CN104034732A - 一种基于视觉任务驱动的织物疵点检测方法 - Google Patents

Abstract

本发明公开了一种基于视觉任务驱动的织物疵点检测方法，采用任务驱动逐次形成兴趣图、方向性疵点兴趣区域和非方向性疵点兴趣区；最后通过区域生长法使疵点从兴趣区中分割出来。本发明是一种基于视觉任务驱动的织物疵点检测方法，能够满足不同织物疵点分割的准确性和快速性要求，对各类疵点检测具有较强的普适性，为织物疵点动态在线检测提供了一种新的方法。

Description

一种基于视觉任务驱动的织物疵点检测方法

技术领域

本发明属于织物疵点检测方法技术领域，具体涉及一种基于视觉任务驱动的织物疵点检测方法。

背景技术

织物疵点检测是纺织品检测的关键环节之一。然而，织物疵点检测主要依赖人工视觉，由检验人员在验布机上完成。而这种检验方法存在注意力难以长时间集中，很容易造成误检和漏检等缺陷。随着计算机、图像处理技术的发展，作为织物疵点检测关键技术的图像处理算法必然成为研究的热点。

目前，织物疵点检测方法很多，灰度共生矩阵法是通过提取织物图像的特征值，然后用Bayes分类法对疵点进行判别和分类。这种检测方法计算量大，构造灰度共生矩阵时会受到像素方向、距离等各因素的影响(YoshionShimizu.Expert System to Inspect Fabric Defects by Pattern Recognition[J].IEEE Transactions on Pattern Recognition,1990,46(3):460-469.)。脉冲耦合法是利用脉冲耦合神经网络(PCNN)完成织物疵点分割。然而，PCNN网络主要参数是通过人工经验确定的，因此无法做到自适应性(宋寅卯,袁端磊,卢易风等.基于最优PCNN模型的织物疵点自动检测[J].仪器仪表学报,2008,29(4):887-891；祝双武,郝重阳.一种基于改进型PCNN的织物疵点图像自适应分割方法[J].电子学报,2012,40(3):611-616.)。在变换域中：傅立叶变换是一种全局性的方法，不能提供任何空间域的定位信息(Chi-ho Chan,GranthamK.H.Pang.Fabric Defect Detection by Fourier Analysis[J].IEEE Transactionson Industry Applications,2000,36(5):1267-1276；V.,Jayashree and ShailaSubbaraman.Identification of twill grey fabric defects using DC suppress Fourierpower spectrum sum features[J].Textile Research Journal,2012,82(14):1485-1497.)。小波变换具有多尺度分辨率特性，并在时域、频域具有表征信号局部特征的能力，非常适合奇异信号的检测，但正常纹理信息本身就包含着部分非光滑信号信息，小波分解不能抑制正常纹理信息中的非光滑信号信息。因此，对于微弱信号的小疵点检测效果不佳(Tsai DM and Hsiao B.Automatic surface inspection using wavelet reconstruction[J].PatternRecognition；2001,34(6):1285–1305.)。

现在的研究表明，人类在长期学习中积累了很多经验，人类视觉系统通常根据自己经验去寻找感兴趣的目标。这种经验实质就是人类长期学习过程中积累的检测目标特征信息，并把这种检测目标特征作为任务因子驱动检测目标兴趣区迅速形成和目标快速检测(Navalpakkam,V.,Itti,L.Modeling theinfluence of task on attention[J].Vision Research,2005,45(2):205-231；Yuanlong Yu,Mann,G.K.I.,Gosine,R.G..A Goal-Directed Visual PerceptionSystem Using Object-Based Top-Down Attention[J].Autonomous MentalDevelopment,IEEE Transactions on,2012,4(1):87-103.)。由此可见，人类视觉系统的任务驱动机制在人类视觉中扮演着非常重要的角色，是人类自然进化的结果，她能够很好的解决目标检测准确性和快速性问题，具有较强的目标检测的适应性。

发明内容

本发明的目的是提供一种基于视觉任务驱动的织物疵点检测方法，能够满足不同织物疵点动态检测的准确性和快速性要求。

本发明所采用的技术方案是：一种基于视觉任务驱动的织物疵点检测方法，采用任务驱动逐次形成兴趣图、方向性疵点兴趣区域和非方向性疵点兴趣区；最后通过区域生长法使疵点从兴趣区中分割出来。

本发明的特点还在于，

包括以下步骤：

步骤1：基元因子驱动构建兴趣图

首先根据织物图像的纹理算出其自相关函数，通过自相关函数确定纹理基元，由纹理基元驱动织物图像形成织物兴趣图；

步骤2：方向、稀疏因子驱动构建兴趣区

由水平、垂直方向相对移动极差表示方向因子，在兴趣图中通过方向因子驱动形成方向性疵点兴趣区，如果不存在方向性疵点兴趣区，则在兴趣图中以稀疏因子驱动形成非方向性疵点兴趣区；

