CN103473769A - 一种基于奇异值分解的织物瑕疵检测方法 - Google Patents

Abstract

本发明涉及一种基于奇异值分解的织物瑕疵检测方法。在训练阶段中，首先将无瑕疵织物图像有重叠地划分成正方形子窗口；然后将所得子窗口分别沿纵横方向投影，得到联合投影序列；最后对联合投影序列所组成的矩阵实施奇异值分解，提取基向量；在检测阶段中，首先将待检测织物图像无重叠地分割划分成正方形子窗口；同时将子窗口沿纵横方向的投影，得到联合投影序列；最后应用基向量对所得的联合投影序列进行重构，并通过重构误差来判定子窗口是否包含瑕疵。本发明充分利用的织物纹理及瑕疵的经纬取向特征，通过对纵横方向投影所得序列进行分析，不仅大大降低了方法的复杂性，而且对不同织物纹理和瑕疵类型有较强的适应性,尤其是对线性瑕疵。

Description

一种基于奇异值分解的织物瑕疵检测方法

技术领域

本发明属图像分析处理领域，本发明涉及一种基于奇异值分解的织物瑕疵检测方法，应用于纺织品表面质量自动检测与控制领域。

背景技术

设矩阵A是m×n的矩阵，奇异值分解(SVD)可以把矩阵A分解成U,Σ和V三个矩阵。其中矩阵U是m×n的正交矩阵，矩阵V是n×n的正交矩阵，矩阵Σ是m×n的矩阵，其对角线以外的元素全部为零，即矩阵Σ=diag(σ₁,σ₂,…,σ_r)为对角矩阵，r为矩阵A的秩，σ₁,σ₂,…,σ_r为A矩阵的奇异值。矩阵U和V分别称为左奇异矩阵和右奇异矩阵，矩阵Σ的对角线上的元素依次呈递减顺序，即：σ₁≥σ₂≥…≥σ_r≥0。

将矩阵Σ的对角元素设定为σ_k+1=σ_k+2=…=σ_r=0，得到矩阵A在秩k(k<r)下的重构其重构误差使用Frobenius范数可表述为：

${\left|\right|A-\hat{A}\left|\right|}_F^2=\underset{i=k+1}{\overset{r}{\mathrm{\&Sigma;}}}{\mathrm{\&sigma;}}_i^2$

由上式可以看出，通过奇异值分解得到的是A矩阵的最优低秩下的重构。在图像分析领域，奇异值分解主要用于图像的压缩、重构和恢复等。

在织物瑕疵检测领域，Tomczak和Mosorov（2006）采用经SVD分解后所得的最大的奇异值进行织物瑕疵检测。Chen和Feng（2010）提取了奇异值均值作为特征进行瑕疵判别。Mak和

（2010）对织物样本实施SVD，提取左奇异矩阵每列作为特征子图像，并通过将待检测图像样本投影到特征子图像，计算所得的投影值的平方和作为瑕疵判别指标。

值得注意的是，以上研究者均是直接在原织物图像上进行SVD，然后提取相应特征进行瑕疵检测，并没有对原图像进行投影操作且并未充分利用SVD的低秩重构性质。

发明内容

本发明的目的就是克服现有算法的不足，提高算法的对不同纹理和瑕疵适应性和实时性，提出了一种基于奇异值分解的织物瑕疵检测方法。

本发明的一种基于奇异值分解的织物瑕疵检测方法包括以下步骤：

（1）训练阶段；

将无瑕疵织物图像有重叠地划分成正方形子窗口，并将子窗口分别沿纵横方向投影，得到联合投影序列；将所得的联合投影序列组成一个矩阵，对该矩阵实施奇异值分解，提取基向量；

（2）检测阶段；

将待检测织物图像连续无重叠地分割划分成正方形子窗口，并将子窗口沿纵横方向的投影，得到联合投影序列y；应用（1）中所得的基向量的对y进行重构，得到y的重构计算重构误差

并通过重构误差来判定子窗口是否包含瑕疵；

具体实现如下：

在训练阶段，将所述的无瑕疵织物图像有重叠地划分成大小为w×w的正方形子窗口，其中8像素≤w≤64像素；所述有重叠地划分是指在同一行中，后一个子窗口是前一个子窗口横向平移步长s_w得到，1≤s_w<w；相邻子窗口之间有重叠部分，所述重叠部分的横向长度为w-s_w，在相邻行中，下一行的子窗口是上一行的子窗口纵向平移步长s_h得到，相邻子窗口之间有重叠部分，所述重叠部分的纵向长度为w-s_h，其中1≤s_h<w；

将子窗口分别沿纵横方向投影，即计算子窗口中每列和每行的所有像素点灰度值的平均值，得到两个投影序列；然后，将所得的两个投影序列相接后得到联合投影序列；

将所有子窗口对应的联合投影序列作为矩阵的列排列为一个矩阵，并对所得的矩阵实施奇异值分解；提取左奇异矩阵的前k列作为基向量D，即D=[d₁,d₂,…,d_k]，其中d₁,d₂,…,d_k为左奇异矩阵的前1到k列的列向量，且有4≤k≤16；

