李 濤，陳建英，劉 莉

(西南民族大學計算機科學與技術(shù)學院，四川 成都 610041)

1 引言

織物疵點檢測在紡織品生產(chǎn)中占有重要地位，減少布匹疵點、提高質(zhì)量是紡織企業(yè)生產(chǎn)和管理中不容忽視的問題.盡管對織物疵點自動檢測的研究已有大量有價值的文獻，新方法不斷涌現(xiàn)，對織物疵點的自動檢測仍吸引著國內(nèi)外學者的關(guān)注和研究.

受織物疵點圖像采集過程中各種噪聲的影響、不同織物的紋理各不相同及瑕疵本身所具有的多樣性和復雜性，以及疵點的不規(guī)則性、出現(xiàn)的隨機性或奇異性等特點，疵點形狀和大小不可預(yù)測而難以建立疵點模型.疵點自動檢測技術(shù)的核心內(nèi)容是對采集的織物圖像進行處理，已有的檢測方法眾多[1-6].

織物紋理屬于一種結(jié)構(gòu)性紋理，具有穩(wěn)定性、局部性和鄰域相關(guān)性等特征，紋理的描述通常有結(jié)構(gòu)法、統(tǒng)計法和頻譜法三種.LBP(Local Binary Pattern)可以有效地描述圖像的紋理，兼顧了紋理的結(jié)構(gòu)特征和統(tǒng)計特征，具有光照不變性和旋轉(zhuǎn)不變性的特點，被廣泛應(yīng)用于人臉識別、掌紋特征提取、場景分類、超聲圖像處理、目標跟蹤等領(lǐng)域[7-12].LBP區(qū)別于一般基于統(tǒng)計紋理描述子的是它考慮了像素與其鄰域之間的關(guān)系.而紋理又是一種與尺度有關(guān)的圖像特征，同一紋理在不同的尺度下有不同的表現(xiàn).多尺度分析這種對圖像進行分析的方法類似于人類的視覺系統(tǒng)，緣于在不同尺度下，圖像會表現(xiàn)出具有與尺度相關(guān)的一些特性，即通過多尺度分析，可得到不同尺度下的全局和局部的信息.此外，在一些實時處理場合，多尺度分析還具有計算效率上的優(yōu)勢.正因為如此，對圖像進行多尺度處理方式在數(shù)字圖像處理、分析領(lǐng)域獲得成功應(yīng)用[13-16].

Eberhart和Kennedy于1995年基于對鳥群、魚群的模擬提出的微粒群優(yōu)化算法PSO(Particle Swarm Optimization)具有精度高、收斂快的特點，本文擬采用在不同多尺度下用LBP分析技術(shù)提取織物紋理特征，在此基礎(chǔ)上將圖像分塊后用PSO對疵點搜索進行檢測.

2 LBP算法原理

局部二進制模式(Local Binary Pattern，LBP)[17-19]可以有效地描述圖像的紋理特征，LBP可以用于提取紋理特征，將特征組織在一起構(gòu)成特征向量，能夠表示圖像的局部特征，有很好的灰度不變性和旋轉(zhuǎn)不變性，該模式是以一個鄰域為待處理對象，將鄰域中心像素的灰度與其相鄰像素的灰度進行差分運算，若結(jié)果為正，則將該相鄰像素置為1，否則置為0，由此得到一個二進制序列，以左上角為起點，按順時針方向讀出八個像素位置的值，為每一位二進制分配一個權(quán)重因子2i后，得到一個對應(yīng)的十進制數(shù)值，以此值作為中心像素點的輸出.

以3×3的8鄰域為例說明基本LBP算法，如圖1所示：

圖1 基本LBP算法Fig.1 Basic LBP algorithm

式(2-1)為其數(shù)學描述：

式中，gc是鄰域中心點的灰度值，gi是與中心點相鄰像素的灰度值，P為該鄰域中像素總數(shù)，R是鄰域的半徑值.上圖中P＝8，R＝3.但當紋理發(fā)生旋轉(zhuǎn)時，由式(2-1)可以得到不同的 LBPP，R，如11011111與11111011，顯然，這兩個值也可由另一個LBP循環(huán)移位得到，此時，這兩個值對局部空間結(jié)構(gòu)的描述視為一致.因此，為消除旋轉(zhuǎn)所帶來的影響，引入(2-2)式：

上式中的ROR(x，i)表示將二進制序列x向右循環(huán)移位i次，(2-2)式表示標準LBP算子循環(huán)移位(P-1)次后，其中的最小值作為L算子.

式中u(LBPP，R)表示LBP算子中0-1或1-0的跳變次數(shù)，當二進制位串包含的1到0或0到1的跳變次數(shù)不大于2的情況稱為統(tǒng)一LBP或均勻LBP(Uniform LBP，ULBP)，否則為非統(tǒng)一模式或非均勻模式.

