CN103729842B - 基于局部统计特征与整体显著性分析的织物疵点检测方法 - Google Patents

Abstract

本发明公开了一种基于局部统计特征与整体显著性分析的织物疵点检测方法，包括局部纹理和灰度统计特征提取、视觉显著图生成和视觉显著图分割三部分。首先对图像进行分块，提取图像块的局部纹理和灰度统计特征；其次针对每个当前图像块，随机选取K个其它图像块，计算当前图像块与其它图像块统计特征之间的对比度，完成基于整体显著性分析生成视觉显著图；最后采用基于迭代最优阈值分割算法对显著图进行分割，得到织物疵点检测结果。本方法综合考虑织物纹理统计特征和灰度统计特征，具有较高的检测精度；且本方法不需要训练样本，自适应能力强；计算速度较快，适合在线检测。

Description

基于局部统计特征与整体显著性分析的织物疵点检测方法

技术领域

本发明涉及织物图像的疵点检测方法，具体涉及使用局部纹理及灰度统计特征提取和整体显著性分析方法对织物疵点图像进行疵点的检测和定位，属于纺织品图像处理领域。

背景技术

织物疵点检测是纺织品质量控制和管理的一个关键环节。随着集成电路和图像处理技术的飞速发展，机器视觉已经在工业表面检测领域中得到越来越广泛的应用，以计算机视觉来代替人工操作不仅可以提高检测速度，降低劳动成本，而且通过布匹疵点自动检测系统可以为布匹质量等级的评定提供双方可信的参考标准，有利于国际贸易的往来。织物疵点检测与判别算法是该类系统的核心环节，直接影响着系统的性能。

目前提出的织物疵点检测算法主要以传统统计学习及频谱分析为基础。其中基于空域纹理特征的方法主要利用灰度值空间分布的统计特性进行疵点检测。在整个检测过程中，假设正常图像块都是相同的，并且占有大部分区域，而具有不同统计特性的图像块被标定为含有疵点的图像。这类方法主要包括形态学、灰度共生矩阵、分形方法、局部对比度增强等，其检测结果受到所选窗口大小及阈值的影响，并且对于疵点较小情况，漏检率较大[参考文献[1]:M.H.Shi,R.Fu,Y.Guo,etal.,Fabricdefectdetectionusinglocalcontrastdeviations,MultimediaToolsandApplication,52:147-157,2011.]。

基于频谱分析的方法可以弥补这些缺点，将图像变换到频域可以更好地描述图像的整体特性，从而有效地检测织物疵点(参考文献[2]:A.Serdaroglu,A.ErtuzunandA.Ercil,Defectdetectionintextilefabricimagesusingwavelettransformsandindependentcomponentanalysis,PatternRecognit.ImageAnal.,16(1):61-64,2006.)。常用的方法有傅立叶变换、小波变换和Gabor变换等。该类方法计算复杂度较高且滤波器组选择对结果影响较大。

基于复杂统计模型的方法通常假定纹理是某种模型下的一个样本，通过学习的方法估计出该模型的参数，再利用假设检验的方法测试待检图像是否符合该参数下的纹理模型[参考文献[3]:Y.Zhang,Z.LuandJ.Li,Fabricdefectclassificationusingradialbasisfunctionnetwork,PatternRecognitionLetters,31(13):2033-2042,2010.]。用于疵点检测的纹理模型主要有高斯马尔科夫随机场、小波域隐马尔科夫树模型等,相应的学习方法主要有三层后向传播网络、高斯核的径向基函数等。该类方法虽然能很好地描述织物图像的纹理信息，但计算量通常很大，而且实现复杂，特别是在线学习尤为困难，识别面积较小的疵点能力较差。

目前提出的算法在一定程度上达到了疵点检测目的，但仍有许多共性的问题和新问题仍然未得到解决或仍待进一步研究：1)布匹种类较多，造成表面纹理多样化(譬如：斜纹、花纹等)，大部分算法对纹理比较简单的布匹检测效果好，而对复杂纹理的织物检测效果较差，不能有效地把疵点与背景分离开来；2)织物疵点种类较多，有横裆疵、斜纹疵、弓弧、断纬疵、斑点疵、扭结纱疵等90多种，目前的检测算法一般只能检测特定的几种疵点类型，并且检测精度有待提高。

