一种新的布匹瑕疵图像自动检测算法_崔玲玲
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
[ 12]
http: //www. xdxb. net
第5期
崔玲玲等 : 一种新的布匹瑕疵图像自动检测算法
67
1 12
混合高斯模型 设 X = { x1 , x2 , ,, x n } 是 d 维空间中的观测数据集, 对于x i I R , 可以用 k 个高斯函数的加权平均表示
d
概率密度函数: p( x i ) =
66
西安电子科技大学学报 ( 自然科学版 )
第 38 卷
的类别多而未知 , 而且 , 瑕疵图像容易受光照、 环境等变化的影响, 导致这类方法的计算量大, 鲁棒性比较差. 一种比较好的方法是获取瑕疵图像和非瑕疵图像的鲁棒性描述 , 在此基础上 , 对瑕疵和非瑕疵图像进行建 模 . 这样不仅可以避免对每一类瑕疵建模 , 而且具有很好的鲁棒性 . 基于频谱的瑕疵检测方法主要利用瑕疵图像在频域的突出特点( 稀疏性描述 ) 来实现瑕疵的检测 . 典型 [ 2] [ 3] 的变换方法有 Gabor 变换 和小波变换 . 虽然二者都可以取得比较好的效果, 但是 Gabor 变换存在参数选 择难, 冗余度高以及计算比较复杂等缺点 , 很难满足实时需求 ; 小波变换虽然具有良好的时频分析、 多分辨率 分析和计算复杂度低等特性, 但是不能较好地描述图像的轮廓特性 ( 这些特性对描述瑕疵图像具有非常重 要的作用) , 导致 检测 效果 不是足 够的 好 . 对此 , 研 究者 提出了 多尺 度几 何 分析 ( Multiscale Geometric [ 62 7] [ 7] Analysis, MGA) 的 图 像 表 示 方 法 . 典 型 的 代 表 Cunha 等 人 提 出 的 非 下 采 样 Contourlet 变 换 ( Nonsubsampled Contourlet Transform, NSCT) 有效地消除了频谱混叠现象 , 而且具有平移不变性和方向选择 性 , 对图像描述具有更好的鲁棒性, 已被广泛地应用到图像去噪 图像则比较少.
2 m =1
E
k
A p ( xi ; L , 2m) m m m
k
,
2
( 1)
其中, L 和 2m = Rm I 分别表示第 m 个高斯分布的均值向量和协方差矩阵 , I 表示单位矩阵 , Rm 表示方差向 m 量. A 是加权系数 , A \0 , 表示第 m 个高斯分布的概率, 且满足 m m 密度, 表示如下: pm ( x ; L , Rm ) = ( 2 P ) m
崔 玲 玲, 卢 朝 阳, 李 静, 李 益 红
( 西安电子科技大学 综合业务网理论及关键技术国家重点实验室 , 陕西 西安 710071) 摘要 : 针对布匹图像非下采样 Contourlet 分解系数能更好地描述瑕疵图像的轮廓特性 , 同时 具有平移不 变性和多方向性等优点 , 提出一种新的瑕疵自动 检测算 法 . 该 算法通 过非下 采样 Contourlet 变换 得到图 像的多尺度 、 多方向稀疏表示 ; 在此基 础上 , 通过代价函数选择最优 子带 , 得到较鲁棒 性的描述 ; 最后实 时地估计瑕疵和非瑕疵图像的混合高 斯模型参数 , 有效地避免了对每一类瑕疵的估计 , 显著 地降低了计 算量 . 实验结果表明 , 与现有经典算法 相比 , 该算法的主观效果和客观评价性能都有明显改 进 . 关键词 : 瑕疵检测 ; 非下采样 Contourlet 变换 ; 混合高斯模型 ; 小波变换 中图分类号 : TN911. 73 文献标识码 : A 文章编号 : 1001 2 2400( 2011) 05 2 0065 2 08
2011 年 10 月 第 38 卷 第 5 期
西安电子科技大学学报 ( 自 然科学版 ) JOURNAL OF XIDIAN UNIVERSITY
Oct. 2011 Vol. 38 No. 5
doi 10. 3969 / j. issn. 1001 2 2400. 2011. 05. 011
一种新的布匹瑕疵图像自动检测算法
