CN102592266A - 基于双简化脉冲耦合神经网络的坯布疵点分割方法 - Google Patents

Abstract

本发明公开的基于双简化脉冲耦合神经网络的坯布疵点分割方法，首先将相机采集的M×N大小待测坯布的数字图像传送至图像缓存器；其次采用局部二进制模式算子，对图像缓存器中的数字图像进行疵点特征提取计算，以消除光照不匀、纹理背景以及噪声干扰的影响，凸显疵点区，同时计算得到的图像大小压缩至原图像的n×n分之一；然后采用DSPCNN，对处理后的结果图像分别进行高低亮度坯布疵点分割的迭代计算；最后判断是否到设定的迭代次数t，将DSPCNN处理结果进行归并计算，得到坯布疵点分割结果图S。本发明方法解决了现有坯布疵点分割技术存在的调整参数多、计算复杂度高、缺乏自适应的问题，提高了坯布疵点检测的实时性、一致性和准确性。

Description

基于双简化脉冲耦合神经网络的坯布疵点分割方法

技术领域

本发明属于数字图像分割技术领域，涉及一种坯布疵点分割方法，具体涉及一种基于双简化脉冲耦合神经网络的坯布疵点分割方法。

背景技术

随着国际纺织市场竞争的日趋激烈，纺织品质量问题越来越成为企业生存与发展的制胜因素。疵点检测是纺织品质量控制的一个重要的环节。长期以来，国内坯布厂大都依靠人工来检测疵点，由于长时间的用眼带来的疲劳或检验人员的主观因素等而出现漏检或检测结果不一致等问题弊端，也直接影响着后续产品质量的客观评定。因此，提高坯布疵点检测的准确率已成为坯布疵点自动检测系统中不可缺少的一个核心技术。

脉冲耦合神经网络(Pulse Coupled Neural Networks，简称PCNN)是一种模拟哺乳动物视觉特性的第三代人工神经网络，因其时空总和特性以及信息传播和耦合特性，导致空间邻近、外部刺激强度相似的神经元易于同步点火。这恰恰表征了空间邻近像素属性值相似的图像分布特点，使之用于图像分割具有独特的优势。但传统的PCNN模型因其调整参数多、计算复杂度高等问题，很难满足在线疵点检测的实时性和自适应性要求。

发明内容

本发明的目的是提供一种基于双简化脉冲耦合神经网络的坯布疵点分割方法，解决了现有坯布疵点分割技术存在的调整参数多、计算复杂度高的问题，提高坯布疵点检测的一致性和准确性，以满足在线疵点检测的实时性和自适应性处理要求。

本发明所采用的技术方案是，基于双简化脉冲耦合神经网络的坯布疵点分割方法，具体按照以下步骤实施：

步骤1：将相机采集的M×N大小待测坯布的数字图像传送至图像缓存器；

步骤2：采用改进的局部二进制模式算子，对图像缓存器中的数字图像进行疵点特征提取计算，以消除光照不匀、纹理背景以及噪声干扰的影响，凸显疵点区，同时将计算得到的图像大小压缩至原图像的n×n分之一；

步骤3：采用DSPCNN，对步骤2处理后的结果图像分别进行高低亮度坯布疵点的分割迭代计算；

步骤4：判断是否到设定的迭代次数t，如果不是，则转步骤3进行迭代处理；如果是，则依据图像的属性分布特征，将步骤3的处理结果进行按照下式进行归并计算，得到坯布疵点分割结果图S：

$S=\left\{\begin{array}{cc}\mathrm{HY}\&CirclePlus;\mathrm{LY}& A\&GreaterEqual;0.4\mathrm{andB}\&GreaterEqual;0.4\\ \mathrm{HY}+\mathrm{LY}& A<0.4\mathrm{orB}<0.4\end{array}\right..$

本发明的特点还在于，

其中的步骤2采用改进的局部二进制模式算子，对图像缓存器中的数字图像进行疵点特征提取计算，具体按照以下步骤实施：

1)获取在同等光照下待测坯布的无疵点数字图像IM，其大小大于等于2^2×n×(n×n)；

2)将无疵点数字图像划分为n×n大小的非重叠窗口，并计算在n×n大小窗口内的行、列像素平均属性值，记作

则：

$\stackrel{\&OverBar;}{r_i}=\frac{1}{x}\underset{w=1}{\overset{x}{\mathrm{\&Sigma;}}}\left(\frac{1}{n}\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{M}_{\mathrm{ij}}\right),$