大量神经学研究表明，人类视觉注意机制具有快速搜索到感兴趣目标的能力，称为视觉显著性。该模型能够快速搜索到场景中的重要目标，提高提取场景图像中有用信息的速度。对于布匹，虽然纹理多样化及疵点类别较多，但疵点在复杂的纹理背景中较为显著，利用视觉显著性模型可以快速有效地定位疵点区域，具有很好的研究价值。Geformanetal.[参考文献[4]:GofermanS,Zelnik-ManorL,TalA.Context-awaresaliencydetection.PatternAnalysisandMachineIntelligence,IEEETransactionson,2012,34(10):1915-1926.]及黄志勇等人[参考文献[5]:黄志勇,何发智,蔡贤涛,等.一种随机的视觉显著性检测算法.中国科学:信息科学,2011,41(7):863-874.]将基于上下文视觉显著性分析方法用于自然场景图像目标检测，获得了满意的效果。然而已有视觉显著性模型针对织物图像检测效果较差，不能很好地将疵点从复杂的纹理背景中有效凸显出来。

发明内容

本发明的目的是为了解决上述现有技术的存在的问题，提出一种基于局部统计特征与整体显著性分析的织物疵点检测方法，实现对织物图像疵点的有效检测与定位，并具有较高的检测精度。

本发明的一种基于局部统计特征与整体显著性分析的织物疵点检测方法，包括三个阶段，具体为：

一：局部纹理和灰度统计特征提取

具体包括以下几个步骤：

步骤1.局部纹理统计特征提取

本方法选用LBP(localbinarypattern)算子来提取局部纹理特征，其主要思想是将邻域作为一个处理单元，如果该邻域中的像素灰度大于中心像素的灰度，则对应邻域像素置为1，否则置为0，按顺时针方向排列成二进制序列；假设U表示LBP算子中0到1或1到0的变化次数，如果U≤2，为每一位分配一个权值2ⁱ，将该二进制序列转换成一个确切的十进制数，即为中心像素的LBP特征值；如果U>2，将二进制序列统一转换成P(P-1)+3，表示中心像素的LBP特征值，如式(1)所示：

其中g_c表示中心像素灰度值，g_i表示邻域像素灰度值，P表示邻域中像素个数，R表示邻域半径，最后通过计算LBP特征值直方图，用以表征图像的局部纹理统计信息；

步骤2.灰度统计特征提取

本方法采用灰度直方图来提取图像的灰度统计特征，如式(2)所示：

P(R_k)＝N_k/N(2)

式中，R_k为第k级灰度；N_k为第k级灰度的像素总数；P(R_k)为第k级灰度的频数；N为图像像素的总数目；通过计算P(R_k)的直方图，用以表示灰度统计特征；

二：视觉显著图生成

具体包括以下几个步骤：

步骤1.将大小为M×N的图像f划分为m×m图像块f_i(i＝1,2,...,N_b)，其中N_b为图像块个数；因为一个图像块对应显著图的一个像素，为了提高显著度图的分辨率，所划分图像块之间相互重叠，重叠区域大小为m×c或c×m；

步骤2.针对当前图像块f_i,随机选取K个其它图像块位置p_j，如式(3)所示：

p_j＝p_i+ωR_j(3)

其中，p_i表示图像块f_i在二维空间中的位置，j取1到K，R_j是均匀分布的随机变量，其取值范围是[-1,1]×[-1,1],ω是图像的宽高尺寸的一半；

步骤3.提取当前图像块f_i和其对应的K个其它图像块f_j(j＝1,2,...,K)的局部纹理和灰度统计特征；

步骤4.计算当前图像块和其对应的K个图像块之间的局部纹理统计特征距离d_lbp(f_i,f_j)、灰度统计特征距离d_hist(f_i,f_j)及Euclid位置距离d_p(p_i,p_j)；由于局部纹理及灰度统计特征以直方图形式进行表示，因此本方法选用卡方距离来度量特征之间的差异；其中，式(4)为图像块局部纹理统计特征之间的差异：