3 PSO算法

PSO(Particle Swarm Optimization，微粒群算法)是一種仿生演化計算技術(shù)，它源于對鳥群覓食，可實現(xiàn)高效并行、隨機、自適應(yīng)群體搜索，用來求全局最優(yōu)解該算法擁有參數(shù)少、收斂速度快、易實現(xiàn)的優(yōu)點，而受到學者們的關(guān)注及應(yīng)用.

微粒通過跟蹤粒子來尋找最好解，即算法通過pbest(局部極值)和gbest(全局極值，種群的最好解)兩個量來更新微粒的當前值，微粒i是一個D維向量，該向量包含兩個方面的信息：位置信息和速度信息，其中位置信息用 Xi表示，或?qū)懗?Xi＝(xi1，xi2，…，xiD)T，速度信息用 Vi表示，可表示為 Vi＝ (vi1，vi2，…，viD)T，這兩個量的更新方程為：

式中rand1和rand2是兩個在[0，1]范圍內(nèi)變化的隨機函數(shù)，另有3個權(quán)重因子，w為慣性權(quán)重系數(shù)，c1和c2為加速因子.從方程(3-2)可以知道，PSO算法的性能與其參數(shù)相關(guān)，加速因子c1用于調(diào)節(jié)微粒飛向全局最好的最大步長，加速因子c2則是調(diào)節(jié)個體最好的最大步長，這兩個加速因子的取值會影響微粒與目標區(qū)的距離，如果太小，微?？赡苓h離目標區(qū);太大，微?？赡苤苯语w過或沖向目標區(qū)[20].因此，讓算法加快收斂又不易陷入局部最優(yōu)需要選用合適的c1，c2.本文取c1＝c2＝2[21].而慣性權(quán)重w，該值越大，全局搜索能力越強;越小，則局部搜索能力越強.通常，在搜索過程中，w的取值會不同，在初期，取值較大，后期則取值較小.因而有不少文獻對參數(shù)進行改進，本文采用文獻[22]對權(quán)重的優(yōu)化方法：

其中wmax是最大慣性權(quán)重的初始化值，wmin對應(yīng)最小慣性權(quán)重的初始化，λ為控制慣性權(quán)重變化的參數(shù)，本文取值為3，t為當前的迭代次數(shù)，tmax為最大迭代次數(shù).因而，PSO算法流程表述如下：STEP 1，隨機初始化微粒，包括位置信息、速度信息、群體規(guī)模和微粒的維數(shù);STEP 2，對每個微粒的適應(yīng)度進行評價;STEP 3，對每個微粒經(jīng)歷過的最好的位置pbest與其適應(yīng)值進行比較，如果優(yōu)于當前值，則進行替換，將之作為當前最好位置;STEP 4，再將每個微粒所經(jīng)歷的全局最好位置gbest與其適應(yīng)值作比較，如果也是優(yōu)于當前值，則對gbest的索引號重新設(shè)置;STEP 5，根據(jù)方程(3-1)和(3-2)對微粒的速度和位置進行調(diào)整，檢查是否符合結(jié)束條件，是，則停止迭代，如果沒有，再返回到STEP 2.

4 本文提出的檢測算法

計算分塊圖像間的相似度，通過計算分塊圖像LBP直方圖間的距離得到，而用于表示直方圖距離的方法有歐幾里德距離、中心距法、閔可夫斯基距離法等，本文采用K-S(Kolmogorov-Smirmov)距離[23]，即：

其中 H1i和 H2i分別表示子圖像中各分塊的值，N 為的個數(shù)，Dks值越大則疵點的可能性越大，反之，可能性小.但是也不能排除疵點范圍大，相鄰兩個塊同屬疵點區(qū)域的中能，這樣Dks值反而小，而多尺度下的分塊可以減少這種可能，即在不同分辨率下逐級排除疵點.

在多尺度、多分辨率分析方面，小波變換和Gabor變換，因這兩種方法的處理過程與人眼視覺過程近似，可用于檢測不同尺度的疵點，但它們的高復雜度、大計算量的特點，對于實時性要求較高的大規(guī)模生產(chǎn)下對疵點檢測就不太適用了，本文采用Goutsias和Heijmans[24]提出的擴展金字塔變換，這種金字塔變換保留了傳統(tǒng)金字塔變換的多分辨率分析特性，對信號空間的要求可以是非線性空間，同時，對信號進行分解的濾波器可以是非線性的.

4.1 算法模型

對輸入圖像建立坐標系，水平向右為x軸正向，垂直向下為y軸正向，左上角頂點為坐標原點，一幅M×N個像素的圖像，其左上角的像素定為第(1，1)個像素，右下角的像素定為第(M，N)個像素，而PSO中的微粒位置與像素點的坐標相對應(yīng)，因而微粒維數(shù)D為2.對于第i個微粒在迭代時，其位置為＝(，)，其中k表示第k迭代，表示像素點與x軸的距離，表示像素點與y軸的距離.微粒的運動范圍

4.2 擴展金字塔變換

假設(shè)Vj(j∈Ζ)表示j層的信號空間，定義分解算子和合成算子如下：

分解算子將信號從低層變換到高一層，向上逐層減少信號信息，合成算子對信號的處理則是由高到低的進行映射，是分解算子的逆算子，金字塔變換在這兩個算子滿足下式的情況下即可實現(xiàn).

