摘 要：提出了一种改进的自适应阈值算法。首先引入前置低通滤波器，降低局部纹理的复杂性，同时较好地保持疵点区域，然后对滤波后的织物图像进行自适应阈值分割，可获得较好的分割效果。实验结果表明，该算法对简单纹理和复杂纹理的织物图像均具有较好的分割结果。
织物疵点检测是织物生产过程中的一个重要环节。传统的疵点检测方法是由验布人员参照验布标准，寻找布面疵点。该类检测方法劳动强度大、检测效率低，验布结果易受验布人员主观影响，且误检率和漏检率高。基于机器视觉的织物疵点自动检测成为人们关注和研究的焦点。该类方法可以根据图像的灰度分布自动选择最优灰度阈值，将疵点区域从织物图像中分离出来。
常用阈值分割法有双峰法、迭代法、最大类间方差法和自适应阈值算法等。参考文献[1]提出基于双峰法的图像分割技术，通过计算直方图，选取两波峰之间谷底对应的灰度值作为分割阈值，该类方法仅适用于背景简单、直方图具有典型双峰分布特性的织物图像，但对直方图是多峰或双峰差别很大的织物图像效果不明显。参考文献[2]提出基于迭代法的图像分割技术，能把目标与背景的主要部分区分出来，但图像的部分细节不能得到很好的区分。参考文献[3-5]提出基于最大类间方差法的图像分割技术，当图像中目标与背景的大小之比很小时，该方法分割检测图像效果较差。参考文献[6]提出基于自适应阈值的图像分割算法。该类方法通过引入权值，改进了最大类间方差法，在常见的织物图像上取得了较好的检测结果，但对于复杂纹理的织物表面检测效果并不理想。基于上述原因，本文提出基于改进自适应阈值的疵点检测算法，通过引入前置低通滤波器，降低局部纹理的复杂性，同时较好地保持了疵点区域，对滤波后的织物图像采用自适应阈值分割算法，得到了满意的效果。
1 低通滤波器设计
织物图像滤波可分为空域滤波和频域滤波。频域滤波是以对图像的傅里叶变换系数进行滤波为基础的，根据通带和阻带所处的范围不同，它可分为低通滤波、带通滤波和高通滤波。传统的自适应阈值算法检测复杂纹理的织物图像时效果并不好，原因在于复杂纹理织物图像灰度值变换较为剧烈，影响分割结果。本文通过设计低通滤波器对采集的织物图像进行平滑滤波，可以降低局部纹理的复杂性，同时消除噪声，改善图像质量。
设待处理图像为f(x,y),其傅里叶变换表达式为F(u,v)，H(u,v)是低通滤波器的传递函数，滤波后图像的傅里叶变换用G(u,v)表示，则低通滤波的数学表达式为：
2 自适应阈值算法
最大类间方差法根据图像的灰度特性，把图像分为背景和目标两部分。背景与目标之间的类间方差越大，说明构成图像的两部分的差别越大，如果把背景错分为目标或目标错分为背景,就会导致两部分差别变小。具体算法如下。
同理，当有N-1个阈值(N个类别)时，自适应阈值最佳阈值计算公式为：
3 实验结果与分析
本实验程序代码在Matlab 7.0环境下运行。对几种典型的织物疵点进行检测，所用图像为灰度图像(若为彩色图像，可将其转换为灰度图像)。实验结果如图1~图3所示。
织物样本1如图1(a)所示，该织物图像含有一个较小的暗点，该图片纹理相对较为简单，但光照不均匀。采用最大类间方差方法检测结果如图1(b)所示，可以看出该方法受光照影响较大，分割结果完全错误。而自适应阈值方法及本文改进的方法均能正确分割。
织物样本2如图2(a)所示，该样本比样本1复杂，表面有明显的污迹，且有噪声污染。织物样本3如图3(a)所示，图像存在破洞缺陷。采用最大类间方差法和自适应阈值法检测的结果如图2(b)、图2(c)和图3(b)、图 3(c)所示，由于图像纹理复杂，直方图不存在双峰型分布，两者均不能分割出疵点部分，而用本文改进的方法能正确分割，且获得了理想的分割效果。
本文提出了一种基于改进的自适应阈值的织物疵点检测方法。首先采用低通滤波器对织物图像进行平滑处理，然后用自适应阈值算法对图像分割检测。实验结果表明，改进的自适应阈值法不仅适用于纹理相对简单、疵点不明显的图像，也适用于纹理复杂的图像，且不受光照、噪声影响。本文算法简便易行，可用于实时织物疵点检测系统中。
参考文献
[1] 杨修国. 关于直方图双峰法的研究与改进[J]. 电子设计工程，2012，20（12）：176-179.
[2] 沈圆，李国勇. 图像的阈值分割法设计[J]. 机械工程与自动化，2012(5):45-46.
[3] 梁光明，刘东华，李波，等. 二维Otsu自适应阈值分割法的改进[J]. 自动化技术与应用，2002，21(5)：43-47.
[4] 阴国富. 基于阈值法的图像分割技术[J].现代电子技术, 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.