管聲啟， 何建新， 王 杰， 李文森， 雷 鳴

(1. 西安工程大學(xué) 機(jī)電工程學(xué)院， 陜西 西安 710048； 2. 河南省功能性紡織材料重點(diǎn)實(shí)驗(yàn)室， 河南 鄭州 450007)

應(yīng)用小波域高斯差分濾波的起球疵點(diǎn)客觀評(píng)價(jià)

管聲啟1，2， 何建新2， 王 杰1， 李文森1， 雷 鳴1

(1. 西安工程大學(xué) 機(jī)電工程學(xué)院， 陜西 西安 710048； 2. 河南省功能性紡織材料重點(diǎn)實(shí)驗(yàn)室， 河南 鄭州 450007)

受織物背景紋理多樣性以及起球疵點(diǎn)特點(diǎn)的影響，傳統(tǒng)的圖像處理算法難以滿足起球疵點(diǎn)自動(dòng)檢測(cè)和客觀評(píng)價(jià)需要，為此，提出一種基于小波域的高斯差分濾波起球客觀等級(jí)新方法。首先，對(duì)起球疵點(diǎn)圖像進(jìn)行小波多層分解，實(shí)現(xiàn)周期性背景紋理信息與起球信息的分離；然后，選擇合適的小波分解子圖進(jìn)行高斯差分濾波，消除噪聲以及光照不均等緩變的背景信息，提高起球信息的顯著度；在此基礎(chǔ)上，根據(jù)起球特征設(shè)定閾值對(duì)起球疵點(diǎn)圖像進(jìn)行分割，并提取起球特征；最后，通過(guò)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行起球疵點(diǎn)客觀等級(jí)評(píng)價(jià)。研究結(jié)果表明，本文方法用于起球疵點(diǎn)客觀等級(jí)評(píng)價(jià)是可行且有效的，具有較強(qiáng)的抗干擾能力。

起球； 疵點(diǎn)； 圖像； 小波域； 高斯差分濾波； 閾值分割； 客觀評(píng)價(jià)

目前，作為織物表面質(zhì)量綜合評(píng)價(jià)重要組成部分的織物起球等級(jí)評(píng)價(jià)，主要依賴人工視覺(jué)，通過(guò)檢驗(yàn)人員主觀視覺(jué)完成等級(jí)評(píng)價(jià)。而這種起球等級(jí)評(píng)估方法通常依賴檢測(cè)專家的主觀經(jīng)驗(yàn)，很容易受心理因素以及外界環(huán)境等因素的干擾，評(píng)估結(jié)果的可靠性較差。伴隨著計(jì)算機(jī)、圖像處理技術(shù)的發(fā)展，基于機(jī)器視覺(jué)的織物起球客觀評(píng)級(jí)逐漸成為研究的熱點(diǎn)[1-3]。目前，基于圖像分析的織物起球等級(jí)評(píng)價(jià)主要集中在空間域、變換域進(jìn)行[4]。

在空間域內(nèi)，很多研究者做了大量研究工作，并取得了一定的研究成果[5]，例如：對(duì)采集的織物灰度圖像進(jìn)行灰度直方圖統(tǒng)計(jì)，然后進(jìn)行閾值分割，并選取起球的面積數(shù)目作為特征參數(shù)，但織物紋理復(fù)雜時(shí)，織物上的浮點(diǎn)可能被誤認(rèn)為是毛球[6]；使用支持向量機(jī)(SVM) 數(shù)據(jù)挖掘預(yù)測(cè)針織物起毛起球性能，但SVM的參數(shù)需要憑經(jīng)驗(yàn)來(lái)選擇[7]；運(yùn)用二維高斯擬合理論，使用實(shí)際起球圖像訓(xùn)練起球模板，并使用直方圖擬合技術(shù)確定合理的閾值分割圖像；然后提取起球數(shù)目、起球疵點(diǎn)的平均面積、起球的總面積、對(duì)比度和密度來(lái)訓(xùn)練起球特征，并通過(guò)建立相應(yīng)的公式評(píng)估起球等級(jí)。然而，利用高斯擬合是否訓(xùn)練出最佳匹配的起球模板將會(huì)直接影響評(píng)估效果[8]；采用立體視覺(jué)進(jìn)行立體評(píng)估[9-10]，主要適合于柔軟的粗支紗線織物起球等級(jí)評(píng)定，不適合堅(jiān)硬的細(xì)紗線織物起球等級(jí)評(píng)定[11]。眾所周知，起球織物圖像通常包含周期性、非周期性背景紋理信息、起球信息、光照不均以及噪聲信息，在空間域內(nèi)，這些信息相互糾纏在一起，很難有效分離出起球信息。

