??? 摘 要: 詳細(xì)介紹了灰度共生矩陣的原理,討論了簾子布" title="簾子布">簾子布的灰度共生矩陣像素點(diǎn)對(duì)方向、距離以及圖像灰度等級(jí)對(duì)灰度共生矩陣的影響,確定了區(qū)分正常簾子布與帶疵點(diǎn)簾子布的灰度共生矩陣的構(gòu)造方法。對(duì)正常簾子布圖像進(jìn)行了紋理分析、特征參數(shù)" title="特征參數(shù)">特征參數(shù)統(tǒng)計(jì),確定了正常簾子布像素方向、像素距離以及圖像灰度等級(jí)。實(shí)驗(yàn)結(jié)果表明,按照上述規(guī)則生成的四個(gè)灰度共生矩陣的特征參數(shù),能夠準(zhǔn)確地判斷簾子布圖像是否存在疵點(diǎn)。
??? 關(guān)鍵詞: 紋理特征;GLCM;簾子布疵點(diǎn);圖像分析
?
??? 基于數(shù)字圖像技術(shù)的織物疵點(diǎn)自動(dòng)檢測(cè)技術(shù)始于20世紀(jì)70年代,到90年代后期形成了研究的高潮,在此期間產(chǎn)生了許多的檢測(cè)算法。根據(jù)提取特征值" title="特征值">特征值的方法不同,這些算法大致可分為空域法和頻域法" title="頻域法">頻域法??沼蚍ㄝ^多地采用灰度共生矩陣[1]、Markov隨機(jī)場(chǎng)[2]作為特征值的提取方法;頻域法一般采用傅立葉變換" title="傅立葉變換">傅立葉變換[3]、Gabor變換[4]等方法。但現(xiàn)有文獻(xiàn)中的檢測(cè)對(duì)象多是一般的單色織物,上述疵點(diǎn)檢測(cè)方法并不適用于簾子布這樣的產(chǎn)業(yè)用紡織品。簾子布各類織物圖像如圖1所示,它是由經(jīng)線和緯線交織而形成的。簾子布作為一種特種紡織品,有以下兩個(gè)特點(diǎn):(1)簾子布的緯線密度(6~12根/10cm)大大低于經(jīng)線密度(52~100根/10cm),緯線是由面紗制成的,緯線只在織造、浸膠處理和壓延過(guò)程中起連接經(jīng)線的作用,在輪胎成型后即斷裂。因此,在簾子布的網(wǎng)狀結(jié)點(diǎn)處經(jīng)線和緯線僅僅是上下重疊在一起,相對(duì)位置不固定。(2)簾子布在浸膠處理后,表面色澤有較大的差別。本文結(jié)合簾子布的組織結(jié)構(gòu)特點(diǎn),以灰度共生矩陣為數(shù)學(xué)工具尋找新的簾子布特征表達(dá)方式,通過(guò)分別分析正常簾子布和含有疵點(diǎn)簾子布的特征值的差別,實(shí)現(xiàn)簾子布疵點(diǎn)的自動(dòng)檢測(cè)。
?