$d_{lbp}(f_i,f_j)=\underset{t=1}{\overset{T}{\Σ}}\frac{{(V_{it}^{lbp}-V_{jt}^{lbp})}^2}{V_{it}^{lbp}+V_{jt}^{lbp}}---\left(4\right)$

式中，T为特征维数，V^lbp表示局部纹理统计特征向量,it中的i表示第i个图像块，t表示第i个图像块特征向量的第t个值,同样，jt中的j表示第j个图像块，t表示第j个图像块特征向量的第t个值。

$d_{hist}(f_i,f_j)=\underset{t=1}{\overset{T}{\Σ}}\frac{{(V_{it}^{hist}-V_{jt}^{hist})}^2}{V_{it}^{hist}+V_{jt}^{hist}}---\left(5\right)$

式中，T为特征维数，V^hist表示灰度统计特征向量；

那么定义图像块之间的不相似性如式(6)所示：

$d(f_i,f_j)=\frac{d_{lbp}(f_i,f_j)+d_{hist}(f_i,f_j)}{1+r\×d_p(p_i,p_j)}---\left(6\right)$

式中，d_lbp(f_i,f_j)为局部纹理统计特征距离；d_hist(f_i,f_j)为灰度统计特征距离；d_p(p_i,p_j)为图像块f_i和f_j所在位置之间的Euclid距离；r为一个比例因子，取值在[-10]之间；

步骤5.计算当前图像块i的显著性s_i，如式(7)所示：

$s_i=1-\exp \{-\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}d(p_i,p_k)\}---\left(7\right)$

进而得到整幅图像的视觉显著图S；

步骤3.对视觉显著图S进行后处理，如式(8)所示：

sm＝g*(SοS)(8)

其中，g为圆形平滑滤波器，"ο"表示Hadamard内积；

步骤4.将视觉显著图转换为灰度在0～255之间的灰度图像，如式(9)所示：

$Gm=\frac{sm-\min \left(sm\right)}{max\left(sm\right)-\min \left(sm\right)}\×255---\left(9\right)$

三：视觉显著图分割

采用迭代最优阈值分割方法对视觉显著度图进行处理，实现对织物疵点区域的检测与定位；

具体包括以下几个步骤：

步骤1.计算初始阈值T₀＝{T_k|k＝0}，

$T_0=\frac{Z_{min}+Z_{max}}{2}---\left(9\right)$

式中，Z_min、Z_max分别表示图像中像素的最小和最大灰度值；

步骤2.利用阈值T_k把图像分割成两个区域R₁和R₂，如(10)、(11)所示：

R₁＝{f(i,j)|f(i,j)≥T_k}(10)

R₂＝{f(i,j)|0≤f(i,j)＜T_k}(11)

式中，f(i,j)是像素(i,j)的灰度值；

步骤3.计算R₁和R₂的灰度均值Z₁和Z₂,如(12)、(13)所示：

$Z_1=\frac{\underset{f(i,j)\≥T_K}{\Σ}f(i,j)\×N(i,j)}{\underset{f(i,j)\≥T_K}{\Σ}N(i,j)}---\left(12\right)$

$Z_2=\frac{\underset{0\&le;f(i,j)<T_K}{\&Sigma;}f(i,j)\&times;N(i,j)}{\underset{0\&le;f(i,j)<T_K}{\&Sigma;}N(i,j)}---\left(13\right)$

