CN105335972B - 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 - Google Patents
基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 Download PDFInfo
- Publication number
- CN105335972B CN105335972B CN201510684807.6A CN201510684807A CN105335972B CN 105335972 B CN105335972 B CN 105335972B CN 201510684807 A CN201510684807 A CN 201510684807A CN 105335972 B CN105335972 B CN 105335972B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- detail
- subgraph
- sub
- feature
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 41
- 239000004744 fabric Substances 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 47
- 238000009940 knitting Methods 0.000 claims description 24
- 230000000007 visual effect Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 12
- 230000004069 differentiation Effects 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 230000009466 transformation Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
- 239000002759 woven fabric Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法,包括以下步骤:选择基波,构建小波变换滤波器;对待测经编织物图像进行小波分解,得到近似特征子图与细节特征子图;对近似特征子图之间和细节特征子图进行高斯差分得到近似特征差分子图和细节特征差分子图;对特征差分子图进行归一化处理后进行加相融合得到近似特征显著图和细节特征显著图;采用非下采样方向滤波器组对细节特征显著图进行卷积滤波,得到细节特征方向子带系数,并根据能量原理选择能量较高的子带系数进行重构细节特征显著图;对近似特征显著图和重构细节特征显著图进行分割,处理分割图后将各分割图像相加,再进行疵点判别。本发明能够提高疵点检测准确率。
Description
技术领域
本发明涉及一种基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法,属于图像处理技术领域。
背景技术
近几十年来,经编织物的市场占有份额不断加大。相较于机织物和纬编织物,经编织物以其织造效率高,机器速度快而闻名。经编织物上的疵点,比如常见的断纱、横档与油污,将会对其价格造成很大的影响,从而影响生产企业的实际效益。在传统的疵点检测中,都是挡车工进行机上在线检测,这种方法效率低下,且人工存在视觉疲劳等生理限制,在实际效果上存在较大的误差。基于机器视觉的疵点检测手段相对于人工来说,具有高效率、高准确率、低成本的优点,因此,在当前经编生产企业中,已有部分企业引进了基于机器视觉的疵点检测系统。
基于机器视觉的织物疵点自动检测方式已经成为替代人工的主要方法。不过,对于疵点检测的算法研究大多集中于机织布,且仅局限于结构并不复杂的白坯布,对于经编织物疵点检测的研究尚不成熟。目前,主流的疵点检测方法主要分为空域法和频域法,空域法主要有灰度共生矩阵法、灰度直方图统计法、马尔科夫随机场法等;频域法主要是二维傅里叶变换法、Gabor变换法、小波变换法等。但是,这些方法还不能非常有效地挖掘经编织物疵点的边缘信息。
为了更精准地保留织物疵点的边缘信息,引入轮廓波变换与视觉显著性原理应用于疵点分割之中。传统的轮廓波变换是由Do和Vetteri在曲波的基础上提出的,它由拉普拉斯金字塔滤波和传统方向滤波器组构成,具有多尺度多方向的特点。这种变换主要应用于图像压缩、图像融合等领域,在织物疵点检测中应用较少。采用小波变换替代拉普拉斯金字塔变换可降低轮廓波变换的冗余性,从而提高变换的整体性能。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法,提高检测的准确率。
