织物疵点的有效检测对纺织企业提高产品质量、降低产品成本具有重要的意义。目前 , 疵点检测还由人眼来进行, 但人眼检测费用高、速度慢、效果差, 只能检测不超过 80%的疵点 [ 1] 。 因此, 织物疵点的自动检测方法一直是一个重要的研究热点, 提出了许多自动检测方法[ 1 -14] 。 如文献 [ 2 -4] 提出采用灰度共生矩阵或灰度差分矩阵的方法;文献 [ 5] 提出了采用傅立叶变换方法;文献[ 6 -9] 采用小波变换或小报包变换的方法;文献[ 10, 11] 提出采用 Garbor滤波器方法。 但由于织物疵点种类繁多、形态各异, 如何有效地检测疵点仍然是一个重要的研究内容。
疵点检测实际上是一个纹理分割及识别过程, 因为在织物中疵点处的纹理结构不同于正常织物, 因此能够把它们检测出来。 从图像处理的角度, 疵点可以分为灰度突变型疵点、结构突变型疵点 [ 12] 。 灰度突变型疵点中疵点的灰度与正常织物的灰度不同, 如油污、破洞等;结构突变型疵点中疵点的灰度与正常织物的灰度差异较小, 只是像素之间的空间关系发生较大变化, 如并经、松经等。 有些疵点则兼而有之, 如经缩、边撑疵等。 由于正常织物图像是一种规则有序纹理, 因此本文提出一种基于纹理结构分析的织物疵点检测方法, 不仅能够有效地分割灰度突变型疵点, 而且对结构突变型疵点也具有较好的分割效果 , 并且通过实验对该方法的有效性与鲁棒性进行了验证。

1 织物疵点检测算法
织物检测算法流程图如图 1所示, 图 2给出了算法各步骤的处理效果
1.1 零均值图像增强
零均值图像增强是本算法中重要的一步预处理算法, 它能够有效地消除图像在采集过程中由于光照强度的不同而造成的明暗差异, 方便后面各步骤的处理。零均值图像的构造方法是:首先将图像划分为 8 ×8的子窗口,。
1.2 构造纹理基元模板
织物是由经纬纱按照一定的组织规律交织而成, 具有一定的周期性, 属于规则的有序纹理图像。在正常织物图像中,每个纹理基元中对应像素的灰度值比较接近, 而疵点区域, 无论是灰度突变型疵点还是结构突变型疵点, 纹理基元中对应像素的灰度值与正常织物的存在较大变化。基于这一思想, 我们这里来构造纹理基元模板, 首先确定纹理基元的大小, 可以利用下式来分别计算图像水平、垂直方向的自相关函数。
1.3 疵点区域的增强
织物疵点的自动检测需要不断消弱背景, 即正常纹理区域信息, 同时突出疵点区域信息, 以便最终把疵点检测出来。这里我们提出了一种通过纹理基元模板进行疵点区域增强的方法,由于疵点面积所占的比例较小, 因此在无疵点区域, 每个纹理基元与上面计算出来的基元模板之间的差异很小。而疵点区域, 由于其灰度值或纹理结构发生了突变, 因此与基元模板的差异较大。
1.4 局部不平整度的计算
由于疵点的出现破坏了正常纹理图像的全局一致性, 因此这里我们采用通过计算图像的局部不平整度来定位疵点。
1.5 疵点图像分割
疵点图像的分割, 这里采用 Otsu法自动阈值分割方法。Otsu方法被认为是自动阈值分割最优方法之一。其基本思想是用阈值把图像像素划分为两类, 通过使划分后得到的两类的类间方差最大来确定最佳阈值 [ 14] 。

2 实验分析
为了验证本算法的正确性, 我们对一些疵点图像进行了分割实验, 分割结果如图 3所示。通过实验可以看出, 本文算法不论是对灰度突变性疵点还是结构突变性疵点都具有良好的检测能力。为了验证算法的鲁棒性, 下面分析噪声、图像旋转、图像放缩对算法的影响, 如图 4所示, (b)、(d)、(f)分别是利用本文算法的最终分割图像, 从分割效果来看, 算法对图像噪声、图像旋转及放缩具有一定的鲁棒性。

3 结语
本文提出了一种根据织物纹理自身特征的一种疵点检测的新方法。 由于织物纹理具有较好的规则有序性, 可以根据规则纹理的特点来提取纹理基元模板。 另外疵点图像的出现必然破坏纹理基元的灰度值分布, 因此可以利用纹理基元与基元模板之间的差来突出疵点信息。最后通过计算图像的不平整度来定位疵点, 通过采用 Otsu方法进行阈值的自动选择来分割疵点图像。 在实验中, 我们对各种常见的织物疵点图像分割检测, 发现算法对灰度突变性和结构突变性疵点都具有较好的分割效果;通过对噪声、图像的旋转和放缩实验, 验证了算法的较好的鲁棒性。 另外, 由于算法不涉及正交变换和复杂的图形处理, 因此算法的时间效率高, 比较适合用于实时的疵点自动检测。

更多关于织物检测仪器：http://www.mddenmy.com/productlist/list-5-1.html