fabric images can describe the contour characteristics in a better way and that they have shift 2 invariant and multidirection a novel algorithm for automated detection of fabric defect images is presented. Firstly the nonsubsampled Contourlet transform NSCT is used to perform the sparse representations in multi 2 scales and multi 2 directions. On this basis the optimal sub 2 bands of NSCT are selected by the cost function and then the robust descriptions are obtained. Finally the parameters of defect and nondefect images are timely estimated separately by the Mixture Gaussian Model MGM which effectively avoids estimating each defect and reduces the computational complexity evidently. Experimental results show that the proposed algorithm can lead to a better performance than the traditional algorithms in subjective effects and objective evaluation. Key Words : defect detection nonsubsampled Contourlet transform NSCT mixture gaussian model MGM wavelet transforms
Novel algorithm for automated detection of fabric defect images
CUI Lingling , LU Zhaoyan来自百度文库 , LI Jing , LI Yihong
State Key Lab. of Integrated Service Networks Xidian Univ. Xi p an 710071 China Abstract : Considering the advantages that decomposition coefficients in the non subsampled Contourlet of
随着信息技术的快速发展 , 基于计算机视觉的自动检测技术在工业生产中的应用越来越广泛, 基于机器 视觉的布匹检测就是一个典型的应用 . 但是, 目前纺织行业的质量评价仍然以人工肉眼检测为主, 存在成本 高、 检测效率低等问题 . 利用计算机视觉检测、 图像处理以及图像识别技术自动地实现瑕疵检测和质量评价 已成为亟待解决的问题之一. 因此, 布匹瑕疵自动检测 测算法 , 大体上可分为基于频谱和模型的两类方法 . 基于模型的瑕疵检测 算法主要 是根据瑕 疵图像的 统计属性 进行建模 . 典型 的代表有 混合高斯 模型 [ 5] ( Mixture Gaussian Model, MGM) 法 . 这类方法利用先验知识对每一类瑕疵分别建模, 然后利用模型的参数 分布进行检测. 该模型较好地描述了瑕疵图像的纹理特性, 具有较好的分类效果 . 但是 , 在实际应用中 , 瑕疵
图1
[ 10]
NSCT 分解示意图
图 1 以 NSCT 的两层分解为例, 说明 NSCT 的分解过程 . NSCT 的核心是非下采样塔式变换和非下采样方 向滤波器组 , 非下采样操作通过 trous 算法 实现 , 具有计算复杂度低的优点 . 非下采样塔式滤波器组实现 [ 11] 多尺度特性 , 结构类似于拉普拉斯金字塔 , 每层分解过程中 , 图像被分解为一个低通子带和一个带通子 带 , 其中, 低通子带包含图像的低频信息, 是原图像的近似; 带通子带包含图像的中高频信息 , 包含丰富的边 缘细节 信息. 对低通子 带继续迭 代分解 , 实现 多尺度分 解. 非 下采样方 向滤波器 组是通 过 Bamberger 和 Smith 提出的树形滤波器组实现的 , 将二维频域面分成方向楔 , 实现多方向分解, 可以根据需要设定分解 方向数 . 图像的 NSCT 子带系数具有稀疏性, 能有效地描述图像的边缘轮廓特性 , 而且具有平移不变性和较 强的方向特性.
[ 82 9] [ 3]
等方面. 不幸的是 , 利用 NSCT 分析瑕疵
结合上述分析, 提出一种新的布匹瑕疵自动检测算法 . 该算法利用 NSCT 得到瑕疵图像的多尺度、 多方 向稀疏表示 ; 通过代价函数选取最优子带 , 并用 MGM 得到瑕疵和非瑕疵图像的最大似然参数 ; 最后根据最 大后验概率进行阈值分割 . 该算法在降低计算量的同时 , 与传统算法相比, 性能得到了明显提升 .
