CN105844657A - 基于二维经验模态分解的双通道织物疵点检测方法 - Google Patents
基于二维经验模态分解的双通道织物疵点检测方法 Download PDFInfo
- Publication number
- CN105844657A CN105844657A CN201610264669.0A CN201610264669A CN105844657A CN 105844657 A CN105844657 A CN 105844657A CN 201610264669 A CN201610264669 A CN 201610264669A CN 105844657 A CN105844657 A CN 105844657A
- Authority
- CN
- China
- Prior art keywords
- result
- empirical mode
- mode decomposition
- texture
- dimensional empirical
- 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
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
-
- 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)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种基于二维经验模态分解的双通道织物疵点检测方法，针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后的分解方法得到包含织物纹理信息的IMF1和包含粗糙尺度灰度信息的IMF2+3；对IMF1使用优化的Laws纹理测量提取纹理能量，并进行二值化操作，得到纹理检测通道结果；对IMF2+3进行二值化操作，得到灰度检测通道结果；将纹理检测通道结果和灰度检测通道结果进行融合，得到织物疵点检测结果，结果中数值为255的像素代表无疵区域，数值为0的像素代表疵点区域。本发明解决了二维经验模态分解缺乏适用于织物图像分解的方案的问题，并在此基础上提供了符合人眼工作方式的双通道织物疵点检测方法。
Description
技术领域
本发明属图像分析处理技术领域，涉及一种基于二维经验模态分解的双通道织物疵点检测方法，应用于纺织品表面质量自动检测与控制领域。
背景技术
在基于机器视觉和图像处理技术的织物疵点检测方法中，难度最大的问题是对种类繁多形式各异的织物组织和疵点形式难以实现通用性。现有方法通常是将织物图像视为单一对象进行检测，而人眼识别不同表现形式的疵点时，主要是具有明显灰度变化的疵点和仅有纹理变化的疵点时，视觉和逻辑工作模式具有明显差别，因此将织物图像分解为纹理信息和粗糙尺度上的灰度信息是具有现实基础和应用潜力的方法。但是，目前疵点检测领域常用的图像分解方法，如小波分解等，并非基于图像自身特征，而是基于固定的尺度，方向和响应函数，无法自适应性地将图像分解为细节尺度纹理信息和粗糙尺度灰度信息。
二维经验模态分解是一种依据图像数据内部本征模式对图像进行分解的工具，但二维经验模态分解理论研究仍然存在一些问题，在极值点寻找，边界处理，插值和停止准则等方法上，研究者们提出了不同方案，但缺乏系统性比较，尤其是针对某一具体应用的优化工作，仅有Bhuiyan等人(2009)比较了不同插值方法的表现，但其研究中使用8邻域极值点方法，且未做边界处理，并且比较结果过于笼统，因此其成果意义有限。
发明内容
本发明所要解决的技术问题是提供一种基于二维经验模态分解的双通道织物疵点检测方法。
本发明的基于二维经验模态分解的双通道织物疵点检测方法，包括以下步骤：
(1)针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后的二维经验模态分解对织物图像进行分解得到三个IMF和一个残差；其中IMF1包含织物纹理信息，IMF2与IMF3包含粗糙尺度灰度信息，残差包含光照不匀的效果；
(2)对IMF1使用优化的Laws纹理测量提取纹理能量，对纹理能量进行二值化操作，得到纹理信息分割结果，将从IMF1得到纹理信息分割结果的处理流程称为纹理检测通道；对IMF2与IMF3进行融合处理后，对融合信号IMF2+3进行二值化操作，得到灰度信息分割结果，将从IMF2和IMF3得到灰度信息分割结果的处理流程称为灰度检测通道；
(3)将纹理检测通道和灰度检测通道输出的二值化结果进行融合，得到织物疵点检测结果，结果中数值为255的像素代表无疵区域，结果中数值为0的像素代表疵点区域；
所述的二维经验模态分解优化具体实现：
对二维经验模态分解四个主要环节，包括极值点寻找，边界处理，插值和停止准则进行优化：极值点寻找步骤的优化使用数学形态学测地膨胀算子极值点寻找方法替代8邻域极值点寻找方法，保证寻找到极值点集包含严格极值点和非严格极值点；边界处理的优化为对极值点集按照节点密度以图像边界为轴向四个方向进行镜像延拓，并在插值完成后裁剪延拓区域；插值的优化首先使用三角化分段插值，然后对插值结果进行下采样，最后对下采样得到的节点集进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结果的平滑处理；停止准则的优化根据织物图像实验制定，以保证分解实际效果符合双通道检测方法要求。
所述的Laws纹理测量优化具体实现如下：