按照本发明提供的技术方案,一种基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法,特征是,包括以下步骤:
步骤1、选择基波,构建小波变换滤波器;
步骤2、对输入的待测经编织物图像进行三层小波分解,得到三种分辨率下的近似特征子图与细节特征子图;
步骤3、根据视觉显著性原理,对三种分辨率下的近似特征子图之间和细节特征子图之间进行高斯差分得到近似特征差分子图和细节特征差分子图;
步骤4、对特征差分子图进行归一化处理,然后对特征差分子图分别进行加相融合得到近似特征显著图和细节特征显著图;
步骤5、采用非下采样方向滤波器组对细节特征显著图进行卷积滤波,得到细节特征方向子带系数,并根据能量原理,选择能量较高的子带系数进行重构细节特征显著图;
步骤6、采用迭代阈值分割对近似特征显著图和重构细节特征显著图进行分割,使用形态学开运算处理分割图像,然后将处理后的各分割图像相加,最后进行疵点判别。
进一步的,所述步骤1中基波采用二维离散小波,二维离散小波变化由尺度函数和
小波函数进行表达;所述尺度函数为:所述小波函数
为:其中,p表示小波分解的尺度水平,p=
0,1,2,…,P-1,P为小波分解的层数;m和n代表了函数分别在x轴与y轴上的平移,m=n=0,
1,2,…,2p-1;2p/2表示函数在尺度上的放大、缩小;所述尺度函数用于得到小波分解到的近
似特征子图,所述小波范数用于得到细节特征子图,分别为水平细节特征子图、垂直细节特
征子图和对角细节特征子图。
进一步的,所述步骤2将步骤1中构建的尺度函数与小波函数用于对待测经编织物图像进行分解,该分解过程得到不同尺度下的近似特征子图与细节特征子图,分解方法如下:
其中,f(x,y)表示为一幅M×N的待测经编织物的灰度图;p0表示为设定的开始尺度,定义了待测经编织物灰度图像与尺度函数于尺度p0上的卷积过程,卷积过程得到处于尺度p0的近似特征子图;定义了待测经编织物灰度图像与小波函数于各尺度的卷积过程,将获得处于不同尺度的细节特征子图,即水平细节特征子图、垂直细节特征子图与对角细节特征子图。
进一步的,所述步骤3包括以下步骤:
步骤1所得的近似特征子图和细节特征子图内插值到分辨率最高的子图,统一分辨率大小;
对近似特征子图之间与细节特征子图之间分别进行高斯差分得到各自的特征差分子图;
所述高斯差分具体采用如下算法实施:
其中,和分别为两组高斯尺度空间坐标。
进一步的,所述步骤4中归一化处理具体按照如下公式操作:
其中,f(x,y)代表某一特征差分子图的灰度值,fmax表示在该特征差分子图中最大的灰度数值;
所述加相融合是指对所得的归一化后的近似特征差分子图和细节特征差分子图进行相加并均值,具体实施如下:
其中,fA(x,y)、fH(x,y)、fV(x,y)和fD(x,y)分别代表了加相融合后的近似特征显著图、水平细节特征显著图、垂直细节特征显著图和对角细节特征显著图;n取3,即每组共有3种特征差分子图。
进一步的,所述步骤5按照以下步骤实施:
步骤5.1、构建非下采样方向滤波器;
步骤5.2、采用非下采样方向滤波器组对细节特征显著图进行卷积滤波,得到细节特征方向子带系数;
步骤5.3、根据能量原理,选择合适的子带系数重构特征显著图。
进一步的,所述步骤5.3中,分别计算四方向细节特征显著子带系数的能量,能量计算的按照如下算法实施:
其中,和分别代表了水平细节特征显著子带系数、垂直细节特征显著子带系数和对角细节特征显著子带系数;和分别表示了这三种细节子带系数的能量值;
分别得到了四方向细节特征显著子带系数的和四个能量值,挑选其中两个能量值较大的子带系数以去除不必要的子带系数,再通过方向滤波器组逆滤波的方法重新得到其细节特征显著图。
进一步的,所述步骤6按照以下步骤实施:
步骤6.1、采用迭代阈值分割法对近似特征显著图与重构细节特征显著图进行疵点分割;
步骤6.2、采用形态学开运算对分割图像进行处理;
步骤6.3、将处理后的各分割图像相加,然后进行疵点判别。
本发明具有以下有益效果:
(1)本发明采用小波变换替代了原有传统轮廓波变换中的拉普拉斯金字塔变换,避免了构造多尺度子图时冗余度的产生;
(2)本发明采用非下采样方向滤波器来替代传统轮廓波变换中的方向滤波器,避免了在实际保留疵点边缘信息的过程中引入视觉误差,使最后的疵点分割效果具有更好的保真性;
(3)本发明通过视觉显著性原理,效仿人类视觉机制,突出被检测区的兴趣点显著区,从而提高计算效率;
(4)本发明通过计算方向子带能量,选择较大能量的子带来重构特征显著图,来保存有效信息剔除不必要的杂点信息,该方法简单高效,具有很高的实用性。
附图说明
图1为本发明所述经编织物疵点检测方法的流程图。
图2是本发明所述非下采样方向滤波器滤波具体示意图。
具体实施方式
下面结合具体附图对本发明作进一步说明。
本发明所述基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法,如图1所示,包括以下步骤:
步骤1、选择基波,构建小波变换滤波器;
