摘  要： 針對紋理特征的方向無序性，提出了一種基于多向梯度模算子的快速算法。在圖像預處理的基礎上對亮度進行修正，消除亮度的非均勻性對紋理特征提取造成的干擾。利用多向梯度算子在局部區域運算確定梯度方向，并構建二維灰度梯度矩陣。最后，通過統計矩陣灰度信息建立分級模型。實驗結果表明，該方法能較好地提取羽毛的紋理特征并進行分級，可以滿足實時檢測應用的需要。
關鍵詞： 紋理特征；預處理；梯度算法

　紋理常指圖像反復出現的局部模式和它們的排列規則，反映宏觀意義上灰度變化的一些規律。在現代工業生產和自動化檢測中，產品表面紋理特征往往是衡量產品質量的重要指標。不同紋理特征圖像有不同的紋理識別和描述方法，目前常用的紋理特征分析方法主要集中在基于空間域的結構模型和統計模型分析方法、基于頻率域的濾波器族、小波分析方法。在空域模型中，紋理被看作一種對區域內密度分布的量測結果，其利用對圖像灰度的分布和關系的統計規則來描述紋理，比較適合自然紋理的描述。HARALICK R M[1]等人提出了紋理特征的灰度共生矩陣表示，共生矩陣方法不受分析對象的限制，能夠反映圖像的灰度分布情況，但用共生矩陣提取的紋理性質缺少視覺相似性。頻域濾波器族是一種以圖像梯度信息表示圖像紋理特征的方法，傅里葉變換[2]適合描述周期函數，頻域特征比空域特征更具有抗噪性，但是對于方向性不敏感，僅包含了圖像水平和垂直方向的梯度，丟失了其他方向上的重要信息，同樣缺乏空間分布信息。小波分析[3]因其突出的局域特性和多尺度特性近年來在紋理分析中受到重視，但缺點是計算量大。
    基于機器視覺的羽毛檢測是羽毛球生產自動化的關鍵環節，波紋紋理是羽毛缺陷類型的一種，主要表現為羽毛片上空間周期出現的明暗變化，在自動化檢測中需要根據羽毛波紋的嚴重程度進行分類識別。本文的研究對象是羽毛片，在對圖像預處理的基礎上，提出了一種改進多向梯度算法用于紋理特征提取，針對羽毛片圖像的波紋紋理特征進行分析量化，最后設定閾值進行分類識別的方法。實驗結果表明，本算法對紋理特征的提取有較高的效率和準確率，也具有良好的泛化特性和自適應性能。
1 圖像亮度修正
　在羽毛系統的硬件裝置中，光源與羽毛表面呈45°角放置，使得照到羽毛表面的光比較均勻，但光射始終還是存在一定的不均勻度，導致羽毛表面亮度也不均勻。在波紋紋理羽毛的檢測中，羽毛表面亮度的非均勻性會對最終的結果判定產生很大的影響。對此，先在Lab顏色空間[4]下進行一定的亮度修正。


2.2 建立分級模型
　實際生產中將波紋等級分為一級、二級、三級、四

　本文提出的方法在典型梯度算法基礎上針對紋理方向性特征進行了改進，有效地提取圖像紋理特征，并給出量化指標進行綜合評價。全部的運算過程都是加減運算，避免了乘法運算，計算復雜度小，滿足機器視覺檢測系統的實時性需要。另外，圖像預處理對亮度進行修正，程序設計中的處理對邊緣信息和其他干擾信息不敏感，目標區域發生相對旋轉也不影響結果，具有較好的魯棒性。利用已分級的羽毛樣品進行檢測實驗，不同等級之間的結果存在明顯的區分度，波紋紋理越嚴重，值越大，實驗證明了本算法的有效性。本方法只是在單一尺度的基礎上考慮，由于紋理圖像的不規則性和復雜性，若考慮多尺度的變化，方法還要進一步改進。
參考文獻
[1] HARALICK R M， SHANMUGAM K， DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on System， Man， and Cybernetie， 1973，3（6）： 610-631.
[2] 熊四昌，陳國波.工件表面紋理間距提取的一種新方法[J].光學儀器，2007（6）：14-17.
[3] 劉洪江，汪仁煌.基于羽毛圖像紋理分割的毛桿提取方法[J].廣東工業大學學報，2010，27（4）：42-45.
[4] 林開顏，吳軍輝.彩色圖像分割方法綜述[J].中國圖像圖形學報，2005，10（1）：1-10.
[5] 李偉，康晴晴，張俊雄，等.基于機器視覺的蘋果表面紋理檢測方法[J].吉林大學學報，2008，38（5）：1110-1113.
[6] 溫江濤，王伯雄.基于局部灰度梯度特征的圖像快速配準方法[J].清華大學學報（自然科學版），2009，49（5）： 57-59.