步骤3：疵点分割

对步骤2形成的方向性疵点兴趣区或者非方向性疵点兴趣区采用改进区域生长法分割出疵点。

步骤1具体为：

步骤1.1：确定纹理基元尺寸

根据公式(1)和(2)分别计算织物纹理的水平和垂直方向自相关函数，得到水平自相关曲线和垂直自相关曲线，

$C_x=\frac{\frac{1}{M\×(N-x)}\underset{i=1}{\overset{N-x}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{f}_{i,j}\×f_{i+x,j}}{\frac{1}{M\×N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{f}_{i,j}^2}---\left(1\right)$

$C_y=\frac{\frac{1}{N\×(M-y)}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M-y}{\mathrm{\Σ}}}{f}_{i,j}\×f_{i,j+y}}{\frac{1}{M\×N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{f}_{i,j}^2}---\left(2\right)$

其中，C_x表示水平方向自相关函数、C_y表示垂直方向自相关函数，M×N表示图像尺寸，f_i,j表示图像在(i,j)像素灰度值，x表示图像行的序号，y表示图像列的序号；

其次，以水平自相关曲线的两峰值之间长度作为基元的水平尺寸，以垂直自相关曲线的两峰值之间长度作为基元的垂直尺寸，采用公式(3)、(4)和(5)分别计算基元水平尺寸l_x、基元垂直尺寸l_y和基元窗口大小T_x,y：

$l_x=\frac{\mathrm{mun}\left[\max \left(c_x\right)\right]-1}{N}---\left(3\right)$

$l_y=\frac{\mathrm{mun}\left[\max \left(c_y\right)\right]-1}{M}---\left(4\right)$

T_x,y＝l_x×l_y (5)

其中，mun[max(c_x)]表示水平自相关曲线极大值数目，mun[max(c_y)]表示垂直自相关曲线极大值数目；

步骤1.2：计算基元均值M_a,b

$M_{a,b}=\frac{1}{l_x\×l_y}\underset{i=1,j=1}{\overset{{i=l}_x,j=l_y}{\mathrm{\Σ}}}{f}_{i,j}---\left(6\right)$

其中，a,b分别表示基元中心点的横坐标和纵坐标；

步骤1.3：基元均值遍历

以基元窗口在织物图像中滑动，以基元均值M_a,b代替相应基元尺寸中心像素点(a,b)的灰度值，通过遍历整个织物图像构建出兴趣图。

步骤2具体为：

步骤2.1：方向因子驱动形成兴趣区

步骤2.1.1：采用相对移动极差表示方向因子，通过公式(7)和(8)分别计算出水平方向兴趣度E_j和垂直方向兴趣度E_i：

$E_j=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\left|p(i,j)\right|---\left(7\right)$

$E_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|p(i,j)\right|---\left(8\right)$

其中，p(i,j)表示兴趣图中在(i,j)处的特征值，M×N表示兴趣图像尺寸；

步骤2.1.2：计算水平方向兴趣波动度和垂直方向兴趣波动度

兴趣度极大值与相邻的兴趣度极小值之间存在较大差值，找到这种极差就能找到检测兴趣区域，因此，采用相对移动极差，即方向因子来衡量方向兴趣度波动情况，通过公式(9)、(10)计算移动极差和相对移动极差：

$\left\{\begin{array}{c}{\mathrm{\δ}}_j\left(k\right)=|E_j\left(k_1\right)-E_j\left(k_2\right)|\\ {\mathrm{\δ}}_i\left(l\right)=|E_i\left(l_1\right)-E_i\left(l_2\right)|\end{array}\right.---\left(9\right)$

$\left\{\begin{array}{c}{{\mathrm{\δ}}^{\′}}_j\left(k\right)=\frac{{\mathrm{\δ}}_j\left(k\right)}{\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\δ}}_j\left(k\right)}\\ {{\mathrm{\δ}}^{\′}}_i\left(l\right)=\frac{{\mathrm{\δ}}_i\left(l\right)}{\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\δ}}_i\left(l\right)}\end{array}\right.---\left(10\right)$

其中，k₁、k₂分别为水平方向相邻的极大值点和极小值点，l₁、l₂分别为垂直方向相邻的极大值点和极小值点，δ_j(k)为水平方向移动极差、δ_i(l)为垂直方向移动极差；K为水平方向极差数目、L为垂直方向极差数目，δ′_j(k)为水平方向相对移动极差、δ′_i(l)为垂直方向相对移动极差；k表示水平方向相对移动极差的序号，l表示垂直方向相对移动极差的序号；

