第14卷第4期 智能系统学报 Vol.14 No.4 2019年7月 CAAI Transactions on Intelligent Systems Jul.2019 D0:10.11992/tis.201805023 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20190423.1519.004html 基于光照预处理与特征提取的纺织品瑕疵检测方法 狄岚，赵树志，何锐波 (江南大学数字媒体学院，江苏无锡214000) 摘要：针对光照对纺织品图像特征提取的影响以及传统完整局部二值模式(complete local binary pattern)算法 的局限性，本文提出了一种基于局部对比度增强(local contrast enhancement)算法的改进CLBP特征提取方法并 将其应用到纺织品瑕疵检测中。该方法采用局部对比度增强算法对受光照影响的纺织品图像进行预处理，使 用改进CLBP算法对分块后（格分割）图像进行特征提取，计算每一格子特征值与标准特征值的KLD散度并与 训练得到的阈值进行比较，大于阈值格子标记为瑕疵。使用本文方法在标准星形(sta)数据库与箱形(box)数 据库中实验结果表明，该方法与其他预处理方法相比有更加出色的处理效果，大部分检测结果的查全率均可达 到0.99左右。 关键词：光照预处理：局部对比度增强：完整局部二值模式：格分割：KLD散度：特征提取：纺织品瑕疵检测 中图分类号：TS131.9文献标志码：A文章编号：1673-4785(2019)04-0716-10 中文引用格式：狄岚，赵树志，何锐波.基于光照预处理与特征提取的纺织品瑕疵检测方法.智能系统学报，2019,14(4)： 716-725. 英文引用格式：DI Lan,ZHAO Shuzhi,HERuibo.Fabric defect inspection based on illumination preprocessing and feature extrac tion/JI.CAAI transactions on intelligent systems,2019,14(4):716-725. Fabric defect inspection based on illumination preprocessing and feature extraction DI Lan,ZHAO Shuzhi,HE Ruibo (School of Digital Media,Jiangnan University,Wuxi 214000,China) Abstract:In this study,a modified complete local binary pattern(CLBP)feature extraction method based on the local contrast enhancement is proposed to address the influence of illumination on the feature extraction of fabrics and the limitations of the traditional CLBP algorithms.In this method,a local contrast enhancement algorithm is used to prepro- cess the fabric images that are affected by illumination,and the modified CLBP algorithm is used to calculate the fea- ture value of every lattice in every image after lattice segmentation and to subsequently calculate the relative divergence KLD between the feature of every lattice and the standard feature value.Subsequently,the calculated relative diver- gence will be compared with the threshold,and the lattice that exhibits a value larger than the threshold is considered to be a defect area.The experimental results obtained using the standard star pattern and the box pattern databases denote that the proposed method is better than the remaining preprocessing methods,and the recall rate of the majority of the detection results obtained using this method can reach approximately 0.99. Keywords:illumination preprocessing;local contrast enhancement;CLBP(complete local binary pattern); lattice segmentation;Kullbac-Leibler divergence;feature extraction;fabric defect inspection 目前针对纺织品瑕疵检测问题的研究方法主 收稿日期：2018-05-16.网络出版日期：2019-04-24. 要有3类：统计学方法、光谱和基于模型的方 基金项目：江苏省研究生科研与实践创新计划项目(SJCX180648: 浙江省公益技术研究社会发展项目(2017C33223). 法。近几年，Ngan等提出了基于小波预处理的黄 通信作者：狄岚.E-mail:dilanl26@l63.com. 金图像相减方法(WGIS)山、布林线指标方法
DOI: 10.11992/tis.201805023 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20190423.1519.004.html 基于光照预处理与特征提取的纺织品瑕疵检测方法 狄岚，赵树志，何锐波 （江南大学 数字媒体学院，江苏 无锡 214000） 摘 要：针对光照对纺织品图像特征提取的影响以及传统完整局部二值模式 (complete local binary pattern) 算法 的局限性，本文提出了一种基于局部对比度增强 (local contrast enhancement ) 算法的改进 CLBP 特征提取方法并 将其应用到纺织品瑕疵检测中。该方法采用局部对比度增强算法对受光照影响的纺织品图像进行预处理，使 用改进 CLBP 算法对分块后 (格分割) 图像进行特征提取，计算每一格子特征值与标准特征值的 KLD 散度并与 训练得到的阈值进行比较，大于阈值格子标记为瑕疵。使用本文方法在标准星形 (star) 数据库与箱形 (box) 数 据库中实验结果表明，该方法与其他预处理方法相比有更加出色的处理效果，大部分检测结果的查全率均可达 到 0.99 左右。 关键词：光照预处理；局部对比度增强；完整局部二值模式；格分割；KLD 散度；特征提取；纺织品瑕疵检测 中图分类号：TS131.9 文献标志码：A 文章编号：1673−4785(2019)04−0716−10 中文引用格式：狄岚, 赵树志, 何锐波. 基于光照预处理与特征提取的纺织品瑕疵检测方法 [J]. 智能系统学报, 2019, 14(4): 716–725. 英文引用格式：DI Lan, ZHAO Shuzhi, HE Ruibo. Fabric defect inspection based on illumination preprocessing and feature extraction[J]. CAAI transactions on intelligent systems, 2019, 14(4): 716–725. Fabric defect inspection based on illumination preprocessing and feature extraction DI Lan，ZHAO Shuzhi，HE Ruibo (School of Digital Media, Jiangnan University, Wuxi 214000, China) Abstract: In this study, a modified complete local binary pattern (CLBP) feature extraction method based on the local contrast enhancement is proposed to address the influence of illumination on the feature extraction of fabrics and the limitations of the traditional CLBP algorithms. In this method, a local contrast enhancement algorithm is used to preprocess the fabric images