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·