專利名稱：基于小波和共生矩陣的紋理表面缺損檢測方法
技術領域：
本發(fā)明涉及的是一種圖像處理技術領域的方法，尤其是一種基于小波和共生矩陣的紋理表面缺損檢測方法。
背景技術：
紋理表面缺損檢測是圖像處理問題的一個難點，紋理具有周期性灰度或結構變化，因此，小波變換是常用紋理特征提取和分析的基本方法之一。它在頻域進行處理，因而具有快速性的特點。常用檢測方法在紋理特征基礎上，建立紋理模型，通過模型匹配方法進行檢測，或者將缺損看作一類紋理模式對紋理特征聚類，實現紋理分割。這些方法在應用中取得了成功，但是基于模型方法計算量較大，其實時性問題有待于進一步研究，而當缺損很細小時(如滑痕檢測)不足以構成一類紋理模式，因此，基于聚類的方法也有很大局限性。
經對現有技術的文獻檢索發(fā)現，A.Latif-Amet等在《Image Vision andComputing》2000，18，第543-553頁上發(fā)表的“An Efficient Method for TextureDefect DetectionSub-band Domain Co-occurrence Matrices”中結合小波和共生矩陣對紡織品表面進行缺損檢測，首先采用小波變換將紋理圖像分解成不同頻率部分，然后將各頻率子圖像分割為子窗口計算每個窗口的共生矩陣特征進行特征提取，在此基礎上，利用訓練好的分類器對每個子窗口進行判斷，進而識別出哪個子窗口含有缺陷。該方法結合了小波變換和共生矩陣特征進行缺損檢測，但是分類器訓練過程耗時長，需要大量實驗樣本，因而較復雜。因此，如何簡化問題并利用現有平滑圖像檢測技術需要進一步研究。由于紋理一般具有周期性灰度或結構變化，在頻域中表現為高頻部分，如果能夠在頻域中濾除代表紋理的高頻部分，則紋理圖像缺損檢測可以轉化為平滑圖像檢測問題。

發(fā)明內容
本發(fā)明的目的在于克服現有技術中的不足，提供一種基于小波和共生矩陣的紋理表面缺損檢測方法，使其不需要對原圖像進行聚類和特征訓練，就可以檢測出紋理圖像中的缺損區(qū)域。
本發(fā)明是通過以下技術方案實現的，本發(fā)明包括以下步驟(1)對原圖像進行多水平小波變換圖像經小波變換后可以得到四個子圖像，分別為低頻近似子圖像、水平方向高頻子圖像、垂直方向高頻子圖像和對角方向高頻子圖像。對每一水平上的低頻近似子圖像繼續(xù)進行小波變換，可以得到一系列不同水平上的小波變換結果。
(2)計算共生矩陣特征經過步驟(1)的多水平小波變換后，較高水平上的低頻近似子圖像中的紋理信息被進一步分解到高頻子圖像中，從而逐漸平滑。但是，圖像中的缺損一般也對應于高頻部分，隨著分解水平的增加，逐漸模糊因而影響檢測。
共生矩陣是常用的進行紋理分析的統計方法之一，Haralick等在1973年定義了14個共生矩陣特征，這些特征有效反映了圖像紋理的分布情況。其中，局部同質性特征的大小體現了圖像平滑的程度，因此，計算不同水平上低頻近似子圖像共生矩陣特征的大小可以度量隨分解水平的增加，圖像平滑程度的變化。
(3)選擇分解水平在步驟(2)的基礎上，通過觀察及分析發(fā)現隨著分解水平的增加，各低頻近似子圖像的局部同質性特征急劇增加直到某一水平這種增加漸趨平緩。這表明在該水平上的低頻近似子圖像的紋理已被濾除，選取該水平上的低頻近似子圖像則可以得到包含缺損在內的平滑圖像。
為得到該水平，對共生矩陣特征隨分解水平的變化進行分析。首先計算共生矩陣特征基于分解水平的差分，然后在一定的分解水平范圍內求該差分的最大值，則該最大值所對應的分解水平即所求分解水平。
(4)無紋理圖像缺損檢測經過步驟(3)，得到的無紋理缺損圖像，在此基礎上，可以將紋理圖像缺損檢測轉化為無紋理圖像缺損檢測問題。
上述步驟(2)中，計算各分解水平上低頻近似子圖像共生矩陣及其局部同質性特征，共生矩陣計算中取方向(Δm，Δn)＝(1，1)，其計算方法為C(i,j)=Num(P(x,y)=i||P(x+Δm,y+Δn)=j)Σm,n=1M,Npairs,]]>局部同質性特征的計算方法為localhomogeneity=Σi,j=1M,N11+(i-j)2C(i,j).]]>上述步驟(3)中，分解水平的選擇根據共生矩陣的局部同質性特征，其選擇方法為根據步驟(2)得到各分解水平上低頻近似子圖像共生矩陣局部同質性特征，計算該特征隨分解水平的差分分析其變化趨勢，差分計算方法為DHn=0n=1DHn-DHn-Iotherwisen=1,...,N,]]>該差分最大值對應的分解水平作為待選擇的分解水平。
