为小波分解能够滤除部分对角线子图高频噪声信息；高斯差分带通滤波能够消除非周期性背景纹理中包含的部分噪声信息、缓变的光照不均等；基于检测目标稀少性阈值分割，进一步消除数量众多的噪声、织物毛羽信息。分析图5(d)可知：当标准差σ为0.05时，客观等级评价准确率迅速下降到82%，这主要是因为在强噪声干扰影响下，起球的一部分信息被完全淹没，造成阈值分割后的起球信息不完整，最终影响等级评价的准确率。

5 结 论

基于图像处理的织物起球等级客观评价属于大背景小目标检测与等级评价，起球等级评价的效果很容易受织物纹理、光照不均、噪声等影响。本文通过小波多层分解，以能量梯度突变寻找织物起球主要信息子图，从而抑制周期性的规则织物纹理信息；以设计高斯差分带通滤波器消除缓变纹理背景和高频噪声信息，通过高斯差分滤波子图融合获得了起球疵点完整信息；根据起球本身特征设定阈值，有效分割起球疵点信息，避免了噪声、织物组织毛羽等干扰；利用提取起球特征，经过BP网络识别进行起球等级客观评价。由于在检测过程中有效地抑制了周期性织物纹理、缓变纹理、噪声等信息对起球检测的干扰，提高了起球分割的准确性。在等级评价阶段利用BP网络非线性识别映射能力，对提取的起球特征进行识别，提高了起球等级评价的识别率。试验结果表明，本文提出的起球等级客观评价方法准确率高，且具有较强的抗噪声能力。

FZXB

[1] MENDES A D O, FIADEIRO P T, MIGUEL R A L. Subjective and objective pilling evaluations of textile fabrics: a comparison [J].Textile Research Journal, 2010, 80 (18): 1887-1897.

[2] CHERKASSKY A, WEINBERG A. Objective evaluation of textile fabric appearance： part 1: basic principles, protrusion detection, and parameterization [J]. Textile Research Journal, 2010, 80 (3): 226-235.

[3] JASINSKA I, STEMPIEN Z. An alternative instrumental method for fabric pilling evaluation based on computer image analysis [J]. Textile Research Journal, 2014, 84(5): 488-499.

[4] 管声启，高照元，吴宁，等. 基于视觉显著性的平纹织物疵点检测[J].纺织学报, 2014, 35(4): 56-61. GUAN Shengqi, GAO Zhaoyuan, WU Ning, et al. Defect detection of plain weave based on visual saliency mechanism [J]. Journal of Textile Research, 2014, 35(4): 56-61.

[5] 徐增波,周胜.基于尺度-空间极值的织物起球目标检测[J]. 纺织学报, 2013, 34 (7): 45-51. XU Zengbo, ZHOU Sheng. Fabric pilling object detection using scale-space extrema [J]. Journal of Textile Research, 2013, 34(7):45-51.

[6] KONDA A，XIN L C. Evaluation of pilling by computer image analysis[J]. Journal of the Textile Machinery Society of Japan，1990，36 (3): 96-107.

[7] YAP Poh Hean, WANG Xungai, WANG Lijing, et al. Prediction of wool knitwear pilling propensity using support vector machines [J].Textile Research Journal, 2010, 80(1): 77-83.

[8] XIN Binjie, HU Jinlian, YAN Haojin. Objective evaluation of fabric pilling using image analysis techniques [J].Textile Research Journal, 2002, 72(12): 1057-1064.

[9] XU Bugao, YU Wurong, WANG Rongwu. Stereovision for three-dimensional measurements of fabric pilling [J]. Textile Research Journal, 2011, 81(20): 2168-2179.

[10] MENDES A D O, FIADEIRO P T, MIGUEL R A L. Virtual subjective pilling evaluation: an alternative [J]. Textile Research Journal, 2011, 81(9): 892-901.

[11] KIM S C，KANG T J. Evaluation of fabric pilling using hybrid imaging methods [J]. Fibers and Polymers, 2006, 7 (1):57-61.

[12] XU B. Instrumental evaluation of fabric Pilling [J]. Joumal of Textile Institute，1997(8): 488-500.

[13] GUAN Shengqi, GAO Zhaoyuan. Fabric defect image segmentation based on visual attention mechanism of wavelet domain [J]. Textile Research Journal, 2014, 84(10):1018-1033.

[14] PALMER Stuart, WANG Xungai. Objective classification of fabric pilling based on the two-dimensional discrete wavelet transform [J]. Textile Research Journal, 2003, 73(8): 713-720.

[15] ZHANG Junmin, WANG Xungai, PALMER Stuart. Performance of an objective fabric pilling evaluation method [J]. Textile Research Journal, 2010, 80(16): 1648-1657.

[16] JING Junfeng, ZHANG Zanzan, KANG Xuejuan, et al. Objective evaluation of fabric pilling based on wavelet transform and the local binary pattern [J]. Textile Research Journal, 2012, 82(18): 1880-1887.

[17] 管声启，师红宇，赵霆. 应用目标稀少特征的织物疵点图像分割[J].纺织学报, 2015, 36(11): 45-50. GUAN Shengqi, SHI Hongyu, ZHAO Ting. Image segmentation of fabric defect based on object rarity feature[J]. Journal of Textile Research, 2015, 36 (11): 45-50.

PillingobjectiveevaluationbasedGaussianfilteringinwaveletdomain

GUAN Shengqi1,2, HE Jianxin2, WANG Jie1, LI Wensen1, LEI Ming1

(1.CollegeofMechanical&ElectronicEngineering,Xi′anPolytechnicUniversity,Xi′an,Shannxi710048,China；2.HenanKeyLaboratoryofFunctionalTextileMaterials,Zhengzhou,Henan450007,China)

As the effect of the variety of fabric background textures and the feature of pilling defects, conventional algorithm of image processing is hard to satisfy the automatic detection of pilling defects and the objective evaluating demands. A new way of pilling objective evaluation based on the wavelet-domain of difference of Gaussian filter was proposed. First of all, pilling defect image was decomposed into multiple layers by wavelet multi-decomposition to separation periodic background texture and pilling information. Then, the appropriate wavelet decomposition sub-images were chosen to carry out difference of Gaussian filter for eliminating the noise and the background information of slow variation such as uneven illumination, and pilling information was improved significantly; and on this basis, a segmentation threshold was defined to segment these sub-images according to the characteristics of pilling, and the features of pilling form binary image was extracted. Finally, BP artificial neutral network was used to objective evaluation of pilling grade. The test results show that this method can make an objective evaluation for pilling level effectively, and has strong interference resistance.

pilling； defect; image； wavelet domain; difference of Gaussian filter; threshold segmentation; objective evaluation

TP 391.41；TS 101.923.5

：A

10.13475/j.fzxb.20161100807

2016-11-03

：2017-06-15

中国纺织工业联合会科技指导性项目(2016065)；陕西省教育厅科研计划资助项目(16JK1337)

管声启(1971—)，男，副教授，博士。主要研究方向为表面质量在线检测。E-mail：sina1300841@163.com。