二维离散小波变换,是一维离散小波变换的推广,它可以通过两次一维小波变换来完成它的变换过程。在实施过程中,二维离散小波变化需要一个二维的尺度函数和三个二维的小波函数ψH(x,y)、ψV(x,y)和ψD(x,y)。这些函数同样也是一维函数的推广应用,在原理上都可以表达为两个一维函数的乘积。其表达式可表示为:
ψH(x,y)=ψ(x)ψ(y) (2);
ψV(x,y)=ψ(x)ψ(y) (3);
ψD(x,y)=ψ(x)ψ(y) (4);
其中,尺度函数用于近似特征图的获得,ψH(x,y)应用于水平细节特征图的获得,ψV(x,y)对应于垂直细节特征图的获得,ψD(x,y)对应于对角细节特征图的获得。这些函数也可以通过更为基本的函数进行表达,它们可以通过基函数的平移与尺度变换来达到所需函数的要求,具体表达式如下:
其中,p表示小波分解的尺度水平,通常设定为p=0,1,2,…,P-1,而P则表示为小波分解的层数;m和n代表了函数分别在x轴与y轴上的平移,通常m=n=0,1,2,…,2p-1;2p/2则表示了函数在尺度上的放大、缩小。式(5)所示的尺度函数用于得到小波分解到的近似特征子图,式(6)则用于得到细节特征子图,其分别为水平细节特征子图、垂直细节特征子图和对角细节特征子图。
步骤2、对输入的待测经编织物图像进行三层小波分解,得到三种分辨率下的近似特征子图与细节特征子图;
将步骤1中构建的尺度函数与小波函数用于对待测经编织物图像的分解,该分解过程将得到不同尺度下的近似特征子图与细节特征子图(水平、垂直、对角),分解方法如下:
其中,f(x,y)表示为一幅M×N的待测经编织物的灰度图;p0表示为一个设定的开始尺度,通常这个值被设定为0。定义了待测经编织物灰度图像与尺度函数于尺度p0上的卷积过程,这一过程将会得到处于尺度p0的近似特征子图;而则定义了待测经编织物灰度图像与小波函数于各尺度的卷积过程,将获得处于不同尺度的细节特征子图,即水平细节特征子图、垂直细节特征子图与对角细节特征子图。
待测经编织物图像将进行3层小波分解,即分解尺度P=3。因此在式(8)中,p值将被人为地设定为0,1,2。在小波分解结束后,将得到在尺度0,1,2下的近似特征子图和细节特征子图(水平、垂直与对角)。
步骤3、根据视觉显著性原理,对三种分辨率下的近似特征子图之间和细节特征子图之间进行高斯差分得到近似特征差分子图和细节特征差分子图;
视觉显著性原理中,人类面对复杂场景时,容易受到显著对象的吸引,因此,会对显著对象进行优先处理。如果将这种原理应用于图像处理中,就有可能将计算注意力快速集中于所检测目标的兴趣区,从而合理分配计算资源提高计算速度。根据Itti注意力模型,图像的兴趣区的显著性是通过图像区域中央与周边的高斯差分作用完成的,这一过程也可被称作是中央周边操作;
对于图像中央与周边的定义,可以分别定义为图像在多尺度分解后得到的高分辨率子图和低分辨率子图。因此,在进行中央周边操作之前,需要将周边低分辨率子图内插值到高分辨率子图的大小,即在步骤1所得的近似特征子图和细节特征子图都会内插值到它们之间分辨率最高的子图。
对近似特征子图与细节特征子图进行内插值后,这些子图统一了分辨率大小,可以对近似特征子图之间与细节特征子图(水平、垂直与对角)之间分别进行中央周边操作(即高斯差分)来得到它们各自的特征差分子图;
中央周边操作一般也被定义为高斯差分操作,高斯差分具体如下算法实施:
其中,和分别为两组高斯尺度空间坐标,即分别可以是处于尺度0与尺度1的近似特征子图的高斯尺度空间坐标。
步骤4、对这些特征差分子图进行归一化处理,然后对这些特征差分子图分别进行加相融合得到近似特征显著图和细节特征显著图;
经步骤3得到尺度0与尺度1,尺度0与尺度2,尺度1与尺度2之间的近似特征差分子图与细节特征差分子图(水平、垂直与对角),在对这些差分子图进行加相融合得到特征显著图之前,首先需要进行归一化处理。这一步骤主要是为了消除不同尺度条件下显著度值分布的区域不同所产生的放大效应。其具体按照如下公式操作:
其中,f(x,y)代表某一特征差分子图的灰度值,而fmax表示在该特征差分子图中最大的灰度数值。
对所得的归一化后的尺度0与尺度1,尺度0与尺度2,尺度1与尺度2之间的近似特征差分子图和细节特征差分子图(水平、垂直与对角)分别进行加相融合的过程就是分别对所有的近似特征差分子图和细节特征差分子图(水平、垂直与对角)进行相加并均值,具体实施如下:
其中,fA(x,y)、fH(x,y)、fV(x,y)和fD(x,y)分别代表了加相融合后的近似特征显著图、水平细节特征显著图、垂直细节特征显著图和对角细节特征显著图;n取3,即每组共有3种特征差分子图。
步骤5、采用非下采样方向滤波器组对细节特征显著图进行卷积滤波,得到细节特征方向子带系数,并根据能量原理,选择能量较高的子带系数进行重构细节特征显著图。
所述步骤5按照以下步骤实施:
步骤5.1、构建非下采样方向滤波器;