that are affected by illumination, and the modified CLBP algorithm is used to calculate the feature value of every lattice in every image after lattice segmentation and to subsequently calculate the relative divergence KLD between the feature of every lattice and the standard feature value. Subsequently, the calculated relative divergence will be compared with the threshold, and the lattice that exhibits a value larger than the threshold is considered to be a defect area. The experimental results obtained using the standard star pattern and the box pattern databases denote that the proposed method is better than the remaining preprocessing methods, and the recall rate of the majority of the detection results obtained using this method can reach approximately 0.99. Keywords: illumination preprocessing; local contrast enhancement; CLBP (complete local binary pattern); lattice segmentation; Kullbac–Leibler divergence; feature extraction; fabric defect inspection 目前针对纺织品瑕疵检测问题的研究方法主 要有 3 类：统计学方法、光谱和基于模型的方 法。近几年，Ngan 等提出了基于小波预处理的黄 金图像相减方法 (WGIS)[ 1 ] 、布林线指标方法 收稿日期：2018−05−16. 网络出版日期：2019−04−24. 基金项目：江苏省研究生科研与实践创新计划项目 (SJCX18_0648)； 浙江省公益技术研究社会发展项目 (2017C33223). 通信作者：狄岚. E-mail：dilan126@163.com. 第 14 卷第 4 期 智 能 系 统 学 报 Vol.14 No.4 2019 年 7 月 CAAI Transactions on Intelligent Systems Jul. 2019
第4期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·717· (BB)、正则带方法(RB)、EIo评分方法(ER)。 式为： 其对于纺织品瑕疵检测的研究代表了目前该领域 L(m,n) log L(m,n)>0.L(m,n)>0 的较高水平。Ngan提出的方法大多都是基于手 Y(m,n)= (m,n) (1) 工模板提取的，然而手工确定模板在实际运用中 0. 其他 还有一定的局限性。Jia等1提出了一种基于 式中：L(m,n)表示像素(m,m)处的灰度值， Garbor滤波的自动模板提取瑕疵检测方法(LSG), L(m,n)=- =∑L(m+i,n+) (2) 有效地解决了手工确定模板带来的局限性。但是 在光照变化条件下的瑕疵检测还没有很好的效 其中，0为预定义的阈值，2是像素(m,n)的邻 果。实验表明，关照问题是影响纺织品瑕疵检测 域。实验采用的5×5邻域，是所选邻域的像素的 的重要因素，光照作为外在因素在检测过程中是 总和。由于式(2)得到的局部值可正可负，所以 不受人为控制的，在光照条件不同时，会有不同 有必要进行数据归一化： 的二维图像产生，然而对任意光照下的二维图像 f(m,n)= Y(m.n)-Ymin x255 Ymax-Ymin (3) 识别是有一定难度的，因此光照预处理在纺织品 瑕疵检测中是关键一步。 1.2格分割 目前光照预处理剧方法大致可分为以下几 首先由形态学成分分析MCA)得到图像的 类：基于小波变换的预处理方法例、自商图像方 卡通层和纹理层，卡通层主要是强调图像边缘和 法Io、Retinex方法)、各向异性非均质光滑处理回 光滑平缓区域，而纹理层主要保留了像素值的细 对比度增强]等。这些方法中的基于直方图均 微变化。除去由纹理层中细微变化所带来的干 衡化的增强方法因其实用性和简洁性而受到广泛 扰，卡通层使背景像素的集中程度更加明显。由 关注，基础理论是根据输入图像的灰度概率分 于我们的假设条件保证了较高的对比度，纺织品 布函数来确定其对应的输出灰度值，通过扩展图 图案的卡通层更加容易区分。如果卡通层是由一 像的灰度、动态范围达到提升图像对比度的目 个阈值进行二值化处理，那么所得到的结果就能 的。直方图均衡化分为全局和局部两种，与全局 代表纺织品图案，在任意维度上的背景像素总是 方法相比，局部直方图均衡化可以更好地增强图 集中在纺织品图案上。 像的局部信息。本文采用基于完整局部二值模 本文中使用的格分割方法在一定程度上克 式(CLBP)的特征提取方法，但是传统CLBP算 服了Ngan等方法的缺点，属于一种自动提取模 法在提取全面信息的同时增加了时间复杂度，且 板的格分割方法，在一定程度上减少了人工参与 在图像小部分区域变化幅度剧烈或变化幅度平缓 带来的局限性。 时识别率较低。因此本文提出了一种改进的完整 1.3完整局部二值模式CLBP 局部二值模式，在一定程度上解决了CLBP存在 完整局部二值模式提出了3种局部纹理描述 的局限性。并结合光照预处理解决了受光照影响 算子叨：窗口灰度差异描述算子S,梯度窗口差异 的纺织品瑕疵检测的问题，在经典纺织品瑕疵检 描述算子M以及中心像素点描述算子C。这3种 测数据库进行实验，取得较好的检测效果。因此 算子的计算方法为： 本文针对上述问题所做的工作是： 1)使用局部对比度增强算法处理受光照影响 〉s(8p-g)2 纺织品图像并与一种改进CLBP算子结合，将光 P=0 滑部分纹理信息考虑进去，提高了纹理识别精细 M=>s(D,-T)2 度，解决了受光照影响纺织品瑕疵检测的问题； (4) 2)将上述算法与一种自动格分割方法结合， C=s(ge-gN) 减少了算法的人工干预，针对本文使用的数据库 有出色的检测效果。 ={.8 其中： 1光照预处理与特征提取 Dp=8p-8c 1.1光照预处理：局部对比度增强(LCE) 红-N2P28,-8) 基于整幅图像的均衡化处理会限制对比拉 p=0 (5) 伸的比率，基于局部的对比增强可以有效地改 善细节特征的可视化。局部对比增强变换的公
(BB)[2] 、正则带方法 (RB)[3] 、Elo 评分方法 (ER)[4]。 其对于纺织品瑕疵检测的研究代表了目前该领域 的较高水平。Ngan 提出的方法大多都是基于手 工模板提取的，然而手工确定模板在实际运用中 还有一定的局限性。Jia 等 [ 5 ] 提出了一种基于 Garbor 滤波的自动模板提取瑕疵检测方法 (LSG)， 有效地解决了手工确定模板带来的局限性。但是 在光照变化条件下的瑕疵检测还没有很好的效 果。实验表明，关照问题是影响纺织品瑕疵检测 的重要因素，光照作为外在因素在检测过程中是 不受人为控制的，在光照条件不同时，会有不同 的二维图像产生，然而对任意光照下的二维图像 识别是有一定难度的，因此光照预处理在纺织品 瑕疵检测中是关键一步。 目前光照预处理[6-8] 方法大致可分为以下几 类：基于小波变换的预处理方法[9] 、自商图像方 法 [10] 、Retinex 方法[11] 、各向异性非均质光滑处理[12] 、 对比度增强[13] 等。这些方法中的基于直方图均 衡化的增强方法因其实用性和简洁性而受到广泛 关注[14] ，基础理论是根据输入图像的灰度概率分 布函数来确定其对应的输出灰度值，通过扩展图 像的灰度、动态范围达到提升图像对比度的目 的。直方图均衡化分为全局和局部两种，与全局 方法相比，局部直方图均衡化可以更好地增强图 像的局部信息。本文采用基于完整局部二值模 式 (CLBP)[15] 的特征提取方法，但是传统 CLBP 算 法在提取全面信息的同时增加了时间复杂度，且 在图像小部分区域变化幅度剧烈或变化幅度平缓 时识别率较低。因此本文提出了一种改进的完整 局部二值模式，在一定程度上解决了 CLBP 存在 的局限性。并结合光照预处理解决了受光照影响 的纺织品瑕疵检测的问题，在经典纺织品瑕疵检 测数据库进行实验，取得较好的检测效果。因此 本文针对上述问题所做的工作是： 1) 使用局部对比度增强算法处理受光照影响 纺织品图像并与一种改进 CLBP 算子结合，将光 滑部分纹理信息考虑进去，提高了纹理识别精细 度，解决了受光照影响纺织品瑕疵检测的问题； 2) 将上述算法与一种自动格分割方法结合， 减少了算法的人工干预，针对本文使用的数据库 有出色的检测效果。 1 光照预处理与特征提取 1.1 光照预处理：局部对比度增强 (LCE) 基于整幅图像的均衡化处理[14] 会限制对比拉 伸的比率，基于局部的对比增强可以有效地改 善细节特征的可视化。