在變化域中, XU等[12]采用頻譜分析的方法濾除圖像中織物的底紋，再用圓形模板匹配的方法定位毛球，并用全局閾值法分割毛球；然而，傅里葉變換是一種全局性的方法，并不能在空間域提供局部信息[13]，從而影響起球評(píng)估的準(zhǔn)確性。 小波變換具有多尺度多分辨率特性，在時(shí)間域和頻率域具有表征信號(hào)局部特征能力，非常適合奇異信號(hào)的檢測(cè)。Stuart Palmer等[14]提出了一種基于二維離散小波變換的起球密度客觀測(cè)量方法。還有研究者[16]采用基于二維雙樹(shù)復(fù)小波重構(gòu)圖像和神經(jīng)網(wǎng)絡(luò)非線性分類完成對(duì)起球的客觀評(píng)價(jià)[15]，以及將小波變換和局部二進(jìn)制模式(LBP)結(jié)合起來(lái)用于起球客觀評(píng)估。利于小波變換不僅能夠抑制表現(xiàn)為規(guī)則信號(hào)的正常周期紋理信息，還能增大起球疵點(diǎn)奇異信息與正常背景紋理的對(duì)比度，因此，小波變換非常適合邊緣突變非常顯著的起球檢測(cè)；然而，起球疵點(diǎn)通常包含奇異信息和非奇異信息，對(duì)于那些邊緣突變不明顯，主要以非奇異信息為主的起球疵點(diǎn)，小波變換不能有效增加此部分信息與非周期背景紋理信息的對(duì)比度，這勢(shì)必影響最終客觀評(píng)價(jià)的準(zhǔn)確性。

綜上分析看出，空間域和變換域疵點(diǎn)檢測(cè)方法都存在一定的缺陷，空間域內(nèi)通常很難有效實(shí)現(xiàn)背景紋理信息與起球缺陷的分離，而變換域中小波變換對(duì)非奇異突變的起球信息也無(wú)能為力。如果能夠在變換域中有效消除周期性背景紋理的干擾，然后再利用高斯差分濾波消除光照不均等緩變的背景信息，就能有效地提高起球疵點(diǎn)的顯著度，那么就能克服現(xiàn)有空間域和變換域檢測(cè)的固有缺陷，從而提高客觀評(píng)估的準(zhǔn)確性。

為此，本文通過(guò)二維離散小波多尺度變換，實(shí)現(xiàn)周期性背景紋理信息與起球缺陷信息的分離；然后，采用高斯差分帶通濾波消除非周期性緩變背景紋理以及噪聲的干擾；在此基礎(chǔ)上，根據(jù)起球特征設(shè)定分割閾值進(jìn)行起球疵點(diǎn)的分割，并提取起球疵點(diǎn)特征；最后，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)起球疵點(diǎn)特征進(jìn)行識(shí)別，從而完成起球等級(jí)客觀評(píng)價(jià)。

1 織物圖像周期紋理背景信息濾除

根據(jù)小波變換的多尺度多分辨率特征，通過(guò)對(duì)織物圖像的小波分解，可實(shí)現(xiàn)織物圖像中不同頻率正常周期紋理信息與起球信息分離，通過(guò)選擇合適的小波分解子圖從而實(shí)現(xiàn)織物圖像周期紋理信息的濾除。

1．1二維離散小波分解

設(shè)h為低通濾波器，g為高通濾波器，二維數(shù)字圖像的小波分解可表示為

(1)

