CN108038503B - 一种基于k-svd学习字典的机织物纹理表征方法 - Google Patents

一种基于k-svd学习字典的机织物纹理表征方法 Download PDF

Info

Publication number
CN108038503B
CN108038503B CN201711297582.4A CN201711297582A CN108038503B CN 108038503 B CN108038503 B CN 108038503B CN 201711297582 A CN201711297582 A CN 201711297582A CN 108038503 B CN108038503 B CN 108038503B
Authority
CN
China
Prior art keywords
dictionary
sample image
matrix
texture
column
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
Application number
CN201711297582.4A
Other languages
English (en)
Other versions
CN108038503A (zh
Inventor
吴莹
汪军
占竹
万贤福
李立轻
陈霞
卜佳仙
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.)
Donghua University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN201711297582.4A priority Critical patent/CN108038503B/zh
Publication of CN108038503A publication Critical patent/CN108038503A/zh
Application granted granted Critical
Publication of CN108038503B publication Critical patent/CN108038503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明涉及一种基于K‑SVD学习字典的机织物纹理表征方法，选用离散余弦变换作为初始字典并采用正交匹配追踪算法由初始字典和训练样本图像矩阵计算得到初始稀疏系数矩阵后，对训练样本图像矩阵进行K‑SVD字典学习得到字典，再采用正交匹配追踪算法由字典和测试样本图像矩阵计算得到稀疏系数矩阵后对测试样本图像矩阵进行重构，将重构测试样本图像矩阵转化为重构测试样本图像即实现机织物纹理表征；训练样本图像和测试样本图像为不同的机织物纹理图像。本发明的基于K‑SVD学习字典的机织物纹理表征方法，不仅计算方便快捷，而且还能得到稳定的织物纹理表征结果，为纺织品的在线检测提供正常机织物纹理的模板。