局部对比增强变换的公 式为： Y(m,n) = log( L(m,n) L(m,n) ) , L(m,n)> θ,L(m,n)> θ 0, 其他 (1) 式中：L(m, n) 表示像素 (m, n) 处的灰度值， L(m,n) = 1 N ∑ i, j∈Ω L(m+i,n+ j) (2) 其中，θ 为预定义的阈值，Ω 是像素 (m, n) 的邻 域。实验采用的 5×5 邻域，是所选邻域的像素的 总和。由于式 (2) 得到的局部值可正可负，所以 有必要进行数据归一化： f(m,n) = Y(m,n)−Ymin Ymax −Ymin ×255 (3) 1.2 格分割 首先由形态学成分分析 (MCA)[16] 得到图像的 卡通层和纹理层，卡通层主要是强调图像边缘和 光滑平缓区域，而纹理层主要保留了像素值的细 微变化。除去由纹理层中细微变化所带来的干 扰，卡通层使背景像素的集中程度更加明显。由 于我们的假设条件保证了较高的对比度，纺织品 图案的卡通层更加容易区分。如果卡通层是由一 个阈值进行二值化处理，那么所得到的结果就能 代表纺织品图案，在任意维度上的背景像素总是 集中在纺织品图案上。 本文中使用的格分割方法[5] 在一定程度上克 服了 Ngan 等方法的缺点，属于一种自动提取模 板的格分割方法，在一定程度上减少了人工参与 带来的局限性。 1.3 完整局部二值模式 CLBP 完整局部二值模式提出了 3 种局部纹理描述 算子[17] ：窗口灰度差异描述算子 S, 梯度窗口差异 描述算子 M 以及中心像素点描述算子 C。这 3 种 算子的计算方法为： S = ∑p−1 p=0 s(gp −gc)2p M = ∑p−1 p=0 s(Dp −T)2p C = s(gc −gN) s(x) = { 1, x ⩾ 0 −1, x < 0 (4) 其中： Dp = gp −gc T = 1 N ∑N−1 n=0 1 P ∑p−1 p=0 (gp −gc) gN = 1 N ∑N−1 n=0 gn (5) 第 4 期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·717·
·718· 智能系统学报 第14卷 式中：p为邻域数目；s(x)表示算子S,M,C的符 2瑕疵检测算法实现 号；g:为窗口中心像素点灰度值；g。为中心P邻 域各点灰度值；g。为每一个窗口内灰度值均值， 2.1算法描述 N为图像划分子窗口个数。 本文算法分为训练和测试两部分实现。 从上述公式可以看出，S即为传统意义的 训练部分： LBP,M算子是对两像素点的灰度差异幅值与全 1)用MCA算法得到所有无光照影响无瑕疵 局灰度差异幅值均值比较，作为S的互补信息， 图的卡通层与纹理层，且只保留卡通层部分： 2)针对上述卡通层进行分块，并求每一块的 C反映中心像素点的灰度信息。这3种算子构成 的联合算子对纹理描述更加精细，大大提高了纹 特征值与所有块的平均特征值； 3)求每一块的特征值与平均值的KLD散度 理的识别率。 值并得到阈值T; 1.4KLD散度计算 测试部分： 由上述特征提取方法得到的特征值实际上是 4)用LCE算法对所受光照影响有瑕疵图做 由直方图的形式呈现的。在这个直方图中，横坐 预处理； 标表示每一类特征，纵坐标表示每一类特征出现 5)用MCA得到上述预处理后图像的卡通层 的频率。KLD散度又称Kullbac-Leibler diver-. 与纹理层，且只保留卡通层部分； gence,是一种用来衡量两个概率分布距离的方 6)计算所有瑕疵图卡通层中每一块特征值并 法。传统的KLD计算方法为： 与上述平均值求KLD散度值； KI).(- (6) 7)将得到的KLD散度值与阈值T比较，并将 大于阈值T的部分标记为瑕疵区域。 式中P(x)和Qx)分别代表两种概率分布。 整体算法流程图如图1所示。 计算所有格子特征值 的平均值M 无瑕图像 格分割 计算每一块与平均 得到國值T 值的KLD散度K 标记处为瑕疵区域 计算每一格子 的特征直方图 受光照影响 有瑕疵图像 光照预处理 格分割 计算KLD散度 若T,将块标记 国 并于阈值T比较 为瑕疵，反之无瑕 计算每一格子的特征值并与平均 特征值M计算散度值K 图1算法流程图 Fig.1 Overall block diagram of the proposed algorithm 2.2特征提取：改进CLBP 示为 传统CLBP算法中的M算子仅包含了局部窗 s(D-De)2F (7) 口的灰度差异特征9，若待处理的图像由于基于 某种原因导致灰度不平均，则会遗漏掉一部分光 其中， 滑纹理信息。因此，针对这一问题，改进CL (8) BP的M算子使得其通过对比两像素点的灰度差 异幅值与窗口灰度差异幅值的均值大小描述局部 其余两个算子与传统CLBP相同。格分割与特征 窗口内灰度梯度差异特征，改进的M算子可以表 提取流程如图2所示
式中：p 为邻域数目；s(x) 表示算子 S, M, C 的符 号；gc 为窗口中心像素点灰度值；gp 为中心 P 邻 域各点灰度值；gn 为每一个窗口内灰度值均值, N 为图像划分子窗口个数。 从上述公式可以看出， S 即为传统意义的 LBP，M 算子是对两像素点的灰度差异幅值与全 局灰度差异幅值均值比较，作为 S 的互补信息， C 反映中心像素点的灰度信息。这 3 种算子构成 的联合算子对纹理描述更加精细，大大提高了纹 理的识别率。 1.4 KLD 散度计算 由上述特征提取方法得到的特征值实际上是 由直方图的形式呈现的。在这个直方图中，横坐 标表示每一类特征，纵坐标表示每一类特征出现 的频率。KLD 散度又称 Kullbac-Leibler_divergence [18] ，是一种用来衡量两个概率分布距离的方 法。传统的 KLD 计算方法为： KLDmc(P||Q) = 1 n ∑n i=1 log P(xi) Q(xi) (6) 式中 P(xi ) 和 Q(xi ) 分别代表两种概率分布。 2 瑕疵检测算法实现 2.1 算法描述 本文算法分为训练和测试两部分实现。 训练部分： 1) 用 MCA 算法得到所有无光照影响无瑕疵 图的卡通层与纹理层，且只保留卡通层部分； 2) 针对上述卡通层进行分块，并求每一块的 特征值与所有块的平均特征值； 3) 求每一块的特征值与平均值的 KLD 散度 值并得到阈值 T； 测试部分： 4) 用 LCE 算法对所受光照影响有瑕疵图做 预处理； 5) 用 MCA 得到上述预处理后图像的卡通层 与纹理层，且只保留卡通层部分； 6) 计算所有瑕疵图卡通层中每一块特征值并 与上述平均值求 KLD 散度值； 7) 将得到的 KLD 散度值与阈值 T 比较，并将 大于阈值 T 的部分标记为瑕疵区域。 整体算法流程图如图 1 所示。 ... 计算每一块与平均 值的 KLD 散度 K 得到阈值 T M 计算 KLD 散度 K 并于阈值 T 比较 若 K>T,将块标记 为瑕疵，反之无瑕 T 无瑕图像 格分割 计算所有格子特征值 的平均值 M 计算每一格子 的特征直方图 受光照影响 有瑕疵图像 光照预处理 格分割 计算每一格子的特征值并与平均 特征值 M 计算散度值 K 标记处为瑕疵区域 图 1 算法流程图 Fig. 1 Overall block diagram of the proposed algorithm 2.2 特征提取：改进 CLBP 传统 CLBP 算法中的 M 算子仅包含了局部窗 口的灰度差异特征[19] ，若待处理的图像由于基于 某种原因导致灰度不平均，则会遗漏掉一部分光 滑纹理信息。因此，针对这一问题，改进 CLBP 的 M 算子使得其通过对比两像素点的灰度差 异幅值与窗口灰度差异幅值的均值大小描述局部 窗口内灰度梯度差异特征，改进的 M 算子可以表 示为 M′ = ∑p−1 p=0 s(Dp − Dc)2p (7) 其中， Dc = 1 P ∑p−1 p=0 (gp −gc) (8) 其余两个算子与传统 CLBP 相同。格分割与特征 提取流程如图 2 所示。 ·718· 智 能 系 统 学 报 第 14 卷
第4期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·719· 格分割后的二值图 卡通层 输入图像 预处理后图像 夏提取每一块 固 计算CLBP特 Q 征直方图 图2预处理与特征提取 Fig.2 Preprocessing and Feature extraction 2.3阈值选取 像再进行处理。这2种类型的纺织品图像分别为 在阈值选取上，通过计算训练部分中无瑕图 星形纺织品图像和箱形纺织品图像。其中星形纺 的每一块特征值与平均特征值的KLD散度，然后 织品图像又包含3种瑕疵类型，分别为断端瑕疵 通过这些KLD值进行阈值的筛选，其方法是： 类型、网纹瑕疵类型和细条纹瑕疵类型。箱形纺 T max(T) (9) 织品瑕疵类型与星形相同。每一种瑕疵图像都有 式中：T,为所有样本中第k个格子计算得到的散 与其对应的Ground-Truth图像，其中1代表瑕疵， 度值。 0代表背景。本实验采用的评价指标有4种，分 别为TPR、FPR、PPV和NPV。其中TPRI表示 3实验结果与分析 瑕疵处被标记为瑕疵的比例，FPR表示背景处被 为了验证本文的可行性与正确性，本文在PC 错误标记为瑕疵的比例，PPV表示输出图像瑕疵 机上进行多次仿真实验，处理器为7-4710HQ, 区域所占比例，NPV表示输出图像背景所占的比例。 主频为2.5GHz,内存为8GB,用MATLAB R2016b 3.1不同光照预处理方法实验结果分析 软件进行实验。 不同的光照预处理方法对纺织品图像的预处 本文实验的数据库由香港大学电气实验室提 理效果是不同的，本文针对这一问题进行了对比 供，数据集包含2种类型的纺织品图像且均为彩 实验，并选择最优预处理算法进行下一步的瑕疵 色图像。在实验中，彩色图像均被转换成灰度图 检测，实验结果如图3、图4所示。 (a)原图 (b)受光照影响(c)LCE算法(d)Retinex(e)同态滤波（国自商图像 图3不同光照预处理算法对星形瑕疵类型瑕疵图处理结果 Fig.3 Star defect image and preprocessing results with different preprocessing algorithm (a)原图(b)受光照影响(c)LCE算法(d)Retinex(e)同态滤波()自商图像 图4。不同光照预处理算法对箱形瑕疵类型瑕疵图处理结果 Fig.4 Box defect image and preprocessing results with different preprocessing algorithm 分析图3、图4的实验结果，局部对比度增强 为出色，LCE可以有效地改善细节特征的可视 算法针对纺织品图像的预处理效果较其他算法最 化。Retinex与同态滤波算法虽然也能还原原图