1 數(shù)字圖像的灰度共生矩陣
??? 數(shù)字圖像由一個(gè)離散的二維函數(shù)f(x,y)表示,其函數(shù)值的物理意義由圖像源決定。對(duì)于灰度圖像,f(x,y)表示圖像在點(diǎn)(x,y)處的灰度值。f(x,y)的灰度共生矩陣為:
??? P(i,j,d,θ)={[(x,y),(x+Dx,y+Dy)|f(x,y)=i,f(x+Dx,y+Dy)=j]}
式中,x,y是圖像的像元坐標(biāo),x=1,2,3,…,M,y=1,2,…,N;i,j=1,2,…,L是灰度級(jí),L是最高灰度級(jí);Dx,Dy是位置偏移量,具有方向性;d為灰度共生矩陣的生成步長(zhǎng);θ為灰度共生矩陣的生成方向,一般取0°、45°、90°、135°四個(gè)方向。
??? 假設(shè)給定了生成方向θ=0°,生成步長(zhǎng)d=1,最高灰度級(jí)L=6。原始圖像矩陣(8×8像素)轉(zhuǎn)換為相應(yīng)的灰度共生矩陣GLCM,如圖2所示。在原始圖像圖2(a)中,當(dāng)i=1,j=3時(shí),對(duì)于像素點(diǎn)對(duì)(1,3)出現(xiàn)的次數(shù)為1,對(duì)應(yīng)灰度共生矩陣的第1行第3列的位置P(1,3,1,0°)=1;類似的,當(dāng)i=1,j=1時(shí),對(duì)于像素點(diǎn)對(duì)(1,1)出現(xiàn)的次數(shù)為21,對(duì)應(yīng)灰度共生矩陣的第1行第1列的位置P(1,1,1,0°)=21。在整個(gè)原始圖像矩陣上按照d=1和?茲=0°的位置關(guān)系滑動(dòng),對(duì)所有像素進(jìn)行統(tǒng)計(jì)得到相應(yīng)的GLCM,如圖2(b)所示。
?
??? 簾子布紋理是由在空間位置上反復(fù)出現(xiàn)灰度分布而形成的,因而在圖像空間相隔一定距離的兩個(gè)像素之間會(huì)存在一定的灰度關(guān)系。生成步長(zhǎng)d、生成方向θ是構(gòu)造灰度共生矩陣P的重要參數(shù),它們之間的不同匹配對(duì)生成的矩陣P有較大的差異[5-6]。
2 簾子布灰度共生矩陣生成步長(zhǎng)d及生成方向θ值的確定
??? 以圖1簾子布各類圖像為樣本,d依次取1、2、3、4,θ依次取0°、45°、90°、135°獲得不同的灰度共生矩陣。
??? 從簾子布各類疵點(diǎn)的GLCM矩陣以及大量的實(shí)驗(yàn)證明,當(dāng)d=2且θ=0°時(shí),能夠很好地區(qū)分簾子布疵點(diǎn),如圖3所示。正常簾子布圖像得到的GLCM矩陣,主要分布在第一行和第一列的次對(duì)角線附近,其他空間分量較小,尤其在主對(duì)角線上,概率分布幾乎為0;當(dāng)有疵點(diǎn)時(shí),其GLCM的次對(duì)角線上的概率相應(yīng)的減小,而其他位置上的概率明顯增大,尤其在主對(duì)角線上,概率分布
劇烈增加。
?
3 特征參數(shù)的獲取
??? 以其他紋理(如木材紋理、大氣云團(tuán)、織物褶皺、商標(biāo)圖像、合成孔徑雷達(dá)等)為研究對(duì)象時(shí),經(jīng)常選用的特征參數(shù)有角二階矩W1、角二階矩W2、相關(guān)W3、熵W4、方差W5、逆差矩W6等[7-8]。簾子布原特征參數(shù)實(shí)驗(yàn)結(jié)果如表1所示。
?