Description

一种基于K-SVD学习字典的机织物纹理表征方法
技术领域
本发明属于图像分析处理领域，涉及一种基于K-SVD学习字典的机织物纹理表征方法。
背景技术
纹理是目标识别的重要视觉特征，纹理分析作为本质的问题，被广泛应用在许多领域中，例如医疗诊断、产品质量检测和资源遥感等。织物的纹理表征不但可以应用在产品质量控制领域比如织物的瑕疵检测，还可以应用于其他跨科领域，例如虚拟环境和电子商务等，其应用范围广泛。
传统的织物纹理表征方法大致可分为三类：基于频谱、基于统计和基于模型的织物纹理表征方法。基于频谱的织物纹理表征方法是利用经典的变换来提取所需的特征值，例如文献(Application of Wavelet Transform in Characterization of FabricTexture[J].Journal of the Textile Institute,2004,95(1):107-20)中利用小波变换来表征织物纹理，并测量了经纬纱的直径等结构参数；基于统计的织物纹理表征方法是通过定义一些统计量来对纹理结构在空间分布上的统计特征进行描述，例如文献(Applyingan Artificial Neural Network to Pattern Recognition in Fabric Defects[J].Textile Research Journal,1995,65(3):123-30)中用灰度共生矩阵的两个特征(角二阶矩和对比度)检测织物表面疵点；基于模型的织物纹理表征方法是利用数学模型对产生纹理的随机过程进行建模描述，例如文献(Automated inspection of textile fabricsusing textural models[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,1991,13(8):803-8)中运用马尔-可夫随机场模型进行织物疵点检测。上述纹理表征方法主要是借助特征提取、优化的滤波器或先验知识等来实现织物结构参数的识别与瑕疵点的检测，然而，对于千变万化的织物纹理，提取具有普适性的广义特征是非常困难的。
基于稀疏表示的字典学习方法在信号压缩处理中有广泛的应用，例如人脸识别、图像去噪，而且该方法不需要提取特征值和先验知识，在纺织领域主要是织物纹理表征的应用如瑕疵检测，文献(Sparse Dictionary Reconstruction for Textile DefectDetection[C]//International Conference on Machine Learning andApplications.IEEE Computer Society,2012:21-26)中应用稀疏字典对织物瑕疵进行检测，检测后得到的实验结果具有较好的准确率；文献(Defect detection on the fabricwith complex texture via dual-scale over-complete dictionary[J].Journal ofthe Textile Institute,2015,107(6):1-14)中提出了基于稀疏表示的双尺度织物瑕疵检测算法，该算法检测率能高达95.9％。现有的研究大多着重于纹理表征的应用研究，例如织物瑕疵检测和织物组织结构自动识别等领域，机织物纹理表征作为基础研究，在其中所起到的作用是十分重要的。稀疏表示中字典的构建方法主要有两种：基于数学模型的字典和学习字典，其中基于数学模型的字典虽然能求解得到稳定的表征效果，但预构的字典不具有自适应性，即该类字典中的绝大部分都局限在某一类的图像/信号上；而现有基于K-奇异值分解法(K-SVD)的学习字典，有良好的自适应性，但是计算量非常大，表征效果不稳定，而且它受限于低维的信号。因此，研究一种计算方便快捷且表征效果稳定的基于K-SVD学习字典的机织物纹理表征方法具有十分重要的意义。
发明内容
本发明的目的是为了克服上述现有技术中基于K-SVD学习字典的机织物纹理表征方法计算量大且表征效果不稳定的问题，提供一种计算方便快捷且表征效果稳定的基于K-SVD学习字典的机织物纹理表征方法。
为了达到上述目的，本发明采用的技术方案为：
一种基于K-SVD学习字典的机织物纹理表征方法，选用离散余弦变换作为初始字典并采用正交匹配追踪算法由初始字典和训练样本图像矩阵计算得到初始稀疏系数矩阵后，对训练样本图像矩阵进行K-SVD字典学习得到字典，再采用正交匹配追踪算法由字典和测试样本图像矩阵计算得到稀疏系数矩阵后对测试样本图像矩阵进行重构，将重构测试样本图像矩阵转化为重构测试样本图像即实现机织物纹理表征；所述训练样本图像和测试样本图像为不同的机织物纹理图像。
作为优选的技术方案：
如上所述的一种基于K-SVD学习字典的机织物纹理表征方法，具体步骤如下：
(1)构建初始字典D；
首先构造一个
Figure BDA0001500603410000031
一维的DCT矩阵D1D，
Figure BDA0001500603410000032
即矩阵D1D由
Figure BDA0001500603410000033
个列向量dj组成，且列向量
Figure BDA0001500603410000034
dj代表字典原子；
然后计算每个字典原子中的元素，公式如下：
Figure BDA0001500603410000035
当j＝1时，
Figure BDA0001500603410000036
D1D(:,1)表示D1D第一列的所有元素，即第一个字典原子；
当j>1时，
Figure BDA0001500603410000037
D1D(:,j)表示D1D第j列的所有元素，即第j个字典原子；
最后由
Figure BDA0001500603410000038