对Laws纹理测量的三个主要环节，包括滤波模板、子窗口尺寸和特征值进行优化，优化方法为使用不同滤波模板、子窗口尺寸和特征值在多幅织物图像IMF1上的进行纹理测量，将纹理能量的二值化结果与人工检测结果对比，确定效果最好的的滤波模板、子窗口尺寸和特征值组合方案。
作为优选的技术方案：
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的织物为位深度为8位以上的灰度图像。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的严格极值点是指符合8邻域极值点判断规则的极值点；所述的非严格极值点是指常见于织物图像中但不限于织物图像的连成直线、曲线或区域的多个数值相等但大于周围像素数值的多个连通的极值点；由于织物纹理的形式，织物图像中存在较多非严格极值点，使用非严格极值点进行二维经验模态分解会产生丢失重要信息的问题，而使用非严格极值点则可避免该问题。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的测地膨胀算子寻找极值点寻找方法是：将某IMF1函数记为f(χ)，将其减1后进行测地膨胀运算得到计算极值点集其中极值点处保留原值，非极值点处的值为0，得到的极值点集同时包含严格极值点与非严格极值点，可以保证在该极值点集充分代表织物图像信息，保证二维经验模态分解的合理性。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的边界处理的优化的具体方法为：统计极值点总数记为Numext，图像边界长度记为N，则延拓长度 将距离图像边界长度小于等于A的极值点，以图像边界为轴复制在对称位置，延拓后的图像面积为(N+A)2，使用延拓后的节点集插值后，裁剪延拓区域，图像面积还原为N2；该方法的效果为使插值步骤产生的边界效应发生在延拓区域，将延拓区域裁剪后，避免边界效应，同时延拓区域的大小参考了极值点集的密度，保证了延拓区域中极值点的数量足够将边界效应限制在延拓区域内部。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的插值的优化的具体方法为：首先对原始节点集进行基于Delaunay三角化的分段三次样条插值；然后对插值结果进行隔行隔列下采样，不丢弃非采样点，只将其值记为0；最后以下采样结果中的非0点为节点集，进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结果的平滑处理；由于分段三次样条插值具有较快的计算速度，全局薄板样条在下采样得到的等距节点集上具有也具有较快的计算速度，所以本发明采用的插值方法在插值结果光滑性远好于单独使用分段插值的同时，其计算速度远高于直接使用全局插值。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的停止准则的优化是指优化计算单个IMF循环次数的控制方法；优化目的是保证各IMF包含信息合理并避免过多循环产生的副作用；停止准则指标为两次循环结果间的标准差SD，当SD小于0.2时，循环停止，当前循环输出结果判为IMF；使用优化的停止准则的效果为，在其他三个步骤优化的前提下，实现IMF1包含织物纹理信息，IMF2与IMF3包含粗糙尺度灰度变化信息。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的优化Laws纹理方法为：滤波模板使用L5L5与W5W5模板，窗口尺寸为15，特征值选择为窗口内标准差。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的融合IMF2与IMF3方法为：f2+3(x,y)＝f2(x,y)+f3(x,y)，其中f2(x,y)为IMF2，f3(x,y)为IMF3，f2+3(x,y)为融合IMF2与IMF3的结果IMF2+3。
L5L5模板：
| 1 | 4 | 6 | 4 | 1 |
| 4 | 16 | 24 | 16 | 4 |
| 6 | 24 | 36 | 24 | 6 |
| 4 | 16 | 24 | 16 | 4 |
| 1 | 4 | 6 | 4 | 1 |
W5W5模板：
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的二值化操作为计算图像中所有元素的均值μ与标准差σ，当图像中某一元素的数值介于μ±3σ之间时，赋值为255；反之赋值为0；所述的双通道二值化结果融合是指：记纹理检测通道结果为ST(x,y)，记灰度检测通结果为SG(x,y)，融合方法为SF(x,y)＝ST(x,y)*SG(x,y)/255，SF(x,y)为融合结果，即为织物疵点检测结果，SF(x,y)中数值为255的像素代表无疵区域，SF(x,y)中数值为0的像素代表疵点区域。
本发明与现有织物疵点检测技术的主要区别在于将织物图像自适应地分解为纹理信息和粗糙尺度灰度变化信息后进行双通道检测，并提出了满足自适应分解要求的二维经验模态分解优化方法。与现有二维经验模态分解技术相比，本发明明确提出了一种适用于织物疵点检测需求下的织物图像分解的优化方法，并以优化的二维经验模态分解结果为基础实现了织物疵点检测。
有益效果
1.本发明通过二维经验模态分解将织物图像分解为纹理信息和灰度信息，并使用不同的检测算法，更加符合人眼检测织物疵点的工作方式，提高了检测自适应性。
2.本方法通过对二维经验模态分解进行优化，使其在织物图像上实现了更好的分解效果，形成针对织物图像的优化方案。