1
1 11
相关知识
非下采样 Contourlet 变换 Contourlet 变换是通过拉普拉斯金字塔和方向滤波器组实现一种多分辨率、 多方向、 局域的图像表示方
法 , 具有各向异性尺度关系 , 可以更加稀疏地表示图像. 由于滤波器组有下采样, 在不同子带中存在频谱混叠 现象, 频谱混叠使得一个方向的信息会在几个不同子带中出现, 且缺少平移不变性 . NSCT 是基于非下采样 塔式滤波器组和非下采样方向滤波器组, 其不仅继承了 Contourlet 变换的多尺度和多方向性, 而且, 增加了平 移不变性和方向选择性.
收稿日期 : 2011 2 01 2 19 网络出版时间 : 2011 2 04 2 27
[ 12 4]
近十年来备受关注, 研究者提出了许多布匹瑕疵检
基金项目 : 国家自然科学基金资助项目 ( 60872141) ; 陕西省自然科学基础研 究计划资助 项目 ( 2009 JQ8019 ) ; 综合业务 网理论及 关键技术 国家重点实验室基金资助项目( ISN090302) ; 西安电子科技大学基础科研业务费资助项目 ( K50510010007) 作者简介 : 崔玲玲 ( 1982 - ) , 女 , 西安电子科技大学博士研究生 , E 2 mail: llcuisx@ gmail . com. 网络出版地址 : http: / / www. cnki. net / kcms / detail /61. 1076. TN . 20110427 . 1719. 201105. 77_011 . html
F p( x )
i =1 i i
n
.
n
( 3)
F p( x )
i =1
n
=
i=1
E
ln p( xi )
2 - d/ 2 m =1
E
A = 1 , p m 表示第 m 个高斯分布的概率 m
T
R exp m
2
-d
(x- L m) ( x - L m) 2 Rm
2 2 2
.
( 2)
将式( 1) 的参数记为 ( = ( A , A , ,, A ; L , L , ,, L ; R1 , R2 , ,, Rk ) , 假设 n 个样本的集合 X = { x1 , x2 , 1 2 k 1 2 k ,, x n } 相互独立, 其似然函数定义为 L( ( ) = 为了简化运算, 取对数 , 对数似然函数为 ln L( ( ) = l n 将式( 1 ) 代入式 ( 4) , 得 ln L( ( ) =
http: //www. xdxb. net
第5期
崔玲玲等 : 一种新的布匹瑕疵图像自动检测算法
67
1 12
混合高斯模型 设 X = { x1 , x2 , ,, x n } 是 d 维空间中的观测数据集, 对于x i I R , 可以用 k 个高斯函数的加权平均表示
d
概率密度函数: p( x i ) =
66
西安电子科技大学学报 ( 自然科学版 )
第 38 卷
的类别多而未知 , 而且 , 瑕疵图像容易受光照、 环境等变化的影响, 导致这类方法的计算量大, 鲁棒性比较差. 一种比较好的方法是获取瑕疵图像和非瑕疵图像的鲁棒性描述 , 在此基础上 , 对瑕疵和非瑕疵图像进行建 模 . 这样不仅可以避免对每一类瑕疵建模 , 而且具有很好的鲁棒性 . 基于频谱的瑕疵检测方法主要利用瑕疵图像在频域的突出特点( 稀疏性描述 ) 来实现瑕疵的检测 . 典型 [ 2] [ 3] 的变换方法有 Gabor 变换 和小波变换 . 虽然二者都可以取得比较好的效果, 但是 Gabor 变换存在参数选 择难, 冗余度高以及计算比较复杂等缺点 , 很难满足实时需求 ; 小波变换虽然具有良好的时频分析、 多分辨率 分析和计算复杂度低等特性, 但是不能较好地描述图像的轮廓特性 ( 这些特性对描述瑕疵图像具有非常重 要的作用) , 导致 检测 效果 不是足 够的 好 . 对此 , 研 究者 提出了 多尺 度几 何 分析 ( Multiscale Geometric [ 62 7] [ 7] Analysis, MGA) 的 图 像 表 示 方 法 . 典 型 的 代 表 Cunha 等 人 提 出 的 非 下 采 样 Contourlet 变 换 ( Nonsubsampled Contourlet Transform, NSCT) 有效地消除了频谱混叠现象 , 而且具有平移不变性和方向选择 性 , 对图像描述具有更好的鲁棒性, 已被广泛地应用到图像去噪 图像则比较少.