$\stackrel{\&OverBar;}{c_j}=\frac{1}{x}\underset{w=1}{\overset{x}{\mathrm{\&Sigma;}}}\left(\frac{1}{n}\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{M}_{\mathrm{ij}}\right);$

其中，x＝2^2×n；i，j＝0，1，Λn-1；

3)将大小为M×N的待测坯布原始数字图像划分为n×n大小的非重叠窗口，并计算每个窗口内行、列像素的平均属性值，记作r_i、c_j，则：

$r_i=\frac{1}{n}\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_{\mathrm{ij}},$

$c_j=\frac{1}{n}\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_{\mathrm{ij}};$

4)按照下式计算每个窗口内的特征值，记作g_kl，则：

$\left\{\begin{array}{c}{\mathrm{rlibp}}_k=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(\mathrm{abs}\left(\frac{r_i-\stackrel{\&OverBar;}{r_i}}{\stackrel{\&OverBar;}{r_i}}\right)\right)\&times;2^i\\ {\mathrm{clibp}}_l=\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(\mathrm{abs}\left(\frac{c_j-\stackrel{\&OverBar;}{c_j}}{\stackrel{\&OverBar;}{c_j}}\right)\right)\&times;2^j\\ g_{\mathrm{kl}}=|{\mathrm{rlibp}}_k-{\mathrm{clibp}}_l|\end{array}\right.,$

其中， $k=\mathrm{1,2},\mathrm{\&Lambda;},\frac{M}{n};$ $l=\mathrm{1,2},\mathrm{\&Lambda;},\frac{N}{n};$ 函数：

其中的步骤3采用DSPCNN对步骤2处理后的结果图像分别进行高低亮度坯布疵点分割的迭代计算，具体按照以下步骤实施：

1)计算当前待测图像像素属性均值和最小、最大属性值，分别记作

g_min、g_max，则：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{g}=\frac{1}{K\&times;L}\underset{i=0}{\overset{K-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{g}_{\mathrm{ij}}\\ g_{\min }=\min {\{g}_{\mathrm{ij}},i=\mathrm{0,1,2}\mathrm{\&Lambda;K}-1;j=\mathrm{0,1,2}\mathrm{\&Lambda;L}-1\}\\ g_{\max }=\max {\{g}_{\mathrm{ij}},i=\mathrm{0,1,2}\mathrm{\&Lambda;K}-1;j=\mathrm{0,1,2}\mathrm{\&Lambda;L}-1\}\end{array}\right.;$

2)计算当前待测图像分布的特征参数，分别记作A、B、C，则：

$A=\frac{\stackrel{\&OverBar;}{g}-g_{\min }}{g_{\max }-g_{\min }};$

$B=\frac{g_{\max }-\stackrel{\&OverBar;}{g}}{g_{\max }-g_{\min }};$

$C=\frac{0.3\&times;A\&times;B\&times;g_{\max }}{2};$

3)将待测图像划分为划分为m×m大小的重叠窗口，并初始化DSPCNN中的每一神经元：

设，大小为K×L的矩阵变量HN/LN、HL/LL、Hβ/Lβ、HU/LU、Hθ/Lθ、HY/LY分别是用于高低亮度疵点分割的神经元的外部刺激输入、链接域的输入、链接强度系数、调制耦合器输出、变阈值函数输出和脉冲生成器输出；t为迭代控制变量；迭代循环次数为4；各变量初始化分别为：

HN_ij＝LN_ij＝g_ij；Hθ(0)＝g_max-C；Lθ(0)＝g_max+C；

HL＝LL＝Hβ＝Lβ＝HU＝LU＝HY＝LY＝0；t＝0；

按照下式对每个像素分别进行高低亮度疵点分割的迭代计算：

其中，

分别为m×m当前窗口内点火神经和未点火神经元的外部刺激输入均值。

本发明的有益效果是，

1.本发明通过ILBP对采集的待测坯布数字图像进行疵点特征提取计算，不仅可有效地消除光照不匀、纹理背景以及噪声干扰等影响，凸显疵点区，而且使计算得到的特征图像压缩至原图像的n×n分之一；

2.本发明通过DSPCNN(Double Simplified PCNN，简称DSPCNN)对坯布疵点进行分割计算，可有效地解决因光源打光方式或光照的不同而导致采集的图像存在不同属性分布的疵点区分割难以同步计算的问题；