式中：m、n分別表示j層子圖行、列坐標(biāo)值;k1、k2分別表示j-1層近似子圖行、列坐標(biāo)值；Lj(m,n)是j層近似子圖；Sj(m,n)是j層水平方向細(xì)節(jié)子圖；Cj(m,n)是j層垂直方向細(xì)節(jié)子圖；Hj(m,n)是j層對(duì)角線方向細(xì)節(jié)子圖；Lj-1(k1,k2)是j-1層近似子圖。

可以看出，通過(guò)1次小波分解，實(shí)質(zhì)上是不同頻率的濾波器對(duì)測(cè)試圖像進(jìn)行1次濾波，可獲得1個(gè)低頻近似子圖和3個(gè)分別代表水平、垂直、對(duì)角線方向的高頻細(xì)節(jié)子圖，因此，通過(guò)小波多層分解可實(shí)現(xiàn)不同頻率的圖像信息在不同頻率的子圖中分離，從而有利于提取起球缺陷信息。

1．2小波基及分解層數(shù)選取

小波分解用于分離起球信息過(guò)程中，首先必須選擇合適的小波基，確定小波分解層數(shù)。

用于織物圖像分解的小波消失矩越高，不僅有利于抑制非奇異信號(hào)，而且可提高突變奇異信號(hào)能力；小波緊支性越好，小波分解計(jì)算量越小，越容易對(duì)突變的奇異信號(hào)定位，因此，本文選擇具有高消失矩、正交緊支的小波，且具有一定近似對(duì)稱性的Sym3小波進(jìn)行織物起球圖像的分解；織物起球圖像及其小波分解子圖能量梯度曲線如圖1所示。

圖1 織物起球圖像及其小波分解子圖能量梯度曲線Fig.1 Fabric pilling image (a) and wavelet decomposition sub-images of relative energy gradient curve (b)

正常的織物紋理是一種結(jié)構(gòu)化的周期性的紋理，其信息非常豐富，能量較大，當(dāng)高頻子圖不含周期性紋理信息，僅以起球信息為主時(shí)，高頻子圖能量會(huì)發(fā)生突變，因此，通過(guò)計(jì)算每層高頻細(xì)節(jié)子圖能量(高頻水平細(xì)節(jié)子圖能量與垂直細(xì)節(jié)子圖能量之和，高頻對(duì)角線細(xì)節(jié)子圖通常以噪聲信息為主，高頻細(xì)節(jié)子圖能量不包含對(duì)角線細(xì)節(jié)子圖能量信息)，擬合細(xì)節(jié)子圖能量梯度曲線，細(xì)節(jié)子圖能量梯度曲線拐點(diǎn)即為正常周期紋理與起球疵點(diǎn)信息分界點(diǎn)，小波分解的前一層主要為周期性紋理信息，而后一層主要包含起球疵點(diǎn)信息。

織物圖像能量計(jì)算中，第j層各子圖能量計(jì)算式如下：

(2)

式中：M、N分別表示各子圖行列尺寸；EL、ES、EC、EH分別表示第j層近似子圖、水平細(xì)節(jié)子圖、垂直細(xì)節(jié)子圖、對(duì)角線細(xì)節(jié)子圖的能量。

高頻細(xì)節(jié)子圖能量及其梯度分別為

Ej=ES+EC

(3)

(4)

式中：Ej-1、Ej分別表示第j-1層和j層高頻細(xì)節(jié)子圖能量；▽Ej-1表示第j-1層高頻細(xì)節(jié)子圖能量梯度。

根據(jù)式(2)～(4)可得到織物起球圖像子圖能量梯度曲線，如圖1(b)所示?？梢钥闯觯?xì)節(jié)子圖相對(duì)能量梯度曲線發(fā)生拐點(diǎn)，說(shuō)明第2層細(xì)節(jié)子圖主要包含豐富的紋理信息，而第3層子圖主要為起球疵點(diǎn)信息，第4層為織物紋理非周期性的背景紋理信息。