在检测阶段，将待检测图像连续无重叠地划分成大小为w×w的正方形子窗口，其中8像素≤w≤64像素；然后，按照训练阶段的方法，将子窗口分别沿纵横向投影，得到联合投影序列；应用所述基向量对检测阶段所得的联合投影序列进行重构，并通过计算其所得的重构误差E来判定子窗口是否包含瑕疵。

作为优选的技术方案：

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的织物为位深度为8位的灰度图像。

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的重构是指在最小平方误差下所得的重构。

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的通过重构误差来判定子窗口是否包含瑕疵是指当重构误差超过预先设定的阈值则认为子窗口包含瑕疵；阈值的确定：首先对无瑕疵织物进行测试，得到其重构误差E的累计分布函数，然后选取对应于其累计分布函数95%的重构误差值作为阈值。

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的联合投影序列，是指将沿纵横方向投影所得的两个投影序列，一个在前，另一个在后或一个在后，另一个在前以首尾相接的方式所得的序列。

有益效果：

1、本发明通过实施纵横方向投影得到联合序列的预处理方法，大大降低了方法的计算复杂性，提高了方法的实时性；

2、本发明的方法对光照不匀不敏感，鲁棒性较好；

3、方法对不同织物纹理和瑕疵类型有较强的适应性,尤其是对线性瑕疵。

附图说明

图1w×w的窗口的划分

图2横向重叠窗口的划分

图3纵向重叠窗口的划分

图4本发明所用瑕疵试验图像

图5对试验图像图4的最终检测结果

图6本发明所用瑕疵试验图像

图7对试验图像图6的最终检测结果

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的一种基于奇异值分解的织物瑕疵检测方法包括以下步骤：

（1）训练阶段；

将无瑕疵织物图像有重叠地划分成正方形子窗口，并将子窗口分别沿纵横方向投影，得到联合投影序列；将所得的联合投影序列组成一个矩阵，对该矩阵实施奇异值分解，提取基向量；

（2）检测阶段；

将待检测织物图像连续无重叠地分割划分成正方形子窗口，并将子窗口沿纵横方向的投影，得到联合投影序列y；应用（1）中所得的基向量的对y进行重构，得到y的重构

计算重构误差

并通过重构误差来判定子窗口是否包含瑕疵；

具体实现如下：

在训练阶段，将所述的无瑕疵织物图像有重叠地划分成大小为w×w的正方形子窗口，其中8像素≤w≤64像素；所述有重叠地划分是指在同一行中，后一个子窗口是前一个子窗口横向平移步长s_w得到，1≤s_w<w；相邻子窗口之间有重叠部分，所述重叠部分的横向长度为w-s_w，在相邻行中，下一行的子窗口是上一行的子窗口纵向平移步长s_h得到，相邻子窗口之间有重叠部分，所述重叠部分的纵向长度为w-s_h，其中1≤s_h<w；

将子窗口分别沿纵横方向投影，即计算子窗口中每列和每行的所有像素点灰度值的平均值，得到两个投影序列；然后，将所得的两个投影序列相接后得到联合投影序列；

将所有子窗口对应的联合投影序列作为矩阵的列排列为一个矩阵，并对所得的矩阵实施奇异值分解；提取左奇异矩阵的前k列作为基向量D，即D=[d₁,d₂,…,d_k]，其中d₁,d₂,…,d_k为左奇异矩阵的前1到k列的列向量，且有4≤k≤16；

在检测阶段，将待检测图像连续无重叠地划分成大小为w×w的正方形子窗口，其中8像素≤w≤64像素；然后，按照训练阶段的方法，将子窗口分别沿纵横向投影，得到联合投影序列；应用所述基向量对检测阶段所得的联合投影序列进行重构，并通过计算其所得的重构误差E来判定子窗口是否包含瑕疵。

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的织物为位深度为8位的灰度图像。

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的重构是指在最小平方误差下所得的重构。

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的通过重构误差来判定子窗口是否包含瑕疵是指当重构误差超过预先设定的阈值则认为子窗口包含瑕疵；阈值的确定：首先对无瑕疵织物进行测试，得到其重构误差E的累计分布函数，然后选取对应于其累计分布函数95%的重构误差值作为阈值。

如上所述的一种基于奇异值分解的织物瑕疵检测方法，所述的联合投影序列，是指将沿纵横方向投影所得的两个投影序列，一个在前另一个在后或一个在后另一个在前以首尾相接的方式所得的序列。

实施例1

训练阶段：

（1）将无瑕疵织物图像有重叠地划分成大小为32×32（像素）的正方形子窗口，横向步长为8像素，纵向平移步长为16像素，其子窗口划分示意图，如图1、图2和图3所示；