??? 選用角二階矩W1、角二階矩W2、相關(guān)W3等為特征參數(shù)時(shí),必需將灰度共生矩陣歸一化后進(jìn)行二次統(tǒng)計(jì),通常歸一化常數(shù)比較大,在運(yùn)算過(guò)程中很多數(shù)據(jù)采用四舍五入處理,得到的結(jié)果有誤差。實(shí)驗(yàn)結(jié)果表明,含疵點(diǎn)簾子布圖像的特征閾值與正常簾子布圖像的特征閾值有明顯的交叉,實(shí)驗(yàn)結(jié)果不太理想。
??? 根據(jù)簾子布紋理的結(jié)構(gòu)特點(diǎn),選取Q1、Q2、Q4、Q4四種參數(shù)作為簾子布特征參數(shù)。假設(shè)P(i,j,d,θ)為灰度共生矩陣中歸一化前的任意一個(gè)元素,則Q1=P(1,1,2,0°)、Q2=P(1,9,2,0°)、Q3=[P(1,15,2,0°)+P(1,16,2,0°)]/2、Q4=[P(14,14,2,0°)+P(14,15,2,0°)+P(14,16,2,0°)+P(15,15,2,0°)+P(15,16,2,0°)+P(16,16,2,0°)]/6。
??? 由于得到的GLCM是關(guān)于主對(duì)角線對(duì)稱的矩陣,所以只討論主對(duì)角線上半部分的概率分布情況。選取Q1、 Q2、 Q3、 Q4為特征參數(shù),其參數(shù)選取范圍如表2所示。正常的簾子布圖像的GLCM,概率主要分布在P(1,15,2,0°)和P(1,16,2,0°)的位置,其他位置分布幾乎為0;缺經(jīng)、斷經(jīng)疵點(diǎn)的GLCM概率在P(1,1,2,0°)處明顯增加,甚至比在P(1,15,2,0°)和 P(1,16,2,0°)位置出現(xiàn)的概率還大。其他位置出現(xiàn)的概率幾乎為0;漿斑疵點(diǎn)的GLCM除了在P(1,1,2,0°)處明顯增加外,在P(1,9,2,0°)也有明顯的增加。粘并疵點(diǎn)的GLCM概率在P(1,1,2,0°)處明顯增加,且在P(1,15,2,0°)和 P(1,16,2,0°)位置出現(xiàn)的概率急劇減??;劈裂疵點(diǎn)的GLCM概率在P(1,1,2,0°)處也有明顯增加,在P(15,16,2,0°)、P(16,16,2,0°)附近概率急劇增大。所以通過(guò)特征參數(shù)Q1、 Q2、 Q3、 Q4可以比較準(zhǔn)確地識(shí)別簾子布疵點(diǎn)。
?
??? 在進(jìn)行簾子布檢測(cè)時(shí),首先查看Q1、Q2、Q4的值是否在各自的特征閾值內(nèi),如果Q1、Q2、Q4均在各自的特征閾值內(nèi),說(shuō)明簾子布圖像中沒(méi)有疵點(diǎn)。如果Q1、Q2、Q4中的任何一個(gè)值不在其特征閾值內(nèi),說(shuō)明簾子布圖像中有可疑疵點(diǎn);然后再查看Q3是否在其特征閾值內(nèi),若不在其特征閾值內(nèi),說(shuō)明簾子布圖像中存在疵點(diǎn),若在其特征閾值內(nèi),說(shuō)明簾子布圖像中沒(méi)有疵點(diǎn)??傊?,Q1、Q2、Q4體現(xiàn)了簾子布外表的不確定性,選取Q1、Q2、Q3和Q4作為圖像的特征值可以消除此影響,實(shí)驗(yàn)結(jié)果證明了該方法的可行性和可靠性。
參考文獻(xiàn)
[1] SHIMIZU Y.Expert system to inspect fabric defects by?pattern recognition[J].IEEE Transactions on Pattern Recognition,1990,46(3):460-469.
[2] COHEN F S,F(xiàn)AN Z,ATTALI S.Automated inspection of?textile fabric using textile models.IEEE Transactions on?pattern Analysis and Machine Intelligence,1991,13(8):803-808.
[3] CHAN Chi Ho,Grantham K H Pang.Fabric defect detection by fourier analysis[J].IEEE Transactions on Industry Application,2000,36(5):1267-1276.
[4] BODNAROVA A,BENNAMOUN M,LATHAM S.Optimal?gabor filters for textile flaw detection[J].Pattern Recognition,2002,35:2973-2991.
[5] 汪黎明,陳健敏,王銳,等.織物折皺紋理灰度共生矩陣分析[J].青島大學(xué)學(xué)報(bào),2003,18(4):5-8.
[6] 郭德軍,宋蟄存.基于灰度共生矩陣的紋理圖像分類研究[J].林業(yè)機(jī)械與木工設(shè)備,2005,33(7):21-23.
[7] 薄華,馬縛龍,焦李成.圖像紋理的灰度共生矩陣計(jì)算問(wèn)題的分析[J].電子學(xué)報(bào),2006,34(1):155-134.
[8] 白雪冰,王克奇,王輝.基于灰度共生矩陣的木材紋理分類方法的研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2005,37(12):1667-1670.