摘 要： 提出一種由灰度共生矩陣生成相應特征圖像的算法，進行了圖像分割和織物疵點檢測。先將織物疵點圖像進行灰度級量化至16級，再提取0°，45°，90°，135°四個方向上的灰度共生矩陣，通過計算灰度共生矩陣中的熵、相關性、對比度、差異性、逆差矩共五種特征值并生成相應的特征圖像，對常見的5種織物疵點進行了分割檢測實驗。實驗結果證明基于灰度共生矩陣生成特征圖像的檢測算法是一種檢測效果良好的疵點檢測方法。
關鍵詞： 灰度共生矩陣；特征圖像；疵點檢測
0 引言
織物疵點檢測是現代紡織工業產品質量監管中的重要環節之一。隨著計算機技術在工業表面檢測中的推廣與應用，基于機器視覺的織物疵點檢測方法逐漸成為紡織工業發展的一個趨勢。紡織品由于其制造工藝特性具有規則的周期性紋理，而織物疵點可看成正常紋理結構的一種畸變，因此檢測織物疵點實質上是一個分析紋理突發畸變的過程。理論已證明圖像的灰度共生矩陣是一種很好的紋理分析方法，可廣泛用于將圖像灰度值轉化為紋理信息[1]。當前采用基于灰度共生矩陣疵點檢測方法的參考文獻[2-5]主要是通過計算特征值并通過特征值的歸納分類判斷疵點，無法完成對疵點圖像的分割及相關信息的提取。而本文提出的算法可以通過特征值生成特征圖像，進而完成疵點的分割與檢測。將文中算法與基于Hough變換和Gabor濾波的檢測算法以及基于頻域篩狀濾波器的檢測算法進行對比實驗，對勾絲、缺經、破洞、油污、缺緯5種常見的織物疵點進行檢測，本文算法效果最好。
1 灰度共生矩陣基本原理
紋理描述的灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）方法是基于在紋理中某一灰度級結構重復出現的情況，如待分析圖像中的一個M×N的子圖窗口，P![DRLKG@9~]A`65B]3)YZQ)BT.png](http://files.chinaaet.com/images/2016/02/23/6359184464692900005928095.png "DRLKG@9~]A`65B]3)YZQ)BT.png")
，d（a，b）表示在方向![DRLKG@9~]A`65B]3)YZQ)BT.png](http://files.chinaaet.com/images/2016/02/23/6359184466330800008867912.png "DRLKG@9~]A`65B]3)YZQ)BT.png")
上間隔距離為d的像素組（a，b）在窗口中出現的次數。非歸一化共生矩陣可以表示為公式（1）~（4）[6]：
其中|{…}|指集合的基數，D=（M×N）×（M×N）。
下面一個例子闡述計算d=1共生矩陣。圖1為一個具有4個灰度級的圖像。
矩陣P0°，1按照如下方式構造：元素P0°，1（0，0）表示在方向角度為0°上相鄰的兩個灰度值均為0的次數；在這種情況下P0°，1（0，0）=4。同理，元素P0°，1（3，2）表示在方向角度為0°上相鄰的兩個灰度值均為3和2的次數；注意P0°，1（3，2）=1，則P0°，1（2，3）=1，因為矩陣的對稱性：
對其他方向![DRLKG@9~]A`65B]3)YZQ)BT.png](http://files.chinaaet.com/images/2016/02/23/6359184480701100001843204.png "DRLKG@9~]A`65B]3)YZQ)BT.png")
和距離值d的矩陣P![DRLKG@9~]A`65B]3)YZQ)BT.png](http://files.chinaaet.com/images/2016/02/23/6359184479817500007474240.png "DRLKG@9~]A`65B]3)YZQ)BT.png")
，d的計算亦是同理。GLCM體現了影像灰度值在某一方向和間隔時的特點，但區分紋理的特征并不能由它直接給出，所以需要在其基礎上獲取統計屬性用來定量描述紋理。
根據GLCM特點，Haralick等提取了14種特征值用于紋理分析[7]，但在使用它時，由于計算機工作量較大，運行時間太長，考慮到使用的效率，一般情況下采用以下幾個比較常見的特征值來提取紋理的特征[8]：
?。?）二階矩：又稱能量，是圖像均勻性的測度，圖像的灰度分布越均勻，相應的ASM值越大；反之，ASM越小。
?。?）熵：為圖像隨機性灰度分布的信息量，是圖像紋理復雜情況的表征。圖像的灰度越復雜，熵越大；圖像中灰度越均勻，熵越小。