卡通层 纹理层 格分割后的二值图 提取每一块 计算 CLBP 特 征直方图 输入图像 预处理后图像 MCA 图 2 预处理与特征提取 Fig. 2 Preprocessing and Feature extraction 2.3 阈值选取 在阈值选取上，通过计算训练部分中无瑕图 的每一块特征值与平均特征值的 KLD 散度，然后 通过这些 KLD 值进行阈值的筛选，其方法是： T = max k (Tk) (9) 式中：Tk 为所有样本中第 k 个格子计算得到的散 度值。 3 实验结果与分析 为了验证本文的可行性与正确性，本文在 PC 机上进行多次仿真实验，处理器为 i7-4710HQ， 主频为 2.5 GHz，内存为 8 GB，用 MATLAB R2016b 软件进行实验。 本文实验的数据库由香港大学电气实验室提 供，数据集包含 2 种类型的纺织品图像且均为彩 色图像。在实验中，彩色图像均被转换成灰度图 像再进行处理。这 2 种类型的纺织品图像分别为 星形纺织品图像和箱形纺织品图像。其中星形纺 织品图像又包含 3 种瑕疵类型，分别为断端瑕疵 类型、网纹瑕疵类型和细条纹瑕疵类型。箱形纺 织品瑕疵类型与星形相同。每一种瑕疵图像都有 与其对应的 Ground-Truth 图像，其中 1 代表瑕疵， 0 代表背景。本实验采用的评价指标有 4 种，分 别为 TPR、FPR、PPV 和 NPV。其中 TPR[19] 表示 瑕疵处被标记为瑕疵的比例，FPR 表示背景处被 错误标记为瑕疵的比例，PPV 表示输出图像瑕疵 区域所占比例，NPV 表示输出图像背景所占的比例。 3.1 不同光照预处理方法实验结果分析 不同的光照预处理方法对纺织品图像的预处 理效果是不同的，本文针对这一问题进行了对比 实验，并选择最优预处理算法进行下一步的瑕疵 检测，实验结果如图 3、图 4 所示。 (a) 原图 (b)受光照影响 (c)LCE算法 (d)Retinex (e) 同态滤波 (f)自商图像 图 3 不同光照预处理算法对星形瑕疵类型瑕疵图处理结果 Fig. 3 Star defect image and preprocessing results with different preprocessing algorithm (a) 原图 (b) 受光照影响 (c) LCE 算法 (d) Retinex (e) 同态滤波 (f) 自商图像 图 4 不同光照预处理算法对箱形瑕疵类型瑕疵图处理结果 Fig. 4 Box defect image and preprocessing results with different preprocessing algorithm 分析图 3、图 4 的实验结果，局部对比度增强 算法针对纺织品图像的预处理效果较其他算法最 为出色，LCE 可以有效地改善细节特征的可视 化。Retinex 与同态滤波算法虽然也能还原原图 第 4 期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·719·
·720· 智能系统学报 第14卷 的基本特征，但是仍然有部分区域过暗，无法有 3.2不同预处理方法对瑕疵检测结果影响 效提取细节特征。自商图像处理后的图像亮度过 本文使用上述4种光照预处理算法在星形图 高，影响了局部特征的提取，降低了瑕疵区域与 与箱形图数据集中进行瑕疵检测对比实验，实验 无瑕区域的对比度。下面将对所有算法处理后的 结果如表1、表2、图5~10所示。 纺织品图像进行瑕疵检测。 表2不同预处理算法对箱形图案的检测效果影响 表1不同预处理算法对星形图案的检测效果影响 Table 2 The effect of different pre-algorithm on box pat- Table 1 The effect of different pre-algorithm on star pat- tern % tern 箱形 ACC TPR FPR PPV NPV 方法 星形 ACC TPR FPR PPV NPV 方法 0.93 0.73 0.06 0.22 0.99 LCE 0.97 0.990.030.171.00 LCE 0.80 0.01 0.180.0 0.97 Retinex 0.400.990.600.01 1.00 Retinex 断端 断端 0.83 0.600.16 0.10 0.99 同态滤波 0.740.560.250.01 0.99 同态滤波 0.83 0.200.160.03 0.98 自商图像 0.940.200.050.02 0.99 自商图像 0.85 0.960.160.10 0.99 LCE 0.990.990.020.33 0.99 LCE 0.71 0.620.290.04 0.99 Retinex 0.44 0.110.560.01 0.98 Retinex 网纹 网纹 0.530.910.480.02 0.99 同态滤波 0.760.560.240.03 0.99 同态滤波 0.890.130.100.010.99 自商图像 0.640.280.350.01 0.98 自商图像 0.970.990.030.140.99 LCE 0.92 0.990.080.15 1.00E LC 0.280.990.730.010.99 Retinex 0.790.510.200.03 0.99 Retinex 细条纹 细条纹 0.73 0.860.280.03 0.99 同态滤波 0.900.450.100.08 0.99 同态滤波 0.840.270.150.010.99 自商图像 0.94 0.300.05 0.07 0.99 自商图像 (a)受光照影响(b)Ground--truth(c)LCE算法 (d)Retinex (e)同态滤波（自商图像 图5不同光照预处理算法对星形断端瑕疵类型瑕疵图检测结果 Fig.5 Star broken end defect image and fabric detection results with different preprocessing algorithm {a)受光照影响(b)Ground-.truth(c)LCE算法(d)Retinex (e)同态滤波(f自商图像 图6不同光照预处理算法对星形网纹瑕疵类型瑕疵图检测结果 Fig.6 Star netting multiple defect image and fabric detection results with different preprocessing algorithm (a)受光照影响(b)Ground-truth(c)LCE算法 (d)Retinex (e)同态滤波（①自商图像 图7不同光照预处理算法对星形细条纹瑕疵类型瑕疵图检测结果 Fig.7 Star thin bar defect image and fabric detection results with different preprocessing algorithm
的基本特征，但是仍然有部分区域过暗，无法有 效提取细节特征。自商图像处理后的图像亮度过 高，影响了局部特征的提取，降低了瑕疵区域与 无瑕区域的对比度。下面将对所有算法处理后的 纺织品图像进行瑕疵检测。 3.2 不同预处理方法对瑕疵检测结果影响 本文使用上述 4 种光照预处理算法在星形图 与箱形图数据集中进行瑕疵检测对比实验，实验 结果如表 1、表 2、图 5~10 所示。 