步骤2.1.3：确定兴趣区位置

根据最大类间方差分割法确定阈值δ_otsu，假设大于阀值δ_otsu的兴趣波动度所对应的兴趣图区域即为方向性疵点兴趣区，通过公式(11)确定:

$\left\{\begin{array}{c}{{\mathrm{\δ}}^{\′}}_j\left(k\right)\≥{\mathrm{\δ}}_{\mathrm{otsu}},p\left(j\right)\∈\mathrm{regio}{n}_{\left(\mathrm{interest}\right)},j_1\≤j\≤j_2\\ {{\mathrm{\δ}}^{\′}}_i\left(l\right)\≥{\mathrm{\δ}}_{\mathrm{otsu}},p\left(i\right)\∈\mathrm{regio}{n}_{\left(\mathrm{interest}\right)},i_1\≤i\≤i_2\end{array}\right.---\left(11\right)$

其中，j₁≤j_≤j₂表示水平方向兴趣区的范围，i₁≤i≤i₂表示水平方向兴趣区的范围；δ′_j(k)为水平方向相对移动极差、δ′_i(l)为垂直方向相对移动极差；region_(interest)表示兴趣区；

如果检测出方向性疵点兴趣区，则进行步骤3；如果不存在方向性疵点兴趣区，进行步骤2.2；

步骤2.2：稀疏因子驱动形成兴趣区

步骤2.2.1：确定非方向性疵点兴趣区稀疏度

兴趣图中的非方向性疵点通常比较显著，而且疵点数目较少，具有稀疏性，疵点所在的兴趣区也应该是稀疏的，因此，非方向性疵点兴趣区稀疏度公式如(12)：

$\left\{\begin{array}{c}p>{\mathrm{\δ}}_{\mathrm{otsu}}\\ p_{\mathrm{sparsity}\left(n\right)=\mathrm{num}{\left[p\right]}_{\mathrm{\δ}(n+1)}-\mathrm{mum}{\left[p\right]}_{\mathrm{\δ}\left(n\right)}}\end{array}\right.---\left(12\right)$

其中，δ_otsu表示最大类间方差的阈值，p表示在兴趣图中大于δ_otsu的区域，num[p]_δ(n+1)、num[p]_δ(n)分别表示在[δ_otus,255]之间进行N等分获得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和第n次分割时所获得兴趣区域数目，p_sparsity(n)表示第n+1次分割目标的稀疏度，其数值越大表明越稀疏；

步骤2.2.2：确定非方向性疵点兴趣区最佳稀疏度

当在不同阈值分割所获得的兴趣区数目减少最大时，即稀疏度p_sparsity最大时，所获得兴趣区为非方向性疵点兴趣区，最佳稀疏度p_{max(sparsity)}通过公式(13)确定：

p_{max(sparsity)}＝max_(sparsity) (13)

步骤2.2.3：确定非方向性疵点兴趣区

根据公式(12)、(13)，确定最佳稀疏度对应的阈值δ(n+1)，采用阈值δ(n+1)分割兴趣图，非方向性疵点兴趣区满足公式(14)：

$\left\{\begin{array}{c}p(i,j)\&GreaterEqual;\mathrm{\&delta;}(n+1),p(i,j)\&Element;{\mathrm{region}}_{\left(\mathrm{interest}\right)}\\ p(i,j)<\mathrm{\&delta;}(n+1),p(i,j)\&Element;{\mathrm{region}}_{\left(\mathrm{background}\right)}\end{array}---\left(14\right)\right.$

其中，p(i,j)表示兴趣图(i,j)处的像素点，region_(interest)表示兴趣区，region_(background)表示非兴趣区。

步骤3具体为：

在步骤2构建的兴趣区中选择兴趣度极大值点p(I,J)作为检测目标信息种子，以兴趣区域中相邻像素检测最大差值作为终止阈值T，用区域生长法将检测目标信息分割出来，如公式(15)所示：

$\left\{\begin{array}{c}p(I,J)=p_{\max }\\ T=\max [p(i,j)-p(m,n)]\end{array}---\left(15\right)\right.$

其中，p_max表示兴趣区中的极大值，T表示终止阈值，p(i,j)和p(m,n)为两个相邻像素点。

本发明的有益效果是：本发明是一种基于视觉任务驱动的织物疵点检测方法，以织物纹理的基元特征、织物疵点方向性和稀疏性特征作为任务因子，驱动图像快速形成织物疵点兴趣图和兴趣区域，而且以兴趣区中极大值像素点作为检测目标种子，以相邻像素之间差值最大作为终止阈值，通过区域生长准确分割出疵点，能够满足不同织物疵点动态检测的准确性和快速性要求，对各类疵点检测具有较强的普适性，为织物疵点动态在线检测提供了一种新的方法。

