小波提取图像特征方法研究

　　中国是瓷砖生产大国 ，产量占世界的 50 %以上。目前瓷砖表面色差检测仍处于人工操作阶段 ，工作环境差、效率低、误检率高。随着计算机技术和图像处理技术的迅速发展 ，机器视觉技术已经越来越广泛地应用于工业产品的在线检测场合。在瓷砖表面色差的在线检测中 ，采用彩色线阵 CCD（Charge Coupled Device） 代替人眼检测不仅可以提高准确率 ，保证产品质量 ，而且可以达到每秒钟 30米以上的检测速度 ，提高生产效率。图 1 所示为瓷砖表面色差在线检测系统原理图。CCD 采集到的图像经过预处理（去燥、白平衡、平场校正、颜色模变换等） 后进行颜色特征分析 ，提取特征值作为瓷砖色差分类依据。

　　在瓷砖表面色差检测的已有研究中，主要采用颜色直方图分布作为分类特征。由于颜色直方图分布不能很好地表示颜色的空间分布信息 ，不同色号的瓷砖很可能具有相近的直方图分布 ，在进行纹理瓷砖的分类时效果很不理想，容易发生误检。为表征颜色的空间分布 ，有两种解决方法 ：一种是将图像分成多个子区域，分别计算每个区域的直方图 ，显然子区域分的越多，空间信息就越丰富 ，但区域分得越多 ，计算量越大，不适于瓷砖表面色差的在线检测 ;另一种更为有效的方法是利用纹理特征来进行相似性度量。纹理表达的内容可以看成是一种颜色空间分布的信息 ，把纹理信息与颜色相结合得到的结果更符合人眼的视觉特征。常用的纹理分割方法有灰度共生矩阵法和结构纹理分割法等。本文提出了一种基于小波变换的纹理分割方法。

　　

　　1 利用小波变换提取纹理特征

　　小波变换是时间和频率的局域变换 ，它具有多分辨率分析的特点 ，而且在时域频域都具有表征信号局部特征的能力。由于小波变换能将原始图像的能量集中到少部分小波系数上 ，且分解后的小波系数在 3 个方向的细节分量有高度的局部相关性 ，这为特征提取提供了有力的条件。利用小波变换进行纹理特征提取 ，在纹理分析、图像压缩、工业品表面缺陷检测中得到大量的应用。

　　1.1 二维小波变换及多分辨率分析

　　小波变换是将信号分解为不同尺度分量的线性运算 ，具体实现是通过信号与尺度变化的滤波器卷积来完成的。

　　小波变换又可看成是原始信号与一组不同尺度的小波带通滤波器的滤波运算 ，将信号分解到一系列频带上进行处理。

　　在实际应用中 ，需要把上面的连续小波及其小波变换离散化才有意义。对连续小波变换的尺度伸缩二进离散化及卷积的平移离散化 ：

　　对于二维小波变换 ，小波基函数和尺度函数可有一维小波函数ψ（ x） 和尺度函数φ（ x） 的矢量积得到 ，即

　　1.2 纹理特征提取

　　纹理特征提取的目的是获得每一个像素点的一个能够用于区分不同纹理模式类的特征向量。二维小波分解结果反映不同方向上的频率变化 ，也就反映了图像的纹理特征。

　　由于细节子图是原图像的高频分量 ，包含了主要的纹理信息 ，所以取个别细节子图的能量作为纹理特征 ，它们反映了沿频率轴关于尺度和方向的能量分布。

　　1.2.1 RGB 空间的彩色纹理特征提取

　　小波纹理分析用于RGB（红、绿、蓝） 彩色图像时 ，最直接的方法就是对图像中的各个颜色通道进行二层小波分解并提取其小波能量。图 3 所示为瓷砖图像 R 通道二层小波分解结果。

　　由于彩色图像的 R GB 三个通道通常不是独立的 ，因此不同通道的小波系数存在相关性。用小波对彩色图像做二层分解并提取小波协变信号后得到一个 36 维的特征向量。

　　1.2.2 HSI 空间的彩色纹理特征提取

　　在RGB（红、绿、蓝） 空间里颜色值不能反映人的视觉特性 ，有必要转换成其他颜色模型来衡量人的心理感觉。本文采用 HSI 模型 （ H ： Hue 表示色度 ，S： Sat uration 表示饱和度 ， I： Illumination 表示亮度） 。对图像的 HSI 各个通道进行二层小波分解并提取其小波能量。

　　把小波纹理分析的方法直接对图像的 HSI 各通道进行小波分解提取其小波能量 ，并进行归一化处理。得到能量特征

　　实验证明 ，小波变换作为一种多尺度的分析手段 ，更好地保留了信号的空间频率分解特性 ，彩色图像经小波分解后提取的特征能量信号融合了颜色、纹理信息 ，更好地模拟了人类视觉特性。

　　1.3 分类器设计

　　分类首先要解决的是有效特征值的提取 ，其次便是分类器的设计与选择问题。本系统使用最小距离分类器进行分类决策。最小距离分类器是一种简单有效的基于向量空间模型的分类算法。相对于 k最近邻方法、神经网络法等 ，最小距离分类器的速度优势明显 ，经常被选择应用在有实时要求的在线检测系统中。

　　2 实验结果分析

　　实验选定 12 块瓷砖 ，并由 10 个以上熟练分拣工人对比标准砖将其分为四个色号。首先以 H 值直方图统计为分类特征值 ，多次实验测得标准砖的均值 ，确定分类区间。对 12 块待测瓷砖进行 100 次重复性实验 ，多次重复性实验结果显示 ，仅用颜色特征作为分类依据就容易发生误检。实验结果如表 1所示。

　　本文改进的色差检测算法 ：先多次实验测得标准瓷砖的小波分解 18 维能量特征矩阵 ，对 12 块待测瓷砖同样做 100 次重复性实验 ，然后按照最小距离分类器确定待测砖的分类。采用最小距离分类器进行待测砖的分类决策。分类评价标准为 100 次测量错检的次数。由实验结果可见 ，该算法提高了分类的准确性。

　　3 结论

　　提出了一种用于瓷砖表面色差在线检测的新算法 ，对瓷砖图像的 HSI 三通道分别进行二层小波分解 ，提取各细节子图的 18 维能量特征 ，将其代替传统的颜色直方图分布作为区分不同色号瓷砖的特征值 ，提高了分类的准确性 ，实验证明用小波变换后的能量特征作为色差检测的特征量 ，取得了很好的检测效果 ，与人眼的检测效果吻合程度良好。