计算得到大小为m×k的初始字典D，即D拥有k个维数为m的字典原子；
(2)采用正交匹配追踪算法(OMP)计算初始稀疏系数矩阵α；
(2.1)以v为迭代次数，令当前迭代次数v为1；
(2.2)计算初始字典D的第w列dw的误差ε(w)，公式如下：
Figure BDA0001500603410000039
Figure BDA00015006034100000310
Figure BDA00015006034100000311
式中，rv-1为迭代v-1次后更新得到的残差，v＝1时，rv-1＝X，X为训练样本图像矩阵；
(2.3)确定误差ε(w)最小的初始字典D的列w0后更新支撑集Sv，更新公式如下：
Sv＝Sv-1∪{w0}；
式中，Sv和Sv-1分别为迭代v和v-1次后更新得到的支撑集，v＝1时，Sv-1＝φ，φ为空集；
(2.4)根据Sv计算αv，support{αv}＝Sv，αv满足
Figure BDA0001500603410000041
最小，同时更新rv，更新公式如下：
rv＝X-Dαv；
式中，αv为迭代v次后更新得到的初始稀疏系数矩阵，rv为迭代v次后更新得到的残差；
(2.5)判断||rv||2＜ε0是否成立，ε0为误差阈值，如果否，则令v＝v+1，返回步骤(2.2)；反之，则输出最后一次更新得到的αv作为最终确定的初始稀疏系数矩阵α；
(3)对训练样本图像矩阵进行K-SVD字典学习更新D得到
Figure BDA0001500603410000043
(3.1)以p为迭代次数，令当前迭代次数p为1；
(3.2)更新字典Dp-1的所有列得到字典Dp，Dp-1为迭代p-1次后更新得到的字典，p＝1时，Dp-1＝D，更新是逐列进行的，当对字典Dp-1的第j0列
Figure BDA0001500603410000044
进行更新时，保持字典Dp-1其余的列不变，
Figure BDA0001500603410000045
更新得到
Figure BDA0001500603410000046
的公式如下：
Figure BDA0001500603410000047
Figure BDA0001500603410000048
Figure BDA0001500603410000049
Figure BDA00015006034100000410
Figure BDA00015006034100000411
式中，αj中非零元素构建成一个新的矩阵Ω，αj是αp-1的第j列，
Figure BDA00015006034100000412
代表αp-1中的第j行，αp-1为迭代p-1次后更新得到的稀疏系数矩阵，p＝1时，αp-1＝α，
Figure BDA0001500603410000051
代表更新后的
Figure BDA0001500603410000052
Figure BDA00015006034100000521
代表
Figure BDA0001500603410000053
在稀疏系数矩阵中对应的稀疏系数，U、V和Δ分别是
Figure BDA0001500603410000054
通过奇异值分解得到的秩为1的左奇异向量、右奇异向量和特征值，dj为Dp-1的第j列；
(3.3)采用正交匹配追踪算法(OMP)计算αp，即用Dp替换D后进行步骤(2)的操作；
(3.4)判断是否满足终止条件，如果否，则令p＝p+1，返回步骤(3.2)；反之，则输出最后一次更新得到的字典Dp作为
Figure BDA0001500603410000055
所述终止条件如下：
Figure BDA0001500603410000056
Figure BDA0001500603410000057
Figure BDA0001500603410000058
式中，
Figure BDA0001500603410000059
为训练样本图像矩阵X重构得到的矩阵，RMSE表示X和
Figure BDA00015006034100000510
的均方根误差，X(a,b)表示X的第a行b列的元素，
Figure BDA00015006034100000511
表示
Figure BDA00015006034100000512
的第a行b列的元素，e和f分别为训练样本图像的高度和宽度；
(4)采用正交匹配追踪算法(OMP)计算
Figure BDA00015006034100000513
即用
Figure BDA00015006034100000514
替换D同时用测试样本图像矩阵Y替换X后进行步骤(2)的操作；
(5)对测试样本图像矩阵Y进行重构得到重构测试样本图像矩阵
Figure BDA00015006034100000515
Figure BDA00015006034100000516
将
Figure BDA00015006034100000517
转化为重构测试样本图像。
如上所述的一种基于K-SVD学习字典的机织物纹理表征方法，采用PSNR和SSIM对
Figure BDA00015006034100000518
进行评价，具体公式如下：
Figure BDA00015006034100000519
Figure BDA00015006034100000520
Figure BDA0001500603410000061
式中，MSE表示Y和
Figure BDA0001500603410000062
的均方误差，Y(q,t)表示Y的第q行t列的元素，
Figure BDA0001500603410000063
表示
Figure BDA0001500603410000064
的第q行t列的元素，u和n分别为测试样本图像的高度和宽度，p是每像素的比特数，
Figure BDA0001500603410000065
和
Figure BDA0001500603410000066
分别为Y和
Figure BDA0001500603410000067
的亮度相似性、对比度相似性和结构相似性，δ、β和γ分别为
Figure BDA0001500603410000068
和
Figure BDA0001500603410000069
的权重，均设为1，
Figure BDA00015006034100000610
和
Figure BDA00015006034100000611
的定义如下：
Figure BDA00015006034100000612
式中，
Figure BDA00015006034100000613
和
Figure BDA00015006034100000614
分别为Y,
Figure BDA00015006034100000615
的均值和标准差，
Figure BDA00015006034100000616
是Y,
Figure BDA00015006034100000617
的协方差，C1、C2和C3为常数，均设为0。
如上所述的一种基于K-SVD学习字典的机织物纹理表征方法，所述的训练样本图像和测试样本图像为8位的灰度图像。
如上所述的一种基于K-SVD学习字典的机织物纹理表征方法，所述的训练样本图像和测试样本图像的尺寸为256×256像素。
如上所述的一种基于K-SVD学习字典的机织物纹理表征方法，m为64。
如上所述的一种基于K-SVD学习字典的机织物纹理表征方法，反复运行程序后，同一幅测试样本图像任意两次得到的重构测试样本图像矩阵相同。
有益效果：
本发明的一种基于K-SVD学习字典的机织物纹理表征方法，不仅计算方便快捷，而且还能得到稳定的织物纹理表征结果，为纺织品的在线检测提供正常机织物纹理的模板。
附图说明
图1a为本发明的缎纹织物纹理的测试样本图像；
图1b为本发明的缎纹织物纹理的重构测试样本图像；
图2a为本发明的蜂巢织物纹理的测试样本图像；
图2b为本发明的蜂巢织物纹理的重构测试样本图像；
图3为随机选取本发明实施例2得到的重构图像(y1和y2)实施回归分析后得到的回归模型图。
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。
实施例1
一种基于K-SVD学习字典的机织物纹理表征方法，具体步骤如下：
(1)构建初始字典D；
首先构造一个
Figure BDA0001500603410000071
一维的DCT矩阵D1D，
Figure BDA0001500603410000072
即矩阵D1D由
Figure BDA0001500603410000073
个列向量dj组成，且列向量
Figure BDA0001500603410000074
dj代表字典原子，其中m为64；
然后计算每个字典原子中的元素，公式如下：
Figure BDA0001500603410000075
当j＝1时，
Figure BDA0001500603410000076
D1D(:,1)表示D1D第一列的所有元素，即第一个字典原子；
当j>1时，
Figure BDA0001500603410000077
D1D(:,j)表示D1D第j列的所有元素，即第j个字典原子；
最后由
Figure BDA0001500603410000078
计算得到大小为m×k的初始字典D，即D拥有k个维数为m的字典原子；
(2)采用正交匹配追踪算法(OMP)计算初始稀疏系数矩阵α；
(2.1)以v为迭代次数，令当前迭代次数v为1；
(2.2)计算初始字典D的第w列dw的误差ε(w)，公式如下：
Figure BDA0001500603410000081
Figure BDA0001500603410000082
Figure BDA0001500603410000083
式中，rv-1为迭代v-1次后更新得到的残差，v＝1时，rv-1＝X，X为训练样本图像矩阵，训练样本图像矩阵由训练样本图像转换得到，训练样本图像为8位的灰度图像，其尺寸为256×256像素；
(2.3)确定误差ε(w)最小的初始字典D的列w0后更新支撑集Sv，更新公式如下：
Sv＝Sv-1∪{w0}；
式中，Sv和Sv-1分别为迭代v和v-1次后更新得到的支撑集，v＝1时，Sv-1＝φ，φ为空集；
(2.4)根据Sv计算αv，support{αv}＝Sv，αv满足
Figure BDA0001500603410000084
最小，同时更新rv，更新公式如下：
rv＝X-Dαv；
式中，αv为迭代v次后更新得到的初始稀疏系数矩阵，rv为迭代v次后更新得到的残差；
(2.5)判断||rv||2<ε0是否成立，ε0为误差阈值，如果否，则令v＝v+1，返回步骤(2.2)；反之，则输出最后一次更新得到的αv作为最终确定的初始稀疏系数矩阵α；
(3)对训练样本图像矩阵进行K-SVD字典学习更新D得到
Figure BDA0001500603410000085
(3.1)以p为迭代次数，令当前迭代次数p为1；
(3.2)更新字典Dp-1的所有列得到字典Dp，Dp-1为迭代p-1次后更新得到的字典，p＝1时，Dp-1＝D，更新是逐列进行的，当对字典Dp-1的第j0列
Figure BDA0001500603410000091
进行更新时，保持字典Dp-1其余的列不变，
Figure BDA0001500603410000092
更新得到
Figure BDA0001500603410000093
的公式如下：
Figure BDA0001500603410000094
Figure BDA0001500603410000095
Figure BDA0001500603410000096
Figure BDA0001500603410000097
Figure BDA0001500603410000098
式中，αj中非零元素构建成一个新的矩阵Ω，αj是αp-1的第j列，
Figure BDA0001500603410000099
代表αp-1中的第j行，αp-1为迭代p-1次后更新得到的稀疏系数矩阵，p＝1时，αp-1＝α，
Figure BDA00015006034100000910
代表更新后的
Figure BDA00015006034100000911
Figure BDA00015006034100000919
代表dj0在稀疏系数矩阵中对应的稀疏系数，U、V和Δ分别是
Figure BDA00015006034100000912
通过奇异值分解得到的秩为1的左奇异向量、右奇异向量和特征值，dj为Dp-1的第j列；
(3.3)采用正交匹配追踪算法(OMP)计算αp，即用Dp替换D后进行步骤(2)的操作；
(3.4)判断是否满足终止条件，如果否，则令p＝p+1，返回步骤(3.2)；反之，则输出最后一次更新得到的字典Dp作为
Figure BDA00015006034100000913
所述终止条件如下：
Figure BDA00015006034100000914
Figure BDA00015006034100000915
Figure BDA00015006034100000916
式中，
Figure BDA00015006034100000917
为训练样本图像矩阵X重构得到的矩阵，RMSE表示X和
Figure BDA00015006034100000918
的均方根误差，X(a,b)表示X的第a行b列的元素，
Figure BDA0001500603410000101
表示
Figure BDA0001500603410000102
的第a行b列的元素，e和f分别为训练样本图像的高度和宽度；
(4)采用正交匹配追踪算法(OMP)计算
Figure BDA0001500603410000103
即用
Figure BDA0001500603410000104
替换D同时用测试样本图像矩阵Y替换X后进行步骤(2)的操作，测试样本图像矩阵Y由测试样本图像变化得到，测试样本图像如图1a所示为8位的灰度图像，其尺寸为256×256像素，测试样本为缎纹织物。
(5)对测试样本图像矩阵Y进行重构得到重构测试样本图像矩阵
Figure BDA0001500603410000105
Figure BDA0001500603410000106
将
Figure BDA0001500603410000107
转化为如图1b所示的重构测试样本图像。
采用PSNR和SSIM对
Figure BDA0001500603410000108
进行评价，具体公式如下：
Figure BDA0001500603410000109
Figure BDA00015006034100001010
Figure BDA00015006034100001011
式中，MSE表示Y和
Figure BDA00015006034100001012
的均方误差，Y(q,t)表示Y的第q行t列的元素，
Figure BDA00015006034100001013
表示
Figure BDA00015006034100001014
的第q行t列的元素，u和n分别为测试样本图像的高度和宽度，p是每像素的比特数，
Figure BDA00015006034100001015
和
Figure BDA00015006034100001016
分别为Y和
Figure BDA00015006034100001017
的亮度相似性、对比度相似性和结构相似性，δ、β和γ分别为
Figure BDA00015006034100001018
和
Figure BDA00015006034100001019
的权重，均设为1，
Figure BDA00015006034100001020
和
Figure BDA00015006034100001021
的定义如下：
Figure BDA00015006034100001022
式中，
Figure BDA00015006034100001023
和
Figure BDA00015006034100001024
分别为Y,
Figure BDA00015006034100001025
的均值和标准差，
Figure BDA00015006034100001026
是Y,
Figure BDA00015006034100001027
的协方差，C1、C2和C3为常数，均设为0。
评价后得到的缎纹织物样本SSIM为0.9657，PSNR值为33.4840，因此本发明完全能够重构纹理细节。
反复运行程序后，同一幅测试样本图像任意两次得到的重构测试样本图像矩阵相同。
实施例2
一种基于K-SVD学习字典的机织物纹理表征方法，具体步骤与实施例1一致，不同的是步骤(4)中选用蜂巢机织物为纹理样本图像，如图2a所示，程序完成后得到的重构图像如图2b所示，将图2a和图2b进行对比，很难看出两者的差异，采用PSNR和SSIM对重构样本图像
Figure BDA0001500603410000111
进行评价，方法与实施例1一致，评价后得到的斜纹织物的SSIM值为0.9526，这意味重构图像完全还原了织物图像的纹理细节，PSNR值为30.5531。多次运行本发明实施例2的程序代码，从中任意选取两个的学习字典y1和y2实施回归分析后得到y＝x的回归模型，即y1＝y2，结果如图3所示，可看出，本发明方法能有效地实现K-SVD学习字典的可重复性。实施例1和2的结果表明，本发明的基于K-SVD的学习字典算法不仅能很好地近似表征不同种类的织物纹理，且相似度能达到91％以上，且PSNR在30.5dB以上。本发明算法不仅计算方便快捷，而且还能得到稳定的织物纹理表征结果，为纺织品的在线检测提供正常机织物纹理的模板。

Claims (6)

1.一种基于K-SVD学习字典的机织物纹理表征方法，其特征是：选用离散余弦变换作为初始字典并采用正交匹配追踪算法由初始字典和训练样本图像矩阵计算得到初始稀疏系数矩阵后，对训练样本图像矩阵进行K-SVD字典学习得到字典，再采用正交匹配追踪算法由字典和测试样本图像矩阵计算得到稀疏系数矩阵后对测试样本图像矩阵进行重构，将重构测试样本图像矩阵转化为重构测试样本图像即实现机织物纹理表征；所述训练样本图像和测试样本图像为不同的机织物纹理图像；
所述的一种基于K-SVD学习字典的机织物纹理表征方法，具体步骤如下：
(1)构建初始字典D；
首先构造一个
Figure FDA0002370886310000011
维的DCT矩阵D1D，
Figure FDA0002370886310000012
即矩阵D1D由
Figure FDA0002370886310000013
个列向量dj组成，且列向量
Figure FDA0002370886310000014
dj代表字典原子；
然后计算每个字典原子中的元素，公式如下：
Figure FDA0002370886310000015
当j＝1时，
Figure FDA0002370886310000016
D1D(:,1)表示D1D第一列的所有元素，即第一个字典原子；
当j>1时，
Figure FDA0002370886310000017
D1D(:,j)表示D1D第j列的所有元素，即第j个字典原子；
最后由
Figure FDA0002370886310000018
计算得到大小为m×k的初始字典D，即D拥有k个维数为m的字典原子；
(2)采用正交匹配追踪算法计算初始稀疏系数矩阵α；
(2.1)以v为迭代次数，令当前迭代次数v为1；
(2.2)计算初始字典D的第w列dw的误差ε(w)，公式如下：
Figure FDA0002370886310000021
Figure FDA0002370886310000022
Figure FDA0002370886310000023
式中，rv-1为迭代v-1次后更新得到的残差，v＝1时，rv-1＝X，X为训练样本图像矩阵；
(2.3)确定误差ε(w)最小的初始字典D的列w0后更新支撑集Sv，更新公式如下：
Sv＝Sv-1∪{w0}；
式中，Sv和Sv-1分别为迭代v和v-1次后更新得到的支撑集，v＝1时，Sv-1＝φ，φ为空集；
(2.4)根据Sv计算αv，support{αv}＝Sv，αv满足
Figure FDA0002370886310000024
最小，同时更新rv，更新公式如下：
rv＝X-Dαv；
式中，support{}表示支撑集，αv为迭代v次后更新得到的初始稀疏系数矩阵，rv为迭代v次后更新得到的残差；
(2.5)判断||rv||2<ε0是否成立，ε0为误差阈值，如果否，则令v＝v+1，返回步骤(2.2)；反之，则输出最后一次更新得到的αv作为最终确定的初始稀疏系数矩阵α；
(3)对训练样本图像矩阵进行K-SVD字典学习更新D得到
Figure FDA0002370886310000025
(3.1)以p为迭代次数，令当前迭代次数p为1；
(3.2)更新字典Dp-1的所有列得到字典Dp，Dp-1为迭代p-1次后更新得到的字典，p＝1时，Dp-1＝D，更新是逐列进行的，当对字典Dp-1的第j0列
Figure FDA0002370886310000026
进行更新时，保持字典Dp-1其余的列不变，
Figure FDA0002370886310000027
更新得到
Figure FDA0002370886310000028
的公式如下：
Figure FDA0002370886310000031
Figure FDA0002370886310000032
Figure FDA0002370886310000033
Figure FDA0002370886310000034
Figure FDA0002370886310000035
式中，αj中非零元素构建成一个新的矩阵Ω，αj是αp-1的第j列，
Figure FDA0002370886310000036
代表αp-1中的第j行，αp-1为迭代p-1次后更新得到的稀疏系数矩阵，p＝1时，αp-1＝α，
Figure FDA0002370886310000037
代表更新后的
Figure FDA0002370886310000038
Figure FDA0002370886310000039
代表
Figure FDA00023708863100000310
在稀疏系数矩阵中对应的稀疏系数，U、V和Δ分别是
Figure FDA00023708863100000311
通过奇异值分解得到的秩为1的左奇异向量、右奇异向量和特征值，dj为Dp-1的第j列；
(3.3)采用正交匹配追踪算法计算αp，即用Dp替换D后进行步骤(2)的操作；
(3.4)判断是否满足终止条件，如果否，则令p＝p+1，返回步骤(3.2)；反之，则输出最后一次更新得到的字典Dp作为
Figure FDA00023708863100000312
所述终止条件如下：
Figure FDA00023708863100000313
Figure FDA00023708863100000314
Figure FDA00023708863100000315
式中，
Figure FDA00023708863100000316
为训练样本图像矩阵X重构得到的矩阵，RMSE表示X和
Figure FDA00023708863100000317
的均方根误差，X(a,b)表示X的第a行b列的元素，
Figure FDA00023708863100000318
表示
Figure FDA00023708863100000319
的第a行b列的元素，e和f分别为训练样本图像的高度和宽度；
(4)采用正交匹配追踪算法计算
Figure FDA00023708863100000320
即用
Figure FDA00023708863100000321
替换D同时用测试样本图像矩阵Y替换X后进行步骤(2)的操作，其中，
Figure FDA0002370886310000041
表示所有元素奇异值分解后得到的系数矩阵；
(5)对测试样本图像矩阵Y进行重构得到重构测试样本图像矩阵
Figure FDA0002370886310000042
Figure FDA0002370886310000043
将
Figure FDA0002370886310000044
转化为重构测试样本图像。
2.根据权利要求1所述的一种基于K-SVD学习字典的机织物纹理表征方法，其特征在于，采用PSNR和SSIM对
Figure FDA0002370886310000045
进行评价，具体公式如下：
Figure FDA0002370886310000046
Figure FDA0002370886310000047
Figure FDA0002370886310000048
式中，MSE表示Y和
Figure FDA0002370886310000049
的均方误差，Y(q,t)表示Y的第q行t列的元素，
Figure FDA00023708863100000410
表示
Figure FDA00023708863100000411
的第q行t列的元素，u和n分别为测试样本图像的高度和宽度，p是每像素的比特数，
Figure FDA00023708863100000412
和
Figure FDA00023708863100000413
分别为Y和
Figure FDA00023708863100000414
的亮度相似性、对比度相似性和结构相似性，d、β和γ分别为
Figure FDA00023708863100000415
和
Figure FDA00023708863100000416
的权重，均设为1，
Figure FDA00023708863100000417
和
Figure FDA00023708863100000418
的定义如下：
Figure FDA00023708863100000419
Figure FDA00023708863100000420
Figure FDA00023708863100000421
式中，μY,
Figure FDA00023708863100000422
σY和
Figure FDA00023708863100000423
分别为Y,
Figure FDA00023708863100000424
的均值和标准差，
Figure FDA00023708863100000425
是Y,
Figure FDA00023708863100000426
的协方差，C1、C2和C3为常数，均设为0。
3.根据权利要求2所述的一种基于K-SVD学习字典的机织物纹理表征方法，其特征在于，所述的训练样本图像和测试样本图像为8位的灰度图像。
4.根据权利要求3所述的一种基于K-SVD学习字典的机织物纹理表征方法，其特征在于，所述的训练样本图像和测试样本图像的尺寸为256×256像素。
5.根据权利要求4所述的一种基于K-SVD学习字典的机织物纹理表征方法，其特征在于，m为64。
6.根据权利要求1～5任一项所述的一种基于K-SVD学习字典的机织物纹理表征方法，其特征在于，反复运行程序后，同一幅测试样本图像任意两次得到的重构测试样本图像矩阵相同。
CN201711297582.4A 2017-12-08 2017-12-08 一种基于k-svd学习字典的机织物纹理表征方法 Active CN108038503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711297582.4A CN108038503B (zh) 2017-12-08 2017-12-08 一种基于k-svd学习字典的机织物纹理表征方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711297582.4A CN108038503B (zh) 2017-12-08 2017-12-08 一种基于k-svd学习字典的机织物纹理表征方法

Publications (2)

Publication Number Publication Date
CN108038503A CN108038503A (zh) 2018-05-15
CN108038503B true CN108038503B (zh) 2020-06-05

Family

ID=62101729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711297582.4A Active CN108038503B (zh) 2017-12-08 2017-12-08 一种基于k-svd学习字典的机织物纹理表征方法

Country Status (1)

Country Link
CN (1) CN108038503B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615576B (zh) * 2018-06-28 2023-07-21 北京元点未来科技有限公司 基于级联回归基学习的单帧图像超分辨重建方法
CN111508043B (zh) * 2020-03-24 2022-11-25 东华大学 一种基于判别共享字典的机织物纹理重构方法
CN111859810B (zh) * 2020-07-27 2023-11-03 中国科学院半导体研究所 基于加权字典学习的温度场重构方法、装置、设备及介质
CN112288654A (zh) * 2020-11-09 2021-01-29 珠海市润鼎智能科技有限公司 图像中细小颗粒的增强方法
CN113222888B (zh) * 2021-03-19 2022-07-22 复旦大学 基于深度纹理特征的纺织品纱织尺寸检测方法
CN116402810B (zh) * 2023-06-05 2023-08-04 山东天力润滑油有限公司 基于图像处理的润滑油抗磨粒质量检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100386639B1 (ko) * 2000-12-04 2003-06-02 주식회사 오픈비주얼 정규화된 역양자화기를 이용한 영상 및 동영상의 복원 방법
CN102708576A (zh) * 2012-05-18 2012-10-03 西安电子科技大学 基于结构字典的分块图像压缩感知重建方法
CN102750677A (zh) * 2012-06-12 2012-10-24 清华大学 基于同尺度结构自相似与压缩感知的单图像超分辨率方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9326000B2 (en) * 2014-07-02 2016-04-26 Omnivision Technologies (Shanghai) Co., Ltd. Method and system for still image encoding and random access decoding
CN107341776B (zh) * 2017-06-21 2021-05-14 北京工业大学 基于稀疏编码与组合映射的单帧超分辨率重建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100386639B1 (ko) * 2000-12-04 2003-06-02 주식회사 오픈비주얼 정규화된 역양자화기를 이용한 영상 및 동영상의 복원 방법
CN102708576A (zh) * 2012-05-18 2012-10-03 西安电子科技大学 基于结构字典的分块图像压缩感知重建方法
CN102750677A (zh) * 2012-06-12 2012-10-24 清华大学 基于同尺度结构自相似与压缩感知的单图像超分辨率方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Compressed Sensing Reconstruction of 3D Ultrasound Data Using Dictionary Learning and Line-Wise Subsamping》;Lorintiu O et al;《IEEE Transaction on Medical Imaging》;20150604;第34卷(第12期);全文 *
《基于稀疏表示的交通图像增强算法研究》;李艳彬;《中国优秀硕士学位论文全文数据库信息科技辑》;20140615(第2014年第6期);正文第4.2部分 *
《机织物密度对字典学习纹理表征的影响》;王凯等;《纺织学报》;20170731;第38卷(第7期);正文第1部分，正文第2部分，摘要 *

Also Published As

Publication number Publication date
CN108038503A (zh) 2018-05-15

Similar Documents

Publication Publication Date Title
CN108154499B (zh) 一种基于k-svd学习字典的机织物纹理瑕疵检测方法
CN108038503B (zh) 一种基于k-svd学习字典的机织物纹理表征方法
Chen et al. Denoising of hyperspectral images using nonconvex low rank matrix approximation
CN110796637A (zh) 图像缺陷检测模型的训练、测试方法、装置及存储介质
CN108932705B (zh) 一种基于矩阵变量变分自编码器的图像处理方法
CN109410114B (zh) 基于深度学习的压缩感知图像重建算法
CN111383209A (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN108090871A (zh) 一种基于卷积神经网络的多对比度磁共振图像重建方法
CN111724372A (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
CN109671029A (zh) 基于伽马范数最小化的图像去噪算法
CN108257093B (zh) 基于可控核与高斯过程回归的单帧图像超分辨方法
Kelkar et al. Compressible latent-space invertible networks for generative model-constrained image reconstruction
Heidari et al. Fabric textile defect detection, by selecting a suitable subset of wavelet coefficients, through genetic algorithm
CN110348459B (zh) 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法
CN113793319B (zh) 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统
CN114170088A (zh) 一种基于图结构数据的关系型强化学习系统及方法
CN114758031B (zh) 电容耦合电阻抗层析成像图像重建方法和装置
CN114565594A (zh) 基于软掩膜对比损失的图像异常检测方法
CN109977989A (zh) 一种图像张量数据的处理方法
CN108230299B (zh) 一种基于稳定学习字典的机织物纹理瑕疵检测方法
CN108154527B (zh) 一种基于稳定学习字典的机织物纹理表征方法
CN108537104A (zh) 基于全图观测的压缩感知网络及感知损失重构方法
CN112837220A (zh) 一种提高红外图像分辨率的方法及其用途
CN111815620A (zh) 一种基于卷积特征和低秩表示的织物疵点检测方法
CN111508043A (zh) 一种基于判别共享字典的机织物纹理重构方法

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