式中，N(i,j)是像素(i,j)点的权重系数；

步骤4.选择新的阈值T_k+1，如式(14)所示：

$T_{k+1}=\frac{Z_1+Z_2}{2}---\left(14\right)$

步骤5.如果T_k+1-T_k＜δ，δ为设定值，则结束；否则k＝k+1，转步骤2；

步骤6.使用步骤5中求出的最优阈值，对图像进行分割，将其分为疵点和背景两部分。

本发明的优点在于：

(1)本方法综合考虑了局部纹理、灰度统计特征和整体上下文信息，有效的完成了织物疵点的检测与定位。

(2)该算法不需要参考样本，自适应性和鲁棒性较强。

(3)不仅适用于检测表面纹理简单的织物，也适用于检测纹理较为复杂的织物，扩大了算法的使用范围。

附图说明

图1a-图1f是原始疵点图像；

图2a-图2f是采用局部纹理特征及整体显著性分析生成视觉显著图；

图3a-图3f是采用局部灰度特征及整体显著性分析生成视觉显著图；

图4a-图4f是采用本发明生成的视觉显著图；

图5a-图5f是分割结果；

图6是原理图。

具体实施方式

合附图和实施例对本发明作进一步的详细说明。

如图6所示，一基于局部统计特征与整体显著性分析的织物疵点检测方法，首先将图像分为大小相同的图像块；然后针对每个当前图像块，随机选取K个其它图像块，计算它们之间的局部纹理及灰度特征对比度，生成基于整体显著性分析的视觉显著图；最后采用基于迭代最优阈值分割算法对显著图进行分割，得到织物疵点检测结果。该算法综合了局部纹理及灰度统计特征和整幅图像的整体上下文信息，可显著突出织物疵点区域，实现对织物疵点的有效检测。包括局部纹理特征和灰度统计特征提取、视觉显著图生成和视觉显著图分割。具体为：

一：局部纹理和灰度统计特征提取

具体包括以下几个步骤：

步骤1.局部纹理统计特征提取

本方法选用LBP(localbinarypattern)算子来提取局部纹理特征，其主要思想是将邻域作为一个处理单元，如果该邻域中的像素灰度大于中心像素的灰度，则对应邻域像素置为1，否则置为0，按顺时针方向排列成二进制序列。假设U表示LBP算子中0到1或1到0的变化次数，如果U≤2，为每一位分配一个权值2ⁱ，将该二进制序列转换成一个确切的十进制数，即为中心像素的LBP特征值；如果U>2，将二进制序列统一转换成P(P-1)+3，表示中心像素的LBP特征值，如式(1)所示：

其中g_c表示中心像素灰度值，g_i表示邻域像素灰度值，P表示邻域中像素个数，R表示邻域半径， $s\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ 0,& x<\end{array}\right..$ 最后通过计算LBP特征值直方图，用以表征图像的局部纹理统计信息。(P取值为8或16，R取值为1或3)。

步骤2.灰度统计特征提取

本方法采用灰度直方图来提取图像的灰度统计特征，如式(2)所示：

P(R_k)＝N_k/N(2)

式中，R_k为第k级灰度；N_k为第k级灰度的像素总数；P(R_k)为第k级灰度的频数；N为图像像素的总数目。通过计算P(R_k)的直方图，用以表示灰度统计特征。

二：视觉显著图生成

具体包括以下几个步骤：

步骤1.将大小为M×N的图像f划分为m×m图像块f_i(i＝1,2,...,N_b)，其中N_b为图像块个数。因为一个图像块对应显著图的一个像素，为了提高显著度图的分辨率，所划分图像块之间相互重叠，重叠区域大小为m×c或c×m。(m取值为16，c取值最好为8,4中的一个)

步骤2.针对当前图像块f_i,随机选取K个其它图像块位置p_j，如式(3)所示：

p_j＝p_i+ωR_j(3)

其中，p_i表示图像块f_i在二维空间中的位置，j取1到K，R_j是均匀分布的随机变量，其取值范围是[-1,1]×[-1,1],ω是图像的宽高尺寸的一半。(K取值范围为[2040])。

步骤3.提取当前图像块f_i和其对应的K个其它图像块f_j(j＝1,2,...,K)的局部纹理和灰度统计特征。

步骤4.计算当前图像块和其对应的K个图像块之间的局部纹理统计特征距离d_lbp(f_i,f_j)、灰度统计特征距离d_hist(f_i,f_j)及Euclid位置距离d_p(p_i,p_j)。由于局部纹理及灰度统计特征以直方图形式进行表示，因此本方法选用卡方距离来度量特征之间的差异。其中，式(4)为图像块局部纹理统计特征之间的差异：

