1、帘子布疵点图像预处理图像预处理是在图像分析中，对输入图像进行特征提取、分割以及匹配前所作的处理。预处理的目的是将图像中的无关信息消除掉，恢复并增强图像有用的真实信息，增强图像有关信息的可检测性并且最大限度地把数据进行简化，从而改进特征提取、图像分割、匹配和识别的可靠性。预处理的过程一般可分为数字化、归一化、平滑、锐化等步骤。1 图像预处理的基本知识不同的文献对图像预处理有不同的解释，但是图像预处理的方法大体可以分为空间域处理和频域处理两种。空间域处理是直接对图像的像素灰度进行处理；频域处理是利用某种图像变换方法将原图以某种形式转换到频域空间中，然后利用该空间特有的性质进行图像处理，最后再把处理
2、过之后的图像转换回原始图像空间，这样便得到处理过之后的图像。图像预处理主要包括图像格式转换、对比度调整、去噪、锐化等，其实可以把图像分割之前的所有处理都归为图像预处理。在图像预处理中图像增强占了最大的比重，并且图像预处理的主要目的也就是进行图像增强，而图像增强的目的是使经过预处理之后的图像的某些特定信息比原来更有效、更容易辨认。图像变换和图像恢复也是图像预处理的主要内容。1.1 图像变换图像变换是指把图像从空间域转换到变换域，使人们可以从另一个角度来分析图像信号的特性，利用变换域特有的性质，使图像处理过程更加简单、有效。图像变换的方法有很多，常用的方法有：离散傅里叶变换（DFT） 、K-L 变
3、换、哈达玛变换（ HT） 、离散小波变换（DWT ）和斜变换（ST） 。（1）傅里叶变换：傅里叶变换是一种把图像从空间域转换到频域的正交变换。傅里叶变换可以将空间域中复杂的卷积运算转换到频域中进行简单的乘积运算，除此之外，我们还可以在频域中有效地实现图像增强、图像恢复等，因此傅里叶变换在图像处理中得到了很广泛的应用。傅里叶变换包括一维傅里叶变换和二维傅里叶变换。而一维傅里叶变换又包括一维连续傅里叶变换、一维离散傅里叶变换和快速傅里叶变换；同样，二维傅里叶变换也包括二维连续傅里叶变换和二维离散傅里叶变换。（2）K-L 变换：K-L 变换也可以称为特征矢量变换、霍特林变换或主分量变换，该变换是基于
4、图像统计特性的变换，K-L 变换能够充分去除相关性，使有用的信息尽量集中到尽可能少的主分量。K-L 变换多用于图像压缩、图像增强、图像旋转、图像的信息提取和信息融合等方面。(3)小波变换：小波分析或者叫做多分辨分析是建立在傅里叶分析、泛函分析、调和分析、样条分析与数学分析基础上的一门新兴学科。小波分析应用性很强，尤其是近年来，小波分析理论与方法在许多领域得到了应用，也在图像处理上得到了广泛应用。小波变换包括有连续小波变换、离散小波变换、二进制小波变换等。1.2 图像增强图像增强也就是对图像中用户感兴趣的信息进行增强，其目的有两个：第一是改善图像的视觉效果，使图像各部分的清晰度大大提高；第二就是
5、使增强过之后的图像能够更有利于计算机处理。图像增强的方法很多，按大类分有空间域和变换域两类，具体细分有空间域单点增强、图像锐化、图像平滑与图像滤波等。（1）空间域单点增强：数字图像是二维的空间像素阵列，阵列中的数值是这个位置上像素颜色的灰度值，空间域单点增强是将这个二维像素阵列置于笛卡尔坐标系中，对单个的像素进行增强处理，这种图像增强方法既简单又实用，所以在图像增强中多有使用。（2）图像平滑：通常情况下，最初采集得到的原始图像基本上都含有噪声。引起这些噪声的原因有很多，比如热噪声、感光材料的颗粒噪声、敏感元器件的内部噪声等。产生噪声的原因决定了噪声的特性以及噪声和图像信号之间的关系，噪声分为加
6、性噪声、乘性噪声、量化噪声等这几类。这些噪声使图像的质量变得恶化，比如使图像模糊，甚至是淹没图像的特性，给我们分析图像特性造成了很大的困难。图像平滑的目的是减少或消除图像中的噪声，从而改善图像的质量，以利于我们抽取图像的特征进而对图像进行分析。随着科学技术的进步，图像平滑的新技术在这些年又出现了很多，这些新技术与人眼的视觉特性相结合，运用小波分析、粗糙集理论、数学形态学和模糊数学理论等新技术进行图像平滑，取得了很好的效果。（3）图像锐化：在图像采集、传输以及处理的过程中有很多因素会导致图像变得模糊。图像模糊会使图像的质量大大下降，大量研究表明，图像模糊的实质是图像受到了求和、平均或者积分运算。