附图说明

图1是本发明基于视觉任务驱动的织物疵点检测方法的流程图；

图2是方向性疵点织物图像；

图3是非方向性疵点织物图像；

图4是方向性疵点织物图像的水平和垂直方向自相关曲线；

图5是非方向性疵点织物图像的水平和垂直方向自相关曲线；

图6是方向性疵点水平、垂直方向兴趣度曲线；

图7是方向性疵点水平、垂直方向兴趣波动度曲线；

图8是非方向性疵点稀疏度曲线；

图9是本发明基于视觉任务驱动的织物疵点检测方法方向性疵点检测结果图；

图10是本发明基于视觉任务驱动的织物疵点检测方法非方向性疵点检测结果图；

图11是本发明基于视觉任务驱动的织物疵点检测方法与小波重构算法疵点检测时间对比图。

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。

本发明一种基于视觉任务驱动的织物疵点检测方法，如图1所示，具体包括以下步骤：

步骤1：基元因子驱动构建兴趣图

首先根据织物图像的纹理算出其自相关函数，通过自相关函数确定纹理基元，由纹理基元驱动织物图像形成织物兴趣图；

步骤1.1：确定纹理基元尺寸

根据公式(1)和(2)分别计算织物纹理的水平和垂直方向自相关函数，得到水平自相关曲线和垂直自相关曲线，

$C_x=\frac{\frac{1}{M\&times;(N-x)}\underset{i=1}{\overset{N-x}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{f}_{i,j}\&times;f_{i+x,j}}{\frac{1}{M\&times;N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{f}_{i,j}^2}---\left(1\right)$

$C_y=\frac{\frac{1}{N\&times;(M-y)}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M-y}{\mathrm{\&Sigma;}}}{f}_{i,j}\&times;f_{i,j+y}}{\frac{1}{M\&times;N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{f}_{i,j}^2}---\left(2\right)$

其中，C_x表示水平方向自相关函数、C_y表示垂直方向自相关函数，M×N表示图像尺寸，f_i,j表示图像在(i,j)像素灰度值，x表示图像行的序号，y表示图像列的序号；采集的方向性疵点和非方向性疵点的织物图像分别如图2和图3所示，得到方向性疵点织物图像水平和垂直方向自相关曲线如图4所示、非方向性疵点织物图像的水平和垂直方向自相关曲线如图5所示；

其次，以水平自相关曲线的两峰值之间长度作为基元的水平尺寸，以垂直自相关曲线的两峰值之间长度作为基元的垂直尺寸，采用公式(3)、(4)和(5)分别计算基元水平尺寸l_x、基元垂直尺寸l_y和基元窗口大小T_x,y：

$l_x=\frac{\mathrm{mun}\left[\max \left(c_x\right)\right]-1}{N}---\left(3\right)$

$l_y=\frac{\mathrm{mun}\left[\max \left(c_y\right)\right]-1}{M}---\left(4\right)$

T_x,y＝l_x×l_y (5)

其中，mun[max(c_x)]表示水平自相关曲线极大值数目，mun[max(c_y)]表示垂直自相关曲线极大值数目；图2所示方向性疵点织物图像的基元窗口大小为17×10，图3所示非方向性疵点织物图像的基元窗口大小为6×5；

步骤1.2：计算基元均值M_a,b

$M_{a,b}=\frac{1}{l_x\&times;l_y}\underset{i=1,j=1}{\overset{{i=l}_x,j=l_y}{\mathrm{\&Sigma;}}}{f}_{i,j}---\left(6\right)$

其中，a,b分别表示基元中心点的横坐标和纵坐标；

步骤1.3：基元均值遍历

以基元窗口在织物图像中滑动，以基元均值M_a,b代替相应基元尺寸中心像素点(a,b)的灰度值，通过遍历整个织物图像构建出兴趣图，从而抑制织物纹理信息；

步骤2：方向、稀疏因子驱动构建兴趣区

由水平、垂直方向相对移动极差表示方向因子，在兴趣图中通过方向因子驱动形成方向性疵点兴趣区，如果不存在方向性疵点兴趣区，则在兴趣图中以稀疏因子驱动形成非方向性疵点兴趣区；

步骤2.1：方向因子驱动形成兴趣区

步骤2.1.1：采用相对移动极差表示方向因子，通过公式(7)和(8)分别计算出水平方向兴趣度E_j和垂直方向兴趣度E_i：

$E_j=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\left|p(i,j)\right|---\left(7\right)$

$E_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|p(i,j)\right|---\left(8\right)$