传统的方向滤波器是轮廓波变换中用于分解高频子带的特殊滤波器,因此它只作用于细节特征显著图。它的基本结构有两通道的扇形滤波器组、采样矩阵Q1和Q2,幺模矩阵R1,R2,R3和R4组成,通过扇形滤波器与这些采样矩阵的下采样操作来完成四方向、八方向或更多方向的分解。其中,Q1和Q2,R1,R2,R3和R4如下表示:
扇形滤波器用于将高频子带于垂直和水平方向进行分解,Q1和Q2用于改变采用率并重排采样结果,而R1,R2,R3和R4仅用于采样结果的重排;扇形滤波器配合Q1和Q2的下采样操作,将会产生四方向的方向子带系数;而扇形滤波器配合Q1和Q2与R1,R2,R3和R4的下采样操作将会产生八方向的方向子带系数;
对于非下采样方向滤波器的构建,重点在于避免这些采样矩阵的下采样矩阵,即在使用采样矩阵进行采样时应采用上采样操作。由于经步骤3所得细节特征显著图(水平、垂直与对角)是处于同一分辨率的三幅子图,因此在使用非下采样方向滤波器滤波时,只需要采用四方向的棋盘滤波器;
综上,构建非下采样方向滤波器的关键在于构建四通道方向滤波器,即棋盘滤波器。构建的过程就是采用采样矩阵Q1和Q2与扇形滤波器进行上采样操作,这样就能得到所需的棋盘滤波器。
步骤5.2、采用非下采样方向滤波器组对细节特征显著图进行卷积滤波,得到细节特征方向子带系数;
卷积滤波具体过程可以参考图2,图2中1为扇形滤波器,2为棋盘滤波器,3为四方向子图。这一过程将细节特征显著图(水平、垂直与对角)分别分割成四方向细节特征显著子带系数。
步骤5.3、根据能量原理,选择合适的子带系数重构特征显著图;
分别计算四方向细节特征显著子带系数的能量,能量计算的按照如下算法实施:
其中,和分别代表了水平细节特征显著子带系数、垂直细节特征显著子带系数和对角细节特征显著子带系数;和分别表示了这三种细节子带系数的能量值,它具体的意义表现为子带系数值范数的平方,它在很大程度上表明了子带系数所包含的有用信息的多少,即能量值越高,其所包含的有效信息越多;
通过式(14),分别得到了四方向细节特征显著子带系数(水平、垂直与对角)的四个能量值,例如四方向水平细节特征显著子带系数,将得到和四个能量值;挑选其中两个能量值较大的子带系数以去除不必要的子带系数,再通过方向滤波器组逆滤波的方法重新得到其细节特征显著图。
步骤6、采用迭代阈值分割对近似特征显著图和重构细节特征显著图进行分割,使用形态学开运算处理分割图像,然后将处理后的各分割图像相加,然后进行疵点判别。
所述步骤6按照以下步骤实施:
步骤6.1、采用迭代阈值分割法对近似特征显著图与重构细节特征显著图进行疵点分割;
通过迭代阈值分割的方法对近似特征显著图fA(x,y)、重构水平细节特征显著图f′H(x,y)、重构垂直细节特征显著图f′V(x,y)和重构对角细节特征显著图f′D(x,y)进行图像分割,转换为二值图像,这些二值图像反应了疵点在不同特征显著图中的显示效果。在这一过程中,迭代阈值分割法的具体算法如下所示:
其中,f(i,j)表示输入图像的灰度值,在这里,具体操作时,f(i,j)将表达为近似特征显著图fA(x,y)、重构水平细节特征显著图f′H(x,y)、重构垂直细节特征显著图f′V(x,y)或重构对角细节特征显著图f′D(x,y);而P(i,j)则表示为在点(i,j)上的灰度值的出现几率;T1表示预先设定的阈值;TO和TB分别表示对象阈值与背景阈值;当Tk+1的值不再变化时,其则为最后的分割阈值,将大于等于这个值的点赋值为1,小于这个值的点赋值为0,从而完成图像的二值化。
步骤6.2、采用形态学开运算对分割图像进行处理;
为了去除分割过程中产生的不必要的杂点,采用形态学开运算的方法来平滑分割后的图像从而去除这些点。形态学开运算是通过图像侵蚀膨胀来完成整个过程的,它在平滑那些较大对象的同时会清除那些较小的对象,其具体算法如下:
其中,A代表输入的图像;S表示结构元素;
通过形态学处理后,将得到最后的近似特征显著分割图fAC(x,y)、重构水平细节特征显著分割图f′HC(x,y)、重构垂直细节特征显著分割图f′VC(x,y)和重构对角细节特征显著分割图f′DC(x,y)。
步骤6.3、将处理后的各分割图像相加,然后进行疵点判别。
将fAC(x,y)、图f′HC(x,y)、f′VC(x,y)和f′DC(x,y)这四个分割图像相加,即可得到最终的完整的疵点分割图,至此,也就提取到了所需的疵点图。在最后的疵点分割图中,白色区域代表疵点,黑色区域则为背景。
本发明基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法运用小波轮廓波变换与视觉显著性原理,通过小波变换来得到多尺度子图,避免了原有轮廓波变换中拉普拉斯金字塔变换的冗余度问题;利用视觉显著性原理,来突出所检测经编织物中的疵点显著性,提高计算效率;再者改进轮廓波变换中的方向滤波器,通过划分方向子带,使疵点信息判断更具有方向性。