?。?）對比度：反映局部圖像中的變化測度，圖像中灰度值差別越大，則圖像邊緣越銳利，對比度也就越大；典型的是k=2，λ=1。
?。?）逆差矩：測量灰度圖像的局部圖像強度的均勻性，如果局部均勻，逆差矩值較大。
（5）差異性：其度量與對比度相似，但是為線性增加，局部對比度越高，差異性越大。
?。?）相關性：是圖像中灰度值線性度的測度，表述共生矩陣中各行各列中灰度值之間的相似度。
2 本文算法設計
2.1 圖像灰度級量化
相機獲取的圖片灰度值范圍為0～255，即圖片為8位。灰度共生矩陣的計算量由圖像灰度級和圖像大小共同決定[9]，如一幅大小的256級灰度圖，其計算量達512×512×2562=1.72×1010次，目前性能較高的民用計算機的計算能力為1 000萬次/s來換算，則需要約28 min才能計算完畢。如此長的計算時間不適合實際要求，因此在圖像大小不變的情況下需要采用將圖像灰度級量化，本文對布匹圖像灰度級量化到16級。為不影響圖像的清晰度，在對圖像量化前先對圖像做均衡化處理，以擴大圖像灰度值的動態范圍，再進行量化；將灰度值除以16后取整，便可將其從0～255轉換為0～15；從而降低灰度共生矩陣的大小。將灰度值量化至0～15后人眼看上去圖片非常暗淡甚至是全黑的顯示狀態，但不影響后續的計算和特征提取。
2.2 共生矩陣提取與特征值計算
特征值求解中需要確定GLCM的內核窗口、步距、方向三個要素。使用GLCM進行紋理分析須選取一定大小的窗口，本文選用5×5大小窗口；通過實驗對比采用d=1的步距，即窗口中心像元與其相鄰的像元進行對比運算；方向一般選取為0°，45°，90°，135°，每個方向上都能夠得出不同的特征值，如此表述紋理特征過于復雜也不利于后期特征圖像的生成，因此將這四個方向上所求的特征值取均值后作為該窗口特征值。
2.3 特征圖像生成
圖2為特征圖像生成方法原理，圖2（a）左上斜紋區域為一窗口，計算窗口特征值并將其賦值給窗口的中心像元；然后將窗口右移一個像素，同第一步方式求解并賦值給中心像元，循環執行至整張圖像后可得到一個中心白色區域，如圖2（c）所示，則白色部分為此圖片的特征值構成；對于邊界像元的紋理特征值采用0來填充，如此便可得到原圖像的特征圖像。
3 本文算法實驗結果
下面以時效性和檢測效果為指標，對基于GLCM特征圖像的疵點檢測算法進行實驗測試。
3.1 算法時效性
本文測試系統選取的計算機硬件為Intel 2.6 GHz CPU、2 GB內存，軟件平臺為OPEN CV2.3、Visual Studio2010，所選圖像的大小均為512×512。表1為算法各個模塊的時間消耗，從表中可以看出該算法耗時主要集中在四個方向上的共生矩陣的提取上，該處耗時為1 430.7 ms。
3.2 算法實際檢測效果
分別選取勾絲、缺經、破洞、油污、缺緯五類常見疵點實驗，實驗結果如圖3～7所示。由圖3～7可以看出，疵點圖像經過特征提取后生成的特征圖像具有很明顯的區分性，有利于后續的分割處理；對比各特征圖像不難發現，子圖中（d）熵特征圖對這五類疵點均具有很好的效果，而差異性、對比度、相關性、逆差矩特征圖對油污檢測效果不佳，不利于后期的處理；此外，從圖5（e）、7（e）中可以看出，相關性特征圖在勾絲疵點、破洞疵點圖像中效果也不理想；而對于缺經和缺緯疵點，五種特征圖像均有著很好的效果，疵點和背景都有很強的對比度。
4 三種算法實驗對比分析
在廣泛研究疵點檢測相關文獻的基礎上，選取目前織物疵點自動檢測中基于Hough變換和Gabor濾波的檢測算法[10]、基于頻域篩狀濾波器的檢測算法兩種常用的特征提取算法[11]與本文提出的基于灰度共生矩陣生成特征圖像的疵點檢測算法對文中的5種類型、同一疵點的檢測效果和時效性進行對比分析。實際疵點分割效果如圖8～12所示。各圖中（a）為所選疵點原圖，（b）為Hough變換和Gabor濾波算法對所選疵點的檢測分割圖像，（c）為頻域篩狀濾波器算法對所選疵點的檢測分割圖像，（d）為灰度共生矩陣特征圖算法對所選疵點的檢測分割圖。由圖8～12（b）、（c）、（d）對比可以看出三中檢測算法對所選取的疵點圖像檢測效果有優勢也有不足之處，其中Gabor算法對破洞疵點的檢測效果不佳，其所分割出的破洞疵點產生了很強的畸變，對其他四類疵點檢測效果比較理想；頻域篩狀濾波器對各類疵點的檢測分割都在一定程度上丟失了疵點的信息，從分割出來的圖像中可以看出包括破洞、缺經、缺緯、油污都出現了斷續；將所分割出的疵點形態特征與原疵點圖像對比可以看出，灰度共生矩陣特征圖像的檢測算法對所選的五類疵點檢測效果相比于前兩種算法來說更理想，能夠較完好地保存疵點形態特征。
對三種檢測算法的時效性和檢測效果進行總結比較，比較結果見表2。
5 結論
基于GLCM特征圖像的布匹疵點檢測算法是本文提出的一種利用GLCM計算特征值生成紋理特征圖像進而完成疵點檢測的方法?，F有的相關疵點檢測算法僅單純從特征值上來判斷疵點是否存在。本文提出的算法利用GLCM的特征值直接生成特征圖像來檢測織物疵點，檢測效果良好。同時，本文提出的疵點檢測算法對其他領域紋理表面缺陷檢測同樣具有一定的應用價值。
參考文獻
[1] STOJANOVIC R. Real-time vision-based system for textile fabric inspection[J]. Real-Time Imaging， 2001，7（6）:507-518.
[2] Wen C Y， Chiu S H， Hsu W S， et al. Defect segmentation of texture images with wavelet transform and a co-occurrence matrix[J]. Textile Research Journal， 2001，71（8）： 743-749.
[3] Lin P L， Hsu H C， Huang P Y， et al. Alveolar bone-loss area localization in periapical radiographs by texture analysis based on fBm model and GLC matrix[C]. Bioelectronicsand Bioinformatics （ISBB）， 2014 IEEE International Symposium on. IEEE， 2014：1-4.
[4] CHEN M， DAI S. Analysis on image texture based on gray-level co-occurrence matrix[J]. Communications Technology， 2012（2）：108-111.
[5] TAJERIPOUR F， SABERI M， REZAEI M， et al. Texture classification approach based on combination of random threshold vector technique and co-occurrence matrixes[C]. Computer Science and Network Technology （ICCSNT）， 2011 International Conference on. IEEE， 2011：2303-2306.
[6] HARALICK R M. Statistical and structural approaches to texture[J]. Proceedings of the IEEE， 1979，67（5）：786-804.
[7] HARALICK R M， SHANMUGAM K， DINSTEIN I H. Textural features for image classification[J]. Systems， Man and Cybernetics， IEEE Transactions on， 1973 （6）： 610-621.
[8] GOTLIEB C C， KREYSZIG H E. Texture descriptors based on co-occurrence matrices[J]. Computer Vision， Graphics， and Image Processing， 1990， 51（1）： 70-86.
[9] 鄒超，朱德森，肖力.基于模糊類別共生矩陣的紋理疵點檢測方法[J].中國圖象圖形學報，2007，12（1）：92-97.
[10] 管聲啟.方向性紋理織物疵點檢測方向研究[J].計算機工程與科學，2011，33（3），73-76.
[11] TSAI I S， HU M C. Automatic inspection of fabric defects using an artificial neural network technique[J]. Textile Research Journal， 1996， 66（7）： 474-482.