其中，p(i,j)表示兴趣图中在(i,j)处的特征值，M×N表示兴趣图像尺寸；得到如图6所示的方向性疵点水平和垂直方向兴趣度曲线；

步骤2.1.2：计算水平方向兴趣波动度和垂直方向兴趣波动度

兴趣度极大值与相邻的兴趣度极小值之间存在较大差值，找到这种极差就能找到检测兴趣区域，因此，采用相对移动极差，即方向因子来衡量方向兴趣度波动情况，通过公式(9)、(10)计算移动极差和相对移动极差：

$\left\{\begin{array}{c}{\mathrm{\&delta;}}_j\left(k\right)=|E_j\left(k_1\right)-E_j\left(k_2\right)|\\ {\mathrm{\&delta;}}_i\left(l\right)=|E_i\left(l_1\right)-E_i\left(l_2\right)|\end{array}\right.---\left(9\right)$

$\left\{\begin{array}{c}{{\mathrm{\&delta;}}^{\&prime;}}_j\left(k\right)=\frac{{\mathrm{\&delta;}}_j\left(k\right)}{\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_j\left(k\right)}\\ {{\mathrm{\&delta;}}^{\&prime;}}_i\left(l\right)=\frac{{\mathrm{\&delta;}}_i\left(l\right)}{\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_i\left(l\right)}\end{array}\right.---\left(10\right)$

其中，k₁、k₂分别为水平方向相邻的极大值点和极小值点，l₁、l₂分别为垂直方向相邻的极大值点和极小值点，δ_j(k)为水平方向移动极差、δ_i(l)为垂直方向移动极差；K为水平方向极差数目、L为垂直方向极差数目，δ′_j(k)为水平方向相对移动极差、δ′_i(l)为垂直方向相对移动极差；k表示水平方向相对移动极差的序号，l表示垂直方向相对移动极差的序号；得到图7所示的方向性疵点水平和垂直方向兴趣波动度曲线；

步骤2.1.3：确定兴趣区位置

根据最大类间方差分割法确定阈值δ_otsu，假设大于阀值δ_otsu的兴趣波动度所对应的兴趣图区域即为方向性疵点兴趣区，通过公式(11)确定:

$\left\{\begin{array}{c}{{\mathrm{\&delta;}}^{\&prime;}}_j\left(k\right)\&GreaterEqual;{\mathrm{\&delta;}}_{\mathrm{otsu}},p\left(j\right)\&Element;\mathrm{regio}{n}_{\left(\mathrm{interest}\right)},j_1\&le;j\&le;j_2\\ {{\mathrm{\&delta;}}^{\&prime;}}_i\left(l\right)\&GreaterEqual;{\mathrm{\&delta;}}_{\mathrm{otsu}},p\left(i\right)\&Element;\mathrm{regio}{n}_{\left(\mathrm{interest}\right)},i_1\&le;i\&le;i_2\end{array}\right.---\left(11\right)$

其中，j₁≤j≤j₂表示水平方向兴趣区的范围，i₁≤i≤i₂表示水平方向兴趣区的范围；δ′_j(k)为水平方向相对移动极差、δ′_i(l)为垂直方向相对移动极差；region_(interest)表示兴趣区；

如果检测出方向性疵点兴趣区，则进行步骤3；如果不存在方向性疵点兴趣区，进行步骤2.2；

步骤2.2：稀疏因子驱动形成兴趣区

步骤2.2.1：确定非方向性疵点兴趣区稀疏度

兴趣图中的非方向性疵点通常比较显著，而且疵点数目较少，具有稀疏性，疵点所在的兴趣区也应该是稀疏的，因此，非方向性疵点兴趣区稀疏度公式如(12)：

$\left\{\begin{array}{c}p>{\mathrm{\&delta;}}_{\mathrm{otsu}}\\ p_{\mathrm{sparsity}\left(n\right)=\mathrm{num}{\left[p\right]}_{\mathrm{\&delta;}(n+1)}-\mathrm{mum}{\left[p\right]}_{\mathrm{\&delta;}\left(n\right)}}\end{array}\right.---\left(12\right)$

其中，δ_otsu表示最大类间方差的阈值，p表示在兴趣图中大于δ_otsu的区域，num[p]_δ(n+1)、num[p]_δ(n)分别表示在[δ_otus,255]之间进行N等分获得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和第n次分割时所获得兴趣区域数目，p_sparsity(n)表示第n+1次分割目标的稀疏度，其数值越大表明越稀疏；得到如图8所示的非方向性疵点稀疏度曲线；

