本研究由西安工程大学计算机科学学院的石美红、张正、郭仙草、陈永当共同完成，论文发表于《纺织学报》（Journal of Textile Research）第37卷第10期，2016年10月出版。该研究得到了国家科技支撑计划基金资助项目、中国纺织工业联合会科技项目以及陕西省科技创新工程重大科技专项项目的支持。
织物疵点检测是纺织品全质量监控的关键环节，其检测结果的优劣直接影响后续的纺织品等级划分。在学术研究与工业应用中，已有的织物疵点检测方法主要包括四类：数理统计法（如灰度共生矩阵、形态学、自相关函数、分形学等）、频谱法（如傅里叶变换、小波变换、Gabor变换等）、模型法（如马尔科夫随机场模型、自回归模型等）以及人工神经网络法（如BP网络、脉冲耦合神经网络等）。近年来，基于视觉显著性（Visual Saliency）的疵点检测方法开始涌现，这些方法通过模拟人类视觉注意机制来定位疵点区域。
然而，在实际生产中，存在一类具有显著纹理背景的织物图像，其灰度级有限、疵点区域与背景区域的对比度不明显，使得现有方法难以有效检测目标疵点。同时，疵点本身具有不确定性、种类多样性和形态复杂性等特点。针对这一难题，本研究借鉴人类视觉自底向上的注意机制（Bottom-up Attention Mechanism），提出了一种基于纹理显著性特征的织物疵点检测方法，旨在有效抑制显著纹理背景的同时，实现目标疵点的一致性和完整性检测。
本研究的方法流程主要包含以下步骤：
第一步：改进的局部纹理粗糙度算法
Tamura纹理模型以其良好的纹理分辨力、旋转不变性（Rotation Invariance）和鲁棒性而被广泛使用，但传统的Tamura粗糙度特征以整幅图像的平均粗糙度作为描述，无法精确度量局部纹理的粗糙度，且丢失了局部纹理的分布信息。针对此问题，已有学者提出了局部纹理粗糙度的度量算法，但该算法以固定大小的邻域区域提取纹理粗糙度，可能导致具有不同基元尺寸的局部纹理获得相同的粗糙度特征值。
为解决这一局限性，本研究提出了一种基于多尺度度量局部纹理粗糙度的改进算法（Improved Local Texture Coarseness Algorithm, ILTCA）。该算法以(2k+1)×(2k+1)为活动窗口遍历整幅图像，k从1递增至最大窗口尺度（lmax），为每个像素点自适应地确定最佳窗口尺度（Sbest），进而计算局部纹理粗糙度特征的显著度（Fc）。实验验证采用了西洋跳棋盘模式图像序列，结果显示改进算法的局部纹理粗糙度均值变化呈线性递增，较原有算法的非线性变化具有更高的度量精确度。
第二步：局部纹理对比度提取
尽管疵点区域与背景区域之间的像素灰度对比度不明显，但二者在纹理区域的灰度对比度上存在显著差异。本研究基于第一步确定的局部纹理最佳窗口，结合最佳窗口下的灰度均值（G），计算局部纹理的对比度特征（Fm），以此增强疵点与背景的可区分性。
第三步：局部纹理方向提取
为进一步提升局部纹理的显著性表达能力，研究基于最佳窗口计算方向特征（Fd）。具体做法采用四个方向的边缘响应算子模板对以最佳窗口为大小的子图像进行卷积运算，生成二进制编码，进而统计灰度直方图得到十六维的特征向量。通过计算各像素点的特征向量与全局平均特征向量之间的卡方统计量（Chi-square Statistic），获得方向特征的显著性度量。
第四步：特征子图归一化与融合
为消除粗糙度、对比度、方向三个特征子图之间量化级数的不一致性，研究首先对各特征子图进行归一化处理，随后按加权融合策略生成最终的视觉显著性特征图（Fr）。加权系数由各特征子图去除全局极值点后剩余所有点平均值的平方反比确定，以此实现特征贡献的自适应平衡。