3.本发明在保留PCNN特性的基础上，结合坯布纹理的特点和人眼视觉的特性，对其模型进行了简化，并使模型中的可调参数完全依据待测图像的属性分布自动地调节，保证了坯布疵点在线自动检测的实时性和自适应性要求。

采用本发明的方法，可使坯布疵点在线自动检测的速率可达(80-95)m/min，疵点漏检率低于4％。效率高，效果好。

附图说明

图1是在线采集的坯布原始数字图像及直方统计图；

图2是基于ILBP的疵点特征提取计算后的特征图及直方统计图；

图3是基于DSPCNN的高低亮度坯布疵点分割迭代计算后的图；

图4是高低亮度坯布疵点分割图合并后的结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明方法原理是，首先将相机采集的M×N大小的待测坯布的原始数字图像划分为n×n大小的非重叠窗口，通过分别计算每个窗口内行、列像素相对无疵点数字图像的行、列像素平均属性值的变异度所对应的局部二进制模值和，再求行、列的二进制模值差作为窗内的特征值，得到一幅大小的待测坯布的特征图像。接着，再将K×L大小的特征图像划分为m×m大小的重叠窗口，图像中每一像素与DSPCNN中的每一神经元一一对应，像素的属性强度值g_ij作为该神经元外部刺激输入N_ij，依据人眼视觉的特性，在调制耦合器与变阈值函数控制下，DSPCNN中所对应的每个神经元分别进行高亮度和低亮度坯布疵点分割计算，并通过脉冲生成器产生对应神经元的输出脉冲信号。最后，依据图像的属性分布特征，将DSPCNN处理结果进行合并计算，由此得到坯布疵点分割的。

本发明的坯布疵点分割方法按照以下步骤实施：

设：待测坯布的原始数字图像为I；特征图像为G；坯布疵点分割结果图为S；图1是在线采集的坯布原始数字图像及直方统计图；

步骤1、采用ILBP算子，对图像缓存器中的数字图像进行特征提取计算，如图2所示，为疵点特征提取计算后的特征图及直方统计图，具体流程如下：

1)、获取在同等光照下待测坯布的无疵点数字图像IM，其大小大于等于2^2×n×(n×n)；

2)、将无疵点数字图像划分为n×n大小的非重叠窗口，并计算在n×n大小窗口内的行、列像素平均属性值，记作

则：

$\stackrel{\&OverBar;}{r_i}=\frac{1}{x}\underset{w=1}{\overset{x}{\mathrm{\&Sigma;}}}\left(\frac{1}{n}\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{M}_{\mathrm{ij}}\right)---\left(1\right)$

$\stackrel{\&OverBar;}{c_j}=\frac{1}{x}\underset{w=1}{\overset{x}{\mathrm{\&Sigma;}}}\left(\frac{1}{n}\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{M}_{\mathrm{ij}}\right)---\left(2\right)$

其中，x＝2^2×n；i，j＝0，1，Λn-1

3)、将大小为M×N的待测坯布原始数字图像划分为n×n大小的非重叠窗口，并计算每个窗口内行、列像素的平均属性值，记作r_i、c_j，则：

$r_i=\frac{1}{n}\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_{\mathrm{ij}}---\left(3\right)$

$c_j=\frac{1}{n}\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_{\mathrm{ij}}---\left(4\right)$

4)、按照式(5)计算每个窗口内的特征值，记作g_kl，则：

$\left\{\begin{array}{c}{\mathrm{rlibp}}_k=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(\mathrm{abs}\left(\frac{r_i-\stackrel{\&OverBar;}{r_i}}{\stackrel{\&OverBar;}{r_i}}\right)\right)\&times;2^i\\ {\mathrm{clibp}}_l=\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(\mathrm{abs}\left(\frac{c_j-\stackrel{\&OverBar;}{c_j}}{\stackrel{\&OverBar;}{c_j}}\right)\right)\&times;2^j\\ g_{\mathrm{kl}}=|{\mathrm{rlibp}}_k-{\mathrm{clibp}}_l|\end{array}\right.---\left(5\right)$

其中， $k=\mathrm{1,2},\mathrm{\&Lambda;},\frac{M}{n};$ $l=\mathrm{1,2},\mathrm{\&Lambda;},\frac{N}{n};$ 函数：

步骤2、对上步处理后得到的一幅大小的特征图像，采用DSPCNN，对每个像素分别进行高低亮度疵点分割的迭代计算，如图3所示，为高低亮度坯布疵点分割迭代计算后的图，具体流程如下：

