摘 要： 织物瑕疵纹理特征复杂，单一特征不能很好地反映纹理信息。为此，本文提出一种基于局部二进制模式（Local Binary Pattern，LBP）算子和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）的多特征融合算法。首先，对LBP算子进行了改进，提出一种基于邻域像素中值的中心对称LBP算子；然后，将其提取出的纹理特征和灰度共生矩阵提取的纹理特征进行融合；最后，通过极速学习机和支持向量机做分类实验，验证融合特征描述织物瑕疵纹理特征的能力。实验表明，本文方法提高了织物物疵点检测率，并且具有很好的抗干扰能力。
关键词： 纹理特征；中心对称二进制模式；灰度共生矩阵；特征融合
0 引言
织物的疵点检测是纺织品质量检测的重要环节。传统基于人工的检测，存在主观因素大、不能满足市场发展要求等问题。近年来，针对计算机视觉的疵点自动检测的研究成为热点。纹理在图像中普遍存在，所以成为一种重要的研究线索。目前，常用的纹理特征提取算法主要可以分为四大类：结构分析方法、统计方法、纹理模型方法和信号处理方法[1]。其中，灰度共生矩阵（Gray-Leve Co-occurrence Matrix，GLCM）是基于统计的纹理分析方法，应用最为广泛[2]。但是该算法是从整体上描述纹理特征信息。局部二进制模式（Local Binary Pattern，LBP）可以很好地描述纹理的局部特征信息，LBP有很多的衍生算子，参考文献[3]中提出的带有门限噪声的中心对称局部二进制模式（Center-Symmetric Local Binary Pattern，CS_LBP）就是其中的一种。CS_LBP虽然能够对图形进行降维并具有旋转不变性和较好的噪声门限，但是对噪声的抗干扰性能不足。为此，本文提出一种基于邻域像素中间值的中心对称MCS_LBP算子，并与灰度共生矩阵提取的4个特征量（对比度、相关性、能量、熵）进行特征融合，提高对光照等因素抗干扰能力和算法的鲁棒性。
最后通过ELM（Extreme Learning Machine）和SVM（Support Vector Machine）对提取的特征进行分类处理，通过分类的精确度，验证本文算法提取的融合特征对织物瑕疵纹理特征描述的检测能力。本文设计的织物疵点检测系统的结构如图1所示。
1 织物瑕疵纹理特征提取
1.1 灰度共生矩阵
灰度共生矩阵由Haralick在1973年首先提出[2]。矩阵是由图像灰度级之间的联合概率密度构成的，是从统计的角度反映图像中任意两点间灰度的空间相关性。如下式：
[P（i，j，d，
]L×L（1）
其中，
为定义的方向，取值为0°，45°，90°，135°四个方向；d为间距；i，j分别表示i行，j列；L是指矩阵的维数。熵（H）、相关性（C）、能量（E）、对比度（I）的定义表达式如下：
1.2 LBP算子
LBP算子是从局部近邻定义中衍生出来的。具有灰度不变性、旋转不变性、对光照变化不敏感、计算快速简单等优点，在图像处理方面被广泛使用[4]。传统的LBP算子为图像的每个像素定义了一个以该像素为中心的3×3窗口（纹理单元），然后以此中心像素的灰度值为阈值，对窗口的其余8个像素进行二值化，然后根据像素的位置和二值化的结果进行加权求和，得到该像素的LBP值，具体的公式如下：
其中：
V（pi-pc）=1，pi-pc≥00，pi-pc<0（7）
其中，（xc，yc）为8邻域的中心像素C的坐标，像素值为pc，i为邻域像素，像素值为pi，R为邻域半径，以像素为单位，Ｎ表示以R为半径的圆周邻域上像素个数。LBP算子的示意图如图2。
由公式（6）、（7）得出：LBP=（00111100），换算成十进制为60。
传统的LBP特征在进行直方图统计时数量多而且具有较多的冗余，其衍生算子即带有门限噪声的CS_LBP算子（Center Symme-tric Local Binary Pattern）[5-6]具有很好的统计特性，同时具有中心对称特性。如图3所示，以gc为中心，按顺时针将两个对称像素的灰度值进行比较，能够得到只有16维的直方图，对LBP起到降维的作用。CS_LBP算子的计算如式（8），计算的方法类似于LBP算子。
但实际应用中发现，CS_LBP虽然具有对图形进行降维、旋转不变性和噪声门限的优点，但对光照等抗干扰能力有所欠缺。为此，本文提出基于邻域像素中间值的中心对称的MCS_LBP算子。基于邻域像素中值的LBP算子公式如下：
邻域中间值的概念如下：
邻域周围的像素点按照像素值从大到小的顺序排列，下标记作1，2，…n，即对于有限序列{x1，x2，…xn}的中值定义如下：
基于邻域像素中值的算法对邻域像素灰度值进行排序，减少了光照、噪声等因素引起的局部像素值的突变。
综上所述，本文提出一种新的局部纹理算子——MCS_LBP（Median Center Symmetric Local Binary Pattern），综合公式（8）和公式（9），得：
MCS_LBPP，R=（M_LBPP，R，CS_LBPP，R）（12）
2 特征融合算法
织物瑕疵纹理特征复杂，单一特征不能很好地反映纹理信息。首先，将灰度共生矩阵提取的反应织物纹理信息的能量、熵、对比度、相关性4个特征和本文改进的MCS_LBP算子提取的局部纹理特征进行融合。由于特征向量维数较大，所以在进行特征融合之前，需要对融合的特征进行主成分分析（Principal Component Analysis，PCA）[7]，这样可消除特征间的冗余信息，降低特征空间维数。本文引用一种权重因子来进行特征融合[8]，模型如下式：
其中，N表示描述每一种类别的特征总数，cj表示类别，ati为特征ti的权重，d表示待分对象。
原理：对Ｎ个特征，单独用每一个特征分类，得到Ｎ组概率值。按照各项特征对于分类的重要度，可对这Ｎ组概率值加权求和，得到各个类别最终的分类准确率。
关于权重的估计，本文采用参考文献[8]中的方法进行处理。用一个分类器训练不同特征的权重。将单独使用特征ti分类的结果表示为向量Pti=（Pi1，Pi2，…，PiN），i=1，2，…N。Pij表示用特征ti分类后类别cj的分类准确率，由此可得到N个特征分类后的结果，可以用矩阵P=（Pi1，Pi2，…，PiN）表示，由公式（13）可得到分类准确率的方程组：
其中，a=（at1，at2，…，atN）表示待求的各特征的权重。P为特征分类准确率矩阵，矩阵元素为各项的分类准确率。f表示累加后的各个类别的分类准确率，在权重训练时，已经对类别进行了人工标注。仿照参考文献[8]的方法将其他类别加入了松弛变量，防止出现过拟合的情况。
这样对于M个训练样本求解平均，从而得到最终的特征权重：
3 织物疵点检测的应用
织物纹理的种类繁多，但随着技术的进步，目前实际生产中常见的疵点主要有图3所示的8种，本文主要针对8种平纹织物瑕疵图像进行分类。图3展示了常见的疵点外形特征。
具体实验如下：每种疵点选取图片50张，其中25张作为训练样本，剩余的25张作为测试样本。首先进行样本预处理，主要是同态滤波、直方图均衡化等处理，处理后的图像如图4所示。然后通过CS_LBP、M_LBP、本文的方法进行特征提取，接下来是主成分分析和特征融合，为分类器训练准备。
在分类器的设计上，为了更好地显示分类效果，验证本文方法的合理性，本文选择支持向量机和极速学习机两种分类算法。主要是因为基于SVM的织物疵点检测的研究相对较为成熟，已取得一些较好的实验成果，如参考文献[10，12]中均取得较好的分类结果。另一方面由黄广斌等[9，11]提出的ELM是一种基于单隐层前馈神经网络（Single-hidden Laye-er Feedforward Network，SLFN）的极速学习算法。其最大的特点是：训练速度快于现存的任何一种递归学习算法[13]。只需要设置网络的隐层节点数，然后对输入权值和隐层偏置随机赋值，最后通过最小二乘法经一次矩阵运算即可得到输出权值，无需迭代。由于目前市场上对织物疵点检测的实时性要求越来越高，而织物疵点检测算法的实时性相对不足，本文将此分类算法应用到织物的疵点检测中具有一定的现实意义。
另外为了更好地说明实验结果，本文在分类器设计时采用一对一的方式。这种方法主要是每两类间设计一个分类器。对一个测试样本进行分类时，每一个分类器都对其进行判断并输出类别，取次数多的为样本类别。依此方法，本文8类织物疵点共需28个分类器，即：
ELM12，ELM13，ELM14，ELM15，ELM16，ELM17，ELM18，LM23，LM24，LM25，LM26，LM27，LM28，LM34，ELM35，ELM36，ELM37，ELM38，ELM45，ELM46，ELM47，ELM48，ELM56，ELM57，ELM58，ELM67，ELM68，EILM78。
实验时分别取两类样本中的25张作为训练样本。分类器训练好以后，对测试样本进行分类实验，并对ELM算法循环50次进行改进，得到训练和测试时间，分类的准确率数据是经过50次随机实验后的平均值。对SVM的处理类似，不再赘述。各种方法提取的特征分类的结果如表1、2、3所示。
通过上述的实验结果表明：（1）基于本文算法的分类的准确率最高，间接地说明了本文提出的算法所提取的织物纹理特征可以更好地描述织物瑕疵纹理，验证了本文算法的合理性。（2）本文方法与M_LBP和CS_LBP对比，分类的准确率得到了提高，说明了融合基于邻域像素的中值后，减少了光照等外因造成图像局部突变的干扰，算法的鲁棒性得到提高。（3）本文算法时间上也得到了降低，也说明了特征融合时采用PCA降维的有效性。
4 结束语
本文提出基于邻域像素中值的中心对称的MCS_LBP算子，并与灰度共生矩阵提取的能量、熵、对比度、相关性特征进行了特征融合。在特征融合时，引入了一种基于权重因子的特征融合方法。通过两种分类算法进行分类实验，结果表明本文方法提高了分类的准确率，同时鲁棒性得到提高，说明融合的特征描述纹理的能力得到了增强。多特征融合是特征提取的一个研究热点和难点，如何更好地选取多种特征进行特征融合和构造性能优良的特征融合算法应该是下一步研究的方向。另外，通过比较两种分类算法的结果可见，ELM算法虽然分类的速度很快，但分类的准确率很低，对其进行改进，提高其准确率，并应用于织物的疵点检测是一个研究方向。
参考文献
[1] 谢菲，陈雷霆，邱航.基于纹理特征提取的图像分类方法研究及系统实现[J].计算机应用研究，2009，26（7）：2767-2770.
[2] 龚家强，李晓宁.基于共生矩阵纹理特征提取的改进算法[J].计算机工程与设计，2011，32（6）：2068-2071.
[3] 刘丹，胡永健，刘斐贝.联合SIFT特征点和CS_LBP特征描述子的复制粘贴篡改检测[J].合肥工业大学学报，2012，35（3）：1003-5060.
[4] HADID A， ZHAO G， AHONEN T， et al. Face analysis using local binary patterns[Z]. Handbook of Texture Analysis， 2008.
[5] 向斌，陈晓云.基于方向导数纹理描述子的纹理图像聚类[J].微型机与应用，2013，32（19）：37-40.
[6] HEIKKILA M， PIETIKAINEN M， SCHMID C. Description of interest regions with local binarypatterns[J]. Pattern Recognition， 2009，42（3）：425-436.
[7] 赵广社，张希仁.基于主成分分析的支持向量机分类方法研究[J].计算机工程与应用，2004，40（3）：37-38.
[8] 麦林，俞能海.多特征融合的博客文章分类方法[J].小型微型计算机系统，2010，31（6）：1000-1220.
[9] HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： theory and applications[J]. Neurocomputing， 2006，70（1）：489-501.
[10] 付蓉，石美红.基于自适应LBP和SVM的织物疵点检测算法[J].计算机应用，2010，30（6）：1597-1601.
[11] HUANG G B， CHEN L. Enhanced random search based incremental extreme learning machine[J]. Neurocomputing，2008，71（16）：3460-3468.
[12] 赵静，高伟，欧付娜，等.基于小波特征SVM的织物疵点识别[J].纺织科技进展，2012（2）：49-52.
[13] HAYKIN S. Neural network and learning mach-ines[M]. New York： Prentice Hall， 2009.