$d_{lbp}(f_i,f_j)=\underset{t=1}{\overset{T}{\&Sigma;}}\frac{{(V_{it}^{lbp}-V_{ji}^{lbp})}^2}{V_{it}^{lbp}+V_{jt}^{lbp}}---\left(4\right)$

式中，T为特征维数，V^lbp表示局部纹理统计特征向量。

$d_{hist}(f_i,f_j)=\underset{t=1}{\overset{T}{\&Sigma;}}\frac{{(V_{it}^{hist}-V_{jt}^{hist})}^2}{V_{it}^{hist}+V_{jt}^{hist}}---\left(5\right)$

式中，T为特征维数，V^hist表示灰度统计特征向量,it中的i表示第i个图像块，t表示第i个图像块特征向量的第t个值,同样，jt中的j表示第j个图像块，t表示第j个图像块特征向量的第t个值。

那么定义图像块之间的不相似性如式(6)所示：

$d(f_i,f_j)=\frac{d_{lbp}(f_i,f_j)+d_{hisi}(f_i,f_j)}{1+r\&times;d_p(p_i,p_j)}---\left(6\right)$

式中，d_lbp(f_i,f_j)为局部纹理统计特征距离；d_hist(f_i,f_j)为灰度统计特征距离；d_p(p_i,p_j)为图像块f_i和f_j所在位置之间的Euclid距离；r为一个比例因子，取值在[-10]之间；

步骤5.计算当前图像块i的显著性s_i，如式(7)所示：

$s_i=1-\exp \{-\frac{1}{K}\underset{k=1}{\overset{K}{\&Sigma;}}d(p_i,p_k)\}---\left(7\right)$

进而得到整幅图像的视觉显著图S。

步骤3.对视觉显著图S进行后处理，如式(8)所示：

sm＝g*(SοS)(8)

其中，g为圆形平滑滤波器，"ο"表示Hadamard内积；

步骤4.将视觉显著图转换为灰度在0～255之间的灰度图像，如式(9)所示：

$Gm=\frac{sm-\min \left(sm\right)}{\max \left(sm\right)-\min \left(sm\right)}\&times;255---\left(9\right)$

三：视觉显著图分割

本文采用迭代最优阈值分割方法对视觉显著度图进行处理，实现对织物疵点区域的检测与定位。

具体包括以下几个步骤：

步骤1.计算初始阈值T₀＝{T_k|k＝0}，

$T_0=\frac{Z_{\min }+Z_{max}}{2}---\left(9\right)$

式中，Z_min、Z_max分别表示图像中像素的最小和最大灰度值。

步骤2.利用阈值T_k把图像分割成两个区域R₁和R₂，如(10)、(11)所示：

R₁＝{f(i,j)|f(i,j)≥T_k}(10)

R₂＝{f(i,j)|0≤f(i,j)＜T_k}(11)

式中，f(i,j)是像素(i,j)的灰度值。

步骤3.计算R₁和R₂的灰度均值Z₁和Z₂,如(12)、(13)所示：

$Z_1=\frac{\underset{f(i,j)\&GreaterEqual;T_K}{\&Sigma;}f(i,j)\&times;N(i,j)}{\underset{f(i,j)\&GreaterEqual;T_K}{\&Sigma;}N(i,j)}---\left(12\right)$

$Z_2=\frac{\underset{0\&le;f(i,j)<T_K}{\&Sigma;}f(i,j)\&times;N(i,j)}{\underset{0\&le;f(i,j)<T_K}{\&Sigma;}N(i,j)}---\left(13\right)$

式中，N(i,j)是像素(i,j)点的权重系数。

步骤4.选择新的阈值T_k+1，如式(14)所示：

$T_{k+1}=\frac{Z_1+Z_2}{2}---\left(14\right)$

步骤5.如果T_k+1-T_k＜δ，δ为设定值，则结束；否则k＝k+1，转步骤2。

步骤6.使用步骤5中求出的最优阈值，对图像进行分割，将其分为疵点和背景两部分。

实施例：

实施例中采用织物图像库中常见疵点图像进行实验，包括漏纱、破损、纬松、跳花。结头等，图像大小为512×512，选用部分图像如图1a-图1f所示。在实施例中，P取值为8，R取值为3，m取值为16，c取值为4，R_j取值为0.34×0.15，K取20，c取-0.45，采用局部纹理特征及整体显著性分析生成视觉显著图，如图2a-图2f所示，从图中可以看出图2a、图2b和图2e生成视觉显著图效果较差，突出疵点区域与实际疵点有一定的差距；采用灰度统计特征及整体显著性分析生成视觉显著图，如图3a-图3f所示，从图中可以看出图3b和图3b生成视觉显著图效果较差，突出疵点区域与实际疵点有一定的差距。而本方法综合了局部纹理与灰度统计特征，采用基于整体性分析生成视觉显著图，如图4a-图4f，对6幅图像生成的视觉显著图能很好地凸显疵点区域。采用最优阈值分割结果如图5a-图5f的白色区域，从图中可以看出本发明能够精确分割出疵点区域。

Claims (1)

1.一种基于局部统计特征与整体显著性分析的织物疵点检测方法，包括局部纹理和灰度统计特征提取、整体分析的视觉显著图生成及视觉显著图分割；具体为：

一：局部纹理和灰度统计特征提取

具体包括以下几个步骤：

步骤1.局部纹理统计特征提取

本方法选用LBP(localbinarypattern)算子来提取局部纹理特征，其主要思想是将邻域作为一个处理单元，如果该邻域中的像素灰度大于中心像素的灰度，则对应邻域像素置为1，否则置为0，按顺时针方向排列成二进制序列；假设U表示LBP算子中0到1或1到0的变化次数，如果U≤2，为每一位分配一个权值2ⁱ，将该二进制序列转换成一个确切的十进制数，即为中心像素的LBP特征值；如果U>2，将二进制序列统一转换成P(P-1)+3，表示中心像素的LBP特征值，如式(1)所示：

其中g_c表示中心像素灰度值，g_i表示邻域像素灰度值，P表示邻域中像素个数，R表示邻域半径， $s\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ 0,& x<0\end{array}\right.;$ 最后通过计算LBP特征值直方图，用以表征图像的局部纹理统计信息；

步骤2.灰度统计特征提取

本方法采用灰度直方图来提取图像的灰度统计特征，如式(2)所示：

P(R_k)＝N_k/N(2)

式中，R_k为第k级灰度；N_k为第k级灰度的像素总数；P(R_k)为第k级灰度的频数；N为图像像素的总数目；通过计算P(R_k)的直方图，用以表示灰度统计特征；

二：视觉显著图生成

具体包括以下几个步骤：

步骤1.将大小为M×N的图像f划分为m×m图像块f_i(i＝1,2,...,N_b)，其中N_b为图像块个数；因为一个图像块对应显著图的一个像素，为了提高显著度图的分辨率，所划分图像块之间相互重叠，重叠区域大小为m×c或c×m；

步骤2.针对当前图像块f_i,随机选取K个其它图像块位置p_j，如式(3)所示：

p_j＝p_i+ωR_j(3)

其中，p_i表示图像块f_i在二维空间中的位置，j取1到K，R_j是均匀分布的随机变量，其取值范围是[-1,1]×[-1,1],ω是图像的宽高尺寸的一半；

步骤3.提取当前图像块f_i和其对应的K个其它图像块f_j(j＝1,2,...,K)的局部纹理和灰度统计特征；

步骤4.计算当前图像块和其对应的K个图像块之间的局部纹理统计特征距离d_lbp(f_i,f_j)、灰度统计特征距离d_hist(f_i,f_j)及Euclid位置距离d_p(p_i,p_j)；由于局部纹理及灰度统计特征以直方图形式进行表示，因此本方法选用卡方距离来度量特征之间的差异；其中，式(4)为图像块局部纹理统计特征之间的差异：

