CN112580667A - 一种纺织图像的特征提取方法 - Google Patents

Abstract

本发明公开一种纺织图像的特征提取方法，包括步骤：S1、将待提取特征的织物图像切分成M×M像素，并将织物图像转化为灰度图像；S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化，得到织物图像的字典矩阵D；S3、令步骤S2中得到的字典矩阵D＝Φ，并同灰度化织物图像共同构成稀疏表示模型y＝Φx+ξ，其中，y为灰度化织物图像，ξ为观测噪声，设置控制x更新的超参数α和控制ξ更新的超参数β，并根据稀疏贝叶斯学习稀疏表示模型进行求解，求得x的表达式，并更新超参数α、β以对x进行更新，最终得到织物图像的稀疏特征x。本发明充分提取了织物图像的深层特征结构，并使得特征矩阵保持稀疏性，有效的提取了纺织图像瑕疵特征的同时减少数据冗余。

Description

一种纺织图像的特征提取方法

技术领域

本发明属于图像特征提取领域，具体涉及一种纺织图像的特征提取方法。

背景技术

由于近几年机器视觉技术的快速发展，机器学习技术作为其重要组成部分，被广泛应用于生产加工中。纺织产品作为重要的工业产品，其瑕疵检测一直是工业人工智能的热门课题。稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)是一种基于统计概率学的优化算法，其算法性能相当于加权L1范数的稀疏表示方法。其核心思想是通过将未知待估计的参数视为符合某种先验分布的随机变量，根据已知参量确定其先验分布；再运用贝叶斯规则得到后验概率分布；最后结合先验概率和后验概率对未知参数进行推断。因此，该算法在求解稀疏表示模型方面表现良好，但由于求解稀疏表示模型时，都假定感知矩阵和混叠噪声已知，进而针对图像特征的提取受限。基于互相干准则的字典优化算法是一种经典的字典训练算法，依据互相干系数最小原则，对字典的列向量进行非相关学习，经过不断的迭代从而得到优化的解，在图像降噪、特征提取等任务中表现良好。纺织图像瑕疵特征的提取是一个具有挑战性的项目，由于织物的高低频信息区分不够明显，模糊特征难以分离，从而导致不同织物瑕疵之间的识别度和区分度不高，判别系统不完善。其次，由于特征提取数据相对冗余导致判别系统需提高算力，从而导致设备成本的提高。因此，需要一种针对模糊特征分离和求取稀疏特征的机器学习算法。

发明内容

本发明的目的是针对纺织瑕疵图像的特点，以提高模糊特征分离度和降低特征数据冗余度，提供了一种纺织图像的特征提取方法。

为了实现以上目的，本发明采用以下技术方案：

一种纺织图像的特征提取方法，包括步骤：

S1、将待提取特征的织物图像切分成M×M像素，并将织物图像转化为灰度图像；

S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化，得到织物图像的字典矩阵D；

S3、令步骤S2中得到的字典矩阵D＝Φ，并同灰度化织物图像共同构成稀疏表示模型y＝Φx+ξ，其中，y为灰度化织物图像，ξ为观测噪声，设置控制x更新的超参数α和控制ξ更新的超参数β，并根据稀疏贝叶斯学习稀疏表示模型进行求解，求得x的表达式，并更新超参数α、β以对x进行更新，最终得到织物图像的稀疏特征x。

作为优选方案，步骤S2中，具体包括以下步骤：

S2.1、初始化N×L维的字典矩阵D₀，随机生成与织物图像同维的测量矩阵ψ，并使其正交化；

S2.2、对字典矩阵D₀的列向量进行模值归一化处理；

S2.3、计算字典矩阵D₀的列向量之间的互相干性u：

其中，d_i，d_j为字典矩阵的列向量，且i≠j；

S2.4、对字典矩阵D₀进行奇异值分解，即：D₀＝USV^T；

其中，U为N阶正交矩阵，S为降序排列的非负对角线元素组成的N×L矩形对角阵，V为L阶正交矩阵；

S2.5、对矩阵S进行优化，使得：S(N+1：end，N+1：end)＝u，以得到优化后的矩阵S′；

S2.6、对字典矩阵D₀进行学习，迭代公式如下：

D’＝U*S’*V^T，

其中D’表示迭代后的字典矩阵；

S2.7、判断迭代次数是否达到预设迭代次数n，若否，则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵，并重复上述步骤S2.3-S2.6，若是，则输出学习后的字典矩阵，即优化后的字典矩阵D。

作为优选方案，步骤S3中，具体包括以下步骤：

S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y；

S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和，建立相应的数学模型并计算，具体过程如下：

y＝Φx+ξ (1)