7、因此在图像处理的过程中可以不必考虑图像模糊的物理过程或者是数学模型，我们只用根据各种图像模糊的过程都是由相加、平均或者积分造成的这一特点，运用相反的的运算来减弱或者消除模糊，这种消除图像模糊的方法称为图像锐化。图像锐化的目的主要是增强图像的细节以及目标边界，但是在图像锐化的过程有中一点非常值得我们注意，那就是要进行锐化的图像的信噪比一定要高，否则图像锐化过之后质量会更低。常用的图像锐化方法有微分算子方法、拉普拉斯算子方法、空间高通滤波方法等。2 图像预处理常用的方法2.1 图像的直方图修正用于图像预处理一副二维数字图像在计算机中可以表示成一个矩阵，该矩阵中的元素是与其相对应的图像各个坐标点的灰
8、度值，这些值一般取 0 到 255 之间的数。图像的直方图描述了图像的灰度级内容，不过直方图只能统计某一级灰度像素出现的概率，却反映不了该像素在图像中的二维坐标，所以说不同的图像可能会有相同的直方图。如果一副图像的直方图效果不是太理想，我们可以使用直方图均衡化处理方法来作适当修改，使之变为具有均匀灰度概率分布的一副新图像，从而实现图像清晰的目的。直方图均衡化经常用于图像比较和图像分割前的预处理，主要使用图像对比度拉伸这一方法进行处理。直方图均衡化是通过灰度变换将一副图像转换为另一幅图像，而转换过之后的图像具有均衡的直方图，即在每个灰度级上都有相同的像素点数。直方图均衡化处理的中心思想就是把原图
9、的灰度直方图从比较集中的某个灰度区域分散开来，变成在全部灰度范围内均匀分布的灰度直方图。图是直方图均衡化前的帘子布图像及其直方图。图 直方图均衡化前的帘子布图像及直方图图 2 是进行直方图均衡化之后的帘子布图像及其直方图。图 直方图均衡化后的帘子布图像及直方图2.2 数学形态学用于图像预处理数学形态学是由法国数学家 G.Matheron 和 J.Serra 于 1964 年提出并逐渐发展成为数学的一个分支。数学形态学利用具有一定形态的结构元素来度量和提取图像中的对应形态特征，从而达到对目标图像进行分析并识别的目的。数学形态学的基本运算包括腐蚀、膨胀、开启以及闭合，由这些基本运算还可以推导组合出
10、许多实用的算法。2.3 小波分析用于图像预处理传统的傅里叶变换有一定的优点，但是也存在一些不足。比如当要获取较好的低频信息时，需要相对较长的变换窗口。当要取得较好的高频信息时，则需要较短的窗口，这样便引起了矛盾。为了解决傅里叶变换存在的不足，小波变换便应运而生了。小波变换的思想是把图像信号分解为小波系数，然后对这些小波系数做特定的处理，之后再用处理过之后的系数重建图像，这样便得到了新的增强之后的图像，这个过程也是小波分析的一般过程。3 本文的图像预处理3.1 本文所要识别的疵点类别本课题所研究的帘子布疵点类型主要有四类，分别是：断经、浆斑、劈缝以及经线连续粘并。（1）断经：断经是指帘子布的一股
11、经线断开或者脱落。本文所研究的浸胶帘子布是汽车轮胎的骨架材料，该产品的经线是锦纶 66 加捻线，主要用于承受汽车轮胎所受的作用力。断经这一现象会直接影响轮胎的性能，是浸胶帘子布的主要疵点之一。帘子布的断经图像如图 3 所示：图 3 帘子布断经图像（2）浆斑：引起这种帘子布疵点的原因有很多，主要有干燥区的温度、吸胶器的更换、酚醛乳液的品质、干燥区的排风量以及干燥区炉内滚筒的结构等。浸胶帘子布是轮胎的骨架材料，如果帘子布存在浆斑疵点，在造成帘子布外观质量下降的同时，也会使轮胎的质量下降，轮胎会在运行中出现鼓包、分层、爆胎等现象，严重时会危及驾驶者的人身安全。帘子布浆斑疵点如图 4 所示：图 4 帘
12、子布浆斑疵点图像（3）劈缝：劈缝是相邻两根经线因纬线连续断裂而造成在大于等于 4cm 长度内没有纬线链接。帘子布劈缝疵点图像如图 5 所示：图 5 帘子布劈缝疵点图像（4）经线连续粘并：这种疵点是因为相邻两根经线由固化了的浸胶液粘连在一起而产生的。帘子布的经线连续粘并疵点图像如图 6 所示：图 6 帘子布经线连续粘并疵点图3.2 帘子布图像类型的转换对于采集过来的图像，我们首先要对其进行转换，将原始图像转换成灰度图像，然后对转换过之后的灰度图像进行处理，这样做的原因是灰度图像可以节省数据空间，并且处理的速度也会加快，最重要的一点是灰度图像不会把原始采集图的细节给忽略掉，这就不会使后续的分析出错