上述步驟(4)，在步驟(3)的基礎上，重構該分解水平上的低頻近似子圖像，得到濾除紋理的缺損圖像，在此基礎上，采用閾值法進行檢測，閾值法具體實現步驟為根據圖像的直方圖以某一灰度為閾值將圖像分成目標和背景兩組并計算兩組間的方差，當被分成的兩組之間的方差最大時，就以這個灰度值為閾值分割圖像，從而實現缺損檢測。
本發(fā)明將紋理缺損檢測轉化為較簡單的無紋理缺損檢測問題，直接在待檢測圖像上進行處理，不需要大量圖像樣本，避免了費時較長的分類器訓練過程，大大提高了檢測效率。同時，由于小波具有多尺度分析性能，保證了檢測的精度。


圖1為帶污跡紋理圖像多水平小波變換示例圖2為多水平小波變換后各水平上低頻近似子圖像共生矩陣特征隨分解水平的變化圖，其中，(a)為各水平上低頻近似子圖像局部同質性隨分解水平變化圖，(b)為各水平上低頻近似子圖像局部同質性的差分隨分解水平變化圖。
圖3為合適分解水平上的低頻近似子圖像及其檢測結果。(a)第三水平上小波變換后得到的低頻近似子圖像，(b)用Otsu閾值法檢測的結果。
具體實施例方式
為了更好地理解本發(fā)明所提出的方法，結合附圖和實施例作詳細描述。
(1)原始圖像進行多水平小波變換由于圖像紋理具有重復性結構及灰度變化，采用傳統基于空域的方法無法成功檢測出灰度相近的缺陷。通過小波變換，可將圖像轉換到頻域進行處理。單水平小波變換可以得到一個低頻近似子圖像A和三個高頻細節(jié)子圖像H、V和D。對每一水平上的低頻近似子圖像繼續(xù)進行小波變換可以構成多水平小波變換。從而得到一系列An，Hn，Vn，Dn(n＝1，…4)其中，An為n水平上低頻近似子圖像，Hn為n水平上水平方向高頻細節(jié)子圖像，Vn為n水平上垂直方向高頻細節(jié)子圖像，Dn為n水平上對角方向高頻細節(jié)子圖像。
在多水平小波變換過程中，對應高頻的紋理信息被逐漸分解到高頻的細節(jié)子圖像當中，低頻近似子圖像逐漸平滑。
(2)計算小波變換后各分解水平上低頻近似子圖像的共生矩陣特征共生矩陣是常用的進行紋理分析的統計方法之一，其計算方法為C(i,j)=Num(P(x,y)=i||P(x+Δm,y+Δn)=j)Σm,n=1M,Npairs---(1)]]>其中，C(i，j)為共生矩陣，P(x，y)為像素(x，y)的灰度值，Num為計數函數，(Δm，Δn)為給定計算共生矩陣的方向。
Haralick等在1973年定義了14個共生矩陣特征，這些特征有效反映了圖像紋理的分布情況，在紋理分析中有著廣泛應用。其中，局部同質性特征的大小體現了圖像平滑的程度，其計算方法為localhomogeneity=Σi,j=1M,N11+(i-j)2C(i,j)---(2)]]>圖像的局部同質性特征越大，則圖像越平滑。反之，則圖像紋理越多。計算各分解水平上的低頻近似子圖像的局部同質性特征并進行比較，可以反映圖像紋理的濾除情況。
(3)選擇合適的小波分解水平得到濾除紋理后的圖像在步驟(1)中，隨著分解水平的增加，低頻子圖像中的高頻部分不斷被分解到高頻子圖像中，低頻子圖像逐漸平滑，而圖像中的高頻的缺損部分也逐漸模糊。通過步驟(2)計算各分解水平上低頻近似圖像的局部同質性特征，發(fā)現在一定分解水平之后，局部同質性特征的增加平緩，說明在該水平上紋理已基本濾除。該水平的選取可通過尋找局部同質性特征隨分解水平差分的最大值得到。
DHn=0n=1DHn-DHn-Iotherwisen=1,...N---(3)]]>appropriatelevel＝{m|DHm≥DHn(n＝1，...N)}(4)(4)無紋理圖像缺損檢測步驟(3)得到合適分解水平，在該水平上構建低頻近似子圖像則得到濾除紋理的缺損圖像。在此基礎上，采用閾值法等傳統無紋理缺損檢測技術進行缺損檢測。