上式表示：對于任意信號xj+1∈Vj+1，先用合成算子對它向下一層合成，然后再用分解算子向上一層分解，得到的信號與xj+1恒等.但是先分解后合成的結(jié)果是原始信號的近似，即

4.3 算法描述

本文提出的基于PSO和LBP的疵點檢測算法描述如下：

Step1：將輸入圖像進行擴展金字塔變換，得到多個不同分辨率的子圖像;

Step2：對每個子圖像分塊并計算其ULBP值，獲取對應(yīng)的直方圖并進行排序;

Step3：對每個子圖像，初始化PSO算法中的各參數(shù)，使用式(4-1)計算微粒的適應(yīng)度值進而評價微粒，對微粒進行更新、迭代.

Step4：如果迭代次數(shù)到達設(shè)定閾值或搜索到全局最優(yōu)位置則停止迭代，輸出結(jié)果.

在對微粒進行初始化時，需要設(shè)置微粒的數(shù)量、維度、最小和最大的飛行速度及3個權(quán)重值，而對于各微粒的初始位置和速度則隨機生成，初始位置確定當前微粒所在的分塊區(qū)域，由Dks計算微粒的適應(yīng)度值.

5 實驗結(jié)果

本文提出的算法的測試平臺為Pentium4、2.66 GHz、512MB內(nèi)存.實驗在MATLAB7.1上實現(xiàn)，進行了9組實驗，圖2、3為其中的兩組實驗，每組實驗圖像大小不一，采用先將原始圖像樣本劃分成16×16的子圖像塊后，再分別含有瑕疵的子圖像塊和不含瑕疵的圖像塊進行測試.實驗結(jié)果表明正常樣本的準確率為99.56%，對有瑕疵的樣本檢測準確率為96.37%.

如圖2、3中所示(a)原圖分別為(1140×1140)和(512×512)，圖2(a)的正常子圖像塊樣本有4916個，含瑕疵的樣本塊有160個;圖3(a)的正常子圖像塊樣本有914個，含瑕疵的樣本塊有110個.其中圖(b)～(e)是不同分辨率下的ULBP紋理特征，實驗中采用三層分解，檢測結(jié)果在(a)中標記，均是在LBP直方圖的基礎(chǔ)上分塊使用PSO進行尋優(yōu)得到.在PSO尋優(yōu)過程中，對迭代進行控制的加速因子均取值2，控制慣性權(quán)重的參數(shù)取3.圖4僅給出了其他的疵點圖及其LBP紋理圖，在檢測中對于空心糙如圖2(a)和蛛網(wǎng)糙如圖3(a)及缺經(jīng)等的檢測效果比較理想，但對于圖4(a)的油漬在一層分解的情況下檢測率略低，而加入其他不同尺度下的LBP及分塊處理后能檢測出來.織物瑕疵在圖像中的表現(xiàn)差別比較大，將圖像進行分塊、分尺度處理后，算法對瑕疵區(qū)域的識別敏感性得到提高，對于本研究所述方法，實驗中對不尺度情況下的瑕疵圖進行對比，盡管有油漬織物直接在大尺度情況下檢測效果不太好，但進行分塊和其他尺度結(jié)合下能檢測出來;實驗也證實了，對于同一類瑕疵，進行旋轉(zhuǎn)和改變光照條件情況下，未使用ULBP算法及傳統(tǒng)LBP算法時的檢測識別率明顯低于采用ULBP后的檢測效果.

圖2 檢測結(jié)果1Fig.2 Detection result 1

圖3 檢測結(jié)果2Fig.3 Detection result 2

圖4 其它疵點及ULBP紋理圖Fig.4 Other defects and theirs ULBP texture

6 結(jié)論

本研究以分塊分尺度下利用ULBP算法和PSO結(jié)合的形式對瑕疵圖像進行處理，從實驗結(jié)果看到該算法可適用于多種瑕疵檢測，且克服了瑕疵圖像在生產(chǎn)中不宜大量獲取情況下進行檢測的問題.

針對帶有疵點的織物圖像在疵點區(qū)域其紋理、灰度有別于規(guī)律性的正常紡織結(jié)構(gòu)，提出了一種多尺度下基于PSO和ULBP的疵點檢測算法，對圖像進行多尺度變換后，利用ULBP計算速率高且具有光照不變性和旋轉(zhuǎn)不變性的特點進行紋理特征描述，在此基礎(chǔ)上采用PSO算法對分塊的LBP直方圖進行疵點檢測，在保證速度的情況下，本文提出的算法能較好地定位瑕疵區(qū)域.