摘  要： 針對(duì)紋理特征的方向無(wú)序性，提出了一種基于多向梯度模算子的快速算法。在圖像預(yù)處理的基礎(chǔ)上對(duì)亮度進(jìn)行修正，消除亮度的非均勻性對(duì)紋理特征提取造成的干擾。利用多向梯度算子在局部區(qū)域運(yùn)算確定梯度方向，并構(gòu)建二維灰度梯度矩陣。最后，通過(guò)統(tǒng)計(jì)矩陣灰度信息建立分級(jí)模型。實(shí)驗(yàn)結(jié)果表明，該方法能較好地提取羽毛的紋理特征并進(jìn)行分級(jí)，可以滿足實(shí)時(shí)檢測(cè)應(yīng)用的需要。
關(guān)鍵詞： 紋理特征；預(yù)處理；梯度算法

　紋理常指圖像反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則，反映宏觀意義上灰度變化的一些規(guī)律。在現(xiàn)代工業(yè)生產(chǎn)和自動(dòng)化檢測(cè)中，產(chǎn)品表面紋理特征往往是衡量產(chǎn)品質(zhì)量的重要指標(biāo)。不同紋理特征圖像有不同的紋理識(shí)別和描述方法，目前常用的紋理特征分析方法主要集中在基于空間域的結(jié)構(gòu)模型和統(tǒng)計(jì)模型分析方法、基于頻率域的濾波器族、小波分析方法。在空域模型中，紋理被看作一種對(duì)區(qū)域內(nèi)密度分布的量測(cè)結(jié)果，其利用對(duì)圖像灰度的分布和關(guān)系的統(tǒng)計(jì)規(guī)則來(lái)描述紋理，比較適合自然紋理的描述。HARALICK R M[1]等人提出了紋理特征的灰度共生矩陣表示，共生矩陣方法不受分析對(duì)象的限制，能夠反映圖像的灰度分布情況，但用共生矩陣提取的紋理性質(zhì)缺少視覺(jué)相似性。頻域?yàn)V波器族是一種以圖像梯度信息表示圖像紋理特征的方法，傅里葉變換[2]適合描述周期函數(shù)，頻域特征比空域特征更具有抗噪性，但是對(duì)于方向性不敏感，僅包含了圖像水平和垂直方向的梯度，丟失了其他方向上的重要信息，同樣缺乏空間分布信息。小波分析[3]因其突出的局域特性和多尺度特性近年來(lái)在紋理分析中受到重視，但缺點(diǎn)是計(jì)算量大。
    基于機(jī)器視覺(jué)的羽毛檢測(cè)是羽毛球生產(chǎn)自動(dòng)化的關(guān)鍵環(huán)節(jié)，波紋紋理是羽毛缺陷類型的一種，主要表現(xiàn)為羽毛片上空間周期出現(xiàn)的明暗變化，在自動(dòng)化檢測(cè)中需要根據(jù)羽毛波紋的嚴(yán)重程度進(jìn)行分類識(shí)別。本文的研究對(duì)象是羽毛片，在對(duì)圖像預(yù)處理的基礎(chǔ)上，提出了一種改進(jìn)多向梯度算法用于紋理特征提取，針對(duì)羽毛片圖像的波紋紋理特征進(jìn)行分析量化，最后設(shè)定閾值進(jìn)行分類識(shí)別的方法。實(shí)驗(yàn)結(jié)果表明，本算法對(duì)紋理特征的提取有較高的效率和準(zhǔn)確率，也具有良好的泛化特性和自適應(yīng)性能。
1 圖像亮度修正
　在羽毛系統(tǒng)的硬件裝置中，光源與羽毛表面呈45°角放置，使得照到羽毛表面的光比較均勻，但光射始終還是存在一定的不均勻度，導(dǎo)致羽毛表面亮度也不均勻。在波紋紋理羽毛的檢測(cè)中，羽毛表面亮度的非均勻性會(huì)對(duì)最終的結(jié)果判定產(chǎn)生很大的影響。對(duì)此，先在Lab顏色空間[4]下進(jìn)行一定的亮度修正。


2.2 建立分級(jí)模型
　實(shí)際生產(chǎn)中將波紋等級(jí)分為一級(jí)、二級(jí)、三級(jí)、四

　本文提出的方法在典型梯度算法基礎(chǔ)上針對(duì)紋理方向性特征進(jìn)行了改進(jìn)，有效地提取圖像紋理特征，并給出量化指標(biāo)進(jìn)行綜合評(píng)價(jià)。全部的運(yùn)算過(guò)程都是加減運(yùn)算，避免了乘法運(yùn)算，計(jì)算復(fù)雜度小，滿足機(jī)器視覺(jué)檢測(cè)系統(tǒng)的實(shí)時(shí)性需要。另外，圖像預(yù)處理對(duì)亮度進(jìn)行修正，程序設(shè)計(jì)中的處理對(duì)邊緣信息和其他干擾信息不敏感，目標(biāo)區(qū)域發(fā)生相對(duì)旋轉(zhuǎn)也不影響結(jié)果，具有較好的魯棒性。利用已分級(jí)的羽毛樣品進(jìn)行檢測(cè)實(shí)驗(yàn)，不同等級(jí)之間的結(jié)果存在明顯的區(qū)分度，波紋紋理越嚴(yán)重，值越大，實(shí)驗(yàn)證明了本算法的有效性。本方法只是在單一尺度的基礎(chǔ)上考慮，由于紋理圖像的不規(guī)則性和復(fù)雜性，若考慮多尺度的變化，方法還要進(jìn)一步改進(jìn)。
參考文獻(xiàn)
[1] HARALICK R M， SHANMUGAM K， DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on System， Man， and Cybernetie， 1973，3（6）： 610-631.
[2] 熊四昌，陳國(guó)波.工件表面紋理間距提取的一種新方法[J].光學(xué)儀器，2007（6）：14-17.
[3] 劉洪江，汪仁煌.基于羽毛圖像紋理分割的毛桿提取方法[J].廣東工業(yè)大學(xué)學(xué)報(bào)，2010，27（4）：42-45.
[4] 林開(kāi)顏，吳軍輝.彩色圖像分割方法綜述[J].中國(guó)圖像圖形學(xué)報(bào)，2005，10（1）：1-10.
[5] 李偉，康晴晴，張俊雄，等.基于機(jī)器視覺(jué)的蘋果表面紋理檢測(cè)方法[J].吉林大學(xué)學(xué)報(bào)，2008，38（5）：1110-1113.
[6] 溫江濤，王伯雄.基于局部灰度梯度特征的圖像快速配準(zhǔn)方法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，49（5）： 57-59.