1)、计算当前待测图像像素的属性均值和最小、最大属性值，分别记作g_min、g_max，则：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{g}=\frac{1}{K\&times;L}\underset{i=0}{\overset{K-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{g}_{\mathrm{ij}}\\ g_{\min }=\min {\{g}_{\mathrm{ij}},i=\mathrm{0,1,2}\mathrm{\&Lambda;K}-1;j=\mathrm{0,1,2}\mathrm{\&Lambda;L}-1\}\\ g_{\max }=\max {\{g}_{\mathrm{ij}},i=\mathrm{0,1,2}\mathrm{\&Lambda;K}-1;j=\mathrm{0,1,2}\mathrm{\&Lambda;L}-1\}\end{array}\right.---\left(7\right)$

2)、计算当前待测图像分布的特征参数，分别记作A、B、C，则：

$A=\frac{\stackrel{\&OverBar;}{g}-g_{\min }}{g_{\max }-g_{\min }}---\left(8\right)$

$B=\frac{g_{\max }-\stackrel{\&OverBar;}{g}}{g_{\max }-g_{\min }}---\left(9\right)$

$C=\frac{0.3\&times;A\&times;B\&times;g_{\max }}{2}---\left(10\right)$

3)、将待测图像划分为划分为m×m大小的重叠窗口，并初始化DSPCNN中的每一神经元：

设，大小为K×L的矩阵变量HN/LN、HL/LL、Hβ/Lβ、HU/LU、Hθ/Lθ、HY/LY分别是用于高低亮度疵点分割的神经元的外部刺激输入、链接域的输入、链接强度系数、调制耦合器输出、变阈值函数输出和脉冲生成器输出；t为迭代控制变量；迭代循环次数为4；各变量初始化分别为：

HN_ij＝LN_ij＝g_ij；Hθ(0)＝g_max-C；Lθ(0)＝g_max+C；

HL＝LL＝Hβ＝Lβ＝HU＝LU＝HY＝LY＝0；t＝0；

4)分别按照式(11)和式(12)对DSPCNN中的每个神经元进行迭代计算：

其中，

分别为m×m当前窗口内点火神经和未点火神经元的外部刺激输入均值；

步骤3、修正迭代控制变量值：t＝t+1，判断t是否大于4，如果不是，则转步骤2中的第4)步进行循环计算；如果是，则按照式(13)将步骤2的处理结果进行归并计算，如图4所示，为高低亮度坯布疵点分割图合并后的结果图，得到坯布疵点分割结果图S：

$S=\left\{\begin{array}{cc}\mathrm{HY}\&CirclePlus;\mathrm{LY}& A\&GreaterEqual;0.4\mathrm{andB}\&GreaterEqual;0.4\\ \mathrm{HY}+\mathrm{LY}& A<0.4\mathrm{orB}<0.4\end{array}\right.---\left(13\right)$

其中，表示逻辑“异或”计算；+表示逻辑“或”计算。

Claims (3)

1.基于双简化脉冲耦合神经网络的坯布疵点分割方法，其特征在于，具体按照以下步骤实施：

步骤1：将相机采集的M×N大小待测坯布的数字图像传送至图像缓存器；

步骤2：采用改进的局部二进制模式算子，对图像缓存器中的数字图像进行疵点特征提取计算，以消除光照不匀、纹理背景以及噪声干扰的影响，凸显疵点区，同时将计算得到的图像大小压缩至原图像的n×n分之一；

步骤3：采用DSPCNN，对步骤2处理后的结果图像分别进行高低亮度坯布疵点的分割迭代计算；

步骤4：判断是否到设定的迭代次数t，如果不是，则转步骤3进行迭代处理；如果是，则依据图像的属性分布特征，将步骤3的处理结果进行按照下式进行归并计算，得到坯布疵点分割结果图S：

$S=\left\{\begin{array}{cc}\mathrm{HY}\&CirclePlus;\mathrm{LY}& A\&GreaterEqual;0.4\mathrm{andB}\&GreaterEqual;0.4\\ \mathrm{HY}+\mathrm{LY}& A<0.4\mathrm{orB}<0.4\end{array}\right..$

2.根据权利要求1所述的基于双简化脉冲耦合神经网络的坯布疵点分割方法，其特征在于，所述的步骤2采用改进的局部二进制模式算子，对图像缓存器中的数字图像进行疵点特征提取计算，具体按照以下步骤实施：

