CN107895371A - 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 - Google Patents

基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 Download PDF

Info

Publication number
CN107895371A
CN107895371A CN201711271855.8A CN201711271855A CN107895371A CN 107895371 A CN107895371 A CN 107895371A CN 201711271855 A CN201711271855 A CN 201711271855A CN 107895371 A CN107895371 A CN 107895371A
Authority
CN
China
Prior art keywords
mrow
msub
mtd
map grid
mtr
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
Application number
CN201711271855.8A
Other languages
English (en)
Other versions
CN107895371B (zh
Inventor
贾靓
庄丽华
颜榴红
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.)
Changzhou University
Original Assignee
Changzhou 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 Changzhou University filed Critical Changzhou University
Priority to CN201711271855.8A priority Critical patent/CN107895371B/zh
Publication of CN107895371A publication Critical patent/CN107895371A/zh
Application granted granted Critical
Publication of CN107895371B publication Critical patent/CN107895371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20024—Filtering details
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，该方法分析基于照明光源下平坦纺织品表面的数字图像像素灰度信息，将图像分割为互不重叠的网格，计算每个网格的Gabor特征，根据Gabor特征分布自动定位纺织品表面瑕疵。本发明特别适用于自动识别在稳定照明光源下采集的纺织品平坦表面灰度数字图像中的纺织品表面瑕疵。

Description

基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法
技术领域
本发明涉及纺织品瑕疵检测技术领域，特别是涉及一种基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法。
背景技术
传统的纺织品瑕疵人工识别准确率只有60-75％(参见文献：K.Srinivasan,P.H.Dastoor,P.Radhakrishnaiah,et al..FDAS:a knowledge-based framework foranalysis of defects in woven textiles tructures,J.Text.Inst.83(1992)431–448.)，机器自动识别纺织品瑕疵的方法具有实际应用需求。平坦纺织品表面的数字图像采样(以下简称纺织品图像)属于二维纹理，二维纹理已被证明可根据17种壁纸群(wallpapergroup)定义的图案排列方法生成(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung.Motif-based defect detection for patterned fabric,Pattern Recognit.(2008)1878–1894.)，用于生成二维纹理的图案称为图格(lattice)(参见：https://en.wikipedia.org/wiki/Wallpaper_group)，图格内部图案称为motif。多数纺织品瑕疵自动检测方法只能处理墙纸群中p1类型的纺织品图像(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung.Automated fabric defect detection—A review,Image and VisionComputing 29(7)(2011)442–458.)，仅有少数方法能处理p1类型以外的纺织品图像(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung.Motif-based defect detection forpatterned fabric,Pattern Recognit.(2008)1878–1894.)，例如基于小波预处理的基准图像差分方法(wavelet-pre-processed golden image subtraction，以下简称WGIS)(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung,et al.,Wavelet based methods onpatterned fabric defect detection,Pattern Recognit.38(4)(2005)559–576.)，共生矩阵方法(参见文献：C.J.Kuo,T.Su,Gray relational analysis for recognizingfabric defects,Text.Res.J.73(5)(2003)461–465.)，布林带方法(Bollinger bands，以下简称BB)(参见文献：H.Y.T.Ngan,G.K.H.Pang,Novel method for patterned fabricinspection using bollinger bands,Opt.Eng.45(8)(2006)087202-1–087202-15.)，规则带方法(regular bands，以下简称RB)(参见文献：H.Y.T.Ngan,G.K.H.Pang,Regularityanalysis for patterned texture inspection,IEEE Trans.Autom.Sci.Eng.6(1)(2009)131–144.)，Elo评估方法(Elo rating method，以下简称ER)(参见文献：C.S.C.Tsang,H.Y.T.Ngan,G.K.H.Pang,Fabric inspection based on the Elo rating method,Pattern Recognit.51(2016)378–394.)等。尽管这些方法可以处理p1以外的纺织品图像，但它们的计算方法多是建立在基于人工选择的类似格的图案(以下简称图格)之上。例如WGIS要求人工选择图格的尺寸和纹理，BB，RB和ER要求人工定义图格的尺寸。这些先验知识在一定程度上降低了机器识别纺织品瑕疵的自动化程度。
发明内容
本发明所要解决的技术问题是：为了提高机器识别纺织品瑕疵的自动化程度，本发明提供一种基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，主要包括设计一种自动分割纺织品图像为图格的方法以及设计一种基于图格以及图格Gabor特征计算的瑕疵识别方法。
为使陈述清楚明了，现集中定义本发明所涉及的部分符号和概念。
表示正整数集合。
表示包括零的整数集合。
表示包括零的正实数集合。
表示包括零的实数集合。
表示元素个数为的实向量。
表示复数集合。
表示元素个数为的复向量。
T表示矩阵或向量转置。
表示n×m大小的实矩阵，其中n,
表示k×n×m大小的实矩阵，其中n,m,
若且n,m,i,则Ai,:表示矩阵A的第i行，A:,j表示矩阵A的第j列。
若且n,m,k,l,i,则Al,:,:表示A中大小为n×m的第l层矩阵，Al,i,:表示A中大小为n×m的第l层矩阵的第i行，Ai,:,j表示A中大小为n×m的第l层矩阵的第j列。
表示比小的最大整数，例如
{ai}表示由索引i确定的由元素ai组成的集合或多重集。
|S|表示集合S中的元素个数，若S为向量，则|S|表示向量所含元素个数，|S|称为向量长度。
avg(S)或mean(S)：计算集合或多重集S的均值，S的元素均为实数。
std(S)：计算集合或多重集S的标准差，S的元素均为实数。
med(S)：计算集合或多重集S的中位值，S的元素均为实数。
mod(S)：计算多重集S的众数，S的元素均为实数。
max(S)表示找出集合或多重集S的元素最大值，例如max(Ic)代表Ic中像素的最大灰度值。
max(s[条件)表示找出符合条件的的最大值。
min(S)表示找出集合或多重集S的元素最小值，例如min(Ic)代表Ic中像素的最小灰度值。
args∈s(C(s))表示条件C为真时s的值。
arg maxsf(s)表示在函数f的定义域内变量s的取值范围中，使得函数f(s)取最大值的s。
arg minsf(s)表示在函数f的定义域内变量s的取值范围中，使得函数f(s)取最小值的s。
arg maxsf1(s),f2(s)表示在函数f1和f2的定义域交集内变量s的取值范围中，使得函数f1(s)和f2(s)取最大值的s。