步骤2.2.2：确定非方向性疵点兴趣区最佳稀疏度

当在不同阈值分割所获得的兴趣区数目减少最大时，即稀疏度p_sparsity最大时，所获得兴趣区为非方向性疵点兴趣区，最佳稀疏度p_{max(sparsity)}通过公式(13)确定：

p_{max(sparsity)}＝max_(sparsity) (13)

根据公式(12)和(13)，可算出最佳稀疏度p_{max(sparsity)}，图8的最佳稀疏度为21；

步骤2.2.3：确定非方向性疵点兴趣区

根据公式(12)、(13)，确定最佳稀疏度对应的阈值δ(n+1)，采用阈值δ(n+1)分割兴趣图，非方向性疵点兴趣区满足公式(14)：

$\left\{\begin{array}{c}p(i,j)\&GreaterEqual;\mathrm{\&delta;}(n+1),p(i,j)\&Element;{\mathrm{region}}_{\left(\mathrm{interest}\right)}\\ p(i,j)<\mathrm{\&delta;}(n+1),p(i,j)\&Element;{\mathrm{region}}_{\left(\mathrm{background}\right)}\end{array}---\left(14\right)\right.$

其中，p(i,j)表示兴趣图(i,j)处的像素点，region_(interest)表示兴趣区，region_(background)表示非兴趣区；

当最佳稀疏度p_{max(sparsity)}为21时，所对应的阈值δ(3+1)为140；

步骤3：疵点分割

在步骤2构建的兴趣区中选择兴趣度极大值点p(I,J)作为检测目标信息种子，以兴趣区域中相邻像素检测最大差值作为终止阈值T，用区域生长法将检测目标信息分割出来，如公式(15)所示：

$\left\{\begin{array}{c}p(I,J)=p_{\max }\\ T=\max [p(i,j)-p(m,n)]\end{array}---\left(15\right)\right.$

其中，p_max表示兴趣区中的极大值，T表示终止阈值，p(i,j)和p(m,n)为两个相邻像素点；

得到如图9和图10所示的方向性疵点和非方向疵点的分割效果图，可以看出，本发明算法能准确的分割出疵点信息。

图11是在同一硬件平台上，本发明算法与小波重构算法(Tsai DM andHsiao B.Automatic surface inspection using wavelet reconstruction[J].PatternRecognition,2001,34(6):1285–1305.)检测时间的比较图，从图11中看出，本发明的算法方向性疵点和非方向性疵点的检测时间均小于小波重构算法的检测时间，说明本发明算法具有检测的快速性。

本发明的原理为：当有视野搜索任务时，大脑对视觉信息处理是在一定任务特征驱动下进行处理的，这是一个序列式处理过程；而在各层次内部，信息则是并行处理的。我们认为人类视觉系统是利用知识库里的任务特征驱动完成目标检测。首先视觉系统根据任务迅速建立视觉任务特征，并在该任务特征驱动下快速寻找与之特征相匹配的兴趣区；然后在兴趣区中通过增加注意力进行仔细的搜索，进而完整的检测出目标信息。由此可见，利用知识库任务特征驱动能够快速形成兴趣区，准确的检测出目标信息。人类视觉系统的任务驱动机制是人类自然进化的结果，能够很好的解决目标检测准确性和快速性问题，具有较强的目标检测的适应性。因此，把人类视觉任务驱动机制应用到织物疵点检测过程，就有可能满足织物疵点检测的准确性和快速性，适应种类繁多的各类疵点检测，使织物疵点检测具有普适性。

本发明的优点在于：

(1)由于织物疵点兴趣区检测时，采用织物纹理特征的基元因子、织物疵点特征的方向性因子和稀疏性因子驱动织物图像，实现织物疵点检测的快速性和准确性，避免了小波重构等方法仅通过数据驱动而造成的检测速度慢以及疵点分割不准确的问题；

(2)在织物疵点分割时，以兴趣区中极大值点作为检测目标种子，以兴趣区域相邻像素差值最大作为终止阈值，区域生长分割能够精确分割疵点区域。

Claims (5)

1.一种基于视觉任务驱动的织物疵点检测方法，其特征在于，采用任务驱动逐次形成兴趣图、方向性疵点兴趣区域和非方向性疵点兴趣区；最后通过区域生长法使疵点从兴趣区中分割出来。

2.如权利要求1所述的一种基于视觉任务驱动的织物疵点检测方法，其特征在于，包括以下步骤：

步骤1：基元因子驱动构建兴趣图

首先根据织物图像的纹理算出其自相关函数，通过自相关函数确定纹理基元，由纹理基元驱动织物图像形成织物兴趣图；

步骤2：方向、稀疏因子驱动构建兴趣区

由水平、垂直方向相对移动极差表示方向因子，在兴趣图中通过方向因子驱动形成方向性疵点兴趣区，如果不存在方向性疵点兴趣区，则在兴趣图中以稀疏因子驱动形成非方向性疵点兴趣区；

