摘 要： 提出一种由灰度共生矩阵生成相应特征图像的算法，进行了图像分割和织物疵点检测。先将织物疵点图像进行灰度级量化至16级，再提取0°，45°，90°，135°四个方向上的灰度共生矩阵，通过计算灰度共生矩阵中的熵、相关性、对比度、差异性、逆差矩共五种特征值并生成相应的特征图像，对常见的5种织物疵点进行了分割检测实验。实验结果证明基于灰度共生矩阵生成特征图像的检测算法是一种检测效果良好的疵点检测方法。

关键词： 灰度共生矩阵；特征图像；疵点检测

0 引言

　　织物疵点检测是现代纺织工业产品质量监管中的重要环节之一。随着计算机技术在工业表面检测中的推广与应用，基于机器视觉的织物疵点检测方法逐渐成为纺织工业发展的一个趋势。纺织品由于其制造工艺特性具有规则的周期性纹理，而织物疵点可看成正常纹理结构的一种畸变，因此检测织物疵点实质上是一个分析纹理突发畸变的过程。理论已证明图像的灰度共生矩阵是一种很好的纹理分析方法，可广泛用于将图像灰度值转化为纹理信息[1]。当前采用基于灰度共生矩阵疵点检测方法的参考文献[2-5]主要是通过计算特征值并通过特征值的归纳分类判断疵点，无法完成对疵点图像的分割及相关信息的提取。而本文提出的算法可以通过特征值生成特征图像，进而完成疵点的分割与检测。将文中算法与基于Hough变换和Gabor滤波的检测算法以及基于频域筛状滤波器的检测算法进行对比实验，对勾丝、缺经、破洞、油污、缺纬5种常见的织物疵点进行检测，本文算法效果最好。

1 灰度共生矩阵基本原理

　　纹理描述的灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）方法是基于在纹理中某一灰度级结构重复出现的情况，如待分析图像中的一个M×N的子图窗口，P，d（a，b）表示在方向上间隔距离为d的像素组（a，b）在窗口中出现的次数。非归一化共生矩阵可以表示为公式（1）~（4）[6]：

　　其中|{…}|指集合的基数，D=（M×N）×（M×N）。

　　下面一个例子阐述计算d=1共生矩阵。图1为一个具有4个灰度级的图像。

　　矩阵P0°，1按照如下方式构造：元素P0°，1（0，0）表示在方向角度为0°上相邻的两个灰度值均为0的次数；在这种情况下P0°，1（0，0）=4。同理，元素P0°，1（3，2）表示在方向角度为0°上相邻的两个灰度值均为3和2的次数；注意P0°，1（3，2）=1，则P0°，1（2，3）=1，因为矩阵的对称性：

　　对其他方向和距离值d的矩阵P，d的计算亦是同理。GLCM体现了影像灰度值在某一方向和间隔时的特点，但区分纹理的特征并不能由它直接给出，所以需要在其基础上获取统计属性用来定量描述纹理。

　　根据GLCM特点，Haralick等提取了14种特征值用于纹理分析[7]，但在使用它时，由于计算机工作量较大，运行时间太长，考虑到使用的效率，一般情况下采用以下几个比较常见的特征值来提取纹理的特征[8]：

　　（1）二阶矩：又称能量，是图像均匀性的测度，图像的灰度分布越均匀，相应的ASM值越大；反之，ASM越小。

　　（2）熵：为图像随机性灰度分布的信息量，是图像纹理复杂情况的表征。图像的灰度越复杂，熵越大；图像中灰度越均匀，熵越小。

　　（3）对比度：反映局部图像中的变化测度，图像中灰度值差别越大，则图像边缘越锐利，对比度也就越大；典型的是k=2，λ=1。

　　（4）逆差矩：测量灰度图像的局部图像强度的均匀性，如果局部均匀，逆差矩值较大。

　　（5）差异性：其度量与对比度相似，但是为线性增加，局部对比度越高，差异性越大。

　　（6）相关性：是图像中灰度值线性度的测度，表述共生矩阵中各行各列中灰度值之间的相似度。

2 本文算法设计

　　2.1 图像灰度级量化

　　相机获取的图片灰度值范围为0～255，即图片为8位。灰度共生矩阵的计算量由图像灰度级和图像大小共同决定[9]，如一幅大小的256级灰度图，其计算量达512×512×2562=1.72×1010次，目前性能较高的民用计算机的计算能力为1 000万次/s来换算，则需要约28 min才能计算完毕。如此长的计算时间不适合实际要求，因此在图像大小不变的情况下需要采用将图像灰度级量化，本文对布匹图像灰度级量化到16级。为不影响图像的清晰度，在对图像量化前先对图像做均衡化处理，以扩大图像灰度值的动态范围，再进行量化；将灰度值除以16后取整，便可将其从0～255转换为0～15；从而降低灰度共生矩阵的大小。将灰度值量化至0～15后人眼看上去图片非常暗淡甚至是全黑的显示状态，但不影响后续的计算和特征提取。