2 織物起球高斯差分濾波

通過(guò)小波分解，選擇合適的子圖能夠有效地濾除周期性紋理，從而避免了織物周期性紋理對(duì)起球評(píng)估的影響；然而，織物圖像背景紋理不僅僅是周期性的織物紋理，還存在織物表面的不平整和光照不均等背景信息；起球信息通常與這些非周期背景紋理信息對(duì)比度不高，直接用閾值分割必然會(huì)造成部分起球信息丟失或者前景中混入部分背景紋理信息，進(jìn)而影響起球疵點(diǎn)的客觀評(píng)價(jià)效果。

通過(guò)分析起球特性可知，織物表面起球是因?yàn)槔w維與外介質(zhì)或自身相互纏繞而成，織物起球區(qū)域相對(duì)于周圍區(qū)域在灰度上呈一種斑點(diǎn)突起變化，各起球疵點(diǎn)輪廓灰度分布狀態(tài)近似于高斯函數(shù)，如圖2所示。如果能增強(qiáng)具有近似高斯分布的斑點(diǎn)狀的起球信息，將會(huì)有利于起球疵點(diǎn)的分割。

圖2 起球疵點(diǎn)灰度統(tǒng)計(jì)分布圖Fig.2 Statistical distribution of pilling defect grayscale images

在計(jì)算機(jī)視覺(jué)中，高斯差分(DOG)(如式(5)所示)可以看成從1個(gè)窄高斯減去1個(gè)寬高斯，是墨西哥帽小波的一個(gè)近似。它的2個(gè)高斯核的半徑之比K為5∶1，近似于視網(wǎng)膜上神經(jīng)節(jié)細(xì)胞的視野，用于尺度不變特征變換中的斑點(diǎn)檢測(cè)；而起球灰度就是近似斑點(diǎn)的高斯分布，利用高斯差分帶通濾波不僅可有效抑制低頻背景不平度、噪聲等，而且能提高起球疵點(diǎn)的顯著度。

(5)

圖3 織物起球子圖高斯差分濾波及閾值分割效果圖Fig.3 Gauss-differential filtering effect of fabric pilling sub-image and effect threshold segmentation. (a) Approximate information filtering; (b) Horizontal detail information filtering; (c) Vertical detail information filtering; (d) Filtering image information fusion; (e) Threshold segmentation effect

式中： σ為標(biāo)準(zhǔn)差，即為函數(shù)的寬度參數(shù)，控制了函數(shù)徑向作用的范圍，起球徑向尺寸通常與織物組織基元有關(guān)，本文選擇基元尺寸半徑大小作為高斯差分(DOG)σ參數(shù)值；K為高斯核的半徑之比，其值為5。u、v分別為高斯差分濾波函數(shù)的自變量；高斯濾波模板尺寸大小與標(biāo)準(zhǔn)差σ數(shù)值有關(guān)，當(dāng)模板尺寸大于6σ×6σ時(shí)，濾波作用很小，因此，高斯差分濾波時(shí)，起球疵點(diǎn)高斯濾波模板選擇尺寸為6σ×6σ。

對(duì)圖1中起球主要信息的近似子圖、水平細(xì)節(jié)子圖、垂直細(xì)節(jié)子圖進(jìn)行高斯差分濾波，差分濾波效果分別如圖3(a)～(c)所示。可以看出，周期性背景信息被有效抑制，起球近似趨勢(shì)、水平細(xì)節(jié)、垂直細(xì)節(jié)信息得到加強(qiáng)，其融合后效果如圖3(d)所示，起球疵點(diǎn)的顯著性得到較大提高。

3 織物起球客觀評(píng)價(jià)

為客觀評(píng)價(jià)織物起球疵點(diǎn)等級(jí)，需要在圖像分割的基礎(chǔ)上提取織物起球特征，通過(guò)起球特征客觀評(píng)估等級(jí)。

3．1織物起球分割

如何將織物起球從織物圖像紋理中分割出來(lái)，直接影響著特征提取的準(zhǔn)確性，進(jìn)而影響客觀評(píng)估的效果。而經(jīng)典的最大類間分割法及其改進(jìn)方法常常被用于織物疵點(diǎn)圖像分割，這類方法用于小目標(biāo)的圖像分割效果不理想。