本发明小波轮廓波变换与视觉显著性的经编织物疵点检测方法包括小波轮廓波变换部分和视觉显著性部分。前者是对于传统轮廓波的扩展衍生,剔除了原有变换中的冗余度与视觉误差等问题,具有更高的实效性;后者,在疵点检测中的应用相对少见且为整体的计算量的减小做出了很大的贡献;本发明基于小波轮廓波变换与视觉显著性的经编织物疵点提取方法与一般方法相比,能够实现更为精准的疵点提取和更小的计算量。
Claims (1)
1.一种基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法,其特征是,包括以下步骤:
步骤1、选择基波,构建小波变换滤波器;
步骤2、对输入的待测经编织物图像进行三层小波分解,得到三种分辨率下的近似特征子图与细节特征子图;
步骤3、根据视觉显著性原理,对三种分辨率下的近似特征子图之间和细节特征子图之间进行高斯差分得到近似特征差分子图和细节特征差分子图;
步骤4、对特征差分子图进行归一化处理,然后对特征差分子图分别进行加相融合得到近似特征显著图和细节特征显著图;
步骤5、采用非下采样方向滤波器组对细节特征显著图进行卷积滤波,得到细节特征方向子带系数,并根据能量原理,选择能量较高的子带系数进行重构细节特征显著图;
步骤6、采用迭代阈值分割对近似特征显著图和重构细节特征显著图进行分割,使用形态学开运算处理分割图像,然后将处理后的各分割图像相加,最后进行疵点判别;
所述步骤5按照以下步骤实施:
步骤5.1、构建非下采样方向滤波器;
步骤5.2、采用非下采样方向滤波器组对细节特征显著图进行卷积滤波,得到细节特征方向子带系数;
步骤5.3、根据能量原理,选择合适的子带系数重构特征显著图;
所述步骤5.3中,分别计算四方向细节特征显著子带系数的能量,能量计算的按照如下算法实施:
其中,和分别代表了水平细节特征显著子带系数、垂直细节特征显著子带系数和对角细节特征显著子带系数;和分别表示了这三种细节子带系数的能量值;
分别得到了四方向细节特征显著子带系数的和四个能量值,挑选其中两个能量值较大的子带系数以去除不必要的子带系数,作为步骤5所述的能量较高的子带系数,再通过方向滤波器组逆滤波的方法重新得到其细节特征显著图;
所述步骤6按照以下步骤实施:
步骤6.1、采用迭代阈值分割法对近似特征显著图与重构细节特征显著图进行疵点分割;
步骤6.2、采用形态学开运算对分割图像进行处理;
步骤6.3、将处理后的各分割图像相加,然后进行疵点判别;
所述步骤1中基波采用二维离散小波,二维离散小波变化由尺度函数和小波函数进行表达;所述尺度函数为:所述小波函数为:其中,p表示小波分解的尺度水平,p=0,1,2,…,P-1,P为小波分解的层数;m和n代表了函数分别在x轴与y轴上的平移,m=n=0,1,2,…,2p-1;29/2表示函数在尺度上的放大、缩小;所述尺度函数用于得到小波分解到的近似特征子图,小波函数用于得到细节特征子图,分别为水平细节特征子图、垂直细节特征子图和对角细节特征子图;
所述步骤2将步骤1中构建的尺度函数与小波函数用于对待测经编织物图像进行分解,该分解过程得到不同尺度下的近似特征子图与细节特征子图,分解方法如下:
其中,H代表水平水平细节特征图,V代表垂直细节特征图,D代表对角细节特征图,i代表H、V、D中的一种;I(x,y)表示为一幅M×N的待测经编织物的灰度图;p0表示为设定的开始尺度,定义了待测经编织物灰度图像与尺度函数于尺度p0上的卷积过程,卷积过程得到处于尺度p0的近似特征子图;定义了待测经编织物灰度图像与小波函数于各尺度的卷积过程,将获得处于不同尺度的细节特征子图,即水平细节特征子图、垂直细节特征子图与对角细节特征子图;
所述步骤3包括以下步骤:
步骤1所得的近似特征子图和细节特征子图内插值到分辨率最高的子图,统一分辨率大小;
对近似特征子图之间与细节特征子图之间分别进行高斯差分得到各自的特征差分子图;
所述高斯差分具体采用如下算法实施:
其中,和分别为两组高斯尺度空间坐标;
所述步骤4中归一化处理具体按照如下公式操作:
其中,f(x,y)代表某一特征差分子图的灰度值,fmax表示在该特征差分子图中最大的灰度数值;
所述加相融合是指对所得的归一化后的近似特征差分子图和细节特征差分子图进行相加并均值,具体实施如下:
其中,fA(x,y)、fH(x,y)、fV(x,y)和fD(x,y)分别代表了加相融合后的近似特征显著图、水平细节特征显著图、垂直细节特征显著图和对角细节特征显著图;n取3,即每组共有3种特征差分子图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510684807.6A CN105335972B (zh) | 2015-10-20 | 2015-10-20 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510684807.6A CN105335972B (zh) | 2015-10-20 | 2015-10-20 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105335972A CN105335972A (zh) | 2016-02-17 |
