纹理织物瑕疵检测中的优化问题.docxVIP

纹理图像是我们日常生活中十分常见的一种图像类型，如壁纸、地砖、布艺等。纹理图像分析在纺织工艺、印刷、指纹识别、材料设计和生物形态学分析等领域有重要应用。除了图像的灰度值、光滑性等基本信息外，我们有时更关注纹理图像的细节、边界、重复结构等数字化特征。

图1：纹理图像示例

纹理图像有三个基本特征：局部周期性、非随机性平面嵌入、有限区域内均匀统一。图像的纹理信息是除了色度外最重要的数字特征。同样的色度但不同周期性结构的纹理图像会给人带来不一样视觉效果。例如，在纺织工艺中，通过设计不同的图案基元，可以生产平纹、斜纹、镂空、提花等纹理织物[2]。一般情况下，纹理织物的数字化特征取决于图案基元的周期性分布方式。如图1所示，纹理织物是由相同或相似的图案基元按照一定的规则在二维平面上周期性地排列而成。

图2：纹理图像的构成

图像的特征提取已广泛应用于计算机视觉处理的各个分支，而识别纹理图像的基本单元是图像分析的一项重要研究内容。纹理织物可以视为晶格（Lattice）在二维平面中的嵌入，而晶格又可进一步分解为更小的图案基元（Motif）。图案基元有三角形、矩形和平行四边形三种形式。一个给定的图案基元在二维平面中通过平移、镜像、旋转、滑动镜像四种变换可以构成一个晶格。图2展示了一幅纹理织物图像及其对应的图案基元和晶格。根据图案基元和晶格之间的位置关系，几何学家借助群论概念证明了纹理织物共有17类，亦称为平面对称群或壁纸群[5]。图3展示了17类壁纸群的图案基元和晶格的几何缩略图[8]，其中符号p，c分别表示初始单元格和以面为中心的单元格，接下来的数字表示旋转变换的次数；符号m和g分别表示镜像和滑动镜像变换。纹理织物中图案基元的细微差别可能导致它们分属于不同的类别，而灰度值、晶格大小、排列规则迥异的两种纹理织物可能属于同一类。如图1中的(c)和(d)两幅视觉效果不同的纹理织物却同属于p4类。

图3：17类平面对称群

1瑕疵检测问题

在纺织生产中，纹理织物在织造过程中可能会出现扭结、划痕、破洞、污损等瑕疵（如图4）。如何精准地、高效地检测出纹理织物中的瑕疵大小、位置以及种类，对于提高产品质量、资源利用率和生产效率有着重要的经济意义。人工方式的瑕疵检测具有劳动强度大、检测效率低、瑕疵的甄别或分类易受主观因素影响等缺点，很难满足工业生产的要求。随着计算机视觉和模式识别技术的发展，建立纺织品的自动化视觉检测（AutomatedVisualInspection,AVI）系统是纺织科学与织造工艺中的一项重要研究内容。因此，纹理图像的图像分析、模式识别和特征提取等在自动化视觉的瑕疵检测中发挥着重要作用。

图4：有瑕疵的纹理织物

给定一幅图像，纹理分析的目的是将图像分解成统计性质无关的cartoon部分和texture部分的叠加。图5中的cartoon呈现了图像的轮廓、平滑结构及灰度值等信息；texture则包含了图像的纹理、细节及重复结构等信息。尽管cartoon与texture的函数性质迥异（前者具有分片光滑性，后者具有高频周期性），二者在Sobolev空间范数下都具有稀疏结构\cite{Aujol06}。具体地，给定一幅图像的向量化表示?，?空间中的半范数?（即全变差范数）可以用于正则化图像的分片光滑部分，而其对偶范数（左右滑动查看公式）

可以用于正则化图像的高频振荡部分。

图5：纹理织物的cartoon和texture部分

AVI系统借助图像分析技术来检测纹理织物中的瑕疵有两类方法：图案基元类和非图案基元类方法（见综述[4]）:

图案基元类的方法:在已知图案基元的前提下，借助晶格的周期性结构和图像处理中的滤波器等工具，鉴别纹理中潜在的瑕疵区域。由于p1类纹理的图像函数具有各项同性的特点，针对p1类纹理的瑕疵检测已有较为成熟的算法，包括基于自相关函数、共生（Co-occurrence）矩阵、马尔科夫随机场的统计类方法；基于数学分形和形态学分析的计算几何类方法；基于自回归、神经网络的机器学习类方法；基于统计分类的Bollingerband（BB）方法和Regularband（RB）方法等。

非图案基元类方法:当图案基元未知或较难提取时，分析纹理图像在某种变换下的稀疏性（如Fourier,wavelets,Gabor变换等）、周期性、低秩性等特点，建立极小能量函数，获取优化模型的最优解。由于非p1类纹理的图像函数具有各项异性（anisotropy）的特点，其相应的瑕疵检测问题较为困难。目前，有一系列针对特定类别纹理的瑕疵检测方法，如针对镂空类织物的图像反馈法、提花类织物的Hash函数法、p2、p4m和pmm类织物的G