實施例為驗證本發(fā)明所提出方法的有效性，以液晶屏表面污跡檢測為實施例進行實驗。
(1)對紋理圖像進行多水平小波變換對原始圖像采用4層小波變換得到如附圖1所示的分解結果，在每一層上得到低頻近似子圖像和三個方向的高頻細節(jié)子圖像。
(2)計算低頻近似子圖像共生矩陣特征根據公式(1)和(2)計算各分解水平上低頻近似子圖像的局部同質性特征。附圖2(a)給出低頻近似子圖像局部同質性特征隨分解水平變化情況圖，可以看出，當分解水平小于3時，局部同質性特征隨著分解水平的增加迅速增加，說明圖像中的紋理迅速減少；當分解水平大于3時，這種增加趨勢逐漸平緩，說明圖像中紋理已基本濾除。
(3)利用共生矩陣特征在各分解水平上的差分最大值確定合適的分解水平附圖2(b)給出了局部同質性特征隨分解水平的差分，從圖中可看出，當分解水平為3時，差分取得最大值，因此該水平為所求的分解水平。
(4)重構圖像并利用無紋理缺損檢測方法進行檢測附圖3(a)為重構得到的無紋理圖像，圖3(b)給出利用Otsu閾值法進行檢測的結果。
實驗證明，本發(fā)明提出的方法能有效檢測紋理表面的缺損。
權利要求
1.一種基于小波和共生矩陣的紋理表面缺損檢測方法，其特征在于，包括以下步驟(1)對原圖像進行多水平小波變換通過小波變換，將圖像分解為不同頻率部分，對每一分解水平上的低頻近似子圖像繼續(xù)進行分解，構成多水平小波變換(2)計算共生矩陣特征根據步驟(1)得到的一系列低頻近似子圖像，計算紋理共生矩陣及其局部同質性特征，得到圖像平滑程度隨分解水平的變化情況；(3)選擇分解水平根據步驟(2)的計算結果，計算各分解水平上局部同質性特征的差分，求差分最大值對應的分解水平即所求的分解水平；(4)無紋理缺損圖像檢測在步驟(3)得到的分解水平的基礎上，重構圖像，得到包括缺損在內的無紋理圖像，采用無紋理缺損檢測方法進行檢測。
2.根據權利要求1所述的基于小波和共生矩陣的紋理表面缺損檢測方法，其特征是，步驟(2)中，計算各分解水平上低頻近似子圖像共生矩陣及其局部同質性特征，共生矩陣計算中取方向(Δm，Δn)＝(1，1)，其計算方法為C(i,j)=Num(P(x,y)=i||P(x+Δm,y+Δn)=j)Σm,n=1M,Npairs,]]>局部同質性特征的計算方法為localhomogeneity=Σi,j=1M,N11+(i-j)2C(i,j).]]>
3.根據權利要求1所述的基于小波和共生矩陣的紋理表面缺損檢測方法，其特征是，步驟(3)中，分解水平的選擇根據共生矩陣的局部同質性特征，其選擇方法為根據步驟(2)得到各分解水平上低頻近似子圖像共生矩陣局部同質性特征，計算該特征隨分解水平的差分分析其變化趨勢，差分計算方法為DHn=0n=1DHn-DHn-1otherwisen=1,...N,]]>該差分最大值對應的分解水平作為待選擇的分解水平。
4.根據權利要求1所述的基于小波和共生矩陣的紋理表面缺損檢測方法，其特征是，在步驟(3)的基礎上，重構該分解水平上的低頻近似子圖像，得到濾除紋理的缺損圖像，在此基礎上，采用閾值法進行檢測，閾值法具體實現步驟為根據圖像的直方圖以某一灰度為閾值將圖像分成目標和背景兩組并計算兩組間的方差，當被分成的兩組之間的方差最大時，就以這個灰度值為閾值分割圖像，從而實現缺損檢測。
全文摘要
一種圖像處理技術領域的紋理表面缺損檢測方法，步驟為(1)對原始圖像進行多水平小波變換；(2)計算并分析小波變換后各水平上低頻近似子圖像的共生矩陣特征；(3)選擇合適分解水平，得到濾除紋理后的缺損圖像；(4)采用傳統無紋理缺損檢測技術進行檢測。本發(fā)明結合小波變換和共生矩陣濾除圖像中高頻的紋理信息，將紋理缺損檢測問題轉化為較簡單的無紋理缺損檢測，不需要大量樣本訓練分類器，提高了檢測效率，同時不需要標準圖像樣本，可以直接對缺損圖像進行處理。
文檔編號G06T7/00GK1845175SQ20061002608
公開日2006年10月11日 申請日期2006年4月27日 優(yōu)先權日2006年4月27日
發(fā)明者韓彥芳, 施鵬飛 申請人:上海交通大學