2 m =1
E
k
A p ( xi ; L , 2m) m m m
k
,
2
( 1)
其中, L 和 2m = Rm I 分别表示第 m 个高斯分布的均值向量和协方差矩阵 , I 表示单位矩阵 , Rm 表示方差向 m 量. A 是加权系数 , A \0 , 表示第 m 个高斯分布的概率, 且满足 m m 密度, 表示如下: pm ( x ; L , Rm ) = ( 2 P ) m
崔 玲 玲, 卢 朝 阳, 李 静, 李 益 红
( 西安电子科技大学 综合业务网理论及关键技术国家重点实验室 , 陕西 西安 710071) 摘要 : 针对布匹图像非下采样 Contourlet 分解系数能更好地描述瑕疵图像的轮廓特性 , 同时 具有平移不 变性和多方向性等优点 , 提出一种新的瑕疵自动 检测算 法 . 该 算法通 过非下 采样 Contourlet 变换 得到图 像的多尺度 、 多方向稀疏表示 ; 在此基 础上 , 通过代价函数选择最优 子带 , 得到较鲁棒 性的描述 ; 最后实 时地估计瑕疵和非瑕疵图像的混合高 斯模型参数 , 有效地避免了对每一类瑕疵的估计 , 显著 地降低了计 算量 . 实验结果表明 , 与现有经典算法 相比 , 该算法的主观效果和客观评价性能都有明显改 进 . 关键词 : 瑕疵检测 ; 非下采样 Contourlet 变换 ; 混合高斯模型 ; 小波变换 中图分类号 : TN911. 73 文献标识码 : A 文章编号 : 1001 2 2400( 2011) 05 2 0065 2 08
2011 年 10 月 第 38 卷 第 5 期
西安电子科技大学学报 ( 自 然科学版 ) JOURNAL OF XIDIAN UNIVERSITY
Oct. 2011 Vol. 38 No. 5
doi 10. 3969 / j. issn. 1001 2 2400. 2011. 05. 011
一种新的布匹瑕疵图像自动检测算法
fabric images can describe the contour characteristics in a better way and that they have shift 2 invariant and multidirection a novel algorithm for automated detection of fabric defect images is presented. Firstly the nonsubsampled Contourlet transform NSCT is used to perform the sparse representations in multi 2 scales and multi 2 directions. On this basis the optimal sub 2 bands of NSCT are selected by the cost function and then the robust descriptions are obtained. Finally the parameters of defect and nondefect images are timely estimated separately by the Mixture Gaussian Model MGM which effectively avoids estimating each defect and reduces the computational complexity evidently. Experimental results show that the proposed algorithm can lead to a better performance than the traditional algorithms in subjective effects and objective evaluation. Key Words : defect detection nonsubsampled Contourlet transform NSCT mixture gaussian model MGM wavelet transforms
Novel algorithm for automated detection of fabric defect images
CUI Lingling , LU Zhaoyan来自百度文库 , LI Jing , LI Yihong
State Key Lab. of Integrated Service Networks Xidian Univ. Xi p an 710071 China Abstract : Considering the advantages that decomposition coefficients in the non subsampled Contourlet of