表示在函数f(s)的定义域内变量s1和s2的取值范围中，使得函数f(s)取最大值的s1和s2。
arg modi({ai})表示对应多重集{ai}众数mod({ai})的索引。
dimx(I)表示二维图像I的总行数，dimy(I)表示I的总列数。
图像原点：图像中像素行列索引开始的位置，该位置假设在图像左上角并且值为(1,1)。
I(x,y)表示在二维图像I中具有行列索引(x,y)的像素值。行索引由图像原点开始以1为步长向下递增，1≤x≤dimx(I)；列索引由图像原点开始以1为步长向右递增，1≤y≤dimy(I)。
图像边界：具有行索引dimx(I)的行和列索引dimy(I)的列。
纺织品图像卡通成分Ic：对一幅灰度化的纺织品图像I，应用相对总变差(relative total variation，以下简称RTV)模型(Xu L.,Yan Q.,Xia Y.,Jia J.,Structure Extraction from Texture via Relative Total Variation,ACMTransactions on Graphics 31(6)2012Article 139)生成基于I的边缘清晰但纹理模糊的灰度图像Ic，Ic称为纺织品图像卡通成分。
二值化纺织品图像Itc：使用Bradley方法(Bradley D.,Roth G.,AdaptiveThresholding Using the Integral Image,Journal of Graphics Tools 12(2)2007 13-21)二值化Ic并根据步骤1.1对二值化的Ic进行降噪，删除异常面积二值对象后得到的二值图像，其中前景像素值为1，背景像素值为0。
二值对象质心：Itc中二值对象所包含前景像素图像行索引的平均值和列索引的平均值。
表示按操作数顺序连接产生向量，例如标量v1＝1和向量v2＝[2 3]T,对于标量s1＝8，s2＝1，s3＝5，对于向量v1＝[2 3]T，v2＝[5 0 4]T，
表示逐元素向量乘法，例如向量v1＝[5 0.9 4]T，v2＝[1 0 1]T，那么
其中a，
图格索引(ir,ic)：当图像分割为不重叠的图格后，根据图格在图像中的排列位置，每个图格具有唯一的图格行索引ir和唯一的图格列索引ic，图像中左上角图格索引为(1,1)，紧邻该图格的右侧图格索引为(1,2)，紧邻索引为(1,1)图格的下侧图格索引为(2,1)，依此类推。表示图格索引为(ir,ic)的图格，其中L1,1称为第一个图格。
图格像素索引：图格由像素组成，因此图格是一副图像，图像原点和像素行列索引的定义也适用于图格像素索引。
图格尺寸：图格所含像素行数与列数。
图格纹理种类：基于图格分割和纺织品灰度图像产生图格纹理的种类。
图格矩阵：以图格为单位的矩阵，即矩阵中每个元素都是一个图格。
特征矩阵：使用特征提取方法计算图格矩阵中的每个元素的特征向量，以特征向量为单位组成矩阵，即矩阵中每个元素都是一个图格的特征向量，矩阵中元素索引与其对应的图格在图格矩阵中的索引相同。
训练样本集：N副图像I1,I2…IN的分辨率相同，所有图像根据图格分割产生的图格纹理种类及其数量都相同，若图格纹理种类数为且不考虑形状畸变和光照变化等影响图像采样的因素下，第i副图像Ii中的图格与和的纹理相同且L1,1，L2,1…Lt,1的纹理均不相同，其中l1，例如附图7所示的四副图像I1，I2，I3和I4根据图格分割，每幅图像产生4个图格，四副图像的图格只有2种纹理类型，且排列方式均满足上述条件。Ii称为训练样本。训练样本为无暇图像，训练样本集只包含无暇图像，而无暇图像也只出现在训练样本集中。
测试样本集：与训练样本集类似，所有图像分辨率相同，且根据图格分割产生的图格纹理种类及其数量都相同，每幅图像图格的排列方式与训练样本集定义中描述的一致，与训练样本集不同的是，测试样本集中的图像含有位置随机且纹理不属于图格纹理种类的不规则区域，该区域定义为瑕疵。测试样本集中的图像称为测试样本，测试样本为有暇图像，测试样本集中包含的都是有暇图像。
在以上定义的基础上，本发明解决其技术问题所采用的技术方案是：一种基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，包括两个阶段：训练阶段和测试阶段。训练阶段根据一系列无瑕疵纺织品图像(以下简称无暇图像)分割图格并计算瑕疵识别所需参数；测试阶段根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格。
训练阶段包含四个步骤：步骤1图格分割参数计算，步骤2训练样本图格分割，步骤3计算距离矩阵和步骤4计算距离阈值。测试阶段包含两个步骤：步骤5测试样本图格分割，步骤6瑕疵识别。两阶段流程如图1所示。本发明方法假设纺织品图像具有如下特点：相对于纺织品图像的行和列，图格依图像行的方向横向排列，并按列的方向纵向排列；在Ic中，部分图格具有几何形状并与背景像素在灰度上有显著差异。
步骤1计算图格分割参数。该步骤包括三个子步骤，即步骤1.1背景像素投影，步骤1.2计算峰值覆盖值和步骤1.3计算图格理想尺寸。
步骤1.1根据RTV模型计算纺织品灰度图像I的卡通成分，应用Bradley方法二值化卡通成分，通过形态学腐蚀和膨胀操作对二值化卡通成分降噪，应用Moore-Neighbor跟踪算法得到二值化Ic中的二值对象，计算二值化卡通成分中二值对象面积，删除面积不在区间((1-α)·ma,(1+α)·ma)内的二值对象(其中ma为二值对象面积中位值，且0＜α＜1)得到二值化纺织品图像Itc。计算Itc中每行每列背景像素数，按行索引升序排列每行背景像素数得到背景像素行投影按列索引升序排列每列背景像素数得到背景像素行投影
步骤1.2计算峰值覆盖值。计算纺织品灰度图像I背景像素行投影的的峰值，将峰值按其在中的索引升序排列得到峰值序列对于pr中第个峰值根据下式计算的覆盖值
类似地，计算的峰值序列计算其中1≤ipc；计算pr中峰值覆盖值的有序集合中元素按大小降序排列；对于中的第l个元素 峰值序列中满足的有序集合称为第l级峰值第l级峰值中的元素按其在中的索引升序排列；对于第l级峰值，计算每个峰值与其前一峰值在中的索引之差绝对值，计算这些绝对值的中位值及其出现次数组成集合组成集合中元素取值组成集合类似地，根据和pc计算满足的有序集合“第l′级峰值” 计算第l′级峰值中前后元素在中的索引之差绝对值及其中位值和中位值出现次数组成多重集组成多重集中元素取值组成集合
步骤1.3计算图格理想尺寸。对训练样本集的I1,I2…IN中的第i个训练样本Ii，根据步骤1.2计算Ii的和计算取值集合Ii的理想行数由下式定义。
其中，δ为狄拉克δ函数(Dirac delta function)。即m为中的一元素，Ii的理想列数计算与类似，即将上式中具有下角标r的项替换为具有下角标c的对应项即可，例如替换为图格理想尺寸定义为的中位值和的中位值
步骤2对训练样本集的I1,I2…IN进行图格分割。对于第i个训练样本Ii，该步骤包括三个子步骤：步骤2.1背景像素投影，步骤2.2计算初始分割位置和步骤2.3计算最终分割位置。
步骤2.1的计算过程包含步骤1.1和步骤1.2。
步骤2.2计算初始分割位置。对于第i个训练样本Ii，根据步骤2.1计算得到的和计算步骤1.2中定义的和以及和根据步骤1.3计算得到的和按下式计算出现最频繁的第级峰值
类似地，可计算出现最频繁的第级峰值，即将上式中具有下角标r的项替换为具有下角标c的对应项即可，例如替换为假设第级峰值中存在一串连续峰值且每个峰值与前一峰值在中的索引之差绝对值接近则这串峰值在中的索引定义为行初始分割位置Sr，这串峰值在第级峰值中的索引符合下式定义。
其中dj+k表示第级峰值中索引为j+k与j+k-1的两个峰值其在中索引之差的绝对值，且0＜β＜1为参数。列初始分割位置Sc相关的和的定义与和类似，即将上式中具有下角标r的项替换为具有下角标c的对应项即可，例如替换为并且dj+k此时表示第级峰值中索引为j+k与j+k-1的两个峰值其在中索引之差的绝对值。参数β对 和的计算通用。
步骤2.3计算最终分割位置，即行分割位置和列分割位置对于第i个训练样本Ii，和的初始值分别为步骤2.2计算的Ii的行初始分割位置Sr和列初始分割位置Sc。将中的元素按大小升序排列，找出其中的最小元素和最大元素按下式计算四个预测位置和
通过步骤1.1得到Ii的二值化纺织品图像并按下述三种情况更新和
第一种情况：若计算中行索引x满足的二值对象质心的平均值以及中行索引x满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算和
第二种情况：若计算中行索引x满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算
第三种情况：若则终止计算。
重复上述三种情况的计算直至和不再发生变化为止。类似地，按下述三种情况更新 和
第一种情况：若计算中行索引x满足的二值对象质心的平均值以及中行索引x满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算和
第二种情况：若计算中行索引x满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算
第三种情况：若则终止计算。
重复上述三种情况的计算直至和不再发生变化为止，此时的计算结束。的计算类似即将中的元素按大小升序排列，找出其中的最小元素和最大元素根据和更新涉及的三种情况更新和即将三种情况中各项的上角标r替换为c，例如替换为同时将不等式与算式中的x替换为y，例如替换为根据和更新涉及的三种情况更新和即将三种情况中各项的上角标r替换为c，例如替换为同时将不等式与算式中的x替换为y，例如替换为根据和分别包含的行与列索引，将Ii按这些索引所在的行与列进行分割，分割所得的矩形区域为图格，其定义如下。
其中和表示图格在I中排列位置的索引。
步骤3计算距离矩阵。采用Gabor滤波器组对格分割生成的且进行卷积，Gabor滤波器包含实部和虚部，本发明仅采用了Gabor滤波器的虚数部分，其定义如下。
其中表示尺度参数，表示角度参数，g0＝1/(4·2s/2),如果s取值的个数记作θ的取值个数记作可构成ns·nθ个Gabor滤波器，这些滤波器的集合称为Gabor滤波器组。每个分别与ns·nθ个Gabor滤波器进行卷积，可产生ns·nθ个卷积结果，将这些卷积结果旋转–θ，然后按行累加，即可将二维卷积结果变为一维，达到降维目的。令表示行索引为x的行投影，其定义如下。
其中 和为Gabor滤波器系数的索引，表示Gabor滤波器系数索引的取值范围，Gabor滤波器系数可排列为行数和列数均为(2·SG+1)的矩阵。对于将其卷积结果的各行投影按x升序排列则得到一维的卷积投影其定义如下。
计算每个的能量和振幅，并按s和θ的取值顺序连接构造的特征向量 其定义如下。
其中和分别表示的能量和振幅。若表示的能量，则为中所有元素的平方和，其中x为的元素索引，那么 其中表示按先s后θ的顺序连接。类似地，定义表示的振幅，则为中所有元素的绝对值之和，其中x为的元素索引，那么对于每行图格，计算每个图格与其所在行中所有图格关于卷积投影的车贝雪夫距离(Chebychev distance)，即对于给定的ir,s和θ，对于每个的取值，计算并按此计算顺序排列成一行，一共有(|Sv|-1)行，再将这些行按ic的取值大小从上到下排列，构成如下关于第i行的距离矩阵
对于第ir行，存在ns·nθ个 的第ic行表示与第ic行中所有图格卷积投影的车贝雪夫距离，由于对角线元素表示与它自己卷积投影的车贝雪夫距离，所以对角线上的元素恒为0。移除该的对角线得到矩阵的定义如下。
的第ic行表示与第ir行中除外的其他图格卷积投影的车贝雪夫距离。计算每行的标准差，具有最小标准差的行的行索引i′c对应的图格定义为第ir行图格关于s和θ的典型图案，记作i′c的定义如下。
其中表示中的第ic行。对于第ir行图格，如果存在多个关于相同s和θ的则任取其中一个作为唯一的关于s和θ的典型图案。对于不同的s和θ，的索引i′c有可能相同，即不同的s和θ的典型图案是同一个图格，重合次数最多的图格定义为第ir行的典型无瑕疵图格，记作其定义如下。
对于第ir行图格和不同的s和θ，若成立，则任取中的一个。计算特征向量之间的车贝雪夫距离，即对于每个计算 并将距离排列为如下所示的矩阵
按行累加中的元素，则可以量化中关于的车贝雪夫距离的大小情况，即计算如下定义的距离向量d。
其中距离向量d中的第ir个元素表示与其他典型图案的车贝雪夫距离之和。只有满足条件的可以参与理想特征向量v*的计算，满足该条件的组成的多重集s*定义如下。
v*定义为S*的均值，即v*＝avg(S*)。以v*作为标准，通过计算纺织品图像中图格特征向量与v*的车贝雪夫距离并分析的分布，识别有瑕疵的图格。将作为一个矩阵第ir行和第ic列的元素，得到距离矩阵其定义如下。
步骤4计算距离阈值。距离阈值d*取一组训练样本图格最大值的平均值，计算过程由算法4描述。
步骤5测试样本图格分割。对一副给定的测试样本I，重复步骤2.1至步骤2.3的计算，区别在于将计算中涉及的训练样本替换为测试样本，最终得到测试样本的行分割位置和列分割位置并根据和将测试样本分割为图格。
步骤6瑕疵识别。根据步骤3计算I的距离矩阵计算的直方图令t表示的横轴刻度，即的取值范围，h(t)表示h的纵轴刻度，即取值为t的的个数，根据下式计算缺口值t′和断崖值t″。
若t*表示瑕疵检测阈值，当t′存在时，t*为t′；如果t′不存在而t″存在，t*为t″；若t′和t″都不存在，则定义t*为+∞。所有对应的图格被标记为有瑕疵的图格
本发明的有益效果是：本发明提供的一种基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，该方法分析基于照明光源下平坦纺织品表面的数字图像像素灰度信息，将图像分割为互不重叠的网格，计算每个网格的面积，根据面积分布自动定位纺织品表面瑕疵。本发明特别适用于自动识别在稳定照明光源下采集的纺织品平坦表面灰度数字图像中的纺织品表面瑕疵。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法的总流程示意图；
图2是本发明的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法中步骤1.1的流程示意图；
图3是本发明的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法中步骤1.2的计算列初始分割位置的流程示意图；
图4是本发明的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法中步骤1.2的计算列最终分割位置的流程示意图；
图5是本发明的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法中投影的流程示意图；
图6是有瑕疵的图格的特征向量与无瑕疵的图格的特征向量不同；
图7是典型图格的计算示意图；
图8是距离矩阵的计算示意图；
图9是步骤1.1背景像素投影算法流程图；
图10是步骤1.2计算峰值覆盖值算法流程图；
图11是步骤1.3计算图格理想尺寸算法流程图；
图12是步骤2.1计算背景像素投影和覆盖值算法流程图；
图13是步骤2.2计算初始分割位置算法流程图；
图14是步骤2.3计算最终分割位置算法流程图；
图15是步骤3计算距离矩阵算法流程图；
图16是步骤4计算距离阈值算法流程图；
图17是步骤5测试样本图格分割算法流程图；
图18是步骤6特征比较算法流程图。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
本发明计算方法的实施方式由编写计算机程序完成，具体实施过程涉及的自定义算法由伪代码描述。程序输入为灰度化的纺织品图像，程序输出为含瑕疵的图格集合。本发明的实施方案包括六个步骤，前四个步骤为训练阶段，后两个步骤为测试阶段，
所述训练阶段包括以下步骤：
步骤1：根据一系列无暇纺织品灰度图像计算图格分割所需参数，以确定图格理想尺寸；
步骤2：根据步骤1中获得的图格理想尺寸，对训练样本集进行图格分割，获得训练样本图格；
步骤3：采用Gabor滤波器组对步骤2中图格分割生成的训练样本图格进行卷积，卷积结果通过投影方法降维，计算降维结果的能量和振幅，组合能量和振幅构成特征向量，最终产生特征向量距离矩阵；
步骤4：取一组训练样本图格，找到距离矩阵的最大值，计算所有距离矩阵最大值的平均值作为距离阈值；
所述测试阶段包括以下步骤：
步骤5：根据步骤4得到的距离阈值，按照步骤2的方法对测试样本进行图格分割，获得测试样本图格；
步骤6：按照步骤3的方法计算测试样本的距离矩阵，并将计算结果与瑕疵检测阈值进行比较，以识别有瑕疵的图格。
该方法的顺序及逻辑关系详见图1。
以下分别对这六个步骤展开说明。
1、训练阶段
训练阶段首先根据一系列无暇纺织品灰度图像计算图格分割所需参数，而后对无暇图像进行图格分割并计算测试阶段所需参数。训练阶段包含四个步骤：步骤1：计算图格分割参数，步骤2：训练样本图格分割，步骤3和步骤4计算测试阶段参数，其中，步骤3：计算距离矩阵，步骤4：计算距离阈值。本发明提出的图格分割方法根据步骤1.3得到的参数，通过步骤2.1至步骤2.3分割图格。
步骤1用于计算图个格分割参数，该步骤具体包括三个子步骤，即步骤1.1：背景像素投影；步骤1.2：计算峰值覆盖值；步骤1.3：计算图格理想尺寸。
步骤1.1，详细流程可见图2。对于一幅纺织品灰度图像I，根据RTV模型计算卡通成分Ic，由Bradley方法得到Ic的二值图像，附图2展示了二值化过程中由Bradley方法计算得到的像素阈值示意图，即Ic的mesh图的灰色平面，该方法对每个像素计算一个局部阈值，根据像素局部阈值二值化I得到二值化的Ic。二值化的Ic通过形态学腐蚀和膨胀操作实现降噪，然后采用Moore-Neighbor跟踪算法(Moore-Neighbor tracing algorithm，出自文献Jia L.,Liang J.,Fabric defect inspection based on isotropic latticesegmentation,Journal of the Franklin Institute 354(13)(2017)5694-5738)获取降噪后二值化Ic中的二值对象，即8连通的前景像素区域，计算二值对象的面积，即二值对象的前景像素个数。根据二值对象面积分布，得到面积中位值ma，将所有面积不在区间((1-α)·ma,(1+α)·ma)内的二值对象从二值化Ic中删除得到二值化纺织品图像Itc，为人工指定的参数，取值范围为0≤α≤1，本方法取α＝0.6。计算Itc中每行的背景像素数并按行索引升序排列得到背景像素行投影计算Itc中每列的背景像素数并按列索引升序排列得到背景像素列投影附图2中的一维波形即为和步骤1算法流程详见图9。
步骤1.2部分流程详见附图3，对于二维纺织品灰度图像，初始分割位置包括行初始分割位置和列初始分割位置，附图3只展示了计算列初始分割位置的概念性流程，行初始分割位置的计算过程与之类似。根据计算峰值(即从增到减，或从减到增的值，例如附图2一维波形的深色小点)并按在中峰值的索引升序排列得到峰值序列对于pr中第个峰值计算的覆盖值其定义如下。
概念上，表示在pr中从两侧开始向pr头尾移动，在没遇到大于的峰值前所经过峰值的个数，如附图3所示，具有相同覆盖值的峰值以相同颜色的三角形表示。类似地，计算的峰值序列并计算其中1≤ipc。
对于pr或pc，覆盖值往往取有限个整数值，例如附图3所示的pc取值为0，1，2，4，11和27。将覆盖值按降序排列，得到覆盖值取值集合例如附图3的根据第l个覆盖值取值pc中覆盖值的峰值称为第l级峰值，第l级峰值按其在中的索引升序排列。计算第l级峰值中相邻峰值在中的索引间距d(即每个峰值与前一峰值在中的索引之差绝对值)，计算索引间距的中位值及其出现次数对于中的每个元素，都存在相邻索引间距的中位值及其出现次数，这些中位值的取值则形成了集合类似地，计算和步骤1.2算法流程详见图10。
步骤1.3计算图格理想尺寸。根据训练样本集中的训练样本I1,I2…IN，可计算第i个样本Ii的和则Ii的理想行数定义如下。
其中δ为狄拉克δ函数(Dirac delta function)。I的理想列数的定义与类似，只需将定义中具有下角标r的项替换为具有下角标c的对应项即可，例如替换为图格理想尺寸定义为的中位值和的中位值步骤1.3算法流程详见图11。
步骤2.1的计算过程包含步骤1.1和步骤1.2。步骤2.1算法流程详见图12。
步骤2.2计算初始分割位置，流程详见附图3。对于第i个训练样本Ii，根据步骤2.1计算得到的和计算步骤1.2中定义的和以及和根据步骤1.3计算得到的和按下式计算出现最频繁的第级峰值
其中和分别表示根据背景像素行投影的峰值序列所计算的覆盖值取值集合，第l级峰值索引间距中位值，第l级峰值索引间距中位值出现次数和所有级别峰值(的所有元素对应的峰值)的中位值取值序列。的计算过程与类似，只需将定义中具有下角标r的项替换为具有下角标c的对应项即可，例如替换为
假设第级峰值中存在一串连续峰值且每个峰值与前一峰值在中的索引之差绝对值接近则这串峰值在中的索引定义为行初始分割位置sr，这串峰值在第级峰值中的索引符合下式定义。
其中dj+k表示第级峰值中索引为j+k与j+k-1的两个峰值其在中索引之差的绝对值，且0＜β＜1为参数，本方法取β＝0.1。列初始分割位置Sc相关的和的定义与和类似，即将上式中具有下角标r的项替换为具有下角标c的对应项即可，例如替换为并且dj+k此时表示第级峰值中索引为j+k与j+k-1的两个峰值其在中索引之差的绝对值。参数β对和的计算通用。步骤2.2算法流程详见图13。
步骤2.3流程详见附图4，该图只展示了计算列分割位置的概念性流程，行分割位置的计算过程与之类似。由于瑕疵和噪声等因素的干扰，通常Sr和Sc只覆盖了图像部分区域(即行Sr的最小与最大值之间的图像行索引占所有图像行索引的80％以下或Sc的最小与最大值之间的图像列索引占所有图像列索引的80％，两种情况都不包括80％)，所以需要扩展Sr和Sc。对于第i个训练样本Ii，和Sc的初始值分别为步骤2.2计算的Ii的Sr和Sc。将中的元素按大小升序排列，找出其中的最小元素和最大元素以为步长计算偏离S1和S∞且接近图像边界的行预测位置，即按下式计算四个预测位置和
通过步骤1.1得到Ii的二值化纺织品图像并按下述三种情况更新和
第一种情况：若计算中列索引y满足的二值对象质心的平均值以及中列索引y满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算和
第二种情况：若计算中列索引y满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算
第三种情况：若则终止计算。
重复上述三种情况的计算直至和不再发生变化为止。类似地，按下述三种情况更新 和
第一种情况：若计算中列索引y满足的二值对象质心的平均值以及中列索引y满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算和
第二种情况：若计算中列索引y满足的二值对象质心的平均值则添加为的新元素并成为根据定义重新计算
第三种情况：若则终止计算。
重复上述三种情况的计算直至和不再发生变化为止，此时的计算结束。的计算类似即将中的元素按大小升序排列，找出其中的最小元素和最大元素根据和更新涉及的三种情况更新和即将三种情况中各项的上角标c替换为r，例如替换为同时将不等式与算式中的y替换为x，例如替换为根据和更新涉及的三种情况更新和即将三种情况中各项的上角标c替换为r，例如替换为同时将不等式与算式中的y替换为x，例如替换为根据和分别包含的行与列索引，将Ii按这些索引所在的行与列进行分割，分割所得的矩形区域为图格，其定义如下。
其中和表示图格在I中排列位置的索引。例如附图2左下角图例，该图例中左上角图格记作L1,1，L1,1右侧紧邻的图格为L1,2，L1,1下侧紧邻的图格为L2,1，依此类推。图格由I中包含的行，以及包含的列确定图格边界。步骤2.3算法流程详见图14。
步骤3计算距离矩阵。如图5所示，特征提取采用了Gabor滤波器组对格分割生成的 且进行卷积，卷积结果通过投影方法降维，计算降维结果的能量和振幅，组合能量和振幅构造特征向量，最终产生特征向量距离矩阵，矩阵中的元素即为算法3提取的特征。
Gabor滤波器包含实部和虚部，本发明仅采用了Gabor滤波器的虚数部分，其定义如下。
其中表示尺度参数，表示角度参数，g0＝1/(4·2s/2),如果s取值的个数记作θ的取值个数记作可构成ns·nθ个Gabor滤波器，这些滤波器的集合称为Gabor滤波器组。每个分别与ns·n0个Gabor滤波器进行卷积，可产生ns·nθ个卷积结果，将这些卷积结果旋转–θ，然后按行累加，即可将二维卷积结果变为一维，达到降维目的。令表示行索引为x的行投影，其定义如下。
其中 和为Gabor滤波器系数的索引，表示Gabor滤波器系数索引的取值范围，Gabor滤波器系数可排列为行数和列数均为(2·SD+1)的矩阵。对于将其卷积结果的各行投影按x升序排列则得到一维的卷积投影其定义如下。
附图说明的图5以单个图格为例显示了本发明计算的阶段性结果，其中Gabor滤波器的s＝1，θ取值为0°，45°，90°和135°，因此ns＝1，nθ＝4。对于纺织品图像中的每个图格都会产生ns·nθ＝4个计算每个的能量和振幅，并按s和θ的取值顺序连接构造的特征向量 其定义如下。
其中和分别表示的能量和振幅。若表示的能量，则为中所有元素的平方和，其中x为的元素索引，那么 其中表示按先s后θ的顺序连接。本发明中 类似地，定义表示的振幅，则为中所有元素的绝对值之和，其中x为的元素索引，那么本发明中 对于含瑕疵的纺织品图像，如果瑕疵出现在部分图格中，那么有瑕疵的图格与无瑕疵图格在特征向量各元素取值上存在差异。例如附图说明图6所示，图6显示了一副有瑕疵纺织品图像的部分特征向量。图6中，纺织品图像由图格分割产生14×11的图格，即中1≤ir≤14，1≤ic≤11，其中加粗边框显示的L7,2和L7,3包含瑕疵。图6显示了第7行图格的标有的图示中，从左向右所示的4列分别是和从上到下所示的11行分别对应L7,1，L7,2…L7,11，可以观察到加粗显示的G7,2|s,θ和G7,3|s,θ(其中s＝1，θ为0°，45°，90°和135°)与其他存在差异。图6中标有的图示，从上到下分别是v7,1，v7,2…v7,11，可以观察到加粗显示的v7,2和v7,3与其他存在差异。
由于有瑕疵的图格与无瑕疵图格在与 两者上差异大，而无瑕疵图格之间在与两者上差异小，本发明通过分析图格在上的差异，找出差异小的图格，在这些图格的基础上构建理想特征向量v*，并比较与v*的差距，在一定程度上区别有瑕疵和无瑕疵的图格。本发明将构建v*的问题转换为找出每行的典型无瑕疵图格，基于每行的典型图格的特征向量构建v*。对于每行图格，计算每个图格与其所在行中所有图格关于卷积投影的车贝雪夫距离(Chebychev distance)，即对于给定的ir,s和θ，对于每个 的取值，计算并按此计算顺序排列成一行，一共有(|Sv|-1)行，再将这些行按ic的取值大小从上到下排列，构成如下关于第i行的距离矩阵
对于第ir行，存在ns·nθ个对于本发明的每行图格，则需计算和附图说明的图7显示了典型图格的计算结果，图中标有的图例是图6中标有图例的简化，表示的都是图6所示的第7行的卷积投影根据计算得到的和以重叠方式显示为图7中标有的图例，(其中s＝1，θ为0°，45°，90°和135°)中的每个元素以一个色块的形式显示，色块越亮则元素值越大，色块越暗则元素值越小，所有关于车贝雪夫距离的矩阵在附图说明中都以这种方式图形化。的第ic行表示与第i行中所有图格卷积投影的车贝雪夫距离，由于对角线元素表示与它自己卷积投影的车贝雪夫距离，所以对角线上的元素恒为0。移除该的对角线得到矩阵的定义如下。
的第ic行表示与第ir行中除外的其他图格卷积投影的车贝雪夫距离。计算每行的标准差，具有最小标准差的行的行索引i′c对应的图格定义为第ir行图格关于s和θ的典型图案，记作i′c的定义如下。
其中表示中的第ic行。对于第ir行图格，如果存在多个关于相同s和θ的则任取其中一个作为唯一的关于s和θ的典型图案。对于不同的s和θ，的索引i′c有可能相同，即不同的s和θ的典型图案是同一个图格，重合次数最多的图格定义为第ir行的典型无瑕疵图格，记作其定义如下。
对于第ir行图格，如果没有出现不同的s和θ的典型图案是同一个图格的情况，即对于给定的ir和不同的s和θ，成立，则任取中的一个。在某些情况下不一定能代表第ir行的无瑕疵图格，例如一行中瑕疵图格较多或瑕疵不明显时，有可能是有瑕疵图格中的一个。附图说明的图7显示了这种情况，图中标有“各行的典型图案”的图例以白色边框的形式显示1≤ir≤14，其中第7行(即ir＝7)整行以加粗边框形式突出显示，可以观察到是第7行中有瑕疵的图格。为了排除有瑕疵的可计算特征向量之间的车贝雪夫距离，即对于每个计算并将距离排列为如下所示的矩阵
附图说明的图7显示了图中标有的图例显示了根据标有“各行的典型图案”图例中所计算的其中有瑕疵的在中所对应的第7行色块比其他行要亮，同时第7列色块比其他列要亮。中的第ir行和第ir列都表示与纺织品图像中所有典型图案特征向量的车贝雪夫距离，的对角线元素为因此，如果对应的是有瑕疵的相比较没有瑕疵的典型图案在中所对应的行和列，对应的第ir行和第ir列中除对角线以外元素的值较大，例如图7中明亮的第7行和第7列，按行累加中的元素，则可以量化中关于的车贝雪夫距离的大小情况，即计算如下定义的距离向量d。
其中距离向量d中的第ir个元素表示与其他典型图案的车贝雪夫距离之和。只有满足条件的可以参与理想特征向量v*的计算，满足该条件的组成的多重集S*定义如下。
v*定义为S*的均值，即v*＝avg(S*)。以v*作为标准，通过计算纺织品图像中图格特征向量与v*的车贝雪夫距离并分析的分布，识别有瑕疵的图格。将作为一个矩阵第ir行和第ic列的元素，得到距离矩阵其定义如下。
附图说明中图8显示了以v*为标准计算的简略过程，标有“纺织品图像中所有图格的特征向量”的图例以图形的形式象征性地显示以特征向量表示的纺织品图像的图格，标有“理想特征向量v*”的图例图形化表示了v*，这两幅图例之间用标有“比较”的箭头连接，该箭头简略表示的计算方法。图8中标有“距离矩阵”的图例图形化显示了该图例被标有“等价”的箭头与标有“的Mesh图”的图例相连，即以三维图形的形式显示了的值，这两个图例中，有瑕疵的图格对应的和与其他相比具有较大的值，即Mesh图中的最高峰。步骤3算流程详见图15。
步骤4计算距离阈值。如附图说明图8所示，中有瑕疵图格对应的和的值很大，在的直方图，即标有“中元素分布的直方图”的图例中，和所对应的分布用加粗边框突出显示，其分布位于直方图的最右边。图8中标有“有瑕疵的图格”的图例显示了对应和的L7,2和L7,3。因此，有瑕疵的图格所对应的往往靠近直方图中最大值分布的最右端区域，分离直方图中有瑕疵和无瑕疵图格所对应的可以转化为基于阈值的判断问题，即选择距离阈值d*，比较与d*，对应且符合一定条件的图格被标记为有瑕疵的图格。本发明中d*取一组无瑕疵纺织品图像最大值的平均值，算法计算过程详见图16。
(2)测试阶段
在训练阶段得到的参数基础上，测试阶段对测试样本集中的一副图像进行瑕疵检测和定位。测试阶段包含两个步骤：步骤5测试样本图格分割和步骤6瑕疵识别。
步骤5测试样本图格分割。对一副给定的测试样本，重复步骤2.1至步骤2.3的计算，区别在于将计算中涉及的训练样本替换为测试样本，最终得到测试样本的行分割位置和列分割位置并根据和将测试样本分割为图格。步骤5算法流程详见图17。
步骤6瑕疵识别。
结合距离阈值d*与的直方图可以分析直方图中的分布情况，从而确定有瑕疵的图格。由于d*是基于一组无瑕疵纺织品图像的阈值，对于一副特定的纺织品图像，d*与准确分离该图像中有瑕疵和无瑕疵图格的真实阈值t*可能存在差异。本发明方法选择缺口值t′和断崖值t″为t*的近似值。令t表示的横轴刻度，即的取值范围，h(t)表示h的纵轴刻度，即取值为t的的个数，t′表示d*＜t时h(t)的“第一个缺口”，t″表示d*＜t时h(t)的“第一个断崖”，其定义如下。
实际情况中，t′和t″并不一定存在，因此当t′存在时，则用t′近似t*，如果t′不存在而t″存在，则使用t″近似t*，如果t′和t″都不存在，则定义t*为+∞。所有对应的图格被标记为有瑕疵的图格算法计算过程详见图18。
本发明的高效性实验证明：
本发明方法的瑕疵检测效果评估中使用了香港大学电气和电子工程系工业自动化实验室提供的56幅像素大小为256×256的24位彩色纺织品图像，在实验中这些图像被转换为8位的灰度图像。这些图像包括一种图案：箱形图像。箱形图像包括30幅无瑕疵图像和26幅有瑕疵图像。箱形图像包括5种瑕疵类型：断端(broken end)，孔洞(hole)，网纹(netting multiple)，粗条纹(thick bar)和细条纹(thin bar)，每种瑕疵类型的具体数量详见表1的第一列。所有瑕疵图像都有相同大小的瑕疵基准图(ground-truth image)，瑕疵基准图为2值图像，其中1表示瑕疵，0表示背景。用于比较的算法包括WGIS，BB，RB和ER，这些算法的参数设置与文献(Jia L.,Liang J.,Fabric defect inspection based onisotropic lattice segmentation,Journal of the Franklin Institute 354(13)(2017)5694-5738)相同。
用于评估的指标包括真阳性(true positive，以下简称TP)，假阳性(positiverate，以下简称FPR)，真阳性率(truepositiverate，以下简称TPR)，假阳性率(positiverate，以下简称FPR)，阳性预测值(positivepredictivevalue，以下简称PPV)和阴性预测值negativepredictivevalue，以下简称NPV)。TPR衡量瑕疵基准图中表示瑕疵的像素被算法正确标定为瑕疵的比例，FPR衡量瑕疵基准图中表示背景的像素被算法错误标定为瑕疵的比例，PPV衡量算法输出的瑕疵中瑕疵基准图中的瑕疵所占比例，NPV衡量算法输出的背景中瑕疵基准图中的背景所占比例。对于TPR，PPV和NPV，指标值越大越好，对于FPR则越小越好。相关数学定义可以在文献(M.K.Ng,H.Y.T.Ngan,X.Yuan,,et al.,Patterned fabric inspection and visualization by the method of imagedecomposition,IEEETrans.Autom.Sci.Eng.11(3)(2014)943–947)中找到。本发明中WGIS，BB，RB和ER的指标计算方法与文献(Jia L.,Liang J.,Fabric defect inspection basedon isotropic lattice segmentation,Journal of the Franklin Institute 354(13)(2017)5694-5738)相同。实验硬件平台为含处理器Intel CoreTMi7-3610QM 230-GHz和8.00GB内存的笔记本电脑，软件为Windows 10和Maltab8.4。
表1罗列了箱形图像瑕疵检测结果，其中标记瑕疵类型的每行指标值为对应方法对该瑕疵类型所有测试样本运算结果的指标平均值。根据表1概况一栏，本发明方法检测效果与RB基本相同，与全局TPR最优的WGIS存在一定差距，但WGIS的FPR偏高。对于粗条纹和细条纹的瑕疵类型，本发明方法的TPR较高。综上，本发明方法对于箱形图像的检测效果一般，大致相当于RB。
表1箱形图像瑕疵检测结果
表2罗列了星形图像瑕疵检测结果，其中标记瑕疵类型的每行指标值为对应方法对该瑕疵类型所有测试样本运算结果的指标平均值。
根据表2概况一栏，本发明方法的全局TPR，FPR和NPV都达到了最优，其全局ACC(0.92)接近最优值(0.98)。本发明方法的全局TPR(0.66)比次优值(0.43)高很多，相应地，除粗条纹外，本发明方法各类型瑕疵TPR均达到最优，各类型瑕疵FPR均为最优值。基于本发明方法各类型最优TPR和最优FPR，孔洞，网纹和粗条纹类型的ACC最优，断端和细条纹ACC较低。综上，与其他方法相比，本发明方法对于所有瑕疵类型都具有最优TPR和FPR，同时ACC非常接近次优值。因此，对于星系图像的任何瑕疵类型，本发明方法都特别适用。
表2星形图像瑕疵检测结果
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关的工作人员完全可以在不偏离本发明的范围内，进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：包括训练和测试两个阶段；训练阶段，根据一系列无瑕疵纺织品灰度图像(以下简称无暇图像)计算图格分割所需参数，而后对无暇图像进行图格分割并计算测试阶段瑕疵识别所需参数；测试阶段，根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格；
所述训练阶段包括以下步骤：
步骤1：根据一系列无暇图像计算图格分割所需参数，以确定图格理想尺寸；
步骤2：根据步骤1中获得的图格理想尺寸，对训练样本集进行图格分割，获得训练样本图格；
步骤3：采用Gabor滤波器组对步骤2中图格分割生成的训练样本图格进行卷积，卷积结果通过投影方法降维，计算降维结果的能量和振幅，组合能量和振幅构成特征向量，最终产生特征向量距离矩阵；
步骤4：根据训练样本图格，找到距离矩阵的最大值，计算所有距离矩阵最大值的平均值作为距离阈值；
所述测试阶段包括以下步骤：
步骤5：根据步骤4得到的距离阈值，按照步骤2的方法对测试样本进行图格分割，获得测试样本图格；
步骤6：按照步骤3的方法计算测试样本的距离矩阵，并将计算结果与瑕疵检测阈值进行比较，以识别有瑕疵的图格。
2.如权利要求1所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤1具体包括以下步骤：
步骤1.1：背景像素投影，根据RTV模型计算纺织品灰度图像I的卡通成分，应用Bradley方法二值化卡通成分，通过形态学腐蚀和膨胀操作对二值化卡通成分降噪，应用Moore-Neighbor跟踪算法得到二值化Ic中的二值对象，计算二值化卡通成分中二值对象面积，删除面积不在区间((1-α)·ma,(1+α)·ma)内的二值对象(其中ma为二值对象面积中位值，且0＜α＜1)得到二值化纺织品图像Itc；计算Itc中每行每列背景像素数，按行索引升序排列每行背景像素数得到背景像素行投影按列索引升序排列每列背景像素数得到背景像素行投影
步骤1.2：计算峰值覆盖值，计算纺织品灰度图像I的背景像素行投影的峰值，将峰值按其在背景像素行投影中的索引升序排列得到峰值序列对于pr中第个峰值根据下式计算的覆盖值
与背景像素行投影的覆盖值计算方法相同，将上式中下角标r的项替换为具有下角标c的对应项即可，计算的峰值序列计算其中1≤ipc；计算pr中峰值覆盖值的有序集合中元素按大小降序排列；对于中的第个元素峰值序列中满足 的有序集合称为第级峰值第级峰值中的元素按其在中的索引升序排列；对于第级峰值，计算每个峰值与其前一峰值在中的索引之差绝对值，计算这些绝对值的中位值及其出现次数 组成集合组成集合中元素取值组成集合类似地，根据和pc计算满足的有序集合“第级峰值”计算第级峰值中前后元素在中的索引之差绝对值及其中位值和中位值出现次数组成多重集 组成多重集中元素取值组成集合
步骤1.3：计算图格理想尺寸，对训练样本集的I1,I2…IN中的第i个 训练样本Ii，根据步骤1.2计算Ii的pr，pc，和计算取值集合Ii的理想行数由下式定义：
其中，δ为狄拉克δ函数(Dirac delta function)，Ii的理想列数计算与类似，即将上式中具有下角标r的项替换为具有下角标c的对应项即可，例如替换为图格理想尺寸定义为的中位值和的中位值
3.如权利要求2所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤2具体包括以下步骤：
步骤2.1：背景像素投影，计算过程包含步骤1.1和步骤1.2；
步骤2.2：计算初始分割位置，对于第i个训练样本Ii，根据步骤2.1计算得到的和计算步骤1.2中定义的和以及 和根据步骤1.3计算得到的和按下式计算出现最频繁的第级峰值
同理，可计算出现最频繁的第级峰值，即将上式中具有下角标r的项替换为具有下角标c的对应项即可；
步骤2.3：计算最终分割位置，即行分割位置和列分割位置对于第i个训练样本Ii，和的初始值分别为步骤2.2计算的Ii的行初始分割位置Sr和列初始分割位置Sc；将中的元素按大小升序排列，找出其中的最小元素和最大元素按下式计算四个预测位置和
根据和分别包含的行与列索引，将Ii按这些索引所在的行与列进行分割，分割所得的矩形区域为图格，其定义如下：
<mrow> <msub> <mi>L</mi> <mrow> <msub> <mi>i</mi> <mi>r</mi> </msub> <mo>,</mo> <msub> <mi>i</mi> <mi>c</mi> </msub> </mrow> </msub> <mo>=</mo> <mo>{</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>|</mo> <msubsup> <mi>S</mi> <msub> <mi>i</mi> <mi>r</mi> </msub> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msubsup> <mo>&lt;</mo> <mi>x</mi> <mo>&lt;</mo> <msubsup> <mi>S</mi> <mrow> <msub> <mi>i</mi> <mi>r</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </msubsup> <mo>,</mo> <msubsup> <mi>S</mi> <msub> <mi>i</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>c</mi> <mo>)</mo> </mrow> </msubsup> <mo>&lt;</mo> <mi>y</mi> <mo>&lt;</mo> <msubsup> <mi>S</mi> <mrow> <msub> <mi>i</mi> <mi>c</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mo>(</mo> <mi>c</mi> <mo>)</mo> </mrow> </msubsup> <mo>,</mo> <mo>}</mo> </mrow>
其中，和表示图格在I中排列位置的索引。
4.如权利要求3所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤3采用Gabor滤波器组对图格分割生成的ir, 且进行卷积，Gabor滤波器包含实部和虚部，仅采用Gabor滤波器的虚数部分，其定义如下：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>|</mo> <mi>s</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <msub> <mi>&amp;sigma;</mi> <mi>x</mi> </msub> <msub> <mi>&amp;sigma;</mi> <mi>y</mi> </msub> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>(</mo> <mrow> <mfrac> <msubsup> <mi>x</mi> <mi>&amp;theta;</mi> <mn>2</mn> </msubsup> <msub> <mi>&amp;sigma;</mi> <mi>x</mi> </msub> </mfrac> <mo>+</mo> <mfrac> <msubsup> <mi>y</mi> <mi>&amp;theta;</mi> <mn>2</mn> </msubsup> <msub> <mi>&amp;sigma;</mi> <mi>y</mi> </msub> </mfrac> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mn>2</mn> <mi>&amp;pi;</mi> <msqrt> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msqrt> <mo>&amp;CenterDot;</mo> <msub> <mi>g</mi> <mn>0</mn> </msub> <msubsup> <mi>x</mi> <mi>&amp;theta;</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow>
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>x</mi> <mi>&amp;theta;</mi> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>y</mi> <mi>&amp;theta;</mi> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mi>&amp;theta;</mi> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mi>&amp;theta;</mi> </mrow> </mtd> <mtd> <mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>x</mi> </mtd> </mtr> <mtr> <mtd> <mi>y</mi> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，表示尺度参数，表示角度参数，g0＝1/(4·2s/2),如果s取值的个数记作θ的取值个数记作可构成ns·nθ个Gabor滤波器，这些滤波器的集合称为Gabor滤波器组；每个分别与ns·nθ个Gabor滤波器进行卷积，可产生ns·nθ个卷积结果，将这些卷积结果旋转–θ，然后按行累加，即可将二维卷积结果变为一维，达到降维目的；令表示行索引为x的行投影，其定义如下：
<mrow> <msub> <mi>G</mi> <mrow> <msub> <mi>i</mi> <mi>r</mi> </msub> <mo>,</mo> <msub> <mi>i</mi> <mi>c</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>|</mo> <mi>s</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>y</mi> </munder> <mi>i</mi> <mi>m</mi> <mi>a</mi> <mi>g</mi> <mrow> <mo>(</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>a</mi> <mo>=</mo> <mo>-</mo> <msub> <mi>S</mi> <mi>G</mi> </msub> </mrow> <msub> <mi>S</mi> <mi>G</mi> </msub> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>b</mi> <mo>=</mo> <mo>-</mo> <msub> <mi>S</mi> <mi>G</mi> </msub> </mrow> <msub> <mi>S</mi> <mi>G</mi> </msub> </munderover> <mi>I</mi> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> <mo>+</mo> <msub> <mi>&amp;alpha;</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> <mo>,</mo> <msub> <mi>y</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> <mo>+</mo> <msub> <mi>b</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> </mrow> <mo>)</mo> <mi>g</mi> <mo>(</mo> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>|</mo> <mi>s</mi> <mo>,</mo> <mi>&amp;theta;</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>x</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>y</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mi>&amp;theta;</mi> </mrow> </mtd> <mtd> <mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mi>sin</mi> <mi>&amp;theta;</mi> </mrow> </mtd> <mtd> <mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>x</mi> </mtd> </mtr> <mtr> <mtd> <mi>y</mi> </mtd> </mtr> </mtable> </mfenced> </mrow>
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>a</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>b</mi> <mover> <mi>&amp;theta;</mi> <mo>&amp;OverBar;</mo> </mover> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mi>&amp;theta;</mi> </mrow> </mtd> <mtd> <mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mi>&amp;theta;</mi> </mrow> </mtd> <mtd> <mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>a</mi> </mtd> </mtr> <mtr> <mtd> <mi>b</mi> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，和为Gabor滤波器系数的索引，表示Gabor滤波器系数索引的取值范围，Gabor滤波器系数可排列为行数和列数均为(2·SG+1)的矩阵；对于将其卷积结果的各行投影按x升序排列则得到一维的卷积投影其定义如下：
<mrow> <msub> <mi>G</mi> <mrow> <msub> <mi>i</mi> <mi>r</mi> </msub> <mo>,</mo> <msub> <mi>i</mi> <mi>c</mi> </msub> <mo>|</mo> <mi>s</mi> <mo>,</mo> <mi>&amp;theta;</mi> </mrow> </msub> <mo>=</mo> <msub> <mo>&amp;CirclePlus;</mo> <mi>x</mi> </msub> <msub> <mi>G</mi> <mrow> <msub> <mi>i</mi> <mi>r</mi> </msub> <mo>,</mo> <msub> <mi>i</mi> <mi>c</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>|</mo> <mi>s</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> </mrow>
计算每个的能量和振幅，并按s和θ的取值顺序连接构造的特征向量其定义如下：
其中，和分别表示的能量和振幅；若表示的能量，则为中所有元素的平方和，其中x为的元素索引，那么其中表示按先s后θ的顺序连接；同理，定义表示的振幅，则为中所有元素的绝对值之和，其中x为的元素索引，那么对于每行图格，计算每个图格与其所在行中所有图格关于卷积投影的车贝雪夫距离(Chebychevdistance)，即对于给定的ir,s和θ，对于每个的取值，计算 并按此计算顺序排列成一行，一共有(|Sv|-1)行，再将这些行按ic的取值大小从上到下排列，构成如下关于第i行的距离矩阵
对于第ir行，存在ns·nθ个的第ic行表示与第ic行中所有图格卷积投影的车贝雪夫距离，由于对角线元素表示与它自己卷积投影的车贝雪夫距离，所以对角线上的元素恒为0；移除该的对角线得到矩阵的定义如下：
的第ic行表示与第ir行中除外的其他图格卷积投影的车贝雪夫距离；计算每行的标准差，具有最小标准差的行的行索引i′c对应的图格定义为第ir行图格关于s和θ的典型图案，记作i′c的定义如下：
其中，表示中的第ic行；对于第ir行图格，如果存在多个关于相同s和θ的则任取其中一个作为唯一的关于s和θ的典型图案；对于不同的s和θ，的索引i′c有可能相同，即不同的s和θ的典型图案是同一个图格，重合次数最多的图格定义为第ir行的典型无瑕疵图格，记作其定义如下：
对于第ir行图格和不同的s和θ，若1≤ic≤|Sv|-1}|＝0成立，则任取中的一个；计算特征向量之间的车贝雪夫距离，即对于每个计算并将距离排列为如下所示的矩阵
按行累加中的元素，则可以量化中关于的车贝雪夫距离的大小情况，即计算如下定义的距离向量d，
其中，距离向量d中的第ir个元素表示与其他典型图案的车贝雪夫距离之和；只有满足条件 的可以参与理想特征向量的计算，满足该条件的组成的多重集S*定义如下：
定义为S*的均值，即以作为标准，通过计算纺织品图像中图格特征向量与的车贝雪夫距离并分析的分布，识别有瑕疵的图格；将作为一个矩阵第ir行和第ic列的元素，得到距离矩阵其定义如下：
5.如权利要求4所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤4中由于距离矩阵中有瑕疵图格对应的直方图中的值很大，分离直方图中有瑕疵和无瑕疵图格所对应的可以转化为基于阈值的判断问题，即选择距离阈值d*，找到中的最大元素，并求平均值作为距离阈值d*输出。
6.如权利要求5所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤5对一副给定的测试样本I，重复步骤2.1至步骤2.3的计算，将计算中涉及的训练样本替换为测试样本，最终得到测试样本的行分割位置和列分割位置并根据和将测试样本分割为图格。
7.如权利要求6所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤6中根据步骤3计算I的距离矩阵计算的直方图令t表示的横轴刻度，即的取值范围，h(t)表示h的纵轴刻度，即取值为t的的个数，根据下式计算缺口值t′和断崖值t″，
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msup> <mi>t</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>|</mo> <mi>h</mi> <mo>(</mo> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>&amp;equiv;</mo> <mn>0</mn> <mo>,</mo> <mi>h</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>&gt;</mo> <mn>0</mn> <mo>,</mo> <mi>t</mi> <mo>&gt;</mo> <msup> <mi>d</mi> <mo>*</mo> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>t</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>|</mo> <mi>h</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>&gt;</mo> <mn>2</mn> <mi>h</mi> <mo>(</mo> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>&gt;</mo> <mn>0</mn> <mo>,</mo> <mi>t</mi> <mo>&gt;</mo> <msup> <mi>d</mi> <mo>*</mo> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
若t*表示瑕疵检测阈值，当t′存在时，t*为t′；如果t′不存在而t″存在，t*为t″；若t′和t″都不存在，则定义t*为+∞；所有对应的图格被标记为有瑕疵的图格
CN201711271855.8A 2017-11-24 2017-11-24 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 Active CN107895371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711271855.8A CN107895371B (zh) 2017-11-24 2017-11-24 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711271855.8A CN107895371B (zh) 2017-11-24 2017-11-24 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法

Publications (2)

Publication Number Publication Date
CN107895371A true CN107895371A (zh) 2018-04-10
CN107895371B CN107895371B (zh) 2021-10-01

Family

ID=61807096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711271855.8A Active CN107895371B (zh) 2017-11-24 2017-11-24 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法

Country Status (1)

Country Link
CN (1) CN107895371B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636775A (zh) * 2018-11-14 2019-04-16 常州大学 一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法
CN111192271A (zh) * 2018-11-14 2020-05-22 银河水滴科技（北京）有限公司 一种图像分割方法及装置
CN111950320A (zh) * 2019-05-14 2020-11-17 四川大学 一种基于相对总变差和概率协同表示的虹膜识别方法
CN112508922A (zh) * 2020-12-14 2021-03-16 深圳精智达技术股份有限公司 Mura检测方法、装置、终端设备以及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020054293A1 (en) * 2000-04-18 2002-05-09 Pang Kwok-Hung Grantham Method of and device for inspecting images to detect defects
US6753965B2 (en) * 2001-01-09 2004-06-22 The University Of Hong Kong Defect detection system for quality assurance using automated visual inspection
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN106770323A (zh) * 2016-12-15 2017-05-31 常州大学 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法
CN107248152A (zh) * 2017-05-18 2017-10-13 常州大学 基于类格图案及其面积特征的纺织品瑕疵检测方法
CN107274385A (zh) * 2017-05-18 2017-10-20 常州大学 基于类格图案及其Gabor特征的纺织品瑕疵检测方法
CN107369155A (zh) * 2017-07-24 2017-11-21 广东工业大学 一种基于机器视觉的布匹表面疵点检测方法及其系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020054293A1 (en) * 2000-04-18 2002-05-09 Pang Kwok-Hung Grantham Method of and device for inspecting images to detect defects
US6753965B2 (en) * 2001-01-09 2004-06-22 The University Of Hong Kong Defect detection system for quality assurance using automated visual inspection
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN106770323A (zh) * 2016-12-15 2017-05-31 常州大学 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法
CN107248152A (zh) * 2017-05-18 2017-10-13 常州大学 基于类格图案及其面积特征的纺织品瑕疵检测方法
CN107274385A (zh) * 2017-05-18 2017-10-20 常州大学 基于类格图案及其Gabor特征的纺织品瑕疵检测方法
CN107369155A (zh) * 2017-07-24 2017-11-21 广东工业大学 一种基于机器视觉的布匹表面疵点检测方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JEANETTE M 等: ""Digital Image Analysis for Fabric Assessment"", 《TEXTILE RESEARCH JOURNAL》 *
L JIA 等: ""Fabric defect inspection based on lattice segmentation and Gabor filtering"", 《NEUROCOMPUTING》 *
张星烨: ""织物疵点自动检测系统关键技术的研究"", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636775A (zh) * 2018-11-14 2019-04-16 常州大学 一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法
CN111192271A (zh) * 2018-11-14 2020-05-22 银河水滴科技（北京）有限公司 一种图像分割方法及装置
CN111192271B (zh) * 2018-11-14 2023-08-22 银河水滴科技（北京）有限公司 一种图像分割方法及装置
CN111950320A (zh) * 2019-05-14 2020-11-17 四川大学 一种基于相对总变差和概率协同表示的虹膜识别方法
CN112508922A (zh) * 2020-12-14 2021-03-16 深圳精智达技术股份有限公司 Mura检测方法、装置、终端设备以及存储介质
CN112508922B (zh) * 2020-12-14 2021-12-21 深圳精智达技术股份有限公司 Mura检测方法、装置、终端设备以及存储介质

Also Published As

Publication number Publication date
CN107895371B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN106770323B (zh) 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法
CN107274385A (zh) 基于类格图案及其Gabor特征的纺织品瑕疵检测方法
CN107895371A (zh) 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法
CN107248152A (zh) 基于类格图案及其面积特征的纺织品瑕疵检测方法
Wen et al. Fabric defects detection using adaptive wavelets
WO2021253632A1 (zh) 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN111862027B (zh) 基于低秩稀疏矩阵分解的纺织品瑕疵检测方法
CN110245593A (zh) 一种基于图像相似度的手势图像关键帧提取方法
CN101976442B (zh) 一种用于表征织物纹理的分形概貌与Sobel算子滤波细节混合特征向量提取方法
Sadaghiyanfam Using gray-level-co-occurrence matrix and wavelet transform for textural fabric defect detection: A comparison study
Rezaei et al. Texture classification approach based on combination of random threshold vector technique and co-occurrence matrixes
Wong et al. Computer vision techniques for detecting fabric defects
Jia et al. Fabric defect inspection based on lattice segmentation and lattice templates
CN107945164B (zh) 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法
CN107977961B (zh) 基于峰值覆盖值和混合特征的纺织品瑕疵检测方法
CN101976441B (zh) 一种用于表征织物纹理的Sobel算子滤波概貌与分形细节混合特征向量提取方法
CN109507193A (zh) 一种基于局部对比度增强与二值模式的织物瑕疵检测方法
Backer et al. Parallel k-means image segmentation using sort, scan and connected components on a GPU
CN103136729A (zh) 一种基于超复数描述的模糊矢量形态学滤波方法
Mohanty et al. Detection and classification of fabric defects in textile using image mining and association rule miner
CN107945165B (zh) 基于峰值覆盖值和面积计算的纺织品瑕疵检测方法
CN107967680B (zh) 基于峰值阈值和混合特征的纺织品瑕疵检测方法
Jiang et al. Automatic identification of jacquard warp-knitted fabric patterns based on the wavelet transform
Kaur et al. Evaluation of fuzzy inference system in image processing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant