摘  要： 提出了一種改進(jìn)的自適應(yīng)閾值算法。首先引入前置低通濾波器，降低局部紋理的復(fù)雜性，同時(shí)較好地保持疵點(diǎn)區(qū)域，然后對(duì)濾波后的織物圖像進(jìn)行自適應(yīng)閾值分割，可獲得較好的分割效果。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)簡(jiǎn)單紋理和復(fù)雜紋理的織物圖像均具有較好的分割結(jié)果。
關(guān)鍵詞： 疵點(diǎn)檢測(cè)； 閾值分割； 低通濾波； 自適應(yīng)閾值

    織物疵點(diǎn)檢測(cè)是織物生產(chǎn)過(guò)程中的一個(gè)重要環(huán)節(jié)。傳統(tǒng)的疵點(diǎn)檢測(cè)方法是由驗(yàn)布人員參照驗(yàn)布標(biāo)準(zhǔn)，尋找布面疵點(diǎn)。該類檢測(cè)方法勞動(dòng)強(qiáng)度大、檢測(cè)效率低，驗(yàn)布結(jié)果易受驗(yàn)布人員主觀影響，且誤檢率和漏檢率高。基于機(jī)器視覺的織物疵點(diǎn)自動(dòng)檢測(cè)成為人們關(guān)注和研究的焦點(diǎn)。該類方法可以根據(jù)圖像的灰度分布自動(dòng)選擇最優(yōu)灰度閾值，將疵點(diǎn)區(qū)域從織物圖像中分離出來(lái)。
    常用閾值分割法有雙峰法、迭代法、最大類間方差法和自適應(yīng)閾值算法等。參考文獻(xiàn)[1]提出基于雙峰法的圖像分割技術(shù)，通過(guò)計(jì)算直方圖，選取兩波峰之間谷底對(duì)應(yīng)的灰度值作為分割閾值，該類方法僅適用于背景簡(jiǎn)單、直方圖具有典型雙峰分布特性的織物圖像，但對(duì)直方圖是多峰或雙峰差別很大的織物圖像效果不明顯。參考文獻(xiàn)[2]提出基于迭代法的圖像分割技術(shù)，能把目標(biāo)與背景的主要部分區(qū)分出來(lái)，但圖像的部分細(xì)節(jié)不能得到很好的區(qū)分。參考文獻(xiàn)[3-5]提出基于最大類間方差法的圖像分割技術(shù)，當(dāng)圖像中目標(biāo)與背景的大小之比很小時(shí)，該方法分割檢測(cè)圖像效果較差。參考文獻(xiàn)[6]提出基于自適應(yīng)閾值的圖像分割算法。該類方法通過(guò)引入權(quán)值，改進(jìn)了最大類間方差法，在常見的織物圖像上取得了較好的檢測(cè)結(jié)果，但對(duì)于復(fù)雜紋理的織物表面檢測(cè)效果并不理想。基于上述原因，本文提出基于改進(jìn)自適應(yīng)閾值的疵點(diǎn)檢測(cè)算法，通過(guò)引入前置低通濾波器，降低局部紋理的復(fù)雜性，同時(shí)較好地保持了疵點(diǎn)區(qū)域，對(duì)濾波后的織物圖像采用自適應(yīng)閾值分割算法，得到了滿意的效果。
1 低通濾波器設(shè)計(jì)
    織物圖像濾波可分為空域?yàn)V波和頻域?yàn)V波。頻域?yàn)V波是以對(duì)圖像的傅里葉變換系數(shù)進(jìn)行濾波為基礎(chǔ)的，根據(jù)通帶和阻帶所處的范圍不同，它可分為低通濾波、帶通濾波和高通濾波。傳統(tǒng)的自適應(yīng)閾值算法檢測(cè)復(fù)雜紋理的織物圖像時(shí)效果并不好，原因在于復(fù)雜紋理織物圖像灰度值變換較為劇烈，影響分割結(jié)果。本文通過(guò)設(shè)計(jì)低通濾波器對(duì)采集的織物圖像進(jìn)行平滑濾波，可以降低局部紋理的復(fù)雜性，同時(shí)消除噪聲，改善圖像質(zhì)量。
    設(shè)待處理圖像為f(x,y),其傅里葉變換表達(dá)式為F(u,v)，H(u,v)是低通濾波器的傳遞函數(shù)，濾波后圖像的傅里葉變換用G(u,v)表示，則低通濾波的數(shù)學(xué)表達(dá)式為：
 
2 自適應(yīng)閾值算法
    最大類間方差法根據(jù)圖像的灰度特性，把圖像分為背景和目標(biāo)兩部分。背景與目標(biāo)之間的類間方差越大，說(shuō)明構(gòu)成圖像的兩部分的差別越大，如果把背景錯(cuò)分為目標(biāo)或目標(biāo)錯(cuò)分為背景,就會(huì)導(dǎo)致兩部分差別變小。具體算法如下。
 
　    同理，當(dāng)有N-1個(gè)閾值(N個(gè)類別)時(shí)，自適應(yīng)閾值最佳閾值計(jì)算公式為：

3 實(shí)驗(yàn)結(jié)果與分析
    本實(shí)驗(yàn)程序代碼在Matlab 7.0環(huán)境下運(yùn)行。對(duì)幾種典型的織物疵點(diǎn)進(jìn)行檢測(cè)，所用圖像為灰度圖像(若為彩色圖像，可將其轉(zhuǎn)換為灰度圖像)。實(shí)驗(yàn)結(jié)果如圖1~圖3所示。

    織物樣本1如圖1(a)所示，該織物圖像含有一個(gè)較小的暗點(diǎn)，該圖片紋理相對(duì)較為簡(jiǎn)單，但光照不均勻。采用最大類間方差方法檢測(cè)結(jié)果如圖1(b)所示，可以看出該方法受光照影響較大，分割結(jié)果完全錯(cuò)誤。而自適應(yīng)閾值方法及本文改進(jìn)的方法均能正確分割。
    織物樣本2如圖2(a)所示，該樣本比樣本1復(fù)雜，表面有明顯的污跡，且有噪聲污染。織物樣本3如圖3(a)所示，圖像存在破洞缺陷。采用最大類間方差法和自適應(yīng)閾值法檢測(cè)的結(jié)果如圖2(b)、圖2(c)和圖3(b)、圖 3(c)所示，由于圖像紋理復(fù)雜，直方圖不存在雙峰型分布，兩者均不能分割出疵點(diǎn)部分，而用本文改進(jìn)的方法能正確分割，且獲得了理想的分割效果。

    本文提出了一種基于改進(jìn)的自適應(yīng)閾值的織物疵點(diǎn)檢測(cè)方法。首先采用低通濾波器對(duì)織物圖像進(jìn)行平滑處理，然后用自適應(yīng)閾值算法對(duì)圖像分割檢測(cè)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的自適應(yīng)閾值法不僅適用于紋理相對(duì)簡(jiǎn)單、疵點(diǎn)不明顯的圖像，也適用于紋理復(fù)雜的圖像，且不受光照、噪聲影響。本文算法簡(jiǎn)便易行，可用于實(shí)時(shí)織物疵點(diǎn)檢測(cè)系統(tǒng)中。
參考文獻(xiàn)
[1] 楊修國(guó). 關(guān)于直方圖雙峰法的研究與改進(jìn)[J]. 電子設(shè)計(jì)工程，2012，20（12）：176-179.
[2] 沈圓，李國(guó)勇. 圖像的閾值分割法設(shè)計(jì)[J]. 機(jī)械工程與自動(dòng)化，2012(5):45-46.
[3] 梁光明，劉東華，李波，等. 二維Otsu自適應(yīng)閾值分割法的改進(jìn)[J]. 自動(dòng)化技術(shù)與應(yīng)用，2002，21(5)：43-47.
[4] 陰國(guó)富. 基于閾值法的圖像分割技術(shù)[J].現(xiàn)代電子技術(shù), 2007(23):107-108.
[5] LIAO P S, CHEN T S, CHUNG P C. A fast algorithm  for multilevel thresholding[J]. Journal of Information Science and Engineering，2001(17):713-727.
[6] NG H F. Automatic thresholding for defect detection[J].Pattern Recognition Letters，2006(27):1644-1649.