(河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南 焦作 454003)

布匹瑕疵是影響布匹質(zhì)量的重要因素。據(jù)統(tǒng)計(jì)，布匹瑕疵導(dǎo)致的劣等紡織品價(jià)格僅為一等紡織品的45%～65%[1]，因此，布匹瑕疵檢測(cè)是布匹生產(chǎn)過(guò)程中至關(guān)重要的環(huán)節(jié)。傳統(tǒng)的基于人眼的檢測(cè)方法存在費(fèi)用高、效率低、準(zhǔn)確性差和主觀性強(qiáng)的問(wèn)題。為了提高布匹瑕疵檢測(cè)的準(zhǔn)確率，基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法[2]成為研究的焦點(diǎn)。目前，基于計(jì)算機(jī)視覺(jué)的檢測(cè)方法主要分為頻譜法、統(tǒng)計(jì)法和模型法3種類型[3-4]?；陬l譜的檢測(cè)算法主要基于傅里葉變換、Gabor變換[5]或小波變換[6]等將布匹圖像轉(zhuǎn)換到頻域來(lái)實(shí)現(xiàn)瑕疵檢測(cè)，但該類方法具有較高的計(jì)算復(fù)雜度；基于模型的方法需要對(duì)各種布匹瑕疵進(jìn)行全面訓(xùn)練，因此增加了在線檢測(cè)的困難度，較難滿足檢測(cè)的實(shí)時(shí)性要求；基于統(tǒng)計(jì)方法是利用像素的統(tǒng)計(jì)特征進(jìn)行瑕疵檢測(cè)，該類方法簡(jiǎn)單明了，但容易受噪聲和外界條件的干擾。

作為一種簡(jiǎn)單有效的統(tǒng)計(jì)方法，局部二值模式(Local Binary Patterns,LBP)[7]已被廣泛用于紋理分類、人臉識(shí)別及圖像匹配等領(lǐng)域，多種針對(duì)LBP的擴(kuò)展方法也被提了出來(lái)[8]。在文獻(xiàn)[9]中，Tajeripour等人基于LBP算法實(shí)現(xiàn)了布匹瑕疵檢測(cè)，該方法有效地降低了LBP的特征維數(shù)，同時(shí)又保證了LBP特征對(duì)瑕疵圖像的有效表達(dá)。但該方法對(duì)應(yīng)的紋理邊緣彎曲度小，造成正常樣本與瑕疵樣本的特征區(qū)分不明顯。為此，付蓉等人[10]提出了自適應(yīng)局部二值模式的檢測(cè)方法，項(xiàng)明等人[11]提出了基于局部二值模式方差(LBP Variance,LBPV)[12]的檢測(cè)方法。雖然上述方法取得了較好的檢測(cè)效果，但仍對(duì)圖像尺度變化考慮不足，同時(shí)仍存在噪聲敏感的問(wèn)題。

針對(duì)上述LBP及改進(jìn)方法在布匹瑕疵檢測(cè)中存在的問(wèn)題，提出一種基于多尺度分塊局部二值模式方差(Multi-Scale Block Local Binary Patterns Variance,MBLBPV)算子。該算子仍然基于局部二值模式方差LBPV[12]，但在特征提取時(shí)，融入多尺度分塊思想，將特征提取擴(kuò)展到任意大小的“子塊區(qū)域”。該方法在較好描述不同尺度分塊紋理信息的同時(shí)，用局部灰度方差反應(yīng)圖像灰度分布對(duì)比度的變化，削弱了噪聲對(duì)特征提取的干擾，也使瑕疵樣本與正常樣本能夠明顯區(qū)分。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地實(shí)現(xiàn)瑕疵檢測(cè)，并對(duì)圖像噪聲具有較好的抑制作用。

1 多尺度分塊局部二值模式方差

1.1 局部二值模式

基本LBP算子是針對(duì)圖像3×3的矩形鄰域，以中心像素的灰度值為閾值與其鄰域像素的灰度值進(jìn)行比較，若鄰域像素的灰度值不小于閾值，則將該點(diǎn)標(biāo)記為1，否則標(biāo)記為0。從而，該矩形鄰域的8個(gè)像素點(diǎn)可以產(chǎn)生一個(gè)8位的二進(jìn)制數(shù)，將這個(gè)二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制無(wú)符號(hào)整數(shù)，即為該鄰域中心像素的LBP值。LBP值的定義如下：

(1)

(2)

式中，ROR(x,i)為旋轉(zhuǎn)函數(shù)，表示將x循環(huán)右移i位。

為了降低特征維數(shù)，Ojala等人又提出了一致局部二值模式(Uniform Local Binary Patterns，ULBP)。設(shè)U表示LBP算子中從1到0或從0到1跳變的次數(shù)，定義如下：

U(LBPP,R)=|s(gi-1-gc)-s(g0-gc)|+

(3)

若U(LBPP,R)≤2，就把這個(gè)模式歸為一致模式，否則記為非一致模式。

結(jié)合旋轉(zhuǎn)不變模式與一致模式，Ojala等人給出了旋轉(zhuǎn)不變一致局部二值模式：

(4)

式中，上標(biāo)riu2表示旋轉(zhuǎn)不變一致模式。

1.2 局部二值模式方差

為了突出局部空間結(jié)構(gòu)和對(duì)比度信息，Ojala等人[13]提出了局部鄰域灰度方差(VAR)：

(5)

在此基礎(chǔ)上，將LBP和VAR的聯(lián)合分布LBP/VAR作為圖像的紋理特征。然而VAR是一系列連續(xù)的值，在具體應(yīng)用中需要量化處理，并且該量化過(guò)程中不可避免地出現(xiàn)誤差，影響分類效率。為此，Guo等人[12]提出了LBPV算子。該方法將每個(gè)像素的方差作為L(zhǎng)BP子模式的權(quán)重，有效地將局部空間模式和局部對(duì)比度差異融為一體，且無(wú)需量化，避免了量化過(guò)程中的問(wèn)題。LBPV的定義如下：

(6)

式中，

其中，k為具體的紋理模式值；N及M表示圖像尺寸。

1.3 多尺度分塊局部二值模式

基本LBP特征的計(jì)算是針對(duì)單個(gè)像素的，像素灰度值微小的變化就可能導(dǎo)致LBP值的不同，易受噪聲的影響。而多尺度分塊局部二值模式(Multi-Block Local Binary Patterns，MBLBP)[14]正好可以彌補(bǔ)LBP的不足之處。該算子采用“子塊區(qū)域”的像素灰度平均值之間的比較代替單個(gè)像素之間的比較進(jìn)行LBP特征計(jì)算，增加了像素之間的相關(guān)性，同時(shí)“子塊區(qū)域”均值的比較有利于削弱噪聲的干擾。對(duì)于9×9的鄰域，首先，計(jì)算每個(gè)“子塊區(qū)域”(3×3鄰域)的灰度均值，然后，以中心子塊區(qū)域的灰度均值為閾值，按照基本LBP算法，得到MBLBP特征值。

1.4 多尺度分塊局部二值模式方差

MBLBPV在LBPV的基礎(chǔ)上，融入多尺度分塊的思想[14]，將布匹特征提取由孤立的像素點(diǎn)擴(kuò)展到適當(dāng)尺度的子塊區(qū)域。其基本過(guò)程是：首先給定大小為t×t的子塊，并將圖像中任意3t×3t大小的鄰域窗口轉(zhuǎn)化為3×3鄰域，對(duì)于轉(zhuǎn)化后3×3鄰域的每個(gè)點(diǎn)的值采用對(duì)應(yīng)子塊的灰度均值代替。圖1給出了針對(duì)2×2的子塊，將6×6鄰域轉(zhuǎn)化為3×3鄰域的示例。其次，基于LBPV算子提取轉(zhuǎn)化后的布匹圖像特征并進(jìn)行瑕疵檢測(cè)。顯然，當(dāng)t取不同的值時(shí)，可以得到不同尺度下的MBLBPV特征，而當(dāng)t取1時(shí)，則退化為L(zhǎng)BPV算子。

圖1 2×2子塊鄰域均值化示意圖

針對(duì)轉(zhuǎn)化后的3×3鄰域，設(shè)Mgc代表中心子塊鄰域灰度均值，Mgi(i=0,1,…,7)代表其8個(gè)相鄰子塊灰度均值，則MBLBPV值的提取過(guò)程如下：

(7)

其中：

2 瑕疵檢測(cè)

2.1 訓(xùn)練

在訓(xùn)練和檢測(cè)中，取t=2。在訓(xùn)練階段，首先將MBLBPV算子應(yīng)用于無(wú)瑕疵布匹圖像，得到標(biāo)準(zhǔn)特征向量V。其次，把無(wú)瑕疵布匹圖像分割成互不重疊且大小為Wd×Wd的檢測(cè)塊，并分別提取每個(gè)檢測(cè)塊MBLBPV特征。同時(shí)，檢測(cè)塊劃分的大小應(yīng)適中，檢測(cè)塊太小計(jì)算的準(zhǔn)確性不夠，而檢測(cè)塊太大將導(dǎo)致瑕疵的檢測(cè)能力下降。為了保證檢測(cè)塊可以提供豐富、可靠的特征信息，每個(gè)檢測(cè)塊的MBLBPV算子數(shù)目應(yīng)該足夠多，根據(jù)經(jīng)驗(yàn)將算子數(shù)目設(shè)為100。設(shè)提取MBLBPV特征的掩模的大小為m×m，則Wd應(yīng)滿足，

(8)

對(duì)于前面提到的LBP及相關(guān)改進(jìn)方法，在進(jìn)行瑕疵檢測(cè)時(shí)都基于3×3鄰域，本文測(cè)試時(shí)也采用同樣掩模，因此由式(8)可知，Wd≥12。

在提取檢測(cè)塊特征后，基于Chi-square統(tǒng)計(jì)函數(shù)度量每個(gè)檢測(cè)塊的特征向量與標(biāo)準(zhǔn)特征向量V的相似度。設(shè)Sb為第b個(gè)檢測(cè)塊的MBLBPV特征，與標(biāo)準(zhǔn)特征V間的距離度量表示如下：

(9)

式中，Lb為第b個(gè)檢測(cè)塊的特征向量與標(biāo)準(zhǔn)特征向量V的相似度；B為劃分的塊數(shù)。Lb越小說(shuō)明檢測(cè)塊的紋理特征與圖像全局紋理特征越相似。在具體檢測(cè)時(shí)，選取最大的Lb值作為測(cè)試階段判斷瑕疵塊的閾值，

T=max(Lb),b=1,2,…,B

(10)

2.2 檢測(cè)

在測(cè)試階段，首先將待測(cè)試的布匹圖像分割成相互重疊的檢測(cè)塊，用MBLBPV算子計(jì)算各個(gè)檢測(cè)塊的特征向量Sb，并通過(guò)式(9)計(jì)算每個(gè)檢測(cè)塊的特征向量Sb與標(biāo)準(zhǔn)特征向量V的相似度，標(biāo)記為L(zhǎng)test；然后通過(guò)比較Ltest與閾值T判斷是否為瑕疵塊。

(11)

在進(jìn)行檢測(cè)塊劃分時(shí)，移動(dòng)步長(zhǎng)越小、重疊區(qū)域越多，檢測(cè)塊中包含的紋理信息就越多，檢測(cè)準(zhǔn)確率也會(huì)越高。但是，計(jì)算時(shí)間也會(huì)相應(yīng)地增加?？紤]到檢測(cè)精度和系統(tǒng)實(shí)時(shí)性要求，采用Wd/2作為移動(dòng)步長(zhǎng)。

3 實(shí)驗(yàn)結(jié)果及分析

為了有效驗(yàn)證本文方法的有效性，將MBLBPV算子與LBP、LBPV和MBLBP 3種算子的檢測(cè)效果進(jìn)行了對(duì)比。實(shí)驗(yàn)中選擇了3類瑕疵圖像：點(diǎn)狀瑕疵、線狀瑕疵和面狀瑕疵，并分別在無(wú)噪聲和加入高斯噪聲的情況下進(jìn)行對(duì)比驗(yàn)證，實(shí)驗(yàn)圖像大小為204像素×143像素。實(shí)驗(yàn)中，首先基于無(wú)瑕疵的同類布匹圖像進(jìn)行訓(xùn)練，得到判斷瑕疵塊的閾值，然后對(duì)待測(cè)圖像進(jìn)行瑕疵檢測(cè)。在實(shí)驗(yàn)結(jié)果中，有瑕疵的檢測(cè)塊標(biāo)記為白色，判斷為無(wú)瑕疵的檢測(cè)塊標(biāo)記為黑色。

首先針對(duì)點(diǎn)狀瑕疵、線狀瑕疵和面狀瑕疵的無(wú)噪聲圖像，檢測(cè)結(jié)果如圖2所示?？梢钥闯?，相對(duì)于其他3種方法，MBLBPV能明顯區(qū)分瑕疵區(qū)域和正常區(qū)域，對(duì)于點(diǎn)狀瑕疵、線狀瑕疵和面狀瑕疵都有比較理想的檢測(cè)效果。

其次，測(cè)試了噪聲情況下，不同算法的檢測(cè)效果，實(shí)驗(yàn)中采用的噪聲模型為高斯白噪聲(方差為0.01)。針對(duì)3類不同的瑕疵圖像，4種方法的檢測(cè)效果如圖3所示?？梢钥闯?，MBLBPV算法在加入高斯噪聲的布匹圖像中的瑕疵檢測(cè)效果明顯優(yōu)于其他算法，且噪聲對(duì)其他3種方法的影響較大。因此，MBLBPV算法對(duì)噪聲不敏感，具有良好的抗噪能力。

圖2 3種瑕疵類型檢測(cè)對(duì)比

最后，為了客觀地比較不同算法對(duì)布匹瑕疵檢測(cè)效果，實(shí)驗(yàn)選取錯(cuò)檢率、漏檢率和正檢率對(duì)算法的性能進(jìn)行客觀評(píng)價(jià)。其中，錯(cuò)檢率定義為將無(wú)瑕疵檢測(cè)塊誤判為有瑕疵檢測(cè)塊的數(shù)目與測(cè)試圖像按照算法要求所劃分的檢測(cè)塊總數(shù)目的比值；漏檢率定義為將有瑕疵檢測(cè)塊誤判為無(wú)瑕疵檢測(cè)塊的數(shù)目與測(cè)試圖像按照算法要求所劃分的檢測(cè)塊總數(shù)目的比值；正檢率定義為正確判斷有瑕疵檢測(cè)塊和無(wú)瑕疵檢測(cè)塊的檢測(cè)塊數(shù)目與測(cè)試圖像按照算法要求所劃分的檢測(cè)塊總數(shù)目的比值。顯然，錯(cuò)檢率、漏檢率越小，正檢率越大表示算法檢測(cè)效果越好。

(12)

(13)

(14)

圖3 噪聲情況下3種類型瑕疵檢測(cè)對(duì)比

其中：

Nt=Nf+Nl+Nc

式中，Rf為錯(cuò)檢率；Rl為漏檢率；Rc為正檢率；Nf為檢測(cè)過(guò)程中將無(wú)瑕疵檢測(cè)塊誤判為有瑕疵檢測(cè)塊的數(shù)目；Nl為檢測(cè)過(guò)程中將有瑕疵檢測(cè)塊誤判為無(wú)瑕疵檢測(cè)塊的數(shù)目；Nc為檢測(cè)過(guò)程中正確判斷有瑕疵檢測(cè)塊和無(wú)瑕疵檢測(cè)塊的檢測(cè)塊數(shù)目；Nt為測(cè)試圖像中按照算法要求所劃分的檢測(cè)塊的總數(shù)目。

表1給出了4種方法的檢測(cè)效果對(duì)比，可以看出，本文算法在無(wú)噪聲的布匹圖像和加入噪聲的布匹圖像中均有較好的識(shí)別能力，其檢測(cè)正確率均能夠達(dá)到96%以上，對(duì)常見(jiàn)的點(diǎn)狀瑕疵、線狀瑕疵和面狀瑕疵都有較好的檢測(cè)效果。

表1 4種方法實(shí)驗(yàn)結(jié)果對(duì)比 單位：%

4 結(jié)束語(yǔ)

在分析利用LBP及其擴(kuò)展方法進(jìn)行布匹瑕疵檢測(cè)存在的問(wèn)題的基礎(chǔ)上，提出了基于多尺度分塊局部二值模式方差的布匹瑕疵檢測(cè)方法，引入多尺度分塊思想，通過(guò)選取適當(dāng)尺度的分塊區(qū)域代替單個(gè)像素進(jìn)行特征提取，解決了局部二值模式的易受噪聲干擾的問(wèn)題。同時(shí)，融合局部方差解決了局部二值模式進(jìn)行瑕疵檢測(cè)效果不理想的問(wèn)題。實(shí)驗(yàn)表明，MBLBPV算子取得了比傳統(tǒng)方法更好的瑕疵檢測(cè)效果，并具有更好的抗噪性能。