CN103729856A - 一种利用s变换信号提取的布匹疵点检测方法 - Google Patents
一种利用s变换信号提取的布匹疵点检测方法 Download PDFInfo
- Publication number
- CN103729856A CN103729856A CN201410035407.8A CN201410035407A CN103729856A CN 103729856 A CN103729856 A CN 103729856A CN 201410035407 A CN201410035407 A CN 201410035407A CN 103729856 A CN103729856 A CN 103729856A
- Authority
- CN
- China
- Prior art keywords
- frequency
- value
- signal
- obtains
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种利用S变换信号提取的布匹疵点检测方法,属于数字图像处理领域。本发明的方法利用投影法进行灰度能量累加,将经编布匹图像转换成一维信号;利用S变换信号提取的方法保留疵点信号在S变换域的信息对其做S反变换,提取出疵点信号;在空间域对提取出的疵点信号进行阈值分割,得出疵点和疵点位置信息。本发明能替代布匹生产过程中的人工检测环节,提高布匹质量控制能力,同时可降低劳动力成本;同时提出的方法不受噪声,光照,纹理特征的影响,在空间域对疵点信号判别更加准确。
Description
技术领域
本发明涉及一种利用S变换信号提取的布匹疵点检测方法,属于数字图像处理领域。
背景技术
布匹疵点检测在布匹生产的过程中是一个重要的环节。目前,织物的质量主要是靠人工检验,然而,人工检验的可靠性受到主观判断,劳累等各方面的干扰,Sari-Sarraf调查发现,即使是最训练有素的人工检验员,也只可以检测到70%的织物瑕疵。因此,布匹疵点的自动检测在高速生产高质量的织物产品中是必不可少的。发展一种快速、高效、可靠、实时的缺陷检测系统已经成为必然,基于图像处理技术的布匹疵点检测是计算机视觉,数字图像处理和计算机图形学研究领域的热点难点。
近年来,布匹疵点自动检测吸引了大量的关注,一般来说,织物疵点检测方法可以概括为四类:学习方法,基于模型方法,统计方法和光谱方法。
对于学习的方法,比如说遗传方法和支持向量机,这类方法的缺点在于其需要大量的样本数据。基于模型的方法,比如自回归模型和马尔可夫随机场模型,这类方法对小的缺陷相对敏感,但容易受到灯光和缺陷与背景之间相似性的干扰。在统计方法中,把织物图像划分为若干个图像块的表示形式,如自相关函数、同现矩阵,分形维数,灰度共生矩阵法等。这种方法有两种主要的弱点,第一检测灵敏度与块大小有关;第二需要大量的邻接像素计算。
对于纹理周期性强的织物,频谱方法尤其适合这类织物疵点的检测,如傅里叶分析,小波滤波器和伽柏过滤器。傅里叶变换的空间频率信息不能一一对应,只能在频率域识别缺陷信号;小波变换虽然提供了一种多分辨率分解信息,但很难从小波系数中来描述纹理;Gabor过滤器可以从图像捕获特定频带的频率成分,并定向提取特征,但是Gabor过滤方法计算复杂性很高,限制该方法在实时系统中的应用。
基于以上相关方法的介绍,可以发现现有的检测布匹疵点的方法集中在对图像特征量选取上,此类方法在检测布匹疵点时都会受到噪声、光照、纹理特征的影响,从而使其对疵点信号判别不准确。
发明内容
本发明的目的在于能够快速高效的检测布匹疵点,而供一种能适应在线检测的布匹质量的方法。本发明采用近年来时频分析非平稳信号的有力工具S变换,利用S变换信号提取方法,有效的提取出布匹疵点信号。
本发明的目的是通过以下技术方案实现的:
本发明的一种利用S变换信号提取的布匹疵点检测方法,具体包括以下步骤:
步骤1)、对原布匹图进行灰度化处理;
步骤2)、将步骤1)中得到的灰度化后图像每一列灰度值累加,从而将二维图像转换成横坐标对应为原图像横坐标(即像素位置)、纵坐标为灰度累加值的一维信号f(p);
其中X,Y是原布匹图行向和列向大小,I(p,j)是灰度值,对灰度值进行列向累加;
如果布匹存在疵点,在信号f(p)中就会在相应位置产生信号突变;
步骤3)、对步骤2)所得到的一维信号f(p)做一维Stockwell变换(一维S变换),得到一维信号的S变换系数模值的时频图S(p,f),该时频图的横坐标对应原图像横坐标(即像素位置),纵坐标为频率位置,时频图的亮暗程度表示S变换系数振幅大小;
步骤4)、对步骤3)得到的时频图,寻找每一列系数模最大值对应的频率位置,对频率位置进行直方图统计,得到横坐标为频率位置、纵坐标为频率位置出现次数的直方图;
步骤5)、利用步骤4)得到的频率位置直方图,选取第一个峰和第二个峰之间的三分之一至三分之二处任意一点的频率位置,将该值设定为频率分割阈值fT;