步骤3：疵点分割

对所述步骤2形成的方向性疵点兴趣区或者非方向性疵点兴趣区采用改进区域生长法分割出疵点。

3.如权利要求2所述的一种基于视觉任务驱动的织物疵点检测方法，其特征在于，所述步骤1具体为：

步骤1.1：确定纹理基元尺寸

根据公式(1)和(2)分别计算织物纹理的水平和垂直方向自相关函数，得到水平自相关曲线和垂直自相关曲线，

$C_x=\frac{\frac{1}{M\&times;(N-x)}\underset{i=1}{\overset{N-x}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{f}_{i,j}\&times;f_{i+x,j}}{\frac{1}{M\&times;N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{f}_{i,j}^2}---\left(1\right)$

$C_y=\frac{\frac{1}{N\&times;(M-y)}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M-y}{\mathrm{\&Sigma;}}}{f}_{i,j}\&times;f_{i,j+y}}{\frac{1}{M\&times;N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{f}_{i,j}^2}---\left(2\right)$

其中，C_x表示水平方向自相关函数、C_y表示垂直方向自相关函数，M×N表示图像尺寸，f_i,j表示图像在(i,j)像素灰度值，x表示图像行的序号，y表示图像列的序号；

其次，以水平自相关曲线的两峰值之间长度作为基元的水平尺寸，以垂直自相关曲线的两峰值之间长度作为基元的垂直尺寸，采用公式(3)、(4)和(5)分别计算基元水平尺寸l_x、基元垂直尺寸l_y和基元窗口大小T_x,y：

$l_x=\frac{\mathrm{mun}\left[\max \left(c_x\right)\right]-1}{N}---\left(3\right)$

$l_y=\frac{\mathrm{mun}\left[\max \left(c_y\right)\right]-1}{M}---\left(4\right)$

T_x,y＝l_x×l_y (5)

其中，mun[max(c_x)]表示水平自相关曲线极大值数目，mun[max(c_y)]表示垂直自相关曲线极大值数目；

步骤1.2：计算基元均值M_a,b

$M_{a,b}=\frac{1}{l_x\&times;l_y}\underset{i=1,j=1}{\overset{{i=l}_x,j=l_y}{\mathrm{\&Sigma;}}}{f}_{i,j}---\left(6\right)$

其中，a,b分别表示基元中心点的横坐标和纵坐标；

步骤1.3：基元均值遍历

以基元窗口在织物图像中滑动，以基元均值M_a,b代替相应基元尺寸中心像素点(a,b)的灰度值，通过遍历整个织物图像构建出兴趣图。

4.如权利要求2所述的一种基于视觉任务驱动的织物疵点检测方法，其特征在于，所述步骤2具体为：

步骤2.1：方向因子驱动形成兴趣区

步骤2.1.1：采用相对移动极差表示方向因子，通过公式(7)和(8)分别计算出水平方向兴趣度E_j和垂直方向兴趣度E_i：

$E_j=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\left|p(i,j)\right|---\left(7\right)$

$E_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|p(i,j)\right|---\left(8\right)$

其中，p(i,j)表示兴趣图中在(i,j)处的特征值，M×N表示兴趣图像尺寸；

步骤2.1.2：计算水平方向兴趣波动度和垂直方向兴趣波动度

兴趣度极大值与相邻的兴趣度极小值之间存在较大差值，找到这种极差就能找到检测兴趣区域，因此，采用相对移动极差，即方向因子来衡量方向兴趣度波动情况，通过公式(9)、(10)计算移动极差和相对移动极差：

$\left\{\begin{array}{c}{\mathrm{\&delta;}}_j\left(k\right)=|E_j\left(k_1\right)-E_j\left(k_2\right)|\\ {\mathrm{\&delta;}}_i\left(l\right)=|E_i\left(l_1\right)-E_i\left(l_2\right)|\end{array}\right.---\left(9\right)$

$\left\{\begin{array}{c}{{\mathrm{\&delta;}}^{\&prime;}}_j\left(k\right)=\frac{{\mathrm{\&delta;}}_j\left(k\right)}{\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_j\left(k\right)}\\ {{\mathrm{\&delta;}}^{\&prime;}}_i\left(l\right)=\frac{{\mathrm{\&delta;}}_i\left(l\right)}{\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_i\left(l\right)}\end{array}\right.---\left(10\right)$