CN105335972B true CN105335972B (zh) | 2018-11-30 |
Family
ID=55286477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510684807.6A Active CN105335972B (zh) | 2015-10-20 | 2015-10-20 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335972B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701477B (zh) * | 2016-02-19 | 2017-07-14 | 中原工学院 | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 |
CN106846396B (zh) * | 2017-01-04 | 2019-08-20 | 西安工程大学 | 基于视觉注意机制的织物起球等级评价方法 |
CN107220607B (zh) * | 2017-05-22 | 2020-05-19 | 西安电子科技大学 | 基于3d平稳小波的运动轨迹行为识别方法 |
CN107274390A (zh) * | 2017-06-05 | 2017-10-20 | 镇江苏仪德科技有限公司 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
CN108171741B (zh) * | 2017-12-22 | 2022-02-11 | 河南科技大学 | 一种基于自适应多向经验模式分解的图像纹理分解方法 |
CN108399614B (zh) * | 2018-01-17 | 2020-12-22 | 华南理工大学 | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 |
CN108846839B (zh) * | 2018-06-05 | 2021-08-10 | 中南大学 | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 |
CN108889635B (zh) * | 2018-07-17 | 2021-07-27 | 山东炎黄工业设计有限公司 | 一种易拉罐制造缺陷在线视觉检测方法 |
CN111325724B (zh) * | 2020-02-19 | 2023-06-09 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN113822884B (zh) * | 2021-11-22 | 2022-06-28 | 中导光电设备股份有限公司 | 基于小波变换的mura缺陷检测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN101667286A (zh) * | 2009-09-29 | 2010-03-10 | 天津大学 | 基于pcnn区域分割的图像去噪方法 |
CN102496021A (zh) * | 2011-11-23 | 2012-06-13 | 南开大学 | 基于小波变换的图像二值化方法 |
CN102999908A (zh) * | 2012-11-19 | 2013-03-27 | 西安电子科技大学 | 基于改进视觉注意模型的sar机场分割方法 |
CN104156930A (zh) * | 2014-01-24 | 2014-11-19 | 深圳信息职业技术学院 | 基于双尺度空间的图像融合方法和装置 |
-
2015
- 2015-10-20 CN CN201510684807.6A patent/CN105335972B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN101667286A (zh) * | 2009-09-29 | 2010-03-10 | 天津大学 | 基于pcnn区域分割的图像去噪方法 |
CN102496021A (zh) * | 2011-11-23 | 2012-06-13 | 南开大学 | 基于小波变换的图像二值化方法 |
CN102999908A (zh) * | 2012-11-19 | 2013-03-27 | 西安电子科技大学 | 基于改进视觉注意模型的sar机场分割方法 |
CN104156930A (zh) * | 2014-01-24 | 2014-11-19 | 深圳信息职业技术学院 | 基于双尺度空间的图像融合方法和装置 |
Non-Patent Citations (6)
Title |
---|