13、。经过转换之后得到的灰度图像是二维图像，我们可以把图像上的每一点都用坐标表示出来，如图像上某一特定点坐标可以表示为(i ,j)，该点的灰度值用 f (i,j)表示，即该像素点的亮度， f (i ,j)是(i ,j )的函数。对于彩色图像，由于此类图像的灰度值是两个空间变量和一个光谱变量的函数，所以此类图像是三维的。我们可以用一个亮度值 Y 来代替其中的R、G、B 分量，然后返回一个色调句柄，这样就可以实现彩色图像的灰度化。图 7 至图10 是一组帘子布原始采集图像与转换之后的灰度图像对比图：图 7 帘子布断经疵点的原始图像及灰度图像图 8 帘子布浆斑疵点的原始图像及灰度图像图 9 帘子布劈缝疵
14、点的原始图像及灰度图像图 10 帘子布经线连续粘并疵点的原始图像及灰度图像通过对比上面的原始图像与灰度图像我们可以看出，当把原始图像转换成灰度图像之后，图像上虽然还保留有原始图像的细节，但是图像的纹理会变的不是很清晰，为了改变这种情况，我们接下来需要对灰度图像进行增强处理。3.3 帘子布图像疵点快速检测及图像分割在对图像进行过预处理操作之后，下一步应该对图像进行分割处理，但是如果对每一幅图像都进行分割处理的话，不仅会使计算机的内存占用量大，还会浪费不必要的时间，所以如果在预处理之后分割之前能够快速的检测出哪些图像含有疵点，哪些图像不含有疵点，然后将不含疵点的图像舍弃，只保留含有疵点的图像并对其
15、进行分割，这样可以节省计算机资源，还可以使图像处理的速度加快。4.1 帘子布疵点图像快速检测在对帘子布图像进行疵点快速检测之前，已经对图像进行了预处理，所以图像的噪声已被滤掉，对比度也得到了增强。我们可以把大量预处理之后的正常图像读入计算机，然后计算这些正常图像的能量值并且进行记录，这样就形成了一个正常图像能量的取值范围，需要说明的是为了获得这个能量范围我们必须使正常图像样本的数量非常大。图像的能量也可以叫做二阶矩，用来表示帘子布图像整体灰度的强弱，帘子布图像的灰度分布均匀程度以及纹理的粗细度都可以由能量来表示，我们既可以计算整幅图像的能量，也能对图像中某一块的能量进行单独计算。在计算机中图像
16、是以矩阵的形式来存储的，矩阵中的每一个值都对应着图像上的一个特定点。由于每幅图像的能量都是一定的，所以我们可以通过计算得到正常图像的能量，但是每一幅图像都不会和另外一幅图像完全一样，正常图像也是如此，因此我们不会得到一个确定的正常图像的能量，而只能通过计算大量正常图像来得到一个正常图像能量的取值范围。对图像进行过预处理之后，如果计算该图像的能量值在正常图像的能量取值范围内，我们可以认为这幅图像是正常的，不必再进行分割便可以舍弃，如果一幅图像的能量值不在正常图像能量的取值范围之内，我们可以认为这幅图像存在疵点，继而可以进行下一步的处理，这样便提高了疵点检测的速度。归纳起来，快速检测疵点是否存在的
17、具体步骤可以归为三步来实施：（1）第一步是清空样本值：在进行疵点快速检测操作时，我们给出的正常图像能量的取值范围只是一个理论值，但是实际上正常图像的能量值可能会与我们给出的这个理论值有出入，所以每次进行实际操作时都要根据要处理的帘子布能量重新来设定能量范围，这就需要把原来存储的能量理论值清空。（2）获取新的能量样本值：这一步是在清空原来样本值的前提下进行的。这一步的操作关键是要读入多幅正常图像的能量值，由这些能量值来获取一个正常图像能量的取值范围，这样，新的样本值便产生了。（3）进行快速检测：在前两步操作实施之后，我们可以拿一个预处理过之后的图像的能量值来和样本值作比较，如果该图像能量值在样本值的取值范围内，则认为这幅图像正常，可直接略去该图像对下一幅图像做如前的同样操作。如果某幅图像的能量值不在样本值的取值范围内，则要对该图像进行后续处理。由于帘子布疵点的四种类型差别很大，发现要想使用一种适合这四类疵点的理想算法有一定的难度，每一种算法都是只对其中的一类或者两类三类疵点有很好的处理效果，但是对剩下的一类或几类疵点的处理效果就不是太理想。所以在下一步的研究当中希望能提出一种新的对四类疵点都有很好处理效果的算法。