在时频图中,设定频率位置小于频率分割阈值fT的区域为疵点所在时频通域R;
步骤6)、对步骤3)所得到的时频图S(p,f),保留由步骤5)得到的时频通域R内的每一行的S变换系数模最大值,其余S变换系数模值设为0,从而得到新的时频图X(p,f);
时频滤波器H(p,f)定义为:
步骤7)、对步骤6)得到的新的时频图X(p,f)做S反变换,得到一维信号fs,为提取出的疵点信号,其横坐标对应像素位置,纵坐标对应灰度能量幅值;
步骤8)、对步骤7)中得到的疵点信号fs进行空间阈值分割,分割阈值T=α+λσ,其中α和σ分别为信号fs的平均值和均方差,λ为经验参数,取值为2~5;把疵点信号fs每一个像素位置对应的灰度能量幅值与T进行比较,大于等于T的其值设为a,小于T的其值设为b,从而得到分割后的信号fST;
步骤9)、在原图中横坐标与步骤8)得到的信号fST中的a点区域横坐标对应的位置标记出来,即为疵点区域。
有益效果
本发明利用S变换信号提取的方法对布匹图像的一维信号进行疵点信号提取,得出疵点和疵点位置信息。本发明能替代布匹生产过程中的人工检测环节,提高布匹质量控制能力,同时可降低劳动力成本;同时提出的方法不受噪声,光照,纹理特征的影响,在空间域对疵点信号判别更加准确。
附图说明
图1本发明方法的流程图;
图2纹理A布匹灰度图;
图3纹理A布匹灰度图一维信号;
图4纹理A布匹一维信号在S变换域的时频分布;
图5纹理A布匹频率位置直方图;
图6纹理A布匹S反变换结果;
图7纹理A布匹阈值分割结果;
图8纹理A布匹疵点检测结果;
图9纹理B布匹疵点原图;
图10纹理B布匹灰度图一维信号;
图11纹理B布匹一维信号在S变换域的时频分布;
图12纹理B布匹频率位置直方图;
图13纹理B布匹S反变换结果;
图14纹理B布匹阈值分割结果;
图15纹理B布匹疵点检测结果;
图16基于灰度共生矩阵方法的纹理A布匹疵点检测结果;
图17基于小波图像增强的纹理A布匹疵点检测结果;
图18基于灰度共生矩阵方法的纹理B布匹疵点检测结果;
图19基于小波图像增强的纹理B布匹疵点检测结果;
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的描述。
实施例1
以在实际生产中获取的纹理特征为A的经编布匹为例,采用本发明的利用S变换信号提取方法的布匹疵点检测方法,具体包括以下步骤:
步骤1)、对原布匹图进行灰度化处理,如图2所示;
步骤2)、将灰度化后图像每一列灰度值累加,从而将二维图像转换成横坐标对应为原图像横坐标(即像素位置)、纵坐标为灰度累加值的一维信号f(p),如图3所示;
步骤3)、对得到的一维信号f(p)做一维Stockwell变换(一维S变换),得到一维信号的S变换系数模值的时频图S(p,f),该时频图的横坐标对应原图像横坐标(即像素位置),纵坐标为频率位置,时频图的亮暗程度表示S变换系数振幅大小,如图4所示;
步骤4)、对得到的时频图,寻找每一列系数模最大值对应的频率位置,对频率位置进行直方图统计,得到横坐标为频率位置、纵坐标为频率位置出现次数的直方图,如图5所示;
步骤5)、在频率位置直方图上,选取第一个峰和第二个峰之间二分之一处的频率位置,将该值设定为频率分割阈值fT;在时频图中,设定频率位置小于频率分割阈值fT的区域为疵点所在时频通域R;
步骤6)、对时频图S(p,f),保留时频通域R内每一行的系数模最大值,其余系数模值设为0,得到新的时频图;
步骤7)、对新的时频图X(p,f)做S反变换,得到一维信号fs,为提取出的疵点信号,其横坐标对应像素位置,纵坐标对应灰度能量幅值,如图6所示;
步骤8)、对疵点信号fs进行空间阈值分割,分割阈值T=α+λσ,其中α和σ分别为信号fs的平均值和均方差,λ为经验参数,取值为3;把疵点信号fs每一个像素位置对应的灰度能量幅值与T进行比较,大于等于T的其值设为a,小于T的其值设为b,从而得到分割后的信号fST,如图7所示;
步骤9)、在原图中的横坐标与信号fST中的a点区域横坐标对应的位置标记出来,即为疵点区域,如图8所示。
实施例2
以在实际生产中获取的纹理特征为B的经编布匹为例,采用本发明的利用S变换信号提取方法的布匹疵点检测方法,具体包括以下步骤:
步骤1)、对原布匹图进行灰度化处理,如图9所示;
步骤2)、将灰度化后图像每一列灰度值累加,从而将二维图像转换成横坐标对应为原图像横坐标(即像素位置)、纵坐标为灰度累加值的一维信号f(p),如图10所示;
步骤3)、对得到的一维信号f(p)做一维Stockwell变换(一维S变换),得到一维信号的S变换系数模值的时频图S(p,f),该时频图的横坐标对应原图像横坐标(即像素位置),纵坐标为频率位置,时频图的亮暗程度表示S变换系数振幅大小,如图11所不;
步骤4)、对得到的时频图,寻找每一列系数模最大值对应的频率位置,对频率位置进行直方图统计,得到横坐标为频率位置、纵坐标为频率位置出现次数的直方图,如图12所示;