表 1 不同预处理算法对星形图案的检测效果影响 Table 1 The effect of different pre-algorithm on star pattern % 星形 ACC TPR FPR PPV NPV 方法 断端 0.97 0.99 0.03 0.17 1.00 LCE 0.40 0.99 0.60 0.01 1.00 Retinex 0.74 0.56 0.25 0.01 0.99 同态滤波 0.94 0.20 0.05 0.02 0.99 自商图像 网纹 0.99 0.99 0.02 0.33 0.99 LCE 0.44 0.11 0.56 0.01 0.98 Retinex 0.53 0.91 0.48 0.02 0.99 同态滤波 0.89 0.13 0.10 0.01 0.99 自商图像 细条纹 0.97 0.99 0.03 0.14 0.99 LCE 0.28 0.99 0.73 0.01 0.99 Retinex 0.73 0.86 0.28 0.03 0.99 同态滤波 0.84 0.27 0.15 0.01 0.99 自商图像 表 2 不同预处理算法对箱形图案的检测效果影响 Table 2 The effect of different pre-algorithm on box pattern % 箱形 ACC TPR FPR PPV NPV 方法 断端 0.93 0.73 0.06 0.22 0.99 LCE 0.80 0.01 0.18 0.01 0.97 Retinex 0.83 0.60 0.16 0.10 0.99 同态滤波 0.83 0.20 0.16 0.03 0.98 自商图像 网纹 0.85 0.96 0.16 0.10 0.99 LCE 0.71 0.62 0.29 0.04 0.99 Retinex 0.76 0.56 0.24 0.03 0.99 同态滤波 0.64 0.28 0.35 0.01 0.98 自商图像 细条纹 0.92 0.99 0.08 0.15 1.00 E LC 0.79 0.51 0.20 0.03 0.99 Retinex 0.90 0.45 0.10 0.08 0.99 同态滤波 0.94 0.30 0.05 0.07 0.99 自商图像 (a) 受光照影响 (b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 5 不同光照预处理算法对星形断端瑕疵类型瑕疵图检测结果 Fig. 5 Star broken end defect image and fabric detection results with different preprocessing algorithm (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 6 不同光照预处理算法对星形网纹瑕疵类型瑕疵图检测结果 Fig. 6 Star netting multiple defect image and fabric detection results with different preprocessing algorithm (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 7 不同光照预处理算法对星形细条纹瑕疵类型瑕疵图检测结果 Fig. 7 Star thin bar defect image and fabric detection results with different preprocessing algorithm ·720· 智 能 系 统 学 报 第 14 卷
第4期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·721· (a)受光照影响(b)Ground--truth(c)LCE算法(d)Retinex(e)同态滤波（①自商图像 图8不同光照预处理算法对箱形断端瑕疵类型瑕疵图检测结果 Fig.8 Box broken end defect image and fabric detection results with different preprocessing algorithm 88a8i日 44目 (a)受光照影响(b)Ground--truth(c)LCE算法 (d)Retinex(e)同态滤波()自商图像 图9不同光照预处理算法对箱形网纹瑕疵类型瑕疵图检测结果 Fig.9 Box netting multiple defect image and fabric detection results with different preprocessing algorithm (a)受光照影响(b)Ground-truth(c)LCE算法(d)Retinex (e)同态滤波()自商图像 图10不同光照预处理算法对箱形细条纹瑕疵类型瑕疵图检测结果 Fig.10 Box thin bar defect image and fabric detection results with different preprocessing algorithm 分析表1和图5~7检测实验结果，基于 检。自商图像算法针对3种瑕疵类型的检测 LCE预处理算法的疵点检测效果最为出色，针对 结果TPR值均低于0.3且依然存在大面积的 3种瑕疵类型的TPR值均达到0.99，且不存在误 误检。 检情况。Retinex算法针对断端和细条纹瑕疵类 综上所述，Retinex算法仅针对星形数据集的 型的检测结果TPR值虽然达到0.99但是其检测 实验结果查全率TPR与LCE算法接近，但是前者 结果存在大面积误检，针对网纹瑕疵类型的检测 检测结果误检面积较大，其他两种算法都与 结果TPR值仅有0.I1,且也有大范围的误检。同 LCE算法差距较大，故选择LCE算法作为最优光 态滤波算法针对网纹、细条纹和断端瑕疵类型的 照预处理算法，并结合本文提出的特征提取算法 检测结果TPR值分别为0.91、0.86和0.56且检测 进行瑕疵检测。 结果存在大面积的误检。自商图像算法针对3种 3.3本文算法与其他算法对比 瑕疵类型的检测结果TPR值均低于0.3且依然存 在星形图与箱形图数据集中，本文算法与其 在大面积的误检。 他经典算法LSG、WGIS、BB和RB结合LCE光 分析表2、图8~10检测实验结果，基于 照预处理算法进行对比实验。实验结果如表3、 LCE预处理算法的疵点检测效果最为出色，针 表4、图11~16所示。 对网纹和细条纹瑕疵类型的TPR值均达到0.99， 分析表3、图11~13检测实验结果，本文算法 针对网纹类型检测结果存在小范围误检情况。 在所有3种瑕疵类型中的检测结果均为最优。且 Retinex算法针对断端的TPR值为O.01几乎无法 本方法在所有3种类型的瑕疵中TPR值均达到 检测出瑕疵区域，针对网纹与细条纹瑕疵类型 最优，FPR值保持稳定。 的检测结果TPR值在0.5左右，但是其检测结果 分析表4，图14~16检测实验结果，在3种瑕 存在大面积误检。同态滤波算法针对网纹、细 疵类型的检测结果中本文算法均优于其他3种算 条纹和断端瑕疵类型的检测结果TPR值分别为 法且本方法在所有3种类型的瑕疵中TPR值均 0.60、0.56和0.45且检测结果存在大面积的误 达到最优，FPR值保持稳定
分 析 表 1 和 图 5 ~ 7 检测实验结果，基 于 LCE 预处理算法的疵点检测效果最为出色，针对 3 种瑕疵类型的 TPR 值均达到 0.99，且不存在误 检情况。Retinex 算法针对断端和细条纹瑕疵类 型的检测结果 TPR 值虽然达到 0.99 但是其检测 结果存在大面积误检，针对网纹瑕疵类型的检测 结果 TPR 值仅有 0.11，且也有大范围的误检。同 态滤波算法针对网纹、细条纹和断端瑕疵类型的 检测结果 TPR 值分别为 0.91、0.86 和 0.56 且检测 结果存在大面积的误检。自商图像算法针对 3 种 瑕疵类型的检测结果 TPR 值均低于 0.3 且依然存 在大面积的误检。 分 析 表 2、 图 8 ~ 1 0 检测实验结果，基 于 LCE 预处理算法的疵点检测效果最为出色，针 对网纹和细条纹瑕疵类型的 TPR 值均达到 0.99， 针对网纹类型检测结果存在小范围误检情况。 Retinex 算法针对断端的 TPR 值为 0.01 几乎无法 检测出瑕疵区域，针对网纹与细条纹瑕疵类型 的检测结果 TPR 值在 0.5 左右，但是其检测结果 存在大面积误检。同态滤波算法针对网纹、细 条纹和断端瑕疵类型的检测结果 TPR 值分别为 0.60、0.56 和 0.45 且检测结果存在大面积的误 检。自商图像算法针 对 3 种瑕疵类型的检测 结 果 TPR 值均低 于 0.3 且依然存在大面积的 误检。 综上所述，Retinex 算法仅针对星形数据集的 实验结果查全率 TPR 与 LCE 算法接近，但是前者 检测结果误检面积较大，其他两种算法都 与 LCE 算法差距较大，故选择 LCE 算法作为最优光 照预处理算法，并结合本文提出的特征提取算法 进行瑕疵检测。 3.3 本文算法与其他算法对比 在星形图与箱形图数据集中，本文算法与其 他经典算法 LSG、WGIS、BB 和 RB 结合 LCE 光 照预处理算法进行对比实验。实验结果如表 3、 表 4、图 11~16 所示。 分析表 3、图 11~13 检测实验结果，本文算法 在所有 3 种瑕疵类型中的检测结果均为最优。且 本方法在所有 3 种类型的瑕疵中 TPR 值均达到 最优，FPR 值保持稳定。 分析表 4，图 14~16 检测实验结果，在 3 种瑕 疵类型的检测结果中本文算法均优于其他 3 种算 法且本方法在所有 3 种类型的瑕疵中 TPR 值均 达到最优，FPR 值保持稳定。 (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 8 不同光照预处理算法对箱形断端瑕疵类型瑕疵图检测结果 Fig. 8 Box broken end defect image and fabric detection results with different preprocessing algorithm (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 9 不同光照预处理算法对箱形网纹瑕疵类型瑕疵图检测结果 Fig. 9 Box netting multiple defect image and fabric detection results with different preprocessing algorithm (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 10 不同光照预处理算法对箱形细条纹瑕疵类型瑕疵图检测结果 Fig. 10 Box thin bar defect image and fabric detection results with different preprocessing algorithm 第 4 期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·721·
·722· 智能系统学报 第14卷 表3不同算法对星形图案的检测效果影响 表4不同算法对箱形图案的检测效果影响 Table 3 The effect of different algorithm on star pattern Table 4 The effect of different algorithm on box pattern 星形 ACC TPR FPR PPV NPV 方法 箱形 ACC TPR FPR PPV NPV 方法 0.97 0.990.030.171.00 本文算法 0.97 0.730.06 0.23 1.00 本文算法 0.980.650.010.650.99 LSG 0.980.630.000.92 1.00 LSG 断端 0.850.320.170.021.00 BB 断端 0.950.050.030.05 0.99 BB 0.970.320.020.101.00 RB 0.960.490.010.571.00 RB 0.970.730.040.10 1.00 WGIS 0.950.640.080.15 1.00 WGIS 0.990.990.020.321.00 本文算法 0.880.960.160.11 1.00 本文算法 0.970.500.000.85 1.00 LSG 0.970.520.001.00 1.00 LSG 网纹 0.860.230.170.010.99 BB 网纹 0.950.050.030.02 1.00 BB 0.980.450.030.211.00 RB 0.960.100.010.251.00 RB 0.960.360.030.201.00 WGIS 0.870.250.100.031.00 WGIS 0.980.990.030.13 1.00 本文算法 0.910.990.080.130.99 本文算法 0.990.890.010.67 1.00 LSG 0.970.470.010.60 0.99 LSG 细条纹 0.840.260.130.031.00 BB 细条纹 0.960.040.030.031.00 BB 0.98 0.330.030.121.00 RB 0.950.430.010.711.00 RB 0.880.780.140.08 0.99 WGIS 0.870.650.110.05 0.99 WGIS 4第4 (a)预处理后(b)Ground-truth(c)本文算法(dLSG (e)WGIS (f)BB (g)RB 疵点图 图11不同算法对星形图断端疵点图像的检测结果 Fig.11 Star broken end defect image and fabric detection results with different algorithms (a)预处理后(b)Ground---truth(c)本文算法(d)LSG (e)WGIS (f)BB (g)RB 疵点图 图12不同算法对星形图网纹疵点图像的检测结果 Fig.12 Star netting multiple defect image and fabric detection results with different algorithms (a)预处理后(b)Ground--truth(c)本文算法(d)LSG (e)WGIS (f)BB (g)RB 疵点图 图13不同算法对星形图细条纹疵点图像的检测结果 Fig.13 Star thin bar defect image and fabric detection results with different algorithms
表 3 不同算法对星形图案的检测效果影响 Table 3 The effect of different algorithm on star pattern % 星形 ACC TPR FPR PPV NPV 方法 0.97 0.99 0.03 0.17 1.00 本文算法 0.98 0.65 0.01 0.65 0.99 LSG 断端 0.85 0.32 0.17 0.02 1.00 BB 0.97 0.32 0.02 0.10 1.00 RB 0.97 0.73 0.04 0.10 1.00 WGIS 0.99 0.99 0.02 0.32 1.00 本文算法 0.97 0.50 0.00 0.85 1.00 LSG 网纹 0.86 0.23 0.17 0.01 0.99 BB 0.98 0.45 0.03 0.21 1.00 RB 0.96 0.36 0.03 0.20 1.00 WGIS 0.98 0.99 0.03 0.13 1.00 本文算法 0.99 0.89 0.01 0.67 1.00 LSG 细条纹 0.84 0.26 0.13 0.03 1.00 BB 0.98 0.33 0.03 0.12 1.00 RB 0.88 0.78 0.14 0.08 0.99 WGIS 表 4 不同算法对箱形图案的检测效果影响 Table 4 The effect of different algorithm on box pattern % 箱形 ACC TPR FPR PPV NPV 方法 0.97 0.73 0.06 0.23 1.00 本文算法 0.98 0.63 0.00 0.92 1.00 LSG 断端 0.95 0.05 0.03 0.05 0.99 BB 0.96 0.49 0.01 0.57 1.00 RB 0.95 0.64 0.08 0.15 1.00 WGIS 0.88 0.96 0.16 0.11 1.00 本文算法 0.97 0.52 0.00 1.00 1.00 LSG 网纹 0.95 0.05 0.03 0.02 1.00 BB 0.96 0.10 0.01 0.25 1.00 RB 0.87 0.25 0.10 0.03 1.00 WGIS 0.91 0.99 0.08 0.13 0.99 本文算法 0.97 0.47 0.01 0.60 0.99 LSG 细条纹 0.96 0.04 0.03 0.03 1.00 BB 0.95 0.43 0.01 0.71 1.00 RB 0.87 0.65 0.11 0.05 0.99 WGIS (a) 预处理后 疵点图 (b) Ground-truth (c) 本文算法 (d) LSG (e) WGIS (f) BB (g) RB 图 11 不同算法对星形图断端疵点图像的检测结果 Fig. 11 Star broken end defect image and fabric detection results with different algorithms (a) 预处理后 疵点图 (b) Ground-truth (c) 本文算法 (d) LSG (e) WGIS (f) BB (g) RB 图 12 不同算法对星形图网纹疵点图像的检测结果 Fig. 12 Star netting multiple defect image and fabric detection results with different algorithms (a) 预处理后 疵点图 (b) Ground-truth (c) 本文算法 (d) LSG (e) WGIS (f) BB (g) RB 图 13 不同算法对星形图细条纹疵点图像的检测结果 Fig. 13 Star thin bar defect image and fabric detection results with different algorithms ·722· 智 能 系 统 学 报 第 14 卷
第4期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·723· (a)预处理后(b)Ground--truth(c)本文算法 (d)LSG (e)WGIS (f)BB (g)RB 疵点图 图14不同算法对箱形图断端疵点图像的检测结果 Fig.14 Box broken end defect image and fabric detection results with different algorithms LEEEL (a)预处理后(b)Ground-truth(c)本文算法 (d)LSG (e)WGIS (①BB (g)RB 疵点图 图15不同算法对箱形图网纹疵点图像的检测结果 Fig.15 Box netting multiple defect image and fabric detection results with different algorithms (a)预处理后(b)Ground--truth(c)本文算法(d)LSG (e)WGIS (f)BB (g)RB 疵点图 图16不同算法箱形图细条纹疵点图像的检测结果 Fig.16 Box thin bar defect image and fabric detection results with different algorithms 4结束语 [3]NGAN H Y T,PANG G K H.Regularity analysis for pat- terned texture inspection[J].IEEE transactions on automa- 本文提出了一种基于LCE光照预处理算法 tion science and engineering,2009,6(1):131-144. 