随着信息技术的快速发展 , 基于计算机视觉的自动检测技术在工业生产中的应用越来越广泛, 基于机器 视觉的布匹检测就是一个典型的应用 . 但是, 目前纺织行业的质量评价仍然以人工肉眼检测为主, 存在成本 高、 检测效率低等问题 . 利用计算机视觉检测、 图像处理以及图像识别技术自动地实现瑕疵检测和质量评价 已成为亟待解决的问题之一. 因此, 布匹瑕疵自动检测 测算法 , 大体上可分为基于频谱和模型的两类方法 . 基于模型的瑕疵检测 算法主要 是根据瑕 疵图像的 统计属性 进行建模 . 典型 的代表有 混合高斯 模型 [ 5] ( Mixture Gaussian Model, MGM) 法 . 这类方法利用先验知识对每一类瑕疵分别建模, 然后利用模型的参数 分布进行检测. 该模型较好地描述了瑕疵图像的纹理特性, 具有较好的分类效果 . 但是 , 在实际应用中 , 瑕疵
图1
[ 10]
NSCT 分解示意图
图 1 以 NSCT 的两层分解为例, 说明 NSCT 的分解过程 . NSCT 的核心是非下采样塔式变换和非下采样方 向滤波器组 , 非下采样操作通过 trous 算法 实现 , 具有计算复杂度低的优点 . 非下采样塔式滤波器组实现 [ 11] 多尺度特性 , 结构类似于拉普拉斯金字塔 , 每层分解过程中 , 图像被分解为一个低通子带和一个带通子 带 , 其中, 低通子带包含图像的低频信息, 是原图像的近似; 带通子带包含图像的中高频信息 , 包含丰富的边 缘细节 信息. 对低通子 带继续迭 代分解 , 实现 多尺度分 解. 非 下采样方 向滤波器 组是通 过 Bamberger 和 Smith 提出的树形滤波器组实现的 , 将二维频域面分成方向楔 , 实现多方向分解, 可以根据需要设定分解 方向数 . 图像的 NSCT 子带系数具有稀疏性, 能有效地描述图像的边缘轮廓特性 , 而且具有平移不变性和较 强的方向特性.
[ 82 9] [ 3]
等方面. 不幸的是 , 利用 NSCT 分析瑕疵
结合上述分析, 提出一种新的布匹瑕疵自动检测算法 . 该算法利用 NSCT 得到瑕疵图像的多尺度、 多方 向稀疏表示 ; 通过代价函数选取最优子带 , 并用 MGM 得到瑕疵和非瑕疵图像的最大似然参数 ; 最后根据最 大后验概率进行阈值分割 . 该算法在降低计算量的同时 , 与传统算法相比, 性能得到了明显提升 .
1
1 11
相关知识
非下采样 Contourlet 变换 Contourlet 变换是通过拉普拉斯金字塔和方向滤波器组实现一种多分辨率、 多方向、 局域的图像表示方
法 , 具有各向异性尺度关系 , 可以更加稀疏地表示图像. 由于滤波器组有下采样, 在不同子带中存在频谱混叠 现象, 频谱混叠使得一个方向的信息会在几个不同子带中出现, 且缺少平移不变性 . NSCT 是基于非下采样 塔式滤波器组和非下采样方向滤波器组, 其不仅继承了 Contourlet 变换的多尺度和多方向性, 而且, 增加了平 移不变性和方向选择性.
收稿日期 : 2011 2 01 2 19 网络出版时间 : 2011 2 04 2 27
[ 12 4]
近十年来备受关注, 研究者提出了许多布匹瑕疵检
基金项目 : 国家自然科学基金资助项目 ( 60872141) ; 陕西省自然科学基础研 究计划资助 项目 ( 2009 JQ8019 ) ; 综合业务 网理论及 关键技术 国家重点实验室基金资助项目( ISN090302) ; 西安电子科技大学基础科研业务费资助项目 ( K50510010007) 作者简介 : 崔玲玲 ( 1982 - ) , 女 , 西安电子科技大学博士研究生 , E 2 mail: llcuisx@ gmail . com. 网络出版地址 : http: / / www. cnki. net / kcms / detail /61. 1076. TN . 20110427 . 1719. 201105. 77_011 . html
F p( x )
i =1 i i
n
.
n
( 3)
F p( x )
i =1
n
=
i=1
E
ln p( xi )
2 - d/ 2 m =1
E
A = 1 , p m 表示第 m 个高斯分布的概率 m
T
R exp m
2
-d
(x- L m) ( x - L m) 2 Rm
2 2 2
.
( 2)
将式( 1) 的参数记为 ( = ( A , A , ,, A ; L , L , ,, L ; R1 , R2 , ,, Rk ) , 假设 n 个样本的集合 X = { x1 , x2 , 1 2 k 1 2 k ,, x n } 相互独立, 其似然函数定义为 L( ( ) = 为了简化运算, 取对数 , 对数似然函数为 ln L( ( ) = l n 将式( 1 ) 代入式 ( 4) , 得 ln L( ( ) =