CN112488211A - 一种织物图像瑕疵分类方法 - Google Patents

一种织物图像瑕疵分类方法 Download PDF

Info

Publication number
CN112488211A
CN112488211A CN202011399329.1A CN202011399329A CN112488211A CN 112488211 A CN112488211 A CN 112488211A CN 202011399329 A CN202011399329 A CN 202011399329A CN 112488211 A CN112488211 A CN 112488211A
Authority
CN
China
Prior art keywords
image
gray level
fabric
data set
fabric image
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
CN202011399329.1A
Other languages
English (en)
Inventor
吕文涛
钟佳莹
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.)
Zhejiang University of Technology ZJUT
Zhejiang Sci Tech University ZSTU
Zhejiang University of Science and Technology ZUST
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202011399329.1A priority Critical patent/CN112488211A/zh
Publication of CN112488211A publication Critical patent/CN112488211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种织物图像瑕疵分类方法，包括步骤：S1、将待检测织物图像切割成M×M像素，并将待检测织物图像转化为灰度图像；S2、对步骤S1中得到的灰度图像通过灰度共生矩阵和梯度方向直方图融合的方法进行特征提取以得到数据集；S3、对步骤S2中特征提取后得到的数据集采用线性判别分析的方法进行特征选取以生成新的数据集；S4、将步骤S3中得到的新的数据集输入支持向量机进行测试，以得到待检测织物图像的分类结果。本发明用特征融合方法充分利用了不同特征图中的信息，并利用线性判别分析方法将样本变换到新的子空间，提高了对不同织物纹理的适应性，增强了织物特征选取的有效性，能实现有效准确的织物图像瑕疵分类功能。