的改进CLBP纺织品瑕疵检测方法。使用的LCE [4]TSANG C SC,NGAN H Y T,PANG G K H.Fabric in- 光照预处理算法可以有效地改善细节特征的可视 spection based on the Elo rating method[J].Pattern recog- 化，并将LCE光照预处理算法与改进CLBP算法 nition,2016,51:378-394 相结合，在一定程度上解决了受光照影响的纺织 [5]JIA Liang,CHEN Chen,LIANG Jiuzhen,et al.Fabric de- 品瑕疵检测的问题。由实验结果可知，本文算法 fect inspection based on lattice segmentation and Gabor fil- 针对数据集中3种瑕疵类型的纺织品均有不错的 tering[J].Neurocomputing,2017,238:84-102. 检测效果，部分检测结果的TPR可以达到0.99左 [6]BELHUMEUR P N,KRIEGMAN D J.What is the set of 右。本文方法的局限性在于光照预处理算法仍需 images of an object under all possible illumination condi- 要进一步的优化，从而保留更多的图像细节特 tions[J].International journal of computer vision,1998, 征，且受限于分块方法的局限性，本算法无法对 28(3):245-260. 点形图进行检测。因此克服上述问题是进一步的 [7]王霞玲，吕岳，文颖.复杂背景和非均匀光照环境下的条 研究方向。 码自动定位和识别.智能系统学报，2010,5(1)上35-40. 参考文献： WANG Xialing,LU Yue,WEN Ying.Automatic location and recognition of barcodes on objects with complex back- [1]NGAN H Y T,PANG G K H,YUNG S P,et al.Wavelet ground and non-uniform lighting[J].CAAI transactions on based methods on patterned fabric defect detection[J].Pat- intelligent systems,2010,5(1):35-40. tern recognition,2005,38(4):559-576. [8]黄腾，施鹏飞.非均匀光照下的车牌定位方法.智能系 [2]NGAN H Y T,PANG G K H.Novel method for patterned 统学报，2009,4(5少：421-426. fabric inspection using bollinger bands[J].Optical engin- HUANG Teng,SHI Pengfei.Locating vehicle license eering,2006,45(8):087202. plates in a non-uniformly illuminated environment[J]
(a) 预处理后 疵点图 (b) Ground-truth (c) 本文算法 (d) LSG (e) WGIS (f) BB (g) RB 图 14 不同算法对箱形图断端疵点图像的检测结果 Fig. 14 Box broken end defect image and fabric detection results with different algorithms (a) 预处理后 疵点图 (b) Ground-truth (c) 本文算法 (d) LSG (e) WGIS (f) BB (g) RB 图 15 不同算法对箱形图网纹疵点图像的检测结果 Fig. 15 Box netting multiple defect image and fabric detection results with different algorithms (a) 预处理后 疵点图 (b) Ground-truth (c) 本文算法 (d) LSG (e) WGIS (f) BB (g) RB 图 16 不同算法箱形图细条纹疵点图像的检测结果 Fig. 16 Box thin bar defect image and fabric detection results with different algorithms 4 结束语 本文提出了一种基于 LCE 光照预处理算法 的改进 CLBP 纺织品瑕疵检测方法。使用的 LCE 光照预处理算法可以有效地改善细节特征的可视 化，并将 LCE 光照预处理算法与改进 CLBP 算法 相结合，在一定程度上解决了受光照影响的纺织 品瑕疵检测的问题。由实验结果可知，本文算法 针对数据集中 3 种瑕疵类型的纺织品均有不错的 检测效果，部分检测结果的 TPR 可以达到 0.99 左 右。本文方法的局限性在于光照预处理算法仍需 要进一步的优化，从而保留更多的图像细节特 征，且受限于分块方法的局限性，本算法无法对 点形图进行检测。因此克服上述问题是进一步的 研究方向。 参考文献： NGAN H Y T, PANG G K H, YUNG S P, et al. Wavelet based methods on patterned fabric defect detection[J]. Pattern recognition, 2005, 38(4): 559–576. [1] NGAN H Y T, PANG G K H. Novel method for patterned fabric inspection using bollinger bands[J]. Optical engineering, 2006, 45(8): 087202. [2] NGAN H Y T, PANG G K H. Regularity analysis for patterned texture inspection[J]. IEEE transactions on automation science and engineering, 2009, 6(1): 131–144. [3] TSANG C S C, NGAN H Y T, PANG G K H. Fabric inspection based on the Elo rating method[J]. Pattern recognition, 2016, 51: 378–394. [4] JIA Liang, CHEN Chen, LIANG Jiuzhen, et al. Fabric defect inspection based on lattice segmentation and Gabor filtering[J]. Neurocomputing, 2017, 238: 84–102. [5] BELHUMEUR P N, KRIEGMAN D J. What is the set of images of an object under all possible illumination conditions[J]. International journal of computer vision, 1998, 28(3): 245–260. [6] 王霞玲, 吕岳, 文颖. 复杂背景和非均匀光照环境下的条 码自动定位和识别 [J]. 智能系统学报, 2010, 5(1): 35–40. WANG Xialing, LÜ Yue, WEN Ying. Automatic location and recognition of barcodes on objects with complex background and non-uniform lighting[J]. CAAI transactions on intelligent systems, 2010, 5(1): 35–40. [7] 黄腾, 施鹏飞. 非均匀光照下的车牌定位方法 [J]. 智能系 统学报, 2009, 4(5): 421–426. HUANG Teng, SHI Pengfei. Locating vehicle license plates in a non-uniformly illuminated environment[J]. [8] 第 4 期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·723·