如圖3(d)所示，通過(guò)分析高斯差分濾波融合形成的起球顯著圖可知，顯著圖中會(huì)含有大量的織物毛羽等背景信息，而起球疵點(diǎn)相對(duì)于豐富的織物紋理總是稀少的，因此，本文采用在高斯差分濾波后的起球顯著圖灰度值范圍內(nèi)，按照文獻(xiàn)[17]設(shè)置分割閾值，進(jìn)行圖像分割，分割效果如圖3(e)所示?？梢钥闯觯祱D中，織物毛羽等背景紋理信息被有效抑制，起球信息被有效提取出來(lái)。

3．2織物起球特征提取

通過(guò)比較不同等級(jí)的織物起球情況可以看出，織物起球越嚴(yán)重時(shí)，起球的數(shù)量通常也會(huì)增多，起球所占的比重越大，分布越不均勻。為此，本文提取起球數(shù)目、平均面積、起球密度作為起球評(píng)級(jí)的指標(biāo)。

1)起球數(shù)目。為了計(jì)算起球的數(shù)目，在起球二值圖上采用八連通鄰域法搜像素值不為零的連通區(qū)域；然后各個(gè)連通區(qū)域分別標(biāo)記，在此基礎(chǔ)上統(tǒng)計(jì)起球數(shù)目N。

2)起球的平均面積。統(tǒng)計(jì)每個(gè)起球面積Ai，并將每個(gè)起球面積相加起來(lái)，除以起球的總數(shù)目N,從而獲得起球的平均面積，具體計(jì)算公式為

(6)

3)起球密度。起球密度pd可被定義為單位織物起球區(qū)域(Aint)的起球面積，其計(jì)算公式為

(7)

3.3織物起球等級(jí)評(píng)價(jià)

反向傳播(BP)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是最廣泛應(yīng)用于模式識(shí)別領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型之一。本文采用這種網(wǎng)絡(luò)用于起球等級(jí)評(píng)估，其分類評(píng)價(jià)步驟如下。

1)從標(biāo)準(zhǔn)樣本庫(kù)中選取1～5級(jí)起球圖像各50幅，然后提取這些圖像的起球特征，并按照式(8)進(jìn)行歸一化，形成起球特征樣本集。

(8)

2)BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定。在織物疵點(diǎn)識(shí)別中設(shè)計(jì)BP網(wǎng)絡(luò)時(shí)，采用3層網(wǎng)絡(luò)結(jié)構(gòu)：輸入層采用log-sigmoid型傳遞函數(shù)， 起球特征歸一化后參數(shù)個(gè)數(shù)即為輸入層節(jié)點(diǎn)數(shù)3。隱層節(jié)點(diǎn)數(shù)確定通常可參照下式進(jìn)行：

(9)

式中：n為隱層節(jié)點(diǎn)數(shù)；nI為輸入節(jié)點(diǎn)數(shù)；nO為輸出節(jié)點(diǎn)數(shù)；α為1～10之間的常數(shù)。

通過(guò)式(9)確定隱層節(jié)點(diǎn)數(shù)范圍，然后采用Levenberg-Marquardt算法，取網(wǎng)絡(luò)學(xué)習(xí)速率為0.1對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以網(wǎng)絡(luò)輸出均方誤差小于0.01作為網(wǎng)絡(luò)收斂條件，分別計(jì)算網(wǎng)絡(luò)收斂時(shí)網(wǎng)絡(luò)迭代次數(shù)。以迭代次數(shù)最少為原則確定節(jié)點(diǎn)數(shù)。按照織物起球5個(gè)等級(jí)，確定BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)目為5。

3)起球特征樣本集的起球數(shù)目、平均面積以及起球密度、起球特征用于對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

4)對(duì)測(cè)試圖像按照本文方法提取起球數(shù)目、平均面積以及起球密度、起球特征，輸入訓(xùn)練好的BP網(wǎng)絡(luò)，進(jìn)行分類識(shí)別。

4 試驗(yàn)與分析

為驗(yàn)證本文提出的起球客觀評(píng)價(jià)方法的有效性和較強(qiáng)的抗噪聲性能，分別采用本文算法與人工專家主觀評(píng)價(jià)對(duì)比試驗(yàn)，以及在不同的噪聲條件下進(jìn)行等級(jí)評(píng)價(jià)試驗(yàn)。測(cè)試圖像從標(biāo)準(zhǔn)圖庫(kù)隨機(jī)選擇，每個(gè)等級(jí)20幅，共100幅。