Description

一种织物图像瑕疵分类方法
技术领域
本发明属于纺织疵点分类方法技术领域，具体涉及一种织物图像瑕疵分类方法。
背景技术
织物作为日常生活和纺织工业中不可或缺的材料，无论是纱线本身瑕疵，还是机械故障、操作失误，这些干扰因素都不可避免会造成织物的瑕疵问题。织物的瑕疵问题会给企业带来巨大的经济损失，如若不能及时发现这些瑕疵，甚至会影响企业的运营和信誉。军工、航空以及医疗中，也会涉及织物，如果瑕疵产品应用在这些方面将产生无法挽救和不可估量的损失和影响。因此，可靠和精准的图像处理技术在织物疵点中具有重要的经济效益和现实意义。随着图像处理技术的不断发展，图像分类逐步代替传统的人工视觉判断，对于纹理复杂、颜色差异较小的瑕疵，也可以通过一定的算法进行处理，使其能够快速且准确地分类出合格产品和瑕疵产品。
针对织物图像分类算法问题，国内外应用较广的疵点识别分类方法有支持向量机的疵点识别分类、人工神经网络分类、距离度量分类以及模糊推理分类方法。神经网络训练速度慢且容易“过学习”，距离度量分类识别时间长且不具备实时性，模糊推理分类不易实现，而支持向量机能够避开局部最优问题，相对于其它方法性能优越。
但是织物疵点识别分类方法的良好应用，还需要有效的特征提取来保证织物瑕疵分类的高准确率。对于纹理结构复杂，花型繁多，材质多样的织物图像，如何有效的提取特征向量，这是织物图像作为典型的纹理图像分类的关键。
发明内容
本发明的目的在于提供一种织物图像瑕疵分类方法，在原有的特征提取方法上，将两种特征提取进行融合，然后将融合特征通过线性判别分析变换到新的子空间内，最后训练分类器，从而实现织物图像的分类，来减少纹理信息对疵点检测产生的影响，同时提高算法的准确度。
为了实现以上目的，本发明采用以下技术方案：一种织物图像瑕疵分类方法，包括步骤：
S1、将待检测织物图像切割成M×M像素，并将待检测织物图像转化为灰度图像；
S2、对步骤S1中得到的灰度图像通过灰度共生矩阵和梯度方向直方图融合的方法进行特征提取以得到数据集；
S3、对步骤S2中特征提取后得到的数据集采用线性判别分析的方法进行特征选取以生成新的数据集；
S4、将步骤S3中得到的新的数据集输入支持向量机进行测试，以得到待检测织物图像的分类结果。
作为优选方案，步骤S1中将待检测织物图像切割成64×64像素。
作为优选方案，步骤S2中具体包括：
S2.1、通过灰度共生矩阵对所述灰度图像进行特征提取；
S2.2、通过梯度方向直方图对所述灰度图像进行特征提取；
S2.3、将步骤S2.1以及步骤S2.2中提取得到的特征向量进行串联，生成织物图像的特征样本数据集。
作为优选方案，步骤S2.1中通过灰度共生矩阵进行特征提取具体包括以下步骤：
S2.1.1、把灰度图像标记为I,灰度值为L，从灰度图像中灰度为i的点(k，g)处的像素出发，统计与其距离为d＝(m-k，n-g)的点(m，n)且灰度为j的像素同时出现的概率P(i，j，d，θ)，P(i，j，d，θ)的计算公式采用：
P(i,j,d,θ)＝{[(k,g),(m,n)|f(k,g)＝i,f(m,n)＝j]}，
其中i，j＝1，2,...,L；k,g＝1,2,...,64；m，n＝1，2,...,64；d为生成灰度共生矩阵的步长，m-k、n-g为位置偏移量，θ表示考虑的方向角度；
S2.1.2、计算该灰度共生矩阵四个方向角度的对比度、相关性、能量和逆差距的特征值；
S2.1.3、对步骤S2.1.2中得到的特征值进行均值和方差的计算，得到四个均值和四个标准差，
S2.1.4、考虑不同的距离d，提取并计算灰度共生矩阵特征值。
作为优选方案，步骤S2.1.2中，
所述对比度计算公式为：
Figure BDA0002816491780000031
所述相关性计算公式为：
