??? 摘 要： 詳細(xì)介紹了灰度共生矩陣的原理，討論了簾子布" title="簾子布">簾子布的灰度共生矩陣像素點(diǎn)對方向、距離以及圖像灰度等級對灰度共生矩陣的影響，確定了區(qū)分正常簾子布與帶疵點(diǎn)簾子布的灰度共生矩陣的構(gòu)造方法。對正常簾子布圖像進(jìn)行了紋理分析、特征參數(shù)" title="特征參數(shù)">特征參數(shù)統(tǒng)計，確定了正常簾子布像素方向、像素距離以及圖像灰度等級。實(shí)驗結(jié)果表明，按照上述規(guī)則生成的四個灰度共生矩陣的特征參數(shù)，能夠準(zhǔn)確地判斷簾子布圖像是否存在疵點(diǎn)。
??? 關(guān)鍵詞： 紋理特征；GLCM；簾子布疵點(diǎn)；圖像分析
?
??? 基于數(shù)字圖像技術(shù)的織物疵點(diǎn)自動檢測技術(shù)始于20世紀(jì)70年代,到90年代后期形成了研究的高潮，在此期間產(chǎn)生了許多的檢測算法。根據(jù)提取特征值" title="特征值">特征值的方法不同，這些算法大致可分為空域法和頻域法" title="頻域法">頻域法。空域法較多地采用灰度共生矩陣[1]、Markov隨機(jī)場[2]作為特征值的提取方法；頻域法一般采用傅立葉變換" title="傅立葉變換">傅立葉變換[3]、Gabor變換[4]等方法。但現(xiàn)有文獻(xiàn)中的檢測對象多是一般的單色織物，上述疵點(diǎn)檢測方法并不適用于簾子布這樣的產(chǎn)業(yè)用紡織品。簾子布各類織物圖像如圖1所示，它是由經(jīng)線和緯線交織而形成的。簾子布作為一種特種紡織品，有以下兩個特點(diǎn)：(1)簾子布的緯線密度（6~12根/10cm）大大低于經(jīng)線密度(52~100根/10cm)，緯線是由面紗制成的，緯線只在織造、浸膠處理和壓延過程中起連接經(jīng)線的作用，在輪胎成型后即斷裂。因此，在簾子布的網(wǎng)狀結(jié)點(diǎn)處經(jīng)線和緯線僅僅是上下重疊在一起，相對位置不固定。(2)簾子布在浸膠處理后，表面色澤有較大的差別。本文結(jié)合簾子布的組織結(jié)構(gòu)特點(diǎn)，以灰度共生矩陣為數(shù)學(xué)工具尋找新的簾子布特征表達(dá)方式，通過分別分析正常簾子布和含有疵點(diǎn)簾子布的特征值的差別，實(shí)現(xiàn)簾子布疵點(diǎn)的自動檢測。
?
1 數(shù)字圖像的灰度共生矩陣
??? 數(shù)字圖像由一個離散的二維函數(shù)f(x，y)表示，其函數(shù)值的物理意義由圖像源決定。對于灰度圖像，f(x，y)表示圖像在點(diǎn)(x，y)處的灰度值。f(x，y)的灰度共生矩陣為：
??? P(i，j，d，θ)={[(x，y)，(x+Dx，y+Dy)|f(x，y)=i，f(x+Dx，y+Dy)=j]}
式中，x，y是圖像的像元坐標(biāo)，x=1，2，3，…，M，y=1，2，…，N；i，j=1，2，…，L是灰度級，L是最高灰度級；Dx，Dy是位置偏移量，具有方向性；d為灰度共生矩陣的生成步長；θ為灰度共生矩陣的生成方向，一般取0°、45°、90°、135°四個方向。
??? 假設(shè)給定了生成方向θ=0°，生成步長d=1，最高灰度級L=6。原始圖像矩陣（8×8像素）轉(zhuǎn)換為相應(yīng)的灰度共生矩陣GLCM，如圖2所示。在原始圖像圖2(a)中，當(dāng)i=1，j=3時，對于像素點(diǎn)對(1，3)出現(xiàn)的次數(shù)為1，對應(yīng)灰度共生矩陣的第1行第3列的位置P(1，3，1，0°)＝1；類似的，當(dāng)i=1，j=1時，對于像素點(diǎn)對（1，1）出現(xiàn)的次數(shù)為21，對應(yīng)灰度共生矩陣的第1行第1列的位置P（1，1，1，0°）＝21。在整個原始圖像矩陣上按照d=1和?茲=0°的位置關(guān)系滑動，對所有像素進(jìn)行統(tǒng)計得到相應(yīng)的GLCM，如圖2(b)所示。
?
??? 簾子布紋理是由在空間位置上反復(fù)出現(xiàn)灰度分布而形成的，因而在圖像空間相隔一定距離的兩個像素之間會存在一定的灰度關(guān)系。生成步長d、生成方向θ是構(gòu)造灰度共生矩陣P的重要參數(shù)，它們之間的不同匹配對生成的矩陣P有較大的差異[5-6]。
2 簾子布灰度共生矩陣生成步長d及生成方向θ值的確定
??? 以圖1簾子布各類圖像為樣本，d依次取1、2、3、4，θ依次取0°、45°、90°、135°獲得不同的灰度共生矩陣。
??? 從簾子布各類疵點(diǎn)的GLCM矩陣以及大量的實(shí)驗證明，當(dāng)d=2且θ=0°時，能夠很好地區(qū)分簾子布疵點(diǎn)，如圖3所示。正常簾子布圖像得到的GLCM矩陣，主要分布在第一行和第一列的次對角線附近，其他空間分量較小，尤其在主對角線上，概率分布幾乎為0；當(dāng)有疵點(diǎn)時，其GLCM的次對角線上的概率相應(yīng)的減小，而其他位置上的概率明顯增大，尤其在主對角線上，概率分布
劇烈增加。
?
3 特征參數(shù)的獲取
??? 以其他紋理（如木材紋理、大氣云團(tuán)、織物褶皺、商標(biāo)圖像、合成孔徑雷達(dá)等）為研究對象時，經(jīng)常選用的特征參數(shù)有角二階矩W1、角二階矩W2、相關(guān)W3、熵W4、方差W5、逆差矩W6等[7-8]。簾子布原特征參數(shù)實(shí)驗結(jié)果如表1所示。
?
??? 選用角二階矩W1、角二階矩W2、相關(guān)W3等為特征參數(shù)時，必需將灰度共生矩陣歸一化后進(jìn)行二次統(tǒng)計，通常歸一化常數(shù)比較大，在運(yùn)算過程中很多數(shù)據(jù)采用四舍五入處理，得到的結(jié)果有誤差。實(shí)驗結(jié)果表明，含疵點(diǎn)簾子布圖像的特征閾值與正常簾子布圖像的特征閾值有明顯的交叉，實(shí)驗結(jié)果不太理想。
??? 根據(jù)簾子布紋理的結(jié)構(gòu)特點(diǎn)，選取Q1、Q2、Q4、Q4四種參數(shù)作為簾子布特征參數(shù)。假設(shè)P（i，j，d，θ）為灰度共生矩陣中歸一化前的任意一個元素，則Q1=P(1，1，2，0°)、Q2=P(1，9，2，0°)、Q3=[P(1，15，2，0°)+P(1，16，2，0°)]/2、Q4=[P(14，14，2，0°)+P(14，15，2，0°)+P(14，16，2，0°)+P(15，15，2，0°)+P(15，16，2，0°)+P(16，16，2，0°)]/6。
??? 由于得到的GLCM是關(guān)于主對角線對稱的矩陣，所以只討論主對角線上半部分的概率分布情況。選取Q1、 Q2、 Q3、 Q4為特征參數(shù)，其參數(shù)選取范圍如表2所示。正常的簾子布圖像的GLCM，概率主要分布在P(1，15，2，0°)和P(1，16，2，0°)的位置，其他位置分布幾乎為0；缺經(jīng)、斷經(jīng)疵點(diǎn)的GLCM概率在P（1，1，2，0°）處明顯增加，甚至比在P（1，15，2，0°）和 P（1，16，2，0°）位置出現(xiàn)的概率還大。其他位置出現(xiàn)的概率幾乎為0；漿斑疵點(diǎn)的GLCM除了在P(1，1，2，0°)處明顯增加外，在P（1，9，2，0°）也有明顯的增加。粘并疵點(diǎn)的GLCM概率在P（1，1，2，0°）處明顯增加，且在P（1，15，2，0°）和 P（1，16，2，0°）位置出現(xiàn)的概率急劇減小；劈裂疵點(diǎn)的GLCM概率在P（1，1，2，0°）處也有明顯增加，在P（15，16，2，0°）、P（16，16，2，0°）附近概率急劇增大。所以通過特征參數(shù)Q1、 Q2、 Q3、 Q4可以比較準(zhǔn)確地識別簾子布疵點(diǎn)。
?
??? 在進(jìn)行簾子布檢測時，首先查看Q1、Q2、Q4的值是否在各自的特征閾值內(nèi)，如果Q1、Q2、Q4均在各自的特征閾值內(nèi)，說明簾子布圖像中沒有疵點(diǎn)。如果Q1、Q2、Q4中的任何一個值不在其特征閾值內(nèi)，說明簾子布圖像中有可疑疵點(diǎn)；然后再查看Q3是否在其特征閾值內(nèi)，若不在其特征閾值內(nèi)，說明簾子布圖像中存在疵點(diǎn)，若在其特征閾值內(nèi)，說明簾子布圖像中沒有疵點(diǎn)。總之，Q1、Q2、Q4體現(xiàn)了簾子布外表的不確定性，選取Q1、Q2、Q3和Q4作為圖像的特征值可以消除此影響，實(shí)驗結(jié)果證明了該方法的可行性和可靠性。
參考文獻(xiàn)
[1] SHIMIZU Y.Expert system to inspect fabric defects by?pattern recognition[J].IEEE Transactions on Pattern Recognition，1990，46(3)：460-469.
[2] COHEN F S，F(xiàn)AN Z，ATTALI S.Automated inspection of?textile fabric using textile models.IEEE Transactions on?pattern Analysis and Machine Intelligence，1991，13(8)：803-808.
[3] CHAN Chi Ho，Grantham K H Pang.Fabric defect detection by fourier analysis[J].IEEE Transactions on Industry Application，2000，36(5)：1267-1276.
[4] BODNAROVA A，BENNAMOUN M，LATHAM S.Optimal?gabor filters for textile flaw detection[J].Pattern Recognition，2002，35：2973-2991.
[5] 汪黎明，陳健敏，王銳，等.織物折皺紋理灰度共生矩陣分析[J].青島大學(xué)學(xué)報，2003，18(4)：5-8.
[6] 郭德軍，宋蟄存.基于灰度共生矩陣的紋理圖像分類研究[J].林業(yè)機(jī)械與木工設(shè)備，2005，33(7)：21-23.
[7] 薄華，馬縛龍，焦李成.圖像紋理的灰度共生矩陣計算問題的分析[J].電子學(xué)報，2006，34(1)：155-134.
[8] 白雪冰，王克奇，王輝.基于灰度共生矩陣的木材紋理分類方法的研究[J].哈爾濱工業(yè)大學(xué)學(xué)報，2005，37(12)：1667-1670.