（2）将子窗口分别沿纵横方向投影，即计算子窗口中每列和每行的所有像素点灰度值的平均值，得到两个投影序列；然后，将所得的两个投影序列相接后得到联合投影序列；

（3）将所有子窗口对应的联合投影序列作为矩阵的列排列为一个矩阵，并对所得的矩阵实施奇异值分解；提取左奇异矩阵的前8列作为基向量D。

阈值的确定：首先对无瑕疵织物进行测试，得到其重构误差E的累计分布函数，然后选取对应于其累计分布函数为95%时的重构误差值作为阈值，所用阈值为37。

检测阶段

（1）将待检测图像，如图4所示，连续无重叠地划分成大小为32×32（像素）的正方形子窗口；

（2）按照训练阶段的方法，将子窗口分别沿纵横向投影，得到联合投影序列；

（3）应用所述基向量对检测阶段所得的联合投影序列进行重构，并通过计算其所得的重构误差E来判定子窗口是否包含瑕疵，实际检测结果如图5所示，其中黑色方框表示被判定为包含瑕疵的子窗口。

实施例2

训练阶段：

（1）将无瑕疵织物图像有重叠地划分成大小为32×32（像素）的正方形子窗口，横向步长为16像素，纵向平移步长为8像素，其子窗口划分示意图，如图1、图2和图3所示；

（2）将子窗口分别沿纵横方向投影，即计算子窗口中每列和每行的所有像素点灰度值的平均值，得到两个投影序列；然后，将所得的两个投影序列相接后得到联合投影序列；

（3）将所有子窗口对应的联合投影序列作为矩阵的列排列为一个矩阵，并对所得的矩阵实施奇异值分解；提取左奇异矩阵的前8列作为基向量D。

阈值的确定：首先对无瑕疵织物进行测试，得到其重构误差E的累计分布函数，然后选取对应于其累计分布函数为95%时的重构误差值作为阈值，所用阈值为27。

检测阶段

（1）将待检测图像，如图6所示，连续无重叠地划分成大小为32×32（像素）的正方形子窗口；

（2）按照训练阶段的方法，将子窗口分别沿纵横向投影，得到联合投影序列；

（3）应用所述基向量对检测阶段所得的联合投影序列进行重构，并通过计算其所得的重构误差E来判定子窗口是否包含瑕疵，实际检测结果如图7所示，其中黑色方框表示被判定为包含瑕疵的子窗口。

Claims (5)

1.一种基于奇异值分解的织物瑕疵检测方法，其特征是包括以下步骤：

（1）训练阶段；

将无瑕疵织物图像有重叠地划分成正方形子窗口，并将子窗口分别沿纵横方向投影，得到联合投影序列；将所得的联合投影序列组成一个矩阵，对该矩阵实施奇异值分解，提取基向量；

（2）检测阶段；

将待检测织物图像连续无重叠地分割划分成正方形子窗口，并将子窗口沿纵横方向的投影，得到联合投影序列y；应用（1）中所得的基向量的对y进行重构，得到y的重构

计算重构误差

并通过重构误差来判定子窗口是否包含瑕疵；

具体实现如下：

在训练阶段，将所述的无瑕疵织物图像有重叠地划分成大小为w×w的正方形子窗口，其中8像素≤w≤64像素；所述有重叠地划分是指在同一行中，后一个子窗口是前一个子窗口横向平移步长s_w得到，1≤s_w<w；相邻子窗口之间有重叠部分，所述重叠部分的横向长度为w-s_w，在相邻行中，下一行的子窗口是上一行的子窗口纵向平移步长s_h得到，相邻子窗口之间有重叠部分，所述重叠部分的纵向长度为w-s_h，其中1≤s_h<w；

将子窗口分别沿纵横方向投影，即计算子窗口中每列和每行的所有像素点灰度值的平均值，得到两个投影序列；然后，将所得的两个投影序列相接后得到联合投影序列；

将所有子窗口对应的联合投影序列作为矩阵的列排列为一个矩阵，并对所得的矩阵实施奇异值分解；提取左奇异矩阵的前k列作为基向量D，即D=[d₁,d₂,…,d_k]，其中d₁,d₂,…,d_k为左奇异矩阵的前1到k列的列向量，且有4≤k≤16；

在检测阶段，将待检测图像连续无重叠地划分成大小为w×w的正方形子窗口，其中8像素≤w≤64像素；然后，按照训练阶段的方法，将子窗口分别沿纵横向投影，得到联合投影序列；应用所述基向量对检测阶段所得的联合投影序列进行重构，并通过计算其所得的重构误差E来判定子窗口是否包含瑕疵。

2.根据权利要求1所述的一种基于奇异值分解的织物瑕疵检测方法，其特征在于，所述的织物为位深度为8位的灰度图像。

3.根据权利要求1所述的一种基于奇异值分解的织物瑕疵检测方法，其特征在于，所述的重构是指在最小平方误差下所得的重构。

4.根据权利要求1所述的一种基于奇异值分解的织物瑕疵检测方法，其特征在于，所述的通过重构误差来判定子窗口是否包含瑕疵是指当重构误差超过预先设定的阈值则认为子窗口包含瑕疵。

5.根据权利要求1所述的一种基于奇异值分解的织物瑕疵检测方法，其特征在于，所述的联合投影序列，是指将沿纵横方向投影所得的两个投影序列，一个在前，另一个在后或一个在后，另一个在前以首尾相接的方式所得的序列。

Images