Figure BDA0002816491780000032
其中，
Figure BDA0002816491780000033
Figure BDA0002816491780000041
所述能量的计算公式为：
Figure BDA0002816491780000042
所述逆差距的计算公式为：
Figure BDA0002816491780000043
作为优选方案，步骤S2.1.2中四个方向角度分别为0度、45度、145度和180度；步骤S2.1.4中为考虑10个不同的距离d。
作为优选方案，步骤S2.2中梯度方向直方图进行特征提取具体包括以下步骤：
S2.2.1、对灰度图像通过gamma校正算法进行校正，得到样本图像；
S2.2.2、对样本图像计算其横纵坐标方向的梯度值，并计算每个像素位置的梯度方向值，捕获轮廓信息；
S2.2.3、把样本图像分割成若干个像素的单元，把梯度方向平均划分为9个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行加权投影得到该单元的梯度方向直方图，通过步骤S2.2.2计算得到的梯度值大小作为投影的权值，得到一个9维的特征向量，每相邻的4个单元构成一个块，把一个块内的特征向量串联起来得到36维的特征向量；
S2.2.4、用块对样本图像进行扫描，扫描步长为一个单元，并将所有块的特征结合成最终的特征向量供分类所用。
作为优选方案，步骤S2.2.1中进行校正的公式为：I(x,y)＝I(x,y)gamma，其中gamma为校正算法，(x,y)表示样本图像中的像素点；
步骤S2.2.2中样本图像中像素点(x,y)的水平方向的梯度为Gx(x,y)＝H(x+1,y)-H(x-1,y)，垂直方向的梯度为Gy(x,y)＝H(x,y+1)-H(x,y-1)，H(x,y)为像素点(x,y)的像素值，梯度方向值的计算公式为：
Figure BDA0002816491780000051
作为优选方案，步骤S3具体包括以下步骤：
S3.1、计算步骤S2生成的数据集中不同类别数据的d维均值向量；
S3.2、计算类间散射矩阵和类内散射矩阵；
S3.3、计算散射矩阵的特征向量和对应的特征值；
S3.4、将特征向量按特征值大小降序排列，然后选取前k个最大特征值对应的特征向量，组建一个d×k维特征向量矩阵；
S3.5、用该d×k维特征向量矩阵将数据集样本变换到新的子空间，以生成新的数据集。
作为优选方案，步骤S4具体包括以下步骤：
S4.1、选择径向基函数作为核函数，支持向量机待优化的参数包括惩罚系数c和径向基函数自带的一个参数gamma；
S4.2、用交叉验证得到最优参数c和gamma，用训练样本对支持向量机进行训练，得到训练完成的支持向量机；
S4.3、将新的数据集输入训练完成的支持向量机中进行测试，以得到待检测织物图像的分类结果，并得到分类结果的正确率。
本发明的有益效果是：用特征融合方法充分利用了不同特征图中的信息，并利用线性判别分析方法将样本变换到新的子空间，提高了对不同织物纹理的适应性，增强了织物特征选取的有效性，能实现有效准确的织物图像瑕疵分类功能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是一种织物图像瑕疵分类方法的流程图；
图2是待检测的织物破洞类瑕疵图像；
图3是待检测的织物合格图像；
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
参照图1，本实施例提供了一种织物图像瑕疵分类方法，包括步骤：
S1、将待检测织物图像切割成M×M像素，并将待检测织物图像转化为灰度图像；
S2、对步骤S1中得到的灰度图像通过灰度共生矩阵和梯度方向直方图融合的方法进行特征提取以得到数据集；