步骤5)、在频率位置直方图上,选取第一个峰和第二个峰之间二分之一处的频率位置,将该值设定为频率分割阈值sT;在时频图中,设定频率位置小于频率分割阈值fT的区域为疵点所在时频通域R;
步骤6)、对时频图S(p,f),保留时频通域R内每一行的系数模最大值,其余系数模值设为0,得到新的时频图;
步骤7)、对新的时频图X(p,f)做S反变换,得到一维信号fs,为提取出的疵点信号,其横坐标对应像素位置,纵坐标对应灰度能量幅值,如图13所示;
步骤8)、对疵点信号fs进行空间阈值分割,分割阈值T=α+λσ,其中α和σ分别为信号fs的平均值和均方差,λ为3;把疵点信号fs每一个像素位置对应的灰度能量幅值与T进行比较,大于等于T的其值设为a,小于T的其值设为b,从而得到分割后的信号fST,如图14所示;
步骤9)、在原图中的横坐标与信号fST中的a点区域横坐标对应的位置标记出来,即为疵点区域,如图15所示。
对比实施例
为了进一步说明本发明提出方法的优势,用两种提取特征值方法作为对比方法,一种为灰度共生矩阵方法,另一种为小波增强方法;利用两种对比方法检测布匹疵点结果如图16、图18和图17、图19所示。特征值提取法检测布匹疵点很容易受到噪声,光照,纹理特征的影响,使其对疵点信号判别不准确;从检测结果对比来看,提出的基于S变换信号提取的布匹疵点检测方法,有效的克服了以往方法的缺陷,在空间域对疵点判别更加准确。
Claims (3)
1.一种利用S变换信号提取的布匹疵点检测方法,其特征是:具体包括以下步骤:
步骤1)、对原布匹图进行灰度化处理;
步骤2)、将步骤1)中得到的灰度化后图像每一列灰度值累加,从而将二维图像转换成横坐标对应为原图像横坐标、纵坐标为灰度累加值的一维信号f(p);
步骤3)、对步骤2)所得到的一维信号f(p)做一维Stockwell变换,得到一维信号的S变换系数模值的时频图,该时频图的横坐标对应原图像横坐标,纵坐标为频率位置;
步骤4)、对步骤3)得到的时频图,寻找每一列系数模最大值对应的频率位置,对频率位置进行直方图统计,得到横坐标为频率位置、纵坐标为频率位置出现次数的直方图;
步骤5)、利用步骤4)得到的频率位置直方图,选取第一个峰和第二个峰之间的三分之一至三分之二处任意一点的频率位置,将该值设定为频率分割阈值fT;在时频图中,频率位置小于频率分割阈值fT的区域为疵点所在时频通域R:
步骤6)、在步骤3)得到的时频图S(p,f)上,保留步骤5)得到的时频通域R内每一行的系数模最大值,其余系数模值设为0,得到新的时频图X(p,f);
步骤7)、对步骤6)得到的新的时频图X(p,f)做S反变换,得到一维信号fs,为提取出的疵点信号,其横坐标为像素位置,纵坐标为灰度能量幅值;
步骤8)、对步骤7)中得到的疵点信号fs进行空间阈值分割,分割阈值T=α+λσ,其中α和σ分别为信号fs的平均值和均方差,λ为经验参数,取值为2~5;把疵点信号fs每一个像素位置对应的灰度能量幅值与T进行比较,大于等于T的其值设为a,小于T的其值设为b,得到分割后的信号fST;
步骤9)、把原图中横坐标与步骤8)得到的信号fST中的a点区域横坐标对应的位置标记出来,为疵点区域。
2.根据权利要求1所述的基于S变换信号提取的布匹疵点检测算法,其特征是:所述的步骤5)中,利用步骤4)得到的频率位置直方图,选取第一个峰和第二个峰之间的二分之一处的频率位置,将该值设定为频率分割阈值fT。
3.根据权利要求1所述的基于S变换信号提取的布匹疵点检测算法,其特征是:所述的步骤8)中的经验参数λ取值为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035407.8A CN103729856B (zh) | 2014-01-24 | 2014-01-24 | 一种利用s变换信号提取的布匹疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035407.8A CN103729856B (zh) | 2014-01-24 | 2014-01-24 | 一种利用s变换信号提取的布匹疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103729856A true CN103729856A (zh) | 2014-04-16 |
CN103729856B CN103729856B (zh) | 2016-08-17 |
Family
ID=50453917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410035407.8A Expired - Fee Related CN103729856B (zh) | 2014-01-24 | 2014-01-24 | 一种利用s变换信号提取的布匹疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103729856B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931243A (zh) * | 2016-04-26 | 2016-09-07 | 江南大学 | 一种基于单演小波分析的织物疵点检测方法 |
CN109146768A (zh) * | 2017-01-03 | 2019-01-04 | 成都科创知识产权研究所 | 图像变换方法、系统及应用 |
CN109829902A (zh) * | 2019-01-23 | 2019-05-31 | 电子科技大学 | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
CN110037724A (zh) * | 2019-03-14 | 2019-07-23 | 西安理工大学 | 一种基于st变换的ct成像方法 |
CN110223309A (zh) * | 2019-05-20 | 2019-09-10 | 深圳新视智科技术有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN111325707A (zh) * | 2018-12-13 | 2020-06-23 | 深圳中科飞测科技有限公司 | 一种图像处理方法和系统、检测方法和系统 |
CN113373582A (zh) * | 2020-03-09 | 2021-09-10 | 相成国际股份有限公司 | 数字化原始图像而织成数字图像的方法 |
CN114636372A (zh) * | 2022-03-14 | 2022-06-17 | 中国科学院光电技术研究所 | 将s变换用于宽光谱自参考干涉对准系统光谱解相位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030210047A1 (en) * | 2002-05-10 | 2003-11-13 | Mitchell J. Ross | Filtering artifact from fMRI data using the Stockwell transform |
CN101493934A (zh) * | 2008-11-27 | 2009-07-29 | 电子科技大学 | 一种基于广义s变换的微弱目标检测方法 |
CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
-
2014
- 2014-01-24 CN CN201410035407.8A patent/CN103729856B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030210047A1 (en) * | 2002-05-10 | 2003-11-13 | Mitchell J. Ross | Filtering artifact from fMRI data using the Stockwell transform |
CN101493934A (zh) * | 2008-11-27 | 2009-07-29 | 电子科技大学 | 一种基于广义s变换的微弱目标检测方法 |
CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
Non-Patent Citations (2)
Title |
---|
崔玲玲 等: "一种新的布匹瑕疵图像自动检测算法", 《西安电子科技大学学报(自然科学版)》, vol. 38, no. 5, 31 October 2011 (2011-10-31), pages 65 - 72 * |
陈学华 等: "基于广义S变换的裂缝分频边缘检测方法", 《吉林大学学报(地球科学版)》, vol. 41, no. 5, 30 September 2011 (2011-09-30), pages 1605 - 1609 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931243A (zh) * | 2016-04-26 | 2016-09-07 | 江南大学 | 一种基于单演小波分析的织物疵点检测方法 |
CN105931243B (zh) * | 2016-04-26 | 2018-07-20 | 江南大学 | 一种基于单演小波分析的织物疵点检测方法 |
CN109146768A (zh) * | 2017-01-03 | 2019-01-04 | 成都科创知识产权研究所 | 图像变换方法、系统及应用 |
CN111325707A (zh) * | 2018-12-13 | 2020-06-23 | 深圳中科飞测科技有限公司 | 一种图像处理方法和系统、检测方法和系统 |
CN111325707B (zh) * | 2018-12-13 | 2021-11-30 | 深圳中科飞测科技股份有限公司 | 一种图像处理方法和系统、检测方法和系统 |
CN109829902A (zh) * | 2019-01-23 | 2019-05-31 | 电子科技大学 | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
CN109829902B (zh) * | 2019-01-23 | 2022-04-12 | 电子科技大学 | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
CN110037724A (zh) * | 2019-03-14 | 2019-07-23 | 西安理工大学 | 一种基于st变换的ct成像方法 |
CN110037724B (zh) * | 2019-03-14 | 2023-09-12 | 杭州惜尔信息技术有限公司 | 一种基于st变换的ct成像方法 |
CN110223309A (zh) * | 2019-05-20 | 2019-09-10 | 深圳新视智科技术有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113373582A (zh) * | 2020-03-09 | 2021-09-10 | 相成国际股份有限公司 | 数字化原始图像而织成数字图像的方法 |
CN114636372A (zh) * | 2022-03-14 | 2022-06-17 | 中国科学院光电技术研究所 | 将s变换用于宽光谱自参考干涉对准系统光谱解相位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103729856B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103729856A (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
Wang et al. | Deep learning for asphalt pavement cracking recognition using convolutional neural network | |
CN103729842B (zh) | 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 | |
CN102305798B (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN103761531B (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
CN101527043B (zh) | 基于运动目标轮廓信息的视频对象分割方法 | |
CN110009618A (zh) | 一种轴类零件表面质量检测方法及装置 | |
CN103488974A (zh) | 基于模拟生物视觉神经网络的人脸表情识别方法及系统 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN111738342A (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
CN103778435A (zh) | 一种基于视频的行人快速检测方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN105096342A (zh) | 一种基于傅里叶描述子和方向梯度直方图的入侵检测算法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
Gyimah et al. | A robust completed local binary pattern (rclbp) for surface defect detection | |
CN109359554A (zh) | 一种基于多合成图像处理技术的森林火灾识别方法 | |
CN105184777A (zh) | 一种基于图像分解的印花图案织物瑕疵检测方法 | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
CN106447686A (zh) | 一种基于快速有限剪切波变换的图像边缘检测方法 | |
CN102609903A (zh) | 一种基于边缘流的活动轮廓模型图像分割的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20170124 |