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(guò)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(jiàn)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(jué)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(guò)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(guò)計(jì)算特征值并通過(guò)特征值的歸納分類(lèi)判斷疵點(diǎn)，無(wú)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(guò)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(jiàn)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(chēng)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(lái)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(jiàn)的特征值來(lái)提取紋理的特征[8]：

　　（1）二階矩：又稱(chēng)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。

　　（2）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。

　　（3）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。

　　（5）差異性：其度量與對(duì)比度相似，但是為線(xiàn)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(xiàn)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。灰度共生矩陣的計(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(wàn)次/s來(lái)?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(guò)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(guò)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)橐淮翱冢?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(lái)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(lèi)常見(jiàn)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(guò)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(lèi)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(lèi)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(lèi)疵點(diǎn)檢測(cè)效果比較理想；頻域篩狀濾波器對(duì)各類(lèi)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(lái)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(lèi)疵點(diǎn)檢測(cè)效果相比于前兩種算法來(lái)說(shuō)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(jiàn)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(lái)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(lái)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(lèi)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.