S3、对步骤S2中特征提取后得到的数据集采用线性判别分析的方法进行特征选取以生成新的数据集；
S4、将步骤S3中得到的新的数据集输入支持向量机进行测试，以得到待检测织物图像的分类结果。
上述灰度共生矩阵即GLCM、梯度方向直方图即HOG、线性判别分析即LDA，支持向量机即SVM分类器。
具体的：
步骤S1中将待检测织物图像切割成64×64像素，待检测织物图像，包含合格织物图像和瑕疵织物图像，瑕疵类型为破洞，破洞类瑕疵图像可参照图2所示，织物合格图像可参照图3所示。
步骤S2中具体包括：
S2.1、通过灰度共生矩阵对所述灰度图像进行特征提取；
S2.2、通过梯度方向直方图对所述灰度图像进行特征提取；
S2.3、将步骤S2.1以及步骤S2.2中提取得到的特征向量进行串联，生成织物图像的特征样本数据集。
步骤S2.1中通过灰度共生矩阵进行特征提取具体包括以下步骤：
S2.1.1、把灰度图像标记为I,灰度值为L，从灰度图像中灰度为i的点(k，g)处的像素出发，统计与其距离为d＝(m-k，n-g)的点(m，n)且灰度为j的像素同时出现的概率P(i，j，d，θ)，P(i，j，d，θ)的计算公式采用：
P(i,j,d,θ)＝{[(k,g),(m,n)|f(k,g)＝i,f(m,n)＝j]}，
其中i，j＝1，2,...,L；k,g＝1,2,...,64；m，n＝1，2,...,64；d为生成灰度共生矩阵的步长，m-k、n-g为位置偏移量，θ表示考虑的方向角度；
S2.1.2、计算该灰度共生矩阵四个方向角度的对比度、相关性、能量和逆差距的特征值，即可形成4×4的特征向量；
S2.1.3、对步骤S2.1.2中得到的特征值进行均值和方差的计算，得到四个均值和四个标准差，即1×8的特征向量；
S2.1.4、考虑不同的距离d，提取并计算灰度共生矩阵特征值。
本实施例中步骤S2.1.2中四个方向角度分别为0度、45度、145度和180度；步骤S2.1.4中为考虑10个不同的距离d，在前述步骤的基础上进一步考虑10个不同的距离d即可得到维度为1×80＝80的特征向量，由此便可获取通过灰度共生矩阵进行特征提取得到的特征描述。
另外，步骤S2.1.2中，
所述对比度计算公式为：
Figure BDA0002816491780000081
对比度(Contrast)，体现矩阵的值的分布，反映了图像的清晰度和纹理强弱。值越大则代表纹理效果越明显。
所述相关性计算公式为：
Figure BDA0002816491780000082
其中，
Figure BDA0002816491780000083
Figure BDA0002816491780000091
相关性(Correlation)，体现灰度共生矩阵在行或列方向上的相似程度，纹理指向方向相关性大的方向。
所述能量的计算公式为：
Figure BDA0002816491780000092
能量(Energy)，是灰度共生矩阵各元素的平方和，主要反映纹理粗细程度和灰度分布均匀程度，值越大，纹理越粗。
所述逆差距的计算公式为：
Figure BDA0002816491780000093
逆差距(Homogemeity)，度量织物图像灰度均衡性。
步骤S2.2中梯度方向直方图进行特征提取具体包括以下步骤：
S2.2.1、对灰度图像通过gamma校正算法进行校正，得到样本图像；
S2.2.2、对样本图像计算其横纵坐标方向的梯度值，并计算每个像素位置的梯度方向值，捕获轮廓信息；
S2.2.3、把样本图像分割成若干个像素的单元，把梯度方向平均划分为9个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行加权投影得到该单元的梯度方向直方图，通过步骤S2.2.2计算得到的梯度值大小作为投影的权值，得到一个9维的特征向量，每相邻的4个单元构成一个块，把一个块内的特征向量串联起来得到36维的特征向量；
S2.2.4、用块对样本图像进行扫描，扫描步长为一个单元，并将所有块的特征结合成最终的特征向量供分类所用。
图像尺寸是64×64，每个单元是8×8，每个块包括2×2个单元，即为16×16，步长为1，共有7×7＝49个块，因此最终得到的特征向量的维度是：49×(2×2×9)＝1764，这是通过梯度方向直方图进行特征提取得到的特征描述。
另外，步骤S2.2.1中进行校正的公式为：I(x,y)＝I(x,y)gamma，其中gamma为校正算法，(x,y)表示样本图像中的像素点；
步骤S2.2.2中样本图像中像素点(x,y)的水平方向的梯度为Gx(x,y)＝H(x+1,y)-H(x-1,y)，垂直方向的梯度为Gy(x,y)＝H(x,y+1)-H(x,y-1)，H(x,y)为像素点(x,y)的像素值，梯度方向值的计算公式为：
Figure BDA0002816491780000101
步骤S3具体包括以下步骤：
S3.1、计算步骤S2生成的数据集中不同类别数据的d维均值向量；
S3.2、计算类间散射矩阵和类内散射矩阵；
具体实施中，将经过步骤S2生成的带标签的样本数据集，载入线性判别分析模型中，主要思想是通过Fisher准则求得最佳投影向量，然后原始数据集经过投影向量，使得不同类别之间的距离最大，同一类别间的距离最小。
Fisher准则公式为：
Figure BDA0002816491780000102
其中Sb为类间散射矩阵，Sw为类内散射矩阵，V为所求的投影向量，T表示转置，Aims*是线性判别分析最大化目标，即Sw与Sb的“广义瑞利商”。
步骤S2生成样本总数为N的数据集X，类别总数为C，Ua为第a类样本数据集均值，u为总的样本均值，Na为第a类样本的个数，Xab为第a类样本中的第b个样本。
同时定义类内散射矩阵和类间散射矩阵分别为：
Figure BDA0002816491780000111
Figure BDA0002816491780000112
S3.3、计算散射矩阵的特征向量和对应的特征值；
具体实施中，将Fisher准则公式进行如下变换，s.t.||VTSwV||＝1，利用拉格朗日乘子法，d(V)对V求偏导：
d(V)＝VTSbV+Λ(1-VTSwV)，
SbV＝SwVΛ；
通过上述计算公式得到散射矩阵的特征向量V和对应的特征值Λ。
S3.4、将特征向量按特征值大小降序排列，然后选取前k个最大特征值对应的特征向量，组建一个d×k维特征向量矩阵H；
S3.5、用该d×k维特征向量矩阵H将数据集样本变换到新的子空间，以生成新的数据集。
步骤S2中生成的数据集X为N×d维矩阵，Y为变换到子空间后的N×k维样本，即Y＝X×H。
步骤S4具体包括以下步骤：
S4.1、选择径向基函数作为核函数，支持向量机待优化的参数包括惩罚系数c和径向基函数自带的一个参数gamma；
径向基函数的公式为：
Figure BDA0002816491780000121
其中，x为空间中的任一点，z为核函数的中心，σ为函数的宽度参数。
σ和gamma的关系为：
Figure BDA0002816491780000122
S4.2、用交叉验证得到最优参数c和gamma，用训练样本对支持向量机进行训练，得到训练完成的支持向量机；
S4.3、将新的数据集输入训练完成的支持向量机中进行测试，以得到待检测织物图像的分类结果，并得到分类结果的正确率。
本实施例用特征融合方法充分利用了不同特征图中的信息，并利用线性判别分析方法将样本变换到新的子空间，提高了对不同织物纹理的适应性，增强了织物特征选取的有效性，能实现有效准确的织物图像瑕疵分类功能。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