起球等級(jí)評(píng)價(jià)正確識(shí)別率可采用式(10)計(jì)算：

(10)

其中：z為起球等級(jí)評(píng)價(jià)正確識(shí)別率；i為測(cè)試圖像起球等級(jí)；ci為第i等級(jí)測(cè)試圖像數(shù)目；wi為第i等級(jí)測(cè)試圖像誤判成其他等級(jí)的數(shù)目。

人工主觀等級(jí)評(píng)價(jià)所選取的專家，是從紡織企業(yè)長(zhǎng)期從事織物質(zhì)量測(cè)試，并經(jīng)過(guò)進(jìn)一步培訓(xùn)篩選的3名檢驗(yàn)人員。主觀評(píng)價(jià)時(shí)，專家需要根據(jù)起球標(biāo)準(zhǔn)圖像庫(kù)隨機(jī)選取的起球圖像，獨(dú)立地進(jìn)行起球等級(jí)評(píng)價(jià)；當(dāng)1名專家評(píng)價(jià)結(jié)果與另外2名專家評(píng)價(jià)結(jié)果不一致時(shí)，按照多數(shù)決定結(jié)果進(jìn)行起球等級(jí)認(rèn)定；當(dāng)3名專家評(píng)價(jià)等級(jí)互不相同時(shí)，此測(cè)試圖像的主觀等級(jí)評(píng)價(jià)無(wú)效。采用本文算法與人工專家主觀評(píng)價(jià)對(duì)比試驗(yàn)結(jié)果如圖4所示。

圖4 起球等級(jí)評(píng)價(jià)效果Fig.4 Effect evaluation of pilling grade. (a) Objective evaluation of pilling grade; (b) Subjective evaluation of pilling grade

在圖4(a)中，95個(gè)樣本起球圖像被正確等級(jí)評(píng)價(jià)，正確識(shí)別率為95%；其中，有1幅2級(jí)起球樣本被錯(cuò)誤識(shí)別為3級(jí)，2幅3級(jí)起球樣本被錯(cuò)誤評(píng)價(jià)為4級(jí)，2幅4級(jí)樣本被誤判為3級(jí)。在圖4(b)中，85個(gè)樣本起球圖像被人工正確等級(jí)評(píng)價(jià)，15個(gè)樣本圖像被錯(cuò)誤判斷等級(jí)，因此，正確識(shí)別率為85%；接近檢驗(yàn)人員誤判的原因可能是相鄰等級(jí)的起球特征比較接近。例如：一些1級(jí)起球樣本被誤判為2級(jí)，主要原因是這些樣本的起球數(shù)目或起球平均面積比較接近2級(jí)起球特征。檢驗(yàn)人員主要依賴個(gè)人經(jīng)驗(yàn)進(jìn)行客觀評(píng)估，因此，很難正確分析相鄰等級(jí)起球特征，導(dǎo)致評(píng)價(jià)識(shí)別率較低。

為了驗(yàn)證本文算法的抗噪聲能力，在測(cè)試樣本圖像中添加均值μ=0，標(biāo)準(zhǔn)差σ分別為0.01、0.02、0.03、0.05的高斯噪聲，起球等級(jí)評(píng)價(jià)結(jié)果如圖5所示。

圖5 不同強(qiáng)度噪聲條件下客觀等級(jí)評(píng)價(jià)效果Fig.5 Effect of objective grade evaluation under different intensity noise conditions