3.本发明中织物图像中的光照不匀信息经分解后分离至残差中并舍弃，检测方法不受光照不匀影响。
附图说明
图1基于二维经验模态分解的双通道织物疵点检测算法流程图
图2(a)破洞疵点织物图像
图2(b)破洞疵点织物图像的二维经验模态分解分解结果IMF1
图2(c)破洞疵点织物图像的二维经验模态分解结果IMF2
图2(d)破洞疵点织物图像的二维经验模态分解结果IMF3
图2(e)破洞疵点织物图像的二维经验模态分解结果残差
图3(a)破洞疵点织物图像的融合信号IMF2+3
图3(b)破洞疵点织物图像的灰度检测通道结果
图4(a)破洞疵点织物图像的纹理能量(L5L5滤波模板)
图4(b)破洞疵点织物图像的纹理检测通道结果
图5破洞疵点织物图像的疵点检测结果
图6(a)双纬疵点织物图像
图6(b)双纬疵点织物图像的灰度检测通道结果
图6(c)双纬疵点织物图像的纹理检测通道结果
图6(d)双纬疵点织物图像的疵点检测结果
图7(a)稀密路疵点织物图像
图7(b)稀密路疵点织物图像的灰度检测通道结果
图7(c)稀密路疵点织物图像的纹理检测通道结果
图7(d)稀密路疵点织物图像的疵点检测结果
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。
本发明的基于二维经验模态分解的双通道织物疵点检测方法，包括以下步骤：
(1)针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后的二维经验模态分解对织物图像进行分解得到三个IMF和一个残差；其中IMF1包含织物纹理信息，IMF2与IMF3包含粗糙尺度灰度信息，残差包含光照不匀的效果；
(2)对IMF1使用优化的Laws纹理测量提取纹理能量，对纹理能量进行二值化操作，得到纹理信息分割结果，将从IMF1得到纹理信息分割结果的处理流程称为纹理检测通道；对IMF2与IMF3进行融合处理后，对融合信号IMF2+3进行二值化操作，得到灰度信息分割结果，将从IMF2和IMF3得到灰度信息分割结果的处理流程称为灰度检测通道；
(3)将纹理检测通道和灰度检测通道输出的二值化结果进行融合，得到织物疵点检测结果，结果中数值为255的像素代表无疵区域，结果中数值为0的像素代表疵点区域；
所述的二维经验模态分解优化具体实现：
对二维经验模态分解四个主要环节，包括极值点寻找，边界处理，插值和停止准则进行优化：极值点寻找步骤的优化使用数学形态学测地膨胀算子极值点寻找方法替代8邻域极值点寻找方法，保证寻找到极值点集包含严格极值点和非严格极值点；边界处理的优化为对极值点集按照节点密度以图像边界为轴向四个方向进行镜像延拓，并在插值完成后裁剪延拓区域；插值的优化首先使用三角化分段插值，然后对插值结果进行下采样，最后对下采样得到的节点集进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结果的平滑处理；停止准则的优化根据织物图像实验制定，以保证分解实际效果符合双通道检测方法要求。
所述的Laws纹理测量优化具体实现如下：
对Laws纹理测量的三个主要环节，包括滤波模板、子窗口尺寸和特征值进行优化，优化方法为使用不同滤波模板、子窗口尺寸和特征值在多幅织物图像IMF1上的进行纹理测量，将纹理能量的二值化结果与人工检测结果对比，确定效果最好的滤波模板、子窗口尺寸和特征值组合方案。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的织物为位深度为8位以上的灰度图像。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的严格极值点是指符合8邻域极值点判断规则的极值点；所述的非严格极值点是指常见于织物图像中但不限于织物图像的连成直线、曲线或区域的多个数值相等但大于周围像素数值的多个连通的极值点。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的测地膨胀算子极值点寻找方法是：将某IMF1函数记为f(x)，将其减1后进行测地膨胀运算得到计算极值点集其中极值点处保留原值，非极值点处的值为0，得到的极值点集同时包含严格极值点与非严格极值点。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的边界处理的优化的具体方法为：统计极值点总数记为Numext，图像边界长度记为N，则延拓长度 将距离图像边界长度小于等于A的极值点，以图像边界为轴复制在对称位置，延拓后的图像面积为(N+A)2，使用延拓后的节点集插值后，裁剪延拓区域，图像面积还原为N2；该方法的效果为使插值步骤产生的边界效应发生在延拓区域，将延拓区域裁剪后，避免边界效应。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的插值的优化的具体方法为：首先对原始节点集进行基于Delaunay三角化的分段三次样条插值；然后对插值结果进行隔行隔列下采样，不丢弃非采样点，只将其值记为0；最后以下采样结果中的非0点为节点集，进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结果的平滑处理。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的停止准则的优化是指优化计算单个IMF循环次数的控制方法；优化目的是保证各IMF包含信息合理并避免过多循环产生的副作用；停止准则指标为两次循环结果间的标准差SD，当SD小于0.2时，循环停止，当前循环输出结果判为IMF；使用优化的停止准则的效果为，在其他三个步骤优化的前提下，实现IMF1包含织物纹理信息，IMF2与IMF3包含粗糙尺度灰度变化信息。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的优化Laws纹理方法为：滤波模板使用L5L5与W5W5模板，窗口尺寸为15，特征值选择为窗口内标准差。
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的融合IMF2与IMF3方法为：f2+3(x,y)＝f2(x,y)+f3(x,y)，其中f2(x,y)为IMF2，f3(x,y)为IMF3，f2+3(x,y)为融合IMF2与IMF3的结果IMF2+3。
L5L5模板：
| 1 | 4 | 6 | 4 | 1 |
| 4 | 16 | 24 | 16 | 4 |
| 6 | 24 | 36 | 24 | 6 |
| 4 | 16 | 24 | 16 | 4 |
| 1 | 4 | 6 | 4 | 1 |
W5W5模板：
| 1 | -2 | 0 | 2 | -1 |
| -2 | 4 | 0 | -4 | 2 |
| 0 | 0 | 0 | 0 | 0 |
| 2 | -4 | 0 | 4 | -2 |
| -1 | 2 | 0 | -2 | 1 |
如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的二值化操作为计算图像中所有元素的均值μ与标准差σ，当图像中某一元素的数值介于μ±3σ之间时，赋值为255；反之赋值为0；所述的双通道二值化结果融合是指：记纹理检测通道结果为ST(x,y)，记灰度检测通结果为SG(x,y)，融合方法为SF(x,y)＝ST(x,y)*SG(x,y)/255，SF(x,y)为融合结果，即为织物疵点检测结果，SF(x,y)中数值为255的像素代表无疵区域，SF(x,y)中数值为0的像素代表疵点区域。
实施例1
(1)对一幅破洞疵点织物图像(图2(a))使用包含测地膨胀算子极值点寻找、镜像延拓边界处理、分段插值后全局薄板样条插值和SD≤0.2停止准则的优化的二维经验模态分解，得到IMF1(图2(b))、IMF2(图2(c))、IMF3(图2(d))和残差(图2(e))；
(2)将IMF2与IMF3融合得到IMF2+3(图3(a))后，使用μ±3σ阈值方法对其进行二值化操作得到灰度检测通道结果(图3(b))；
(3)对IMF1使用L5L5模板和W5W5模板进行Laws纹理测量，得到纹理能量(图4(a)为使用L5L5模板的纹理测量得到的纹理能量结果)，分别对L5L5模板纹理能量结果和W5W5模板纹理能量结果使用μ±3σ阈值方法进行二值化操作，得到两个二值化结果，合并两个二值化结果得到纹理检测通道结果(图4(b))；
(4)融合灰度检测通道结果和纹理检测通道结果，记纹理检测通道结果为ST(x,y)，记灰度检测通结果为SG(x,y)，融合方法为SF(x,y)＝ST(x,y)*SG(x,y)/255，SF(x,y)，得到破洞疵点织物图像的最终检测结果(图5)，SF(x,y)中数值为255的像素代表无疵区域，SF(x,y)中数值为0的像素代表疵点区域；整体检测流程如图1所示。
实施例2
(1)对一幅双纬疵点织物图像(图6(a))使用包含测地膨胀算子极值点寻找、镜像延拓边界处理、分段插值后全局薄板样条插值和SD≤0.2停止准则的优化的二维经验模态分解，得到IMF1、IMF2、IMF3和残差；
(2)将IMF2与IMF3融合得到IMF2+3后，使用μ±3σ阈值方法对其进行二值化操作得到灰度检测通道结果(图6(b))；
(3)对IMF1使用L5L5模板和W5W5模板进行Laws纹理测量，得到纹理能量，分别对L5L5模板纹理能量结果和W5W5模板纹理能量结果使用μ±3σ阈值方法进行二值化操作，得到两个二值化结果，合并两个二值化结果得到纹理检测通道结果(图6(c))；
(4)融合灰度检测通道结果和纹理检测通道结果，记纹理检测通道结果为ST(x,y)，记灰度检测通结果为SG(x,y)，融合方法为SF(x,y)＝ST(x,y)*SG(x,y)/255，SF(x,y)，得到双纬疵点织物图像的最终检测结果(图6(d))，SF(x,y)中数值为255的像素代表无疵区域，SF(x,y)中数值为0的像素代表疵点区域；整体检测流程如图1所示。
实施例3
(1)对一幅稀密路疵点织物图像(图7(a))使用包含测地膨胀算子极值点寻找、镜像延拓边界处理、分段插值后全局薄板样条插值和SD≤0.2停止准则的优化的二维经验模态分解，得到IMF1、IMF2、IMF3和残差；
(2)将IMF2与IMF3融合得到IMF2+3后，使用μ±3σ阈值方法对其进行二值化操作得到灰度检测通道结果(图7(b))；
(3)对IMF1使用L5L5模板和W5W5模板进行Laws纹理测量，得到纹理能量，分别对L5L5模板纹理能量结果和W5W5模板纹理能量结果使用μ±3σ阈值方法进行二值化操作，得到两个二值化结果，合并两个二值化结果得到纹理检测通道结果(图7(c))；
(4)融合灰度检测通道结果和纹理检测通道结果，记纹理检测通道结果为ST(x,y)，记灰度检测通结果为SG(x,y)，融合方法为SF(x,y)＝ST(x,y)*SG(x,y)/255，SF(x,y)，得到双纬疵点织物图像的最终检测结果(图7(d))，SF(x,y)中数值为255的像素代表无疵区域，SF(x,y)中数值为0的像素代表疵点区域；整体检测流程如图1所示。
Claims (10)
1.基于二维经验模态分解的双通道织物疵点检测方法，其特征是包括以下步骤：
(1)针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后的二维经验模态分解对织物图像进行分解得到三个IMF和一个残差；其中IMF1包含织物纹理信息，IMF2与IMF3包含粗糙尺度灰度信息，残差包含光照不匀的效果；
(2)对IMF1使用优化的Laws纹理测量提取纹理能量，对纹理能量进行二值化操作，得到纹理信息分割结果，将从IMF1得到纹理信息分割结果的处理流程称为纹理检测通道；对IMF2与IMF3进行融合处理后，对融合信号IMF2+3进行二值化操作，得到灰度信息分割结果，将从IMF2和IMF3得到灰度信息分割结果的处理流程称为灰度检测通道；
(3)将纹理检测通道和灰度检测通道输出的二值化结果进行融合，得到织物疵点检测结果，结果中数值为255的像素代表无疵区域，结果中数值为0的像素代表疵点区域；
所述的二维经验模态分解优化具体实现：
对二维经验模态分解四个主要环节，包括极值点寻找，边界处理，插值和停止准则进行优化：极值点寻找步骤的优化使用数学形态学测地膨胀算子极值点寻找方法替代8邻域极值寻找方法，保证寻找到极值点集包含严格极值点和非严格极值点；边界处理的优化为对极值点集按照节点密度以图像边界为轴向四个方向进行镜像延拓，并在插值完成后裁剪延拓区域；插值的优化首先使用三角化分段插值，然后对插值结果进行下采样，最后对下采样得到的节点集进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结果的平滑处理；停止准则的优化根据织物图像实验制定，以保证分解实际效果符合双通道检测方法要求；
所述的Laws纹理测量优化具体实现如下：
对Laws纹理测量的三个主要环节，包括滤波模板、子窗口尺寸和特征值进行优化，优化方法为使用不同滤波模板、子窗口尺寸和特征值在多幅织物图像IMF1上的进行纹理测量，将纹理能量的二值化结果与人工检测结果对比，确定效果最好的滤波模板、子窗口尺寸和特征值组合方案。
2.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的织物为位深度为8位以上的灰度图像。
3.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的严格极值点是指符合8邻域极值判断规则的极值点；所述的非严格极值点是指常见于织物图像中但不限于织物图像的连成直线、曲线或区域的多个数值相等但大于周围像素数值的多个连通的极值点。
4.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的测地膨胀算子极值点寻找方法是：将某IMF1函数记为f(x)，将其减1后进行测地膨胀运算得到计算极值点集其中极值点处保留原值，非极值点处的值为0，得到的极值点集同时包含严格极值点与非严格极值点。
5.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的边界处理的优化的具体方法为：统计极值点总数记为Numext，图像边界长度记为N，则延拓长度将距离图像边界长度小于等于A的极值点，以图像边界为轴复制在对称位置，延拓后的图像面积为(N+A)2，使用延拓后的节点集插值后，裁剪延拓区域，图像面积还原为N2。
6.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的插值的优化的具体方法为：首先对原始节点集进行基于Delaunay三角化的分段三次样条插值；然后对插值结果进行隔行隔列下采样，不丢弃非采样点，只将其值记为0；最后以下采样结果中的非0点为节点集，进行基于径向基函数的全局薄板样条插值。
7.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的停止准则的优化是指优化计算单个IMF的循环次数控制方法；停止准则指标为两次计算结果间的标准差SD，当SD小于0.2时，循环停止，输出结果IMF。
8.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的优化Laws纹理方法为：滤波模板使用L5L5与W5W5模板，窗口尺寸为15，特征值选择为窗口内标准差。
9.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的融合IMF2与IMF3方法为：f2+3(x,y)＝f2(x,y)+f3(x,y)，其中f2(x,y)为IMF2，f3(x,y)为IMF3，f2+3(x,y)为融合IMF2与IMF3的结果IMF2+3。
10.根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征在于，所述的二值化操作为计算图像中所有元素的均值μ与标准差σ，当图像中某一元素的数值介于μ±3σ之间时，赋值为255；反之赋值为0；所述的双通道二值化结果融合是指：记纹理检测通道结果为ST(x,y)，记灰度检测通结果为SG(x,y)，融合方法为SF(x,y)＝ST(x,y)*SG(x,y)/255，SF(x,y)为融合结果，即为织物疵点检测结果，SF(x,y)中数值为255的像素代表无疵区域，SF(x,y)中数值为0的像素代表疵点区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610264669.0A CN105844657B (zh) | 2016-04-26 | 2016-04-26 | 基于二维经验模态分解的双通道织物疵点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610264669.0A CN105844657B (zh) | 2016-04-26 | 2016-04-26 | 基于二维经验模态分解的双通道织物疵点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105844657A true CN105844657A (zh) | 2016-08-10 |
| CN105844657B CN105844657B (zh) | 2018-07-17 |
Family
ID=56589141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610264669.0A Active CN105844657B (zh) | 2016-04-26 | 2016-04-26 | 基于二维经验模态分解的双通道织物疵点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105844657B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106898021A (zh) * | 2017-04-17 | 2017-06-27 | 江南大学 | 一种基于各向异性的织物折皱回复性能单值化表征方法 |
| CN108022268A (zh) * | 2017-11-21 | 2018-05-11 | 长沙理工大学 | 图像颜色编辑方法及装置 |
| CN109859174A (zh) * | 2019-01-09 | 2019-06-07 | 东莞理工学院 | 一种基于经验模态分解与回归模型的oled缺陷检测方法 |
| CN110020647A (zh) * | 2018-01-09 | 2019-07-16 | 杭州海康威视数字技术股份有限公司 | 一种违禁品目标检测方法、装置及计算机设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1353668A (zh) * | 1999-05-29 | 2002-06-12 | 泽韦格路瓦有限公司 | 清纱方法和装置 |
| US20050070188A1 (en) * | 2001-10-12 | 2005-03-31 | Stefan Schindler | Woven fabric and a method for the production thereof |
| CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
| CN101315337A (zh) * | 2008-07-07 | 2008-12-03 | 湖北工业大学 | 一种坯布表面疵点在线检测装置 |
| CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 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 |
| CN105261003A (zh) * | 2015-09-10 | 2016-01-20 | 西安工程大学 | 一种基于织物自身结构进行疵点检测的方法 |
-
2016
- 2016-04-26 CN CN201610264669.0A patent/CN105844657B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1353668A (zh) * | 1999-05-29 | 2002-06-12 | 泽韦格路瓦有限公司 | 清纱方法和装置 |
| US20050070188A1 (en) * | 2001-10-12 | 2005-03-31 | Stefan Schindler | Woven fabric and a method for the production thereof |
| CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
| CN101315337A (zh) * | 2008-07-07 | 2008-12-03 | 湖北工业大学 | 一种坯布表面疵点在线检测装置 |
| CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 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 |
| CN105261003A (zh) * | 2015-09-10 | 2016-01-20 | 西安工程大学 | 一种基于织物自身结构进行疵点检测的方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHI-HO CHAN ET AL: "Fabric Defect Detection by Fourier Analysis", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》 * |
| S. ARIVAZHAGAN ET AL: "Fault segmentation in fabric images using Gabor wavelet transform", 《MACHINE VISION AND APPLICATIONS》 * |
| 厉征鑫 等: "基于二维经验模态分解算法的织物疵点自动检测", 《纺织学报》 * |
| 景军锋 等: "改进型奇异值分解在织物疵点检测上的应用", 《纺织学报》 * |
| 槐向兵 等: "基于轮廓波变换的织物疵点分割", 《计算机工程与设计》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106898021A (zh) * | 2017-04-17 | 2017-06-27 | 江南大学 | 一种基于各向异性的织物折皱回复性能单值化表征方法 |
| CN108022268A (zh) * | 2017-11-21 | 2018-05-11 | 长沙理工大学 | 图像颜色编辑方法及装置 |
| CN108022268B (zh) * | 2017-11-21 | 2020-03-17 | 长沙理工大学 | 图像颜色编辑方法及装置 |
| CN110020647A (zh) * | 2018-01-09 | 2019-07-16 | 杭州海康威视数字技术股份有限公司 | 一种违禁品目标检测方法、装置及计算机设备 |
| CN110020647B (zh) * | 2018-01-09 | 2021-03-02 | 杭州海康威视数字技术股份有限公司 | 一种违禁品目标检测方法、装置及计算机设备 |
| CN109859174A (zh) * | 2019-01-09 | 2019-06-07 | 东莞理工学院 | 一种基于经验模态分解与回归模型的oled缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105844657B (zh) | 2018-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106251361B (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
| CN105844657A (zh) | 基于二维经验模态分解的双通道织物疵点检测方法 | |
| DE102006041645B4 (de) | Verfahren und Vorrichtung zur Orientierungsbestimmung in einem Bild | |
| WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
| CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
| CN115830022B (zh) | 基于机器视觉的过滤机滤网缺陷检测方法 | |
| CN110910387B (zh) | 一种基于显著性分析的点云建筑物立面窗户提取方法 | |
| CN114406502B (zh) | 激光金属切割方法及系统 | |
| CN103440644A (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
| CN112085675B (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
| CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
| CN110097548B (zh) | 一种基于机器视觉的钻孔缺陷检测系统及其检测方法 | |
| CN103530644A (zh) | 条纹织物组织结构自动识别方法 | |
| CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
| CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
| CN113506246A (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
| CN107037738A (zh) | 数控加工几何仿真中基于stl模型的材料去除算法 | |
| CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
| CN113627531B (zh) | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 | |
| CN100573551C (zh) | 指纹数字图像处理中的相位移动模糊差分二值化方法 | |
| CN113506263A (zh) | 基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法 | |
| CN117314910B (zh) | 基于机器视觉的腕带材料精准裁切控制方法 | |
| Sleigh | The extraction of boundaries using local measures driven by rules | |
| CN108961290A (zh) | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
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 |