Claims (10)

1.一种织物图像瑕疵分类方法，其特征在于，包括步骤：
S1、将待检测织物图像切割成M×M像素，并将待检测织物图像转化为灰度图像；
S2、对步骤S1中得到的灰度图像通过灰度共生矩阵和梯度方向直方图融合的方法进行特征提取以得到数据集；
S3、对步骤S2中特征提取后得到的数据集采用线性判别分析的方法进行特征选取以生成新的数据集；
S4、将步骤S3中得到的新的数据集输入支持向量机进行测试，以得到待检测织物图像的分类结果。
2.根据权利要求1所述的一种织物图像瑕疵分类方法，其特征在于，步骤S1中将待检测织物图像切割成64×64像素。
3.根据权利要求2所述的一种织物图像瑕疵分类方法，其特征在于，步骤S2中具体包括：
S2.1、通过灰度共生矩阵对所述灰度图像进行特征提取；
S2.2、通过梯度方向直方图对所述灰度图像进行特征提取；
S2.3、将步骤S2.1以及步骤S2.2中提取得到的特征向量进行串联，生成织物图像的特征样本数据集。
4.根据权利要求3所述的一种织物图像瑕疵分类方法，其特征在于，步骤S2.1中通过灰度共生矩阵进行特征提取具体包括以下步骤：
S2.1.1、把灰度图像标记为I,灰度值为L，从灰度图像中灰度为i的点(k，g)处的像素出发，统计与其距离为d＝(m-k，n-g)的点(m，n)且灰度为j的像素同时出现的概率P(i，j，d，θ)，P(i，j，d，θ)的计算公式采用：
P(i,j,d,θ)＝{[(k,g),(m,n)|f(k,g)＝i,f(m,n)＝j]}，
其中i，j＝1，2,...,L；k,g＝1,2,...,64；m，n＝1，2,...,64；d为生成灰度共生矩阵的步长，m-k、n-g为位置偏移量，θ表示考虑的方向角度；
S2.1.2、计算该灰度共生矩阵四个方向角度的对比度、相关性、能量和逆差距的特征值；
S2.1.3、对步骤S2.1.2中得到的特征值进行均值和方差的计算，得到四个均值和四个标准差，
S2.1.4、考虑不同的距离d，提取并计算灰度共生矩阵特征值。
5.根据权利要求4所述的一种织物图像瑕疵分类方法，其特征在于，步骤S2.1.2中，
所述对比度计算公式为：
Figure FDA0002816491770000021
所述相关性计算公式为：
Figure FDA0002816491770000022
其中，
Figure FDA0002816491770000023
Figure FDA0002816491770000024
所述能量的计算公式为：
Figure FDA0002816491770000025
所述逆差距的计算公式为：
Figure FDA0002816491770000031
6.根据权利要求4所述的一种织物图像瑕疵分类方法，其特征在于，步骤S2.1.2中四个方向角度分别为0度、45度、145度和180度；步骤S2.1.4中为考虑10个不同的距离d。
7.根据权利要求3所述的一种织物图像瑕疵分类方法，其特征在于，步骤S2.2中梯度方向直方图进行特征提取具体包括以下步骤：
S2.2.1、对灰度图像通过gamma校正算法进行校正，得到样本图像；
S2.2.2、对样本图像计算其横纵坐标方向的梯度值，并计算每个像素位置的梯度方向值，捕获轮廓信息；
S2.2.3、把样本图像分割成若干个像素的单元，把梯度方向平均划分为9个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行加权投影得到该单元的梯度方向直方图，通过步骤S2.2.2计算得到的梯度值大小作为投影的权值，得到一个9维的特征向量，每相邻的4个单元构成一个块，把一个块内的特征向量串联起来得到36维的特征向量；
S2.2.4、用块对样本图像进行扫描，扫描步长为一个单元，并将所有块的特征结合成最终的特征向量供分类所用。
8.根据权利要求7所述的一种织物图像瑕疵分类方法，其特征在于，步骤S2.2.1中进行校正的公式为：I(x,y)＝I(x,y)gamma，其中gamma为校正算法，(x,y)表示样本图像中的像素点；
步骤S2.2.2中样本图像中像素点(x,y)的水平方向的梯度为Gx(x,y)＝H(x+1,y)-H(x-1,y)，垂直方向的梯度为Gy(x,y)＝H(x,y+1)-H(x,y-1)，H(x,y)为像素点(x,y)的像素值，梯度方向值的计算公式为：
Figure FDA0002816491770000041
9.根据权利要求3所述的一种织物图像瑕疵分类方法，其特征在于，步骤S3具体包括以下步骤：
S3.1、计算步骤S2生成的数据集中不同类别数据的d维均值向量；
S3.2、计算类间散射矩阵和类内散射矩阵；
S3.3、计算散射矩阵的特征向量和对应的特征值；
S3.4、将特征向量按特征值大小降序排列，然后选取前k个最大特征值对应的特征向量，组建一个d×k维特征向量矩阵；
S3.5、用该d×k维特征向量矩阵将数据集样本变换到新的子空间，以生成新的数据集。
10.根据权利要求9所述的一种织物图像瑕疵分类方法，其特征在于，步骤S4具体包括以下步骤：
S4.1、选择径向基函数作为核函数，支持向量机待优化的参数包括惩罚系数c和径向基函数自带的一个参数gamma；
S4.2、用交叉验证得到最优参数c和gamma，用训练样本对支持向量机进行训练，得到训练完成的支持向量机；
S4.3、将新的数据集输入训练完成的支持向量机中进行测试，以得到待检测织物图像的分类结果，并得到分类结果的正确率。
CN202011399329.1A 2020-12-03 2020-12-03 一种织物图像瑕疵分类方法 Pending CN112488211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011399329.1A CN112488211A (zh) 2020-12-03 2020-12-03 一种织物图像瑕疵分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011399329.1A CN112488211A (zh) 2020-12-03 2020-12-03 一种织物图像瑕疵分类方法