從圖5(a)～(c)可知， 標(biāo)準(zhǔn)差σ分別為0.01、0.02、0.03時(shí)，起球等級(jí)客觀評(píng)價(jià)準(zhǔn)確率達(dá)到91%以上，具有較強(qiáng)抗噪聲能力。主要是因?yàn)樾〔ǚ纸饽軌驗(yàn)V除部分對(duì)角線子圖高頻噪聲信息；高斯差分帶通濾波能夠消除非周期性背景紋理中包含的部分噪聲信息、緩變的光照不均等；基于檢測(cè)目標(biāo)稀少性閾值分割，進(jìn)一步消除數(shù)量眾多的噪聲、織物毛羽信息。分析圖5(d)可知：當(dāng)標(biāo)準(zhǔn)差σ為0.05時(shí)，客觀等級(jí)評(píng)價(jià)準(zhǔn)確率迅速下降到82%，這主要是因?yàn)樵趶?qiáng)噪聲干擾影響下，起球的一部分信息被完全淹沒(méi)，造成閾值分割后的起球信息不完整，最終影響等級(jí)評(píng)價(jià)的準(zhǔn)確率。

5 結(jié) 論

基于圖像處理的織物起球等級(jí)客觀評(píng)價(jià)屬于大背景小目標(biāo)檢測(cè)與等級(jí)評(píng)價(jià)，起球等級(jí)評(píng)價(jià)的效果很容易受織物紋理、光照不均、噪聲等影響。本文通過(guò)小波多層分解，以能量梯度突變尋找織物起球主要信息子圖，從而抑制周期性的規(guī)則織物紋理信息；以設(shè)計(jì)高斯差分帶通濾波器消除緩變紋理背景和高頻噪聲信息，通過(guò)高斯差分濾波子圖融合獲得了起球疵點(diǎn)完整信息；根據(jù)起球本身特征設(shè)定閾值，有效分割起球疵點(diǎn)信息，避免了噪聲、織物組織毛羽等干擾；利用提取起球特征，經(jīng)過(guò)BP網(wǎng)絡(luò)識(shí)別進(jìn)行起球等級(jí)客觀評(píng)價(jià)。由于在檢測(cè)過(guò)程中有效地抑制了周期性織物紋理、緩變紋理、噪聲等信息對(duì)起球檢測(cè)的干擾，提高了起球分割的準(zhǔn)確性。在等級(jí)評(píng)價(jià)階段利用BP網(wǎng)絡(luò)非線性識(shí)別映射能力，對(duì)提取的起球特征進(jìn)行識(shí)別，提高了起球等級(jí)評(píng)價(jià)的識(shí)別率。試驗(yàn)結(jié)果表明，本文提出的起球等級(jí)客觀評(píng)價(jià)方法準(zhǔn)確率高，且具有較強(qiáng)的抗噪聲能力。

FZXB

[1] MENDES A D O, FIADEIRO P T, MIGUEL R A L. Subjective and objective pilling evaluations of textile fabrics: a comparison [J].Textile Research Journal, 2010, 80 (18): 1887-1897.

[2] CHERKASSKY A, WEINBERG A. Objective evaluation of textile fabric appearance： part 1: basic principles, protrusion detection, and parameterization [J]. Textile Research Journal, 2010, 80 (3): 226-235.

[3] JASINSKA I, STEMPIEN Z. An alternative instrumental method for fabric pilling evaluation based on computer image analysis [J]. Textile Research Journal, 2014, 84(5): 488-499.

[4] 管聲啟，高照元，吳寧，等. 基于視覺(jué)顯著性的平紋織物疵點(diǎn)檢測(cè)[J].紡織學(xué)報(bào), 2014, 35(4): 56-61. GUAN Shengqi, GAO Zhaoyuan, WU Ning, et al. Defect detection of plain weave based on visual saliency mechanism [J]. Journal of Textile Research, 2014, 35(4): 56-61.

[5] 徐增波,周勝.基于尺度-空間極值的織物起球目標(biāo)檢測(cè)[J]. 紡織學(xué)報(bào), 2013, 34 (7): 45-51. XU Zengbo, ZHOU Sheng. Fabric pilling object detection using scale-space extrema [J]. Journal of Textile Research, 2013, 34(7):45-51.

[6] KONDA A，XIN L C. Evaluation of pilling by computer image analysis[J]. Journal of the Textile Machinery Society of Japan，1990，36 (3): 96-107.

[7] YAP Poh Hean, WANG Xungai, WANG Lijing, et al. Prediction of wool knitwear pilling propensity using support vector machines [J].Textile Research Journal, 2010, 80(1): 77-83.

[8] XIN Binjie, HU Jinlian, YAN Haojin. Objective evaluation of fabric pilling using image analysis techniques [J].Textile Research Journal, 2002, 72(12): 1057-1064.

[9] XU Bugao, YU Wurong, WANG Rongwu. Stereovision for three-dimensional measurements of fabric pilling [J]. Textile Research Journal, 2011, 81(20): 2168-2179.

[10] MENDES A D O, FIADEIRO P T, MIGUEL R A L. Virtual subjective pilling evaluation: an alternative [J]. Textile Research Journal, 2011, 81(9): 892-901.

[11] KIM S C，KANG T J. Evaluation of fabric pilling using hybrid imaging methods [J]. Fibers and Polymers, 2006, 7 (1):57-61.

[12] XU B. Instrumental evaluation of fabric Pilling [J]. Joumal of Textile Institute，1997(8): 488-500.

[13] GUAN Shengqi, GAO Zhaoyuan. Fabric defect image segmentation based on visual attention mechanism of wavelet domain [J]. Textile Research Journal, 2014, 84(10):1018-1033.

[14] PALMER Stuart, WANG Xungai. Objective classification of fabric pilling based on the two-dimensional discrete wavelet transform [J]. Textile Research Journal, 2003, 73(8): 713-720.

[15] ZHANG Junmin, WANG Xungai, PALMER Stuart. Performance of an objective fabric pilling evaluation method [J]. Textile Research Journal, 2010, 80(16): 1648-1657.

[16] JING Junfeng, ZHANG Zanzan, KANG Xuejuan, et al. Objective evaluation of fabric pilling based on wavelet transform and the local binary pattern [J]. Textile Research Journal, 2012, 82(18): 1880-1887.

[17] 管聲啟，師紅宇，趙霆. 應(yīng)用目標(biāo)稀少特征的織物疵點(diǎn)圖像分割[J].紡織學(xué)報(bào), 2015, 36(11): 45-50. GUAN Shengqi, SHI Hongyu, ZHAO Ting. Image segmentation of fabric defect based on object rarity feature[J]. Journal of Textile Research, 2015, 36 (11): 45-50.

PillingobjectiveevaluationbasedGaussianfilteringinwaveletdomain

GUAN Shengqi1,2, HE Jianxin2, WANG Jie1, LI Wensen1, LEI Ming1

(1.CollegeofMechanical&ElectronicEngineering,Xi′anPolytechnicUniversity,Xi′an,Shannxi710048,China；2.HenanKeyLaboratoryofFunctionalTextileMaterials,Zhengzhou,Henan450007,China)

As the effect of the variety of fabric background textures and the feature of pilling defects, conventional algorithm of image processing is hard to satisfy the automatic detection of pilling defects and the objective evaluating demands. A new way of pilling objective evaluation based on the wavelet-domain of difference of Gaussian filter was proposed. First of all, pilling defect image was decomposed into multiple layers by wavelet multi-decomposition to separation periodic background texture and pilling information. Then, the appropriate wavelet decomposition sub-images were chosen to carry out difference of Gaussian filter for eliminating the noise and the background information of slow variation such as uneven illumination, and pilling information was improved significantly; and on this basis, a segmentation threshold was defined to segment these sub-images according to the characteristics of pilling, and the features of pilling form binary image was extracted. Finally, BP artificial neutral network was used to objective evaluation of pilling grade. The test results show that this method can make an objective evaluation for pilling level effectively, and has strong interference resistance.

pilling； defect; image； wavelet domain; difference of Gaussian filter; threshold segmentation; objective evaluation

TP 391.41；TS 101.923.5

：A

10.13475/j.fzxb.20161100807

2016-11-03

：2017-06-15

中國(guó)紡織工業(yè)聯(lián)合會(huì)科技指導(dǎo)性項(xiàng)目(2016065)；陜西省教育廳科研計(jì)劃資助項(xiàng)目(16JK1337)

管聲啟(1971—)，男，副教授，博士。主要研究方向?yàn)楸砻尜|(zhì)量在線檢測(cè)。E-mail：sina1300841@163.com。