摘 要： 提出了一種改進的自適應閾值算法。首先引入前置低通濾波器，降低局部紋理的復雜性，同時較好地保持疵點區域，然后對濾波后的織物圖像進行自適應閾值分割，可獲得較好的分割效果。實驗結果表明，該算法對簡單紋理和復雜紋理的織物圖像均具有較好的分割結果。
關鍵詞： 疵點檢測； 閾值分割； 低通濾波； 自適應閾值
織物疵點檢測是織物生產過程中的一個重要環節。傳統的疵點檢測方法是由驗布人員參照驗布標準，尋找布面疵點。該類檢測方法勞動強度大、檢測效率低，驗布結果易受驗布人員主觀影響，且誤檢率和漏檢率高?；跈C器視覺的織物疵點自動檢測成為人們關注和研究的焦點。該類方法可以根據圖像的灰度分布自動選擇最優灰度閾值，將疵點區域從織物圖像中分離出來。
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閾值算法等。參考文獻[1]提出基于雙峰法的圖像分割技術，通過計算直方圖，選取兩波峰之間谷底對應的灰度值作為分割閾值，該類方法僅適用于背景簡單、直方圖具有典型雙峰分布特性的織物圖像，但對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[2]提出基于迭代法的圖像分割技術，能把目標與背景的主要部分區分出來，但圖像的部分細節不能得到很好的區分。參考文獻[3-5]提出基于最大類間方差法的圖像分割技術，當圖像中目標與背景的大小之比很小時，該方法分割檢測圖像效果較差。參考文獻[6]提出基于自適應閾值的圖像分割算法。該類方法通過引入權值，改進了最大類間方差法，在常見的織物圖像上取得了較好的檢測結果，但對于復雜紋理的織物表面檢測效果并不理想?；谏鲜鲈颍疚奶岢龌诟倪M自適應閾值的疵點檢測算法，通過引入前置低通濾波器，降低局部紋理的復雜性，同時較好地保持了疵點區域，對濾波后的織物圖像采用自適應閾值分割算法，得到了滿意的效果。
1 低通濾波器設計
織物圖像濾波可分為空域濾波和頻域濾波。頻域濾波是以對圖像的傅里葉變換系數進行濾波為基礎的，根據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。傳統的自適應閾值算法檢測復雜紋理的織物圖像時效果并不好，原因在于復雜紋理織物圖像灰度值變換較為劇烈，影響分割結果。本文通過設計低通濾波器對采集的織物圖像進行平滑濾波，可以降低局部紋理的復雜性，同時消除噪聲，改善圖像質量。
設待處理圖像為f(x,y),其傅里葉變換表達式為F(u,v)，H(u,v)是低通濾波器的傳遞函數，濾波后圖像的傅里葉變換用G(u,v)表示，則低通濾波的數學表達式為：
2 自適應閾值算法
最大類間方差法根據圖像的灰度特性，把圖像分為背景和目標兩部分。背景與目標之間的類間方差越大，說明構成圖像的兩部分的差別越大，如果把背景錯分為目標或目標錯分為背景,就會導致兩部分差別變小。具體算法如下。
同理，當有N-1個閾值(N個類別)時，自適應閾值最佳閾值計算公式為：
3 實驗結果與分析
本實驗程序代碼在Matlab 7.0環境下運行。對幾種典型的織物疵點進行檢測，所用圖像為灰度圖像(若為彩色圖像，可將其轉換為灰度圖像)。實驗結果如圖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較小的暗點，該圖片紋理相對較為簡單，但光照不均勻。采用最大類間方差方法檢測結果如圖1(b)所示，可以看出該方法受光照影響較大，分割結果完全錯誤。而自適應閾值方法及本文改進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復雜，表面有明顯的污跡，且有噪聲污染?？椢飿颖?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閾值法檢測的結果如圖2(b)、圖2(c)和圖3(b)、圖 3(c)所示，由于圖像紋理復雜，直方圖不存在雙峰型分布，兩者均不能分割出疵點部分，而用本文改進的方法能正確分割，且獲得了理想的分割效果。
本文提出了一種基于改進的自適應閾值的織物疵點檢測方法。首先采用低通濾波器對織物圖像進行平滑處理，然后用自適應閾值算法對圖像分割檢測。實驗結果表明，改進的自適應閾值法不僅適用于紋理相對簡單、疵點不明顯的圖像，也適用于紋理復雜的圖像，且不受光照、噪聲影響。本文算法簡便易行，可用于實時織物疵點檢測系統中。
參考文獻
[1] 楊修國. 關于直方圖雙峰法的研究與改進[J]. 電子設計工程，2012，20（12）：176-179.
[2] 沈圓，李國勇. 圖像的閾值分割法設計[J]. 機械工程與自動化，2012(5):45-46.
[3] 梁光明，劉東華，李波，等. 二維Otsu自適應閾值分割法的改進[J]. 自動化技術與應用，2002，21(5)：43-47.
[4] 陰國富. 基于閾值法的圖像分割技術[J].現代電子技術, 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.