Publications (1)

Publication Number Publication Date
CN112488211A true CN112488211A (zh) 2021-03-12

Family

ID=74938156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011399329.1A Pending CN112488211A (zh) 2020-12-03 2020-12-03 一种织物图像瑕疵分类方法

Country Status (1)

Country Link
CN (1) CN112488211A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529549A (zh) * 2022-04-25 2022-05-24 南通东德纺织科技有限公司 一种基于机器视觉的布匹缺陷标注方法及系统
CN114596269A (zh) * 2022-03-01 2022-06-07 常州市新创智能科技有限公司 一种玻纤布面经纱少丝缠丝的检测方法及装置
CN114842027A (zh) * 2022-04-24 2022-08-02 南通真馨家纺有限公司 基于灰度共生矩阵的织物疵点分割方法和系统
CN114998290A (zh) * 2022-06-20 2022-09-02 佛山技研智联科技有限公司 基于有监督模式的织物瑕疵检测方法、装置、设备及介质
CN115240013A (zh) * 2022-09-20 2022-10-25 惠民县黄河先进技术研究院 基于图像数据分析的织物肌理自动分类方法及系统
CN116934749A (zh) * 2023-09-15 2023-10-24 山东虹纬纺织有限公司 基于图像特征的纺织物瑕疵快速检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049985A1 (en) * 2003-08-28 2005-03-03 Mangasarian Olvi L. Input feature and kernel selection for support vector machine classification
CN103424404A (zh) * 2013-08-01 2013-12-04 谢绍鹏 物品的品质检测方法与系统
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
US9230193B1 (en) * 2015-05-11 2016-01-05 StradVision, Inc. Method for increasing object detection rate or object recognition rate and classifier using locally decorrelated channel feature (LDCF)
US9324145B1 (en) * 2013-08-08 2016-04-26 Given Imaging Ltd. System and method for detection of transitions in an image stream of the gastrointestinal tract
US20170091528A1 (en) * 2014-03-17 2017-03-30 Carnegie Mellon University Methods and Systems for Disease Classification
CN109697465A (zh) * 2018-12-18 2019-04-30 辽宁工程技术大学 基于小波核局部Fisher判别分析的高光谱影像分类方法
CN109711378A (zh) * 2019-01-02 2019-05-03 河北工业大学 人脸表情自动识别方法
CN111428748A (zh) * 2020-02-20 2020-07-17 重庆大学 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111553370A (zh) * 2020-01-10 2020-08-18 长江大学 一种基于混沌智能图像识别的弱信号检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049985A1 (en) * 2003-08-28 2005-03-03 Mangasarian Olvi L. Input feature and kernel selection for support vector machine classification
CN103424404A (zh) * 2013-08-01 2013-12-04 谢绍鹏 物品的品质检测方法与系统
US9324145B1 (en) * 2013-08-08 2016-04-26 Given Imaging Ltd. System and method for detection of transitions in an image stream of the gastrointestinal tract
US20170091528A1 (en) * 2014-03-17 2017-03-30 Carnegie Mellon University Methods and Systems for Disease Classification
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
US9230193B1 (en) * 2015-05-11 2016-01-05 StradVision, Inc. Method for increasing object detection rate or object recognition rate and classifier using locally decorrelated channel feature (LDCF)
CN109697465A (zh) * 2018-12-18 2019-04-30 辽宁工程技术大学 基于小波核局部Fisher判别分析的高光谱影像分类方法
CN109711378A (zh) * 2019-01-02 2019-05-03 河北工业大学 人脸表情自动识别方法
CN111553370A (zh) * 2020-01-10 2020-08-18 长江大学 一种基于混沌智能图像识别的弱信号检测方法及装置
CN111428748A (zh) * 2020-02-20 2020-07-17 重庆大学 一种基于hog特征和svm的红外图像绝缘子识别检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张红兵;李海林;黄晓婷;马守磊;: "基于车前脸HOG特征的车型识别方法研究与实现", 计算机仿真, no. 12 *
李爽;: "基于多特征融合和深度学习的图像分类算法", 河南科技学院学报(自然科学版), no. 04 *
林佳等: "基于机器视觉的裸片表面缺陷在线检测研究", 《电子工业专用设备》, vol. 47, no. 2, pages 341 - 343 *
谢文涌;柴琴琴;甘勇辉;陈舒迪;张勋;王武;: "基于多特征提取和Stacking集成学习的金线莲品系分类", 农业工程学报, no. 14 *
赵若晴;王慧琴;王可;王展;刘文腾;: "基于方向梯度直方图和灰度共生矩阵混合特征的金文图像识别", 激光与光电子学进展, no. 12 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596269A (zh) * 2022-03-01 2022-06-07 常州市新创智能科技有限公司 一种玻纤布面经纱少丝缠丝的检测方法及装置
CN114596269B (zh) * 2022-03-01 2022-07-29 常州市新创智能科技有限公司 一种玻纤布面经纱少丝缠丝的检测方法及装置
CN114842027A (zh) * 2022-04-24 2022-08-02 南通真馨家纺有限公司 基于灰度共生矩阵的织物疵点分割方法和系统
CN114529549A (zh) * 2022-04-25 2022-05-24 南通东德纺织科技有限公司 一种基于机器视觉的布匹缺陷标注方法及系统
CN114998290A (zh) * 2022-06-20 2022-09-02 佛山技研智联科技有限公司 基于有监督模式的织物瑕疵检测方法、装置、设备及介质
CN115240013A (zh) * 2022-09-20 2022-10-25 惠民县黄河先进技术研究院 基于图像数据分析的织物肌理自动分类方法及系统
CN116934749A (zh) * 2023-09-15 2023-10-24 山东虹纬纺织有限公司 基于图像特征的纺织物瑕疵快速检测方法
CN116934749B (zh) * 2023-09-15 2023-12-19 山东虹纬纺织有限公司 基于图像特征的纺织物瑕疵快速检测方法

Similar Documents

Publication Publication Date Title
CN112488211A (zh) 一种织物图像瑕疵分类方法
Babu et al. Statistical features based optimized technique for copy move forgery detection
Li et al. Automatic pavement crack detection by multi-scale image fusion
CN108765412B (zh) 一种带钢表面缺陷分类方法
Gao et al. Automatic change detection in synthetic aperture radar images based on PCANet
CN108319964B (zh) 一种基于混合特征和流形学习的火灾图像识别方法
Maas et al. Using pattern recognition to automatically localize reflection hyperbolas in data from ground penetrating radar
CN103544499B (zh) 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
CN112330538B (zh) 一种基于特征点优化提取的损伤温度重构图像拼接方法
CN104464079A (zh) 基于模板特征点及其拓扑结构的多币种面值识别方法
CN101140216A (zh) 基于数字图像处理技术的气液两相流流型识别方法
CN107316053A (zh) 一种布料图像快速匹配检索方法
CN108133186A (zh) 一种基于深度学习的植物叶片识别方法
CN108682007A (zh) 基于深度随机森林的jpeg图像重采样自动检测方法
Zeng et al. Fast human detection using mi-sVM and a cascade of HOG-LBP features
CN103514445A (zh) 基于多流形学习的带钢表面缺陷识别方法
Tao et al. Illumination-insensitive image representation via synergistic weighted center-surround receptive field model and weber law
Shi et al. Smoke detection based on dark channel and convolutional neural networks
Tao et al. Combining SURF with MSER for image matching
CN111062338B (zh) 一种证照人像一致性比对方法及其系统
CN113887600A (zh) 一种基于改进的lda-gsvd织物图像瑕疵分类方法及系统
Huang et al. Skew correction of handwritten Chinese character based on ResNet
CN107679528A (zh) 一种基于AdaBoost‑SVM集成学习算法的行人检测方法
Isnanto et al. Determination of the optimal threshold value and number of keypoints in scale invariant feature transform-based copy-move forgery detection
Wang et al. Wood surface quality detection and classification using gray level and texture features

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