　2.2 共生矩阵提取与特征值计算

　　特征值求解中需要确定GLCM的内核窗口、步距、方向三个要素。使用GLCM进行纹理分析须选取一定大小的窗口，本文选用5×5大小窗口；通过实验对比采用d=1的步距，即窗口中心像元与其相邻的像元进行对比运算；方向一般选取为0°，45°，90°，135°，每个方向上都能够得出不同的特征值，如此表述纹理特征过于复杂也不利于后期特征图像的生成，因此将这四个方向上所求的特征值取均值后作为该窗口特征值。

　2.3 特征图像生成

　　图2为特征图像生成方法原理，图2（a）左上斜纹区域为一窗口，计算窗口特征值并将其赋值给窗口的中心像元；然后将窗口右移一个像素，同第一步方式求解并赋值给中心像元，循环执行至整张图像后可得到一个中心白色区域，如图2（c）所示，则白色部分为此图片的特征值构成；对于边界像元的纹理特征值采用0来填充，如此便可得到原图像的特征图像。

3 本文算法实验结果

　　下面以时效性和检测效果为指标，对基于GLCM特征图像的疵点检测算法进行实验测试。

　3.1 算法时效性

　　本文测试系统选取的计算机硬件为Intel 2.6 GHz CPU、2 GB内存，软件平台为OPEN CV2.3、Visual Studio2010，所选图像的大小均为512×512。表1为算法各个模块的时间消耗，从表中可以看出该算法耗时主要集中在四个方向上的共生矩阵的提取上，该处耗时为1 430.7 ms。

　3.2 算法实际检测效果

　　分别选取勾丝、缺经、破洞、油污、缺纬五类常见疵点实验，实验结果如图3～7所示。由图3～7可以看出，疵点图像经过特征提取后生成的特征图像具有很明显的区分性，有利于后续的分割处理；对比各特征图像不难发现，子图中（d）熵特征图对这五类疵点均具有很好的效果，而差异性、对比度、相关性、逆差矩特征图对油污检测效果不佳，不利于后期的处理；此外，从图5（e）、7（e）中可以看出，相关性特征图在勾丝疵点、破洞疵点图像中效果也不理想；而对于缺经和缺纬疵点，五种特征图像均有着很好的效果，疵点和背景都有很强的对比度。

4 三种算法实验对比分析

　　在广泛研究疵点检测相关文献的基础上，选取目前织物疵点自动检测中基于Hough变换和Gabor滤波的检测算法[10]、基于频域筛状滤波器的检测算法两种常用的特征提取算法[11]与本文提出的基于灰度共生矩阵生成特征图像的疵点检测算法对文中的5种类型、同一疵点的检测效果和时效性进行对比分析。实际疵点分割效果如图8～12所示。各图中（a）为所选疵点原图，（b）为Hough变换和Gabor滤波算法对所选疵点的检测分割图像，（c）为频域筛状滤波器算法对所选疵点的检测分割图像，（d）为灰度共生矩阵特征图算法对所选疵点的检测分割图。由图8～12（b）、（c）、（d）对比可以看出三中检测算法对所选取的疵点图像检测效果有优势也有不足之处，其中Gabor算法对破洞疵点的检测效果不佳，其所分割出的破洞疵点产生了很强的畸变，对其他四类疵点检测效果比较理想；频域筛状滤波器对各类疵点的检测分割都在一定程度上丢失了疵点的信息，从分割出来的图像中可以看出包括破洞、缺经、缺纬、油污都出现了断续；将所分割出的疵点形态特征与原疵点图像对比可以看出，灰度共生矩阵特征图像的检测算法对所选的五类疵点检测效果相比于前两种算法来说更理想，能够较完好地保存疵点形态特征。

　　对三种检测算法的时效性和检测效果进行总结比较，比较结果见表2。

5 结论

　　基于GLCM特征图像的布匹疵点检测算法是本文提出的一种利用GLCM计算特征值生成纹理特征图像进而完成疵点检测的方法。现有的相关疵点检测算法仅单纯从特征值上来判断疵点是否存在。本文提出的算法利用GLCM的特征值直接生成特征图像来检测织物疵点，检测效果良好。同时，本文提出的疵点检测算法对其他领域纹理表面缺陷检测同样具有一定的应用价值。

　　参考文献

　　[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] 邹超，朱德森，肖力.基于模糊类别共生矩阵的纹理疵点检测方法[J].中国图象图形学报，2007，12（1）：92-97.

　　[10] 管声启.方向性纹理织物疵点检测方向研究[J].计算机工程与科学，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.