其中，k₁、k₂分别为水平方向相邻的极大值点和极小值点，l₁、l₂分别为垂直方向相邻的极大值点和极小值点，δ_j(k)为水平方向移动极差、δ_i(l)为垂直方向移动极差；K为水平方向极差数目、L为垂直方向极差数目，δ′_j(k)为水平方向相对移动极差、δ′_i(l)为垂直方向相对移动极差；k表示水平方向相对移动极差的序号，l表示垂直方向相对移动极差的序号；

步骤2.1.3：确定兴趣区位置

根据最大类间方差分割法确定阈值δ_otsu，假设大于阀值δ_otsu的兴趣波动度所对应的兴趣图区域即为方向性疵点兴趣区，通过公式(11)确定:

$\left\{\begin{array}{c}{{\mathrm{\&delta;}}^{\&prime;}}_j\left(k\right)\&GreaterEqual;{\mathrm{\&delta;}}_{\mathrm{otsu}},p\left(j\right)\&Element;\mathrm{regio}{n}_{\left(\mathrm{interest}\right)},j_1\&le;j\&le;j_2\\ {{\mathrm{\&delta;}}^{\&prime;}}_i\left(l\right)\&GreaterEqual;{\mathrm{\&delta;}}_{\mathrm{otsu}},p\left(i\right)\&Element;\mathrm{regio}{n}_{\left(\mathrm{interest}\right)},i_1\&le;i\&le;i_2\end{array}\right.---\left(11\right)$

其中，j₁≤j≤j₂表示水平方向兴趣区的范围，i₁≤i≤i₂表示水平方向兴趣区的范围；δ′_j(k)为水平方向相对移动极差、δ′_i(l)为垂直方向相对移动极差；region_(interest)表示兴趣区；

如果检测出方向性疵点兴趣区，则进行步骤3；如果不存在方向性疵点兴趣区，进行步骤2.2；

步骤2.2：稀疏因子驱动形成兴趣区

步骤2.2.1：确定非方向性疵点兴趣区稀疏度

兴趣图中的非方向性疵点通常比较显著，而且疵点数目较少，具有稀疏性，疵点所在的兴趣区也应该是稀疏的，因此，非方向性疵点兴趣区稀疏度公式如(12)：

$\left\{\begin{array}{c}p>{\mathrm{\&delta;}}_{\mathrm{otsu}}\\ p_{\mathrm{sparsity}\left(n\right)=\mathrm{num}{\left[p\right]}_{\mathrm{\&delta;}(n+1)}-\mathrm{mum}{\left[p\right]}_{\mathrm{\&delta;}\left(n\right)}}\end{array}\right.---\left(12\right)$

其中，δ_otsu表示最大类间方差的阈值，p表示在兴趣图中大于δ_otsu的区域，num[p]_δ(n+1)、num[p]_δ(n)分别表示在[δ_otus,255]之间进行N等分获得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和第n次分割时所获得兴趣区域数目，p_sparsity(n)表示第n+1次分割目标的稀疏度，其数值越大表明越稀疏；

步骤2.2.2：确定非方向性疵点兴趣区最佳稀疏度

当在不同阈值分割所获得的兴趣区数目减少最大时，即稀疏度p_sparsity最大时，所获得兴趣区为非方向性疵点兴趣区，最佳稀疏度p_{max(sparsity)}通过公式(13)确定：

p_{max(sparsity)}＝max_(sparsity) (13)

步骤2.2.3：确定非方向性疵点兴趣区

根据公式(12)、(13)，确定最佳稀疏度对应的阈值δ(n+1)，采用阈值δ(n+1)分割兴趣图，非方向性疵点兴趣区满足公式(14)：

$\left\{\begin{array}{c}p(i,j)\&GreaterEqual;\mathrm{\&delta;}(n+1),p(i,j)\&Element;{\mathrm{region}}_{\left(\mathrm{interest}\right)}\\ p(i,j)<\mathrm{\&delta;}(n+1),p(i,j)\&Element;{\mathrm{region}}_{\left(\mathrm{background}\right)}\end{array}---\left(14\right)\right.$

其中，p(i,j)表示兴趣图(i,j)处的像素点，region_(interest)表示兴趣区，region_(background)表示非兴趣区。

5.如权利要求2所述的一种基于视觉任务驱动的织物疵点检测方法，其特征在于，所述步骤3具体为：

在所述步骤2构建的兴趣区中选择兴趣度极大值点p(I,J)作为检测目标信息种子，以兴趣区域中相邻像素检测最大差值作为终止阈值T，用区域生长法将检测目标信息分割出来，如公式(15)所示：

$\left\{\begin{array}{c}p(I,J)=p_{\max }\\ T=\max [p(i,j)-p(m,n)]\end{array}---\left(15\right)\right.$

其中，p_max表示兴趣区中的极大值，T表示终止阈值，p(i,j)和p(m,n)为两个相邻像素点。