Fabric defect detection based on multiple fractal features and support vector data description;Bu H G等;《Engineering Applications of Artificial Intelligence》;20090331;第22卷(第2期);第224-235页 * |
Optimal Gabor filters for textile flaw detection;Borg J等;《Pattern Recognition》;20021231;第35卷(第12期);第2973-2991页 * |
基于尺度变换的Gabor滤波器织物疵点检测;陈树越等;《纺织学报》;20100915;第31卷(第09期);第38-41页 * |
基于数学形态学的织物疵点检测方法;王锋等;《测试技术学报》;20071231;第21卷(第06期);第515-518页 * |
基于类别共生矩阵的纹理疵点检测方法;邹超等;《华中科技大学学报(自然科学版)》;20060630;第34卷(第06期);第25-28页 * |
基于轮廓波变换的图像统计建模及其应用研究;沈晓红;《中国博士学位论文全文数据库 信息科技辑》;20111115(第11期);第19-24页,第44-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105335972A (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335972B (zh) | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 | |
CN103279935B (zh) | 基于map算法的热红外遥感图像超分辨率重建方法及系统 | |
CN106934766A (zh) | 一种基于稀疏表示的红外图像超分辨率重建方法 | |
CN104778755B (zh) | 一种基于区域划分的纹理图像三维重构方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN105046651B (zh) | 一种图像的超分辨率重构方法和装置 | |
CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN110580680B (zh) | 基于组合学习的人脸超分辨率方法及装置 | |
CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
CN102231204A (zh) | 一种序列图像自适应正则超分辨率重建方法 | |
Guo et al. | Multiscale semilocal interpolation with antialiasing | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
Li | Image super-resolution using attention based densenet with residual deconvolution | |
Hu et al. | An efficient fusion algorithm based on hybrid multiscale decomposition for infrared-visible and multi-type images | |
CN104992407A (zh) | 一种图像超分辨方法 | |
CN108615221B (zh) | 基于剪切二维极线平面图的光场角度超分辨率方法及装置 | |
CN104463822A (zh) | 基于多尺度全局滤波的多聚焦图像融合方法及其装置 | |
Rashid et al. | Single MR image super-resolution using generative adversarial network | |
CN111626943B (zh) | 基于一阶前向后向算法的全变分图像去噪方法 | |
Hu et al. | Fabric defect detection via un-decimated wavelet decomposition and gumbel distribution model | |
CN116205807A (zh) | 一种基于深度学习的冷冻电镜图像去噪方法及系统 | |
CN108171741B (zh) | 一种基于自适应多向经验模式分解的图像纹理分解方法 | |
CN108921785B (zh) | 基于小波包的超分辨率重建方法 | |
CN112862718B (zh) | 一种基于功率谱密度约束的模式分解滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |