CN105913440A - 一种基于双峰模式判别的织物材料表面疵点分割方法 - Google Patents

一种基于双峰模式判别的织物材料表面疵点分割方法 Download PDF

Info

Publication number
CN105913440A
CN105913440A CN201610263916.5A CN201610263916A CN105913440A CN 105913440 A CN105913440 A CN 105913440A CN 201610263916 A CN201610263916 A CN 201610263916A CN 105913440 A CN105913440 A CN 105913440A
Authority
CN
China
Prior art keywords
image
bimodal
material surface
threshold
defect
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.)
Pending
Application number
CN201610263916.5A
Other languages
English (en)
Inventor
高卫东
厉征鑫
周建
潘如如
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201610263916.5A priority Critical patent/CN105913440A/zh
Publication of CN105913440A publication Critical patent/CN105913440A/zh
Pending legal-status Critical Current

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)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于双峰模式判别的织物材料表面疵点分割方法，首先对织物材料表面图像进行灰度分布统计，依次进行单高斯曲线拟合和双高斯曲线拟合，并计算拟合误差；然后进行双峰模式判别：当单高斯曲线拟合误差较大且双高斯曲线拟合误差明显小于单高斯曲线拟合误差时，将图像认作为双峰模式图像，否则将图像认作为单峰模式图像；根据判别结果，对图像使用不同阈值方法进行二值化操作，单峰模式图像采用具有判断作用的阈值方法，双峰模式图像采用将图像强制分割为前景与背景的阈值方法；二值化操作得到的图像中，值为0的像素为疵点区域，值为255的像素为无疵区域。本发明解决了单一阈值方法产生的问题；可应用于多种织物材料表面检测。

Description

一种基于双峰模式判别的织物材料表面疵点分割方法
技术领域
本发明属图像分析处理领域，本发明涉及一种基于双峰模式判别的织物材料表面疵点分割方法，应用于织物材料表面质量自动检测与控制领域。
背景技术
在基于机器视觉的织物材料表面疵点检测方法中通常需要具有疵点分割步骤，实现两个主要任务：判断材料表面是否具有疵点和显示疵点位置与形状。疵点分割步骤通常使用某种阈值方法对图像进行二值化操作，而阈值方法的选择具有重要的影响。常见的阈值方法中，一类阈值方法将图像强制分割为前景和背景，如最大类间方差阈值，迭代阈值，遗传算法阈值等，该类阈值方法对图像中是否含有疵点无判断作用，当应用于无疵点图像时，会对图像错误地进行分割。另一类阈值方法，如基于平均值和标准差的阈值方法，对图像中是否含有疵点具有判断作用，对无疵通常不会错误地进行强制分割，但该类阈值方法通常对大面积疵点(如疵点面积占图像区域30％以上)失去检测效果，将疵点区域判为正常区域。因此，使用单一阈值方法的织物材料表面检测方法，尤其是无监督检测方法，会产生无疵样本误判或大面疵点检测失效问题。
无疵点图像，小面积疵点图像和大面积疵点图像的灰度分布模式具有显著差异，现有技术采用统一的分割模式，显然无法应对繁杂的各种疵点的明确区分。
发明内容
本发明所要解决的技术问题是提供一种基于双峰模式判别的织物材料表面疵点分割方法，经研究发现，无疵点图像与小面积疵点图像的数据分布通常符合单峰正态分布模式；大面积疵点图像的数据分布通常符合双峰正态分布模式。因此，本发明通过对材料表面图像先进行双峰模式判别，再根据判别的结果使用不同阈值方法进行二值化操作，从而解决单一阈值方法所产生的问题。
本发明的一种基于双峰模式判别的织物材料表面疵点分割方法，包括以下步骤：
(1)首先对织物材料表面图像进行灰度分布统计得到灰度分布曲线，然后对灰度分布曲线依次进行单高斯曲线拟合和双高斯曲线拟合，并计算拟合误差；
(2)双峰模式判别：当单高斯曲线拟合误差较大且双高斯曲线拟合误差明显小于单高斯曲线拟合误差时，将图像认作为双峰模式图像，否则将图像认作为单峰模式图像；
(3)根据双峰模式判别结果，对图像使用不同阈值方法进行二值化操作，单峰模式图像采用具有判断作用的阈值方法，以实现区分无疵图像与含有小面积疵点的图像，双峰模式图像因符合双峰模式已证明其含有大面积疵点，所以采用将图像强制分割为前景与背景的阈值方法；
(4)二值化操作得到的图像中，值为0的像素为疵点区域，值为255的像素为无疵区域。
作为优选的技术方案：
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的织物材料表面图像为织物材料表面拍摄的灰度图像或灰度图像经图像处理后输出的数组，符合单正态分布或双正态分布；所述图像处理为图像分解、特征提取和滤波之一或组合。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的双峰模式标准是指单高斯曲线拟合误差E1≥4％，双高斯曲线拟合误差E2≤6％，且E2≤E1/2。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的具有判断作用的阈值方法是指：对单峰分布两端是否异常具有判断作用的全局或局部阈值方法，包括但不限于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，认定为无疵区域赋值为255；反之当图像中某一元素的数值超出μ±3σ时，认定为疵点区域赋值为0。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的将图像强制分割为前景与背景的阈值方法是指：基于对图像的双峰模式的判定，寻找波谷数值的阈值方法，包括但不限于最大类间方差法、迭代法或遗传法的全局或局部阈值方法，因图像中的无疵区域和疵点区域在灰度分布曲线中分别体现为两个波峰，使用波谷处为阈值可实现疵点区域的分割。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的双峰模式图像二值化操作的具体方法为：使用将图像强制分割为前景与背景的阈值方法，根据材料表面正常区域亮度和疵点区域亮度之间的关系，若正常区域亮度大于疵点区域亮度，图像中某一元素的数值大于等于阈值时赋值为255，小于阈值时赋值为0；若正常区域亮度小于疵点区域亮度，图像中某一元素的数值大于阈值时赋值为0，小于等于阈值时赋值为255。
有益效果
1、本发明通过使用对图像分布模式进行判别分为单峰模式与双峰模式，并分别使用不同的阈值方法进行分割，解决了单一阈值方法产生的问题；
2、本发明所述的分割方法可应用于多种织物材料表面检测。
附图说明
图1：无疵织物图像
图2：经二维经验模态分解和混合降噪处理的无疵织物图像
图3：经二维经验模态分解和混合降噪处理的无疵织物图像使用μ±3σ阈值方法的分割结果
图4：经二维经验模态分解和混合降噪处理的无疵织物图像使用最大类间方差阈值方法的分割结果
图5：经二维经验模态分解和混合降噪处理的无疵织物图像使用本发明方法的分割结果
图6：破洞织物图像
图7：经二维经验模态分解和混合降噪处理的破洞织物图像
图8：经二维经验模态分解和混合降噪处理的破洞织物图像使用μ±3σ阈值方法的分割结果
图9：经二维经验模态分解和混合降噪处理的破洞织物图像使用最大类间方差阈值方法的分割结果
图10：经二维经验模态分解和混合降噪处理的破洞织物图像使用本发明方法的分割结果
图11：缺纬织物图像
图12：经二维经验模态分解和混合降噪处理的缺纬织物图像
图13：经二维经验模态分解和混合降噪处理的缺纬织物图像使用μ±3σ阈值方法的分割结果
图14：经二维经验模态分解和混合降噪处理的缺纬织物图像使用最大类间方差阈值方法的分割结果
图15：经二维经验模态分解和混合降噪处理的缺纬织物图像使用本发明方法的分割结果
图16：本发明的流程示意图
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。
本发明的一种基于双峰模式判别的织物材料表面疵点分割方法，包括以下步骤：
(1)首先对织物材料表面图像进行灰度分布统计得到灰度分布曲线，然后对灰度分布曲线依次进行单高斯曲线拟合和双高斯曲线拟合，并计算拟合误差；
(2)双峰模式判别：当单高斯曲线拟合误差较大且双高斯曲线拟合误差明显小于单高斯曲线拟合误差时，将图像认作为双峰模式图像，否则将图像认作为单峰模式图像；
(3)根据双峰模式判别结果，对图像使用不同阈值方法进行二值化操作，单峰模式图像采用具有判断作用的阈值方法，双峰模式图像采用将图像强制分割为前景与背景的阈值方法；
(4)二值化操作得到的图像中，值为0的像素为疵点区域，值为255的像素为无疵区域。
本发明的流程示意图见图16。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的织物材料表面图像为织物材料表面拍摄的灰度图像或灰度图像经图像处理后输出的数组，符合单正态分布或双正态分布；所述图像处理为图像分解、特征提取和滤波之一或组合。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的双峰模式标准是指单高斯曲线拟合误差E1≥4％，双高斯曲线拟合误差E2≤6％，且E2≤E1/2。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的具有判断作用的阈值方法是指：对单峰分布两端是否异常具有判断作用的全局或局部阈值方法，包括但不限于计算图像中所有元素的均值μ与标准差σ，当残差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。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的将图像强制分割为前景与背景的阈值方法是指：基于对图像的双峰模式的判定，寻找波谷数值的阈值方法，包括但不限于最大类间方差法、迭代法或遗传法的全局或局部阈值方法。
如上所述的一种基于双峰模式判别的织物材料表面疵点分割方法，所述的双峰模式图像二值化操作的具体方法为：使用将图像强制分割为前景与背景的阈值方法，根据材料表面正常区域亮度和疵点区域亮度之间的关系，若正常区域亮度大于疵点区域亮度，图像中某一元素的数值大于等于阈值时赋值为255，小于阈值时赋值为0；若正常区域亮度小于疵点区域亮度，图像中某一元素的数值大于阈值时赋值为0，小于等于阈值时赋值为255。
实施例1
(1)对一副无疵图像(图1)进行二维经验模态分解和混合降噪得到经二维经验模态分解和混合降噪的无疵织物图像(图2)，作为基于双峰模式判别的织物材料表面疵点分割方法的输入；
(2)对图2使用μ±3σ阈值方法和最大类间方差阈值方法的分割结果分别为图3与图4，图3为正确分割，图4为错误分割，此处体现使用单一强制将图像分割为前景与背景的阈值方法在无疵图像上产生的错误；
(3)本发明中对其进行双峰模式判别，单高斯曲线拟合误差(保留小数点后三位有效数字)E1-1.743％，双高斯曲线拟合误差(保留小数点后三位有效数字)E2＝1.576％，因为E1＜4％不满足双峰模式标准，认定其为单峰模式，使用μ±3σ阈值方法进行二值化操作得到正确分割结果(图5)。
实施例2
(1)对一副破洞图像(图6)进行二维经验模态分解和混合降噪得到经二维经验模态分解和混合降噪的无疵织物图像(图7)，作为基于双峰模式判别的织物材料表面疵点分割方法的输入；
(2)对图7使用μ±3σ阈值方法和最大类间方差阈值方法的分割结果分别为图8与图9，图8与图9均为正确分割，同时适于使用具有判断作用的阈值方法和强制将图像分割为前景与背景的阈值方法；
(3)本发明中对其进行双峰模式判别，单高斯曲线拟合误差(保留小数点后三位有效数字)E1＝0.784％，双高斯曲线拟合误差(保留小数点后三位有效数字)E2＝0.776％，因为E1＜4％不满足双峰模式标准，认定其为单峰模式，使用μ±3σ阈值方法进行二值化操作得到正确分割结果(图5)。
实施例3
(1)对一副无疵图像(图11)进行二维经验模态分解和混合降噪得到经二维经验模态分解和混合降噪的无疵织物图像(图12)，作为基于双峰模式判别的织物材料表面疵点分割方法的输入；
(2)对图12使用μ±3σ阈值方法和最大类间方差阈值方法的分割结果分别为图13与图14，图13为错误分割，图14为正确分割，此处体现使用单一具有判断作用的阈值方法在大面积疵点图像上产生的错误；
(3)本发明中对其进行双峰模式判别，单高斯曲线拟合误差(保留小数点后三位有效数字)E1＝5.212％，双高斯曲线拟合误差(保留小数点后三位有效数字)E2＝2.412％，因为E1≥4％，E2≤6％，且E2≤E1/2，满足双峰模式标准，认定其为双峰模式，使用最大类间方差阈值方法进行二值化操作得到正确分割结果(图15)。

Claims (6)

1.一种基于双峰模式判别的织物材料表面疵点分割方法，其特征是包括以下步骤：
(1)首先对织物材料表面图像进行灰度分布统计得到灰度分布曲线，然后对灰度分布曲线依次进行单高斯曲线拟合和双高斯曲线拟合，并计算拟合误差；
(2)双峰模式判别：当单高斯曲线拟合误差较大且双高斯曲线拟合误差明显小于单高斯曲线拟合误差时，将图像认作为双峰模式图像，否则将图像认作为单峰模式图像；
(3)根据双峰模式判别结果，对图像使用不同阈值方法进行二值化操作，单峰模式图像采用具有判断作用的阈值方法，双峰模式图像采用将图像强制分割为前景与背景的阈值方法；
(4)二值化操作得到的图像中，值为0的像素为疵点区域，值为255的像素为无疵区域。
2.根据权利要求1所述的一种基于双峰模式判别的织物材料表面疵点分割方法，其特征在于，所述的织物材料表面图像为织物材料表面拍摄的灰度图像或灰度图像经图像处理后输出的数组，符合单正态分布或双正态分布；所述图像处理为图像分解、特征提取和滤波之一或组合。
3.根据权利要求1所述的一种基于双峰模式判别的织物材料表面疵点分割方法，其特征在于，所述的双峰模式标准是指单高斯曲线拟合误差B1≥4％，双高斯曲线拟合误差B2≤6％，且B2≤B1/2。
4.根据权利要求1所述的一种基于双峰模式判别的织物材料表面疵点分割方法，其特征在于，所述的具有判断作用的阈值方法是指：对单峰分布两端是否异常具有判断作用的全局或局部阈值方法，包括但不限于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。
5.根据权利要求1所述的一种基于双峰模式判别的织物材料表面疵点分割方法，其特征在于，所述的将图像强制分割为前景与背景的阈值方法是指：基于对图像的双峰模式的判定，寻找波谷数值的阈值方法，包括但不限于最大类间方差法、迭代法或遗传法的全局或局部阈值方法。
6.根据权利要求1所述的一种基于双峰模式判别的织物材料表面疵点分割方法，其特征在于，所述的双峰模式图像二值化操作的具体方法为：使用将图像强制分割为前景与背景的阈值方法，根据材料表面正常区域亮度和疵点区域亮度之间的关系，若正常区域亮度大于疵点区域亮度，图像中某一元素的数值大于等于阈值时赋值为255，小于阈值时赋值为0；若正常区域亮度小于疵点区域亮度，图像中某一元素的数值大于阈值时赋值为0，小于等于阈值时赋值为255。
CN201610263916.5A 2016-04-26 2016-04-26 一种基于双峰模式判别的织物材料表面疵点分割方法 Pending CN105913440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610263916.5A CN105913440A (zh) 2016-04-26 2016-04-26 一种基于双峰模式判别的织物材料表面疵点分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610263916.5A CN105913440A (zh) 2016-04-26 2016-04-26 一种基于双峰模式判别的织物材料表面疵点分割方法

Publications (1)

Publication Number Publication Date
CN105913440A true CN105913440A (zh) 2016-08-31

Family

ID=56752014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610263916.5A Pending CN105913440A (zh) 2016-04-26 2016-04-26 一种基于双峰模式判别的织物材料表面疵点分割方法

Country Status (1)

Country Link
CN (1) CN105913440A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201900001069A1 (it) * 2019-01-24 2020-07-24 Futura Spa Dispositivo per la produzione di logs di materiale cartaceo.
CN114897923A (zh) * 2022-05-25 2022-08-12 中国海洋大学 天然气水合物ct图像阈值分割方法、系统、设备及介质
CN115082460A (zh) * 2022-08-18 2022-09-20 聊城市恒丰电子有限公司 一种织布生产线质量监控方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹海平: "基于DSP的CCD在线检测系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201900001069A1 (it) * 2019-01-24 2020-07-24 Futura Spa Dispositivo per la produzione di logs di materiale cartaceo.
CN114897923A (zh) * 2022-05-25 2022-08-12 中国海洋大学 天然气水合物ct图像阈值分割方法、系统、设备及介质
CN115082460A (zh) * 2022-08-18 2022-09-20 聊城市恒丰电子有限公司 一种织布生产线质量监控方法及系统

Similar Documents

Publication Publication Date Title
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN106650770B (zh) 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
CN107845087B (zh) 液晶面板亮度不均匀缺陷的检测方法和系统
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN102305798B (zh) 基于机器视觉的玻璃缺陷的检测与分类方法
CN111833306A (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN114581742A (zh) 基于线性度的连通域聚类融合方法、装置、系统及介质
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
CN110827235B (zh) 钢板表面缺陷检测方法
CN111062934B (zh) 一种织物图像缺陷实时检测方法
CN107240086B (zh) 一种基于积分图算法的织物瑕疵检测方法
CN106331746B (zh) 用于识别视频文件中的水印位置的方法和装置
CN110223305B (zh) 细胞分割方法、装置及可读存储介质
CN113298769B (zh) Fpc软排线外观缺陷检测方法、系统和介质
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
CN105913440A (zh) 一种基于双峰模式判别的织物材料表面疵点分割方法
CN111060442A (zh) 一种基于图像处理的油液颗粒检测方法
Sanghadiya et al. Surface defect detection in a tile using digital image processing: Analysis and evaluation
CN112348831A (zh) 基于机器学习的页岩sem图像分割方法
WO2019159853A1 (ja) 画像処理装置、画像処理方法及び記録媒体
CN106447656A (zh) 基于图像识别的渲染瑕疵图像检测方法
CN108615039A (zh) 基于计算机视觉的弹壳表面缺陷自动检测方法
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN107967690B (zh) 一种自适应铁谱磨粒图像二值化处理方法
CN102313740A (zh) 太阳能电池板裂痕检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160831