LabVIEW紋理分析（基礎篇—9）

紋理（Texture）是物體表面固有的特征之一。目前對于紋理尚無正式的定義，但一般認為它是由許多相互連接且常周期性重復的單元構成。與灰度特征不同，紋理不是基于單個像素點的特征，它通常與圖像的尺度關系密切，且具有區域性和統計特征。

通常來說，在放大后的圖像上可以觀察到目標表面的紋理。而且一般來說，紋理特征需要在包含多個像素點的圖像區域中進行灰度統計才能獲得。紋理特征的這種區域性可使特征匹配過程不會因局部的偏差而失敗。因此通過紋理分析，可對物體表面尺寸和形狀的變化進行檢測，如劃痕(Scratch)、裂紋(Crack）和污漬（Stain)等。

紋理分析常用于對具有不規則紋理圖案的目標表面進行檢測，如瓷磚、紡織品、木材、紙張、塑料或玻璃的表面等。

多數基于紋理分析的機器視覺應用使用紋理分類器（Texture Classifier）進行檢測。紋理分類器可通過對無缺陷的標準樣本目標進行學習獲得，其中包含樣本的紋理特征信息。檢測時，算法會將被測目標中的紋理特征與紋理分類器中的特征信息進行匹配，并將不能接受的區域標識為缺陷。

通常來說，紋理分析過程會以目標的表面圖像為輸入，并以二進制大顆粒（Binary Large OBjects，BLOB）的形式輸出檢測結果。獲得缺陷部分的BLOB后，可以進一步使用顆粒分析工具對其屬性、尺寸等進行分析。

適用性強的紋理分析檢測過程不僅應對于噪聲有較強的抵抗能力，還應具有平移不變（Shift-Invariant）、旋轉不變（Rotate-Invariant）和尺度不變（Scale-Invariant）的性質。也就是說，相較于紋理分類器中的紋理特征而言，即使被測目標中的紋理特征垂直或水平移動，在平面內旋轉或有一定比例的縮放，紋理分析檢測過程仍能繼續正確地識別它們。一般的紋理檢測過程都具有平移不變的性質，且能支持±5°的旋轉和±10°的縮放。

若要支持更大范圍的旋轉不變和尺度不變性，則要通過學習和訓練過程，創建包含各個方向和比例紋理特征信息的紋理分類器。此外，還應注意在紋理匹配過程的執行速度與旋轉不變和尺度不變性范圍之間進行平衡。

由于紋理特征與圖像的尺度、區域及灰度統計數據具有密切聯系，因此NI Vision使用離散小波變換和統計的方法來提取紋理特征并對其進行分類檢測。一般的紋理檢測過程如下圖所示，主要包括以下步驟：

Nl Vision使用位于LabVIEW的視覺與運動→lmage Processing→Texture函數選板中的VI對上述過程進行封裝，如下圖所示：

函數說明及使用可參見幫助手冊：

 其中：

• IMAQ Extract Wavelet Bands可執行小波變換從紋理圖像中提取各種子帶圖像；

• IMAQ Cooccurrence Matrix能計算圖像的共生矩陣和Haralick特征；

• IMAQ Extract Texture Feature對子帶提取、共生矩陣計算和Haralick特征提取與連接進行了集成，可直接返回計算得到的紋理特征；

• IMAQDetect Texture Defect不僅集成了整個紋理特征的提取過程，還集成了按照紋理分類器對紋理進行分類的過程，它能以二值圖像輸出檢測到的紋理缺陷。

通過一個墻壁紋理或缺陷檢測的實例，了解紋理分析的實現方法，程序設計思路如下所示：

• 程序一開始先由IMAQ Read ClassifierFile從分類器文件Texture.clf中讀取事先訓練好的紋理特征信息，并為后續處理分配內存；

• 循環結構中的代碼，逐一從文件夾中取出被測圖像，在用清除無損圖層后，由IMAQ Detect Texture Defect根據分類器對紋理進行分類；

• Nl Vision分類過程使用范圍為0~1000的識別得分（ldentification Score）來判別被測特征與某一類別的相似程度，當紋理與合格的特征信息差別越大時，說明其越接近缺陷；

• 由此，程序中設置了最小缺陷分類識別得分為200，分類時任何得分等于或大于該閾值的像素均被識別為紋理缺陷。

程序設計如下所示：