引言
织物疵点是影响纺织品质量的重要因素，不仅影响纺织品的出口竞争力，而且关系到纺织企业的生存。因此，织物疵点检测一直是纺织品生产过程中的重要环节。20世纪90年代以来，随着计算机技术和数字图像处理技术的飞速发展，使得基于计算机视觉的织物疵点自动检测成为可能。同时,小波分析在处理非稳定性信号上的突出优势,大大推动疵点图像处理技术的发展。依靠快速、可靠的计算机视觉系统来实现织物疵点自动检测已成为近年来国内外学者研究的热点课题。本文正是在此基础上,用一些在理论上已经相对成熟的小波分析方法,并借助于NI(NationalInstruments)公司的LabVIEW软件开发平台，研究对疵点图像进行去噪处理的实际应用。
1小波去噪原理分析
织物图像在生成和传输过程中常常受到各种噪声的干扰，噪声在图像上呈雪花样散布的孤立像素点,对后续图像的处理(分割、特征提取、图像识别等)将产生很大影响，不利于疵点的正确识别。因此，图像去噪成为首要解决的问题。
小波变换是一种信号的时间-频率分析方法。它具有多分辨率分析的特点,且在时频两域都具有表征信号局部特征的能力,是一种窗口大小固定不变但其形状可改变的时频局部化分析方法。利用尺度从粗到细的逐步变化,小波变换就渐渐聚焦到分析对象的区域细节上,并把其微小变化放大出来,因此极利于进行去噪处理。根据小波变换的特性，图像的平滑主要集中于低频，而图像的高频部分则有图像的噪音信息和图像的细节信息，主要有以下两个方面的研究将信号和噪音分开：(1)利用小波的奇异检测特性将信号与噪音分开，这个方向研究的开拓者是Mallat，其利用极值点中的边缘与噪音的李氏指数不同来提取真正的边缘点，同时保留这些极值点的小波系数，并用交替投影法反复分解迭代，直到满意的去噪效果，但交替投影迭代对图像来说，不仅计算量巨大，而且收敛缓慢，还可能产生振荡和不稳定。(2)利用小波系数阀值收缩法来分开噪声、信号，因为一般噪声分解后的小波系数都比较小，所以对图像分解后的各层系数进行阀值处理，去除较小的小波系数，直接得到去噪后重构图像的小波系数，这种方法简单有效。本文正是采用这一方法。
2小波去噪具体设计
在小波域进行图像降噪时，首先通过对含噪声的图像选择合适的小波进行小波变换得到小波系数，然后选择适当的阀值准则来对小波系数进行处理，即得到估计的小波系数，再对处理后的小波系数进行小波逆变换即可得到重构后的图像。其过程(见图1)。
[attach]50438[/attach]
2.1小波基的选取
图像去噪的第一步就是对图像进行小波变换，而小波基的选择对分解后各图像小波系数的分布有非常重要的影响，而小波系数的分布将直接决定去噪的效果。研究表明，小波变换后得到的小波系数越稀疏，越有利于去噪，即经小波变换后会产生尽可能多接近零的小波系数。一般来说，为使织物图像经过小波变换后具有稀疏的小波系数，选择小波时，需要考虑小波的消失矩和支撑的尺寸。小波的消失矩定义为
(∫ψt)tmdt=0,m=0,1,…,M-1(1)
其中，ψ(t)为小波基函数，上式即为小波ψ(t)的M阶消失矩。小波的消失矩特性可使图像在进行展开时消去高阶平滑部分，也就是可使图像的平滑部分的小波系数非常小，而小波变换仅仅反映图像的高阶变化部分，即图像的边缘。小波的支撑尺寸越短，越有利于图像边缘等奇异点的定位，这样就可使较大的小波系数落在小波的支撑尺寸内。因此小波的消失矩越高，紧尺寸越小，越有利于去噪。本文中选取的小波基为db2小波。
2.2小波系数阀值的选取
阀值的选取通常分为固定阀值、自适应阀值和理想阀值三种方法。固定阀值的选取依赖于噪声的标准差和长度，随着小波系数长度的增加，相应的阀值也在增加，若将所有的小波系数置为零，则严重地使图像的细节丢失;另一种情况是，当长度较小时，由于阀值较小，因而不能有效地去除噪声。而自适应阀值是在固定阀值的基础上作小的修改，也不具有子带阀值最优性。
理想阀值是在均方差准则下的最优阀值，没有显式的表达式，并且这个闭值的计算通常也需要知道信号本身。在实际求取时，这是不可能的，但是可通过对这一准则的估计版本求出使估计最小的阀值，并以此为理想阀值的估计。在理想阀值中，最常用的方法是SUREShrink阀值，它是在SURE准则下得到的阀值，该SURE准则是均方差准则的无偏估计，并且SURE阀值趋于理想闭值。
2.3图像去噪准则
织物图像经过几层小波分解后，选取一个理想的小波系数阀值，所有小于阀值的小波系数划为“噪声”，它们的灰度值用零来代替，而超过阀值的小波系数的数值用阀值缩减后再取值。常用的缩减方法有“软阀值化”和“硬阀值化”。
对于“软阀值化”，绝对值小于阀值的小波系数值用零代替：绝对值大于阀值的小波系数数值用阀值来缩减。用式表示为
[attach]50439[/attach]
其中，T0为阀值，W为小波系数，sgn为符号函数。对于“硬阀值化”，仅仅保留绝对值大于阀值的小波系数，并且被保留的小波系数与原始系数相同，即没有缩减。用公式表达为
[attach]50440[/attach]
其中，T0为阀值，W为小波系数。
3小波去噪试验探究
选取用摄像机镜头采集的、有代表性的、带有破洞疵点和断丝疵点的平纹白坯布两幅，将其作为含噪声的待检测图像。在应用编程语言LabVIEW时，主要用到WADenoise控件，根据以上对小波基选取、阀值选取的分析，最终选取小波基db2，SURE理想阀值和软阀值化的小波去噪设计准则。其具体程序流程(见图2)。
破洞疵点图像和吊扣疵点图像，分别运用db2小波基经过四层分解进行降噪处理(见图3)。
[attach]50441[/attach]
对原始织物图像和小波去噪后的织物图像分别进行灰度阀值分割，生成二值化图像(见图4)。由图3可以看出，经小波消噪后，噪声和织物
[attach]50442[/attach]
纹理等被减弱,疵点部分被有效的增强。二值化后的图像(见图4)表明得更清楚：相同的阈值，未经小波消噪图像在二值化后噪声和背景纹理仍很重。疵点没有被很好地分割出来;而经小波消噪后二值化图像表现分明，疵点得到有效的突出和增强。
4结束语
本文在试验的基础上对基于织物疵点的小波去噪进行研究分析。小波变换具有一种集中的能力,使一个信号的能量在小波变换域集中于少数系数上,相对地,这些系数的取值,大于在小波变换域内能量分散于大量小波系数上的信号和噪声的小波系数值。据此,对小波系数进行阈值处理,可以在小波变换域中除去低幅度的噪声和不期望的信号。实验结果进一步证明，织物图像经过小波去噪后，疵点部分被增强，疵点特征表现的更为鲜明、突出，为后续织物图像的处理提供极为有力的帮助。
来源：《现代仪器》，转载请注明出处-仪器信息网(www.cncal.com）