·724· 智能系统学报 第14卷 CAAI transactions on intelligent systems,2009,4(5): ZHOU Yuxuan,WU Qin,LIANG Jiuzhen.Facial expres- 421-426 sion recognition based on discriminative CLBP[J].Com- [9]CANDES E J,DONOHO D L.Curvelets-a surprisingly ef- puter engineering and applications,2017,53(4):163-169 fective nonadaptive representation for objects with [18]DO MN,VETTERLI M.The contourlet transform:an ef- edges[M].Nashville,TN:Vanderbilt University Press, ficient directional multiresolution image representation[J]. 1999:1-10. IEEE transactions on image processing,2005,14(12): [10]WANG Haitao,LI S Z.WANG Yangsheng,et al.Self 2091-2106. quotient image for face recognition[C]//Proceedings of [19]赵树志，狄岚，何锐波.基于改进判别性完整局部二值 2004 International Conference on Image Processing. 模式与格分割的织物瑕疵检测方法.纺织学报， Singapore,Singapore,2004:1397-1400. 2018,39(9):57-64. [11]LAND E H.Recent advances in Retinex theory[J].Vis- ZHAO Shuzhi,DI Lan,HE Ruibo.Fabric defect detec- ion research.1986,26(1):7-21. tion based on modified discriminant complete local bin- [12]LANGE C,POLTHIER K.Anisotropic smoothing of ary pattern and lattice segmentation[J].Journal of textile point sets[J].Computer aided geometric design,2005, research,2018,39(9:57-64 22(7):680-692 作者简介： [13]KAO Wenchung,HSU M C,YANG YY.Local contrast 狄岚，女，1965年生，副教授，主 enhancement and adaptive feature extraction for illumina- 要研究方向为模式识别与图像处理。 tion-invariant face recognition[J].Pattern recognition, 获得省部级奖4项。发表学术论文 2010,43(51736-1747. 40余篇，出版专著1部。 [14]王美，梁久祯.自适应特征提取的光照鲁棒性人脸识别 [).计算机工程与应用，2012,48(11)：164-169 WANG Mei,LIANG Jiuzhen.Adaptive feature extrac- tion for illumination invariant face recognition[J].Com- 赵树志，男，1994年生，硕士研究 puter Engineering and Applications,2012,48(11): 生，主要研究方向为机器视觉和纺织 164169. 品瑕疵检测应用。 [15]GUO Zhenhua,ZHANG Lei,ZHANG D.A completed modeling of local binary pattern operator for texture clas- sification[J].IEEE transactions on image processing, 2010,19(6)1657-1663. [16]WEN Jia,ZHAO Junsuo,WANG Cailing.Improved mor- 何锐波，男，1994年生，硕士研究 生，主要研究方向图像处理和机器 phological component analysis for interference hyper- 学习。 spectral image decomposition[J].Computers electrical engineering,2015,46:394-402. [17]周宇旋，吴秦，梁久祯.判别性完全局部二值模式人脸 表情识别).计算机工程与应用，2017,53(4)：163-169
CAAI transactions on intelligent systems, 2009, 4(5): 421–426. CANDES E J, DONOHO D L. Curvelets-a surprisingly effective nonadaptive representation for objects with edges[M]. Nashville, TN: Vanderbilt University Press, 1999: 1-10. [9] WANG Haitao, LI S Z. WANG Yangsheng, et al. Self quotient image for face recognition[C]//Proceedings of 2004 International Conference on Image Processing. Singapore, Singapore, 2004: 1397-1400. [10] LAND E H. Recent advances in Retinex theory[J]. Vision research, 1986, 26(1): 7–21. [11] LANGE C, POLTHIER K. Anisotropic smoothing of point sets[J]. Computer aided geometric design, 2005, 22(7): 680–692. [12] KAO Wenchung, HSU M C, YANG Y Y. Local contrast enhancement and adaptive feature extraction for illumination-invariant face recognition[J]. Pattern recognition, 2010, 43(5): 1736–1747. [13] 王美, 梁久祯. 自适应特征提取的光照鲁棒性人脸识别 [J]. 计算机工程与应用, 2012, 48(11): 164–169. WANG Mei, LIANG Jiuzhen. Adaptive feature extraction for illumination invariant face recognition[J]. Computer Engineering and Applications, 2012, 48(11): 164–169. [14] GUO Zhenhua, ZHANG Lei, ZHANG D. A completed modeling of local binary pattern operator for texture classification[J]. IEEE transactions on image processing, 2010, 19(6): 1657–1663. [15] WEN Jia, ZHAO Junsuo, WANG Cailing. Improved morphological component analysis for interference hyperspectral image decomposition[J]. Computers & electrical engineering, 2015, 46: 394–402. [16] 周宇旋, 吴秦, 梁久祯. 判别性完全局部二值模式人脸 表情识别 [J]. 计算机工程与应用, 2017, 53(4): 163–169. [17] ZHOU Yuxuan, WU Qin, LIANG Jiuzhen. Facial expression recognition based on discriminative CLBP[J]. Computer engineering and applications, 2017, 53(4): 163–169. DO M N, VETTERLI M. The contourlet transform: an efficient directional multiresolution image representation[J]. IEEE transactions on image processing, 2005, 14(12): 2091–2106. [18] 赵树志, 狄岚, 何锐波. 基于改进判别性完整局部二值 模式与格分割的织物瑕疵检测方法 [J]. 纺织学报, 2018, 39(9): 57–64. ZHAO Shuzhi, DI Lan, HE Ruibo. Fabric defect detection based on modified discriminant complete local binary pattern and lattice segmentation[J]. Journal of textile research, 2018, 39(9): 57–64. [19] 作者简介： 狄岚，女，1965 年生，副教授，主 要研究方向为模式识别与图像处理。 获得省部级奖 4 项。发表学术论文 40 余篇，出版专著 1 部。 赵树志，男，1994 年生，硕士研究 生，主要研究方向为机器视觉和纺织 品瑕疵检测应用。 何锐波，男，1994 年生，硕士研究 生，主要研究方向图像处理和机器 学习。 ·724· 智 能 系 统 学 报 第 14 卷