$d_{lbp}(f_i,f_j)=\underset{t=1}{\overset{T}{\&Sigma;}}\frac{{\left(V_{it}^{lbp}-V_{jt}^{lbp}\right)}^2}{V_{it}^{lbp}+V_{jt}^{lbp}}---\left(4\right)$

式中，T为特征维数，V^lbp表示局部纹理统计特征向量,it中的i表示第i个图像块，t表示第i个图像块特征向量的第t个值,同样，jt中的j表示第j个图像块，t表示第j个图像块特征向量的第t个值。

$d_{hist}(f_i,f_j)=\underset{t=1}{\overset{T}{\&Sigma;}}\frac{{\left(V_{it}^{hist}-V_{jt}^{hist}\right)}^2}{V_{it}^{hist}+V_{jt}^{hist}}---\left(5\right)$

式中，T为特征维数，V^hist表示灰度统计特征向量；

那么定义图像块之间的不相似性如式(6)所示：

$d(f_i,f_j)=\frac{d_{lbp}(f_i,f_j)+d_{hist}(f_i,f_j)}{1+r\&times;d_p(p_i,p_j)}---\left(6\right)$

式中，d_lbp(f_i,f_j)为局部纹理统计特征距离；d_hist(f_i,f_j)为灰度统计特征距离；d_p(p_i,p_j)为图像块f_i和f_j所在位置之间的Euclid距离；r为一个比例因子，取值在[-10]之间；

步骤5.计算当前图像块i的显著性s_i，如式(7)所示：

$s_i=1-\exp \{-\frac{1}{K}\underset{k=1}{\overset{K}{\&Sigma;}}d(p_i,p_k\left)\right\}---\left(7\right)$

进而得到整幅图像的视觉显著图S；

步骤3.对视觉显著图S进行后处理，如式(8)所示：

sm＝g*(SοS)(8)

其中，g为圆形平滑滤波器，"ο"表示Hadamard内积；

步骤4.将视觉显著图转换为灰度在0～255之间的灰度图像，如式(9)所示：

$Gm=\frac{sm-\min \left(sm\right)}{\max \left(sm\right)-\min \left(sm\right)}\&times;255---\left(9\right)$

三：视觉显著图分割

采用迭代最优阈值分割方法对视觉显著度图进行处理，实现对织物疵点区域的检测与定位；

具体包括以下几个步骤：

步骤1.计算初始阈值T₀＝{T_k|k＝0}，

$T_0=\frac{Z_{\min }+Z_{\max }}{2}---\left(9\right)$

式中，Z_min、Z_max分别表示图像中像素的最小和最大灰度值；

步骤2.利用阈值T_k把图像分割成两个区域R₁和R₂，如(10)、(11)所示：

R₁＝{f(i,j)|f(i,j)≥T_k}(10)

R₂＝{f(i,j)|0≤f(i,j)＜T_k}(11)

式中，f(i,j)是像素(i,j)的灰度值；

步骤3.计算R₁和R₂的灰度均值Z₁和Z₂,如(12)、(13)所示：

$Z_1=\frac{\underset{f(i,j)\&GreaterEqual;T_K}{\&Sigma;}f(i,j)\&times;N(i,j)}{\underset{f(i,j)\&GreaterEqual;T_K}{\&Sigma;}N(i,j)}---\left(12\right)$

$Z_2=\frac{\underset{0\&le;f(i,j)<T_K}{\&Sigma;}f(i,j)\&times;N(i,j)}{\underset{0\&le;f(i,j)<T_K}{\&Sigma;}N(i,j)}---\left(13\right)$

式中，N(i,j)是像素(i,j)点的权重系数；

步骤4.选择新的阈值T_k+1，如式(14)所示：

$T_{k+1}=\frac{Z_1+Z_2}{2}---\left(14\right)$

步骤5.如果T_k+1-T_k＜δ，δ为设定值，则结束；否则k＝k+1，转步骤2；

步骤6.使用步骤5中求出的最优阈值，对图像进行分割，将其分为疵点和背景两部分。