1)获取在同等光照下待测坯布的无疵点数字图像IM，其大小大于等于2^2×n×(n×n)；

2)将无疵点数字图像划分为n×n大小的非重叠窗口，并计算在n×n大小窗口内的行、列像素平均属性值，记作则：

$\stackrel{\&OverBar;}{r_i}=\frac{1}{x}\underset{w=1}{\overset{x}{\mathrm{\&Sigma;}}}\left(\frac{1}{n}\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{M}_{\mathrm{ij}}\right),$

$\stackrel{\&OverBar;}{c_j}=\frac{1}{x}\underset{w=1}{\overset{x}{\mathrm{\&Sigma;}}}\left(\frac{1}{n}\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{M}_{\mathrm{ij}}\right);$

其中，x＝2^2×n；i，j＝0，1，Λn-1；

3)将大小为M×N的待测坯布原始数字图像划分为n×n大小的非重叠窗口，并计算每个窗口内行、列像素的平均属性值，记作r_i、c_j，则：

$r_i=\frac{1}{n}\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_{\mathrm{ij}},$

$c_j=\frac{1}{n}\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}{I}_{\mathrm{ij}};$

4)按照下式计算每个窗口内的特征值，记作g_kl，则：

$\left\{\begin{array}{c}{\mathrm{rlibp}}_k=\underset{i=0}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(\mathrm{abs}\left(\frac{r_i-\stackrel{\&OverBar;}{r_i}}{\stackrel{\&OverBar;}{r_i}}\right)\right)\&times;2^i\\ {\mathrm{clibp}}_l=\underset{j=0}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(\mathrm{abs}\left(\frac{c_j-\stackrel{\&OverBar;}{c_j}}{\stackrel{\&OverBar;}{c_j}}\right)\right)\&times;2^j\\ g_{\mathrm{kl}}=|{\mathrm{rlibp}}_k-{\mathrm{clibp}}_l|\end{array}\right.,$

其中， $k=\mathrm{1,2},\mathrm{\&Lambda;},\frac{M}{n};$ $l=\mathrm{1,2},\mathrm{\&Lambda;},\frac{N}{n};$ 函数：

3.根据权利要求1所述的基于双简化脉冲耦合神经网络的坯布疵点分割方法，其特征在于，所述的步骤3采用DSPCNN对步骤2处理后的结果图像分别进行高低亮度坯布疵点分割的迭代计算，具体按照以下步骤实施：

1)计算当前待测图像像素属性均值和最小、最大属性值，分别记作

g_min、g_max，则：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{g}=\frac{1}{K\&times;L}\underset{i=0}{\overset{K-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{g}_{\mathrm{ij}}\\ g_{\min }=\min {\{g}_{\mathrm{ij}},i=\mathrm{0,1,2}\mathrm{\&Lambda;K}-1;j=\mathrm{0,1,2}\mathrm{\&Lambda;L}-1\}\\ g_{\max }=\max {\{g}_{\mathrm{ij}},i=\mathrm{0,1,2}\mathrm{\&Lambda;K}-1;j=\mathrm{0,1,2}\mathrm{\&Lambda;L}-1\}\end{array}\right.;$

2)计算当前待测图像分布的特征参数，分别记作A、B、C，则：

$A=\frac{\stackrel{\&OverBar;}{g}-g_{\min }}{g_{\max }-g_{\min }};$

$B=\frac{g_{\max }-\stackrel{\&OverBar;}{g}}{g_{\max }-g_{\min }};$

$C=\frac{0.3\&times;A\&times;B\&times;g_{\max }}{2};$

3)将待测图像划分为划分为m×m大小的重叠窗口，并初始化DSPCNN中的每一神经元：

设，大小为K×L的矩阵变量HN/LN、HL/LL、Hβ/Lβ、HU/LU、Hθ/Lθ、HY/LY分别是用于高低亮度疵点分割的神经元的外部刺激输入、链接域的输入、链接强度系数、调制耦合器输出、变阈值函数输出和脉冲生成器输出；t为迭代控制变量；迭代循环次数为4；各变量初始化分别为：

HN_ij＝LN_ij＝g_ij；Hθ(0)＝g_max-C；Lθ(0)＝g_max+C；

HL＝LL＝Hβ＝Lβ＝HU＝LU＝HY＝LY＝0；t＝0；

按照下式对每个像素分别进行高低亮度疵点分割的迭代计算：

其中，分别为m×m当前窗口内点火神经和未点火神经元的外部刺激输入均值。

Images