基于MSA矩的帘子布疵点识别算法研究

基于MSA矩的帘子布疵点识别算法研究首先给出了仿射变换的定义,并在此基础上建立了一种新的仿射变换途径——多尺度自卷积变换,构造了一组仿射不变矩(MSA矩),给出了它的明确表达式,然后计算帘子布样图像的MSA矩,以这些MSA矩为输入向量对BP神经网络进行训练,最后采用已训练的BP神经网络进行帘子布疵点识别。试验证明,这种方法可准确识别出帘子布断经、浆斑、劈缝、稀经和经线粘连等疵点。1引言在纺织品质量控制环节中,织物疵点检测具有重要意义,它直接关系到纺织品的最终质量评定。织物疵点识别是近几十年来国内外专家学者研究的热门课题之一,已有一些成果可见报道。但由于织物疵点本身形态各异,种类繁多,使得织物疵点检测成为研究领域的一个难题。研究开发出适应性强、实时性好、检测精度高、分类效果好的检测算法仍然是研究人员面临的一个急需解决的问题。解决此问题的关键是找到有效的不变特征。本文基于多尺度自卷积(Multiscaleautoconvlution,MSA)变换构造了一组新的不变量,得到帘子布这一特殊纺织品的MSA矩,然后利用BP神经网络实现疵点的自动学习和分类。2MSA矩2.1MSA矩定义JanFlusser等提出了一组仿射不变量,但Flusser的仿射矩不变量(AMI)识别率低,同时由于高阶不变量对噪声敏感的缺点,因而只能利用低阶不变矩,限制了它在实际中的应用。对于图像函数f来说,所有的矩是相等的,且一阶矩包含了与其它矩相同的信息。MSA变换的仿射不变量分类不需要利用更高阶矩。图像函数f的仿射不变特征,即f(UA,B)的期望值或其矩g[f(UA,B)],对于f的任何仿射变换都是不变的.f(UA,B)的第k阶矩为Fk(A,B=E[f(UA,B)]k,定义f(UA,B)的MSA变换为其第一阶矩F(A,B)=E[f(UA,B)],即为MSA矩。2.2MSA矩表达式若f(x):R2yR,f\0是L1(R2)HL2(R2)中的一个图像亮度函数,其归一化形式为p(x)=(1/+f+L1)f(x),p(x)是一个概率密度函数。若取R2中的独立随机变量X0,X1和X2,则有pXj(xj)=p(xj)。对这些随机变量的三个样本(x0,x1,x2)进行如下变换:u=A(x1-x0)+B(x2-x0)≠0(1)式中:A,B——u在原点和在x0点的两个向量x1-x0和x2-x0生成空间中的坐标。引理1X,Y是R2中的两个独立随机变量,设其概率密度函数为:(2)若a≠0,则PaX(z)=(1/a2)p(z/a)令C=1-A-B,则式(1)变换为:UA,B=AX1+BX2+CX0(2)利用引理1可得到:PUA,B(u)=(PA*PB*PC)(u)(3)如果aX0,则Pa(x)=(1/a2)p(x/a);如果a=0,则Pa(x)=D(x)。f(x)的MSA变换为:利用p(x)=(1/+f+L1)f(x),并假定所有的A,B,C≠0,则可得到的表达式时域形式为:为实现多尺度自卷积在频域的计算,定义傅里叶变换对如下:由于图像的多尺度表示容易实现,避免了直接应用傅里叶变换带来的复杂计算,所以MSA变换的实现将基于式(8)。实验中,插值的实现是通过在已知的样本中加入0。降维的实现是通过把图像依次进行十等分,把每个小区域中的元素累加形成一个新的元素。这两种方法在概率密度上保持了图像每部分间的统计关系。利用此性质可以发现(A,B)平面上的最小区域,这就决定了MSA变换的值.但存在许多可能性,其中之一如图1所示。通过改变A和B的值,得到无穷多的仿射不变量特征F(A,B)。3帘子布的MSA矩帘子布是一种产业用纺织品,其纬线稀疏,经、纬线之间无强力的位置约束,正常帘子布的纹理图像有较大的变化。由于多尺度自卷积矩具有旋转不变性,可以大大克服帘子布纹理图像的上述问题。图像采集系统由CCD工业摄像机和图采集卡象位于摄像机与照明装置之间,得到实验中所采用的帘子布图像。建立一个正常帘子布(50幅)和五种疵点图像(每种150幅)共计800幅的帘子布图像库,其中每幅图像均为256@256点阵,256阶灰度的灰度图像。图2(a)为正常纹理的帘子布图像,余依次为浆斑、稀经、粘并、断经和劈缝五种疵点帘子布的图像。选取帘子布图像库各类型帘子布图像(每种类型50幅)为训练样本。试验中,分别对各种类型的帘子布图像灰度求均值,以保证训练样本的MSA矩能够正确地反映各类帘子布图像的特征。计算它们的MSA矩时,根据MSA的性质,可以通过改变A和B的值,得到无穷多的仿射不变量特征F(A,B)。经实验选择8对(A,B)值的多尺度自卷积变换构成特征不变量,即[-0.10.1],[-0.10.3],[-0.20.2],[-0.20.3],[-0.20.4],[-0.30.3],[-0.30.4],[-0.40.4]。利用式(9)计算它们的MSA矩,结果如表1所示。4BP神经网络分类器设计为验证MSA矩的识别能力,采用BP神经网络对疵点图像进行了识别。表1中不同的疵点类型对应不同的MSA矩,将结果作为疵点类型判定的特征值,BP神经网络作为疵点分类器,即可实现帘子布疵点分类。因选择8对(A,B),故取BP神经网络输入结点数N1=8;正常纹理和疵点类型共6种,取输出结点数N3=6;隐含层结点数按经验公式N2=2@N1+1,取N2=17,则BP神经网络模型为/8-17-60三层结构。在建立了神经网络后,还要对该网络进行学习训练。采集若干组正常织物及疵点图像经多尺度自卷积后提取特征值送入神经网络进行训练,网络训练成功后,其权值即确定下来。在对未知织物图像进行识别时,神经网络由于具备并行运算、自学习、自组织等特点,可以快速地计算,给出正确的识别结果。采用MATLAB软件中的神经网络工具箱训练网络,学习函数取梯度下降动量函数/learngdm0,学习率取0.1,传递函数取S型的正切函数/tansig0、S型的对数函数/logsig0,训练函数取Levenberg-Marquardt函数/trainlm0,性能分析函数取均方误差函数/mse0,经过485次训练可以收敛到0.001。利用已经训练好的BP神经网络对帘子布图像库的100幅疵点图像进行分类识别。计算疵点帘子布图像的MSA矩,分别将每幅疵点图像的MSA矩送入已经训练好的BP神经网络,疵点图像都能被正确地识别。尽管样本集中每幅帘子布疵点图像的纹理有较大差别,由于MSA矩的旋转不变性,MSA矩有极小的差异,相对于仿射不变矩(AMI),MSA矩识别率高,稳定性好。5结论本文采用MSA矩结合BP神经网络技术研究帘子布的疵点识别,给出了不同疵点帘子布的MSA矩,再利用已训练的BP神经网络进行帘子布图像疵点识别的方法。实验证明了该方法的有效性,为克服帘子布生产中人眼检测疵点的不足提供了一条有效的途径,也可为其他织物疵点的自动识别借鉴参考。