第五步：显著性特征图分割与疵点定位
采用OTSU分割算法对生成的视觉显著性特征图进行二值化分割，实现疵点区域的最终检测。
实验验证采用TILDA织物纹理图库数据及CCD相机采集的图像数据，选取灰度级有限、对比度不明显的具有显著纹理背景的织物图像（大小为256像素×256像素）进行测试，并与文献[15]、文献[17]、文献[18]中提出的方法进行了对比实验。
特征提取效果分析
从实验生成的各特征子图及融合显著性特征图可以看出，当疵点破坏了织物的纹理模式时，即使疵点区域与背景区域之间的对比度不明显，疵点区域在粗糙度和方向特征子图中仍呈现出显著的标记。经过归一化融合后生成的视觉显著性特征图，不仅有效突显了目标疵点区域，同时显著消除或弱化了纹理背景的干扰。该优越性源于改进的局部纹理粗糙度算法基于多尺度度量确定了每个像素点的最佳窗口，在此基础上提取的粗糙度、对比度和方向特征能够有效提高局部纹理模式的分辨能力。
与现有方法的对比分析
与文献[15]方法相比，该方法通过高斯滤波和Gabor滤波获得区域级的模糊显著性特征和像素级的显著性特征间对比度来定位疵点，虽然能够精细地定位疵点位置，但同时也检测出了背景纹理，对显著纹理背景的抑制能力不足。
与文献[17]方法相比，该方法基于分块图像计算局部二进制模式（Local Binary Pattern, LBP）的纹理对比度和灰度统计直方图对比度，但因图像分块未考虑局部纹理基元大小的差异，且在特征融合过程中丢失了局部纹理的分布信息，导致生成的显著特征图存在明显的纹理背景残留，疵点区域边缘也较为模糊。
与文献[18]方法相比，该方法虽然在特征融合中考虑了图像的整体分布信息，但同样因采用统一窗口进行图像分块，当背景纹理基元与疵点区域纹理基元尺寸相近时，难以将疵点区域从背景中有效分离。
经OTSU算法分割后的疵点检测结果显示，本研究提出的方法能够有效地将疵点区域从显著的纹理背景中分离出来，检测结果具有较好的一致性和完整性。
计算时间性能分析
对不同尺寸图像生成视觉显著性特征图的耗时比较显示，本研究方法的计算时间复杂度低于文献[17]和文献[18]的方法，但高于文献[15]的方法。具体而言，处理256×256像素的图像耗时约5.09秒。文献[17]和文献[18]方法提取的显著性特征维度分别为256维和59维，远高于本研究方法的16维特征维度，因此计算开销更大；而文献[15]方法仅提取对比度单一特征，故耗时最低。
本研究针对显著纹理背景下织物疵点检测困难的问题，提出了一种基于纹理显著性特征的新方法。该方法具有以下两个核心创新：其一，鉴于Tamura纹理模型的优势，结合织物纹理图像特点，提出了一种多尺度度量局部纹理粗糙度的自适应算法，有效提高了局部纹理模式的分辨能力；其二，结合织物图像的视觉显著性分析，给出了一种基于局部纹理最佳窗口的视觉显著性度量方法，融合粗糙度、对比度和方向三个特征生成显著性特征图。
与传统方法相比，本研究方法的最大特点是在较好地抑制显著纹理背景的同时，检测出的目标疵点具有较好的一致性和完整性。该方法可应用于具有显著纹理背景的牛仔布、针织品、麻布品等表面的缺陷检测，具有广泛的应用前景。
本研究的亮点主要体现在三个方面：首先，针对传统Tamura纹理粗糙度度量的局限性，提出了多尺度度量的改进算法，实现了局部纹理粗糙度的自适应精确计算，解决了固定窗口尺寸导致的不同基元尺寸纹理获得相同粗糙度值的问题；其次，创新性地将粗糙度、对比度和方向三个特征基于局部纹理最佳窗口进行提取与融合，充分利用了织物的纹理特性，增强了疵点区域的显著性表达；最后，该方法借鉴人类视觉自底向上的注意机制进行显著性分析，为织物疵点检测领域提供了一种符合人类视觉感知特性的新范式。