其中y为N×M维的灰度化织物图像，Φ为步骤S2更新获得的N×L维的字典矩阵D，x为L×M维的稀疏性特征图像，ξ为N×M维的观测噪声，且

即ξ服从期望为0，方差为σ²的正态分布；

令β^-1＝σ²，则y的高斯似然模型表示为：

其中，μ_x为x的期望；

根据稀疏贝叶斯学习的算法思想，假定x服从高斯分布，则对x赋予先验条件概率模型，表示为：

其中，

α是超参数用于控制x的先验方差；

根据贝叶斯公式可得：

S3.3、设置x的收敛标准x_Thresh以及最大迭代次数Max_iter；

S3.4、初始化α和β的值；

S3.5、通过步骤S3.2计算可得x的后验分布为：

μ_x＝β^-1∑_xΦ^T _y (6)

∑_x＝(β^-1Φ^TΦ+A^-1)^-1 (7)

其中μ_x为x的期望，∑_x为x的方差；

S3.6、根据α和β的值，结合S3.5中的(5)、(6)对μ_x，∑_x进行估计计算；

S3.7、利用步骤S3.6得到μ_x和∑_x更新α和β，更新公式如下：

其中αⁿ表示更新前超参数α的值，αⁿ⁺¹表示更新后超参数α的值，βⁿ⁺¹表示更新后超参数β的值，(∑_x)_ii为∑_x第i个对角元素；

S3.8、计算迭代截止条件

并判断e＜x_Thresh是否成立，若成立，则停止迭代，此时的μ_x为最终学习得到的稀疏特征图像x，若不成立，则继续判断迭代次数是否大于Max_iter，若满足则停止迭代，此时的μ_x为最终学习得到的稀疏特征图像x，若两个条件均不成立，则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6-S3.7。

作为优选方案，步骤S2.7中预设迭代次数n＝1000。

作为优选方案，其特征在于，x_Thresh为10^-8。

作为优选方案，Max_iter为2000。

作为优选方案，将待提取特征的织物图像切分成96×96像素。

本发明的有益效果是：充分提取了织物图像的深层特征结构，并使得特征矩阵保持稀疏性，有效的提取了纺织图像瑕疵特征的同时减少数据冗余。

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是一种纺织图像的特征提取方法的流程图；

图2是织物图像伪彩色源图y；

图3是提取的织物图像的优化字典矩阵D；

图4是验证特征提取有效性的恢复图像；

图5是学习的到的织物图像的稀疏性特征矩阵x；

图6是恢复图像的定性分析图。

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纺织图像的特征提取方法，包括步骤：

S1、将待提取特征的织物图像切分成M×M像素，并将织物图像转化为灰度图像；

S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化，得到织物图像的字典矩阵D；

S3、令步骤S2中得到的字典矩阵D＝Φ，并同灰度化织物图像共同构成稀疏表示模型y＝Φx+ξ，其中，y为灰度化织物图像，ξ为观测噪声，设置控制x更新的超参数α和控制ξ更新的超参数β，并根据稀疏贝叶斯学习稀疏表示模型进行求解，求得x的表达式，并更新超参数α、β以对x进行更新，最终得到织物图像的稀疏特征x。

本实施例中将待提取特征的织物图像切分成96×96像素，具体可以参照图2，实验编程环境为matlab。

具体的：

步骤S2中，具体包括以下步骤：

S2.1、初始化N×L维的字典矩阵D₀，随机生成与织物图像同维的测量矩阵ψ，并使其正交化；

S2.2、对字典矩阵D₀的列向量进行模值归一化处理；

S2.3、计算字典矩阵D₀的列向量之间的互相干性u：

其中，d_i，d_j为字典矩阵的列向量，且i≠j；

S2.4、对字典矩阵D₀进行奇异值分解，即：D₀＝USV^T；

其中，U为N阶正交矩阵，S为降序排列的非负对角线元素组成的N×L矩形对角阵，V为L阶正交矩阵；

S2.5、对矩阵S进行优化，使得：S(N+1：end，N+1：end)＝u，以得到优化后的矩阵S′；

S2.6、对字典矩阵D₀进行学习，迭代公式如下：

D’＝U*S’*V^T，

其中D’表示迭代后的字典矩阵；

S2.7、判断迭代次数是否达到预设迭代次数n，若否，则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵，并重复上述步骤S2.3-S2.6，若是，则输出学习后的字典矩阵，即优化后的字典矩阵D，可以参照图3的结果。

本实施例中迭代次数n＝1000。

步骤S3中，具体包括以下步骤：

S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y；

S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和，建立相应的数学模型并计算，具体过程如下：

y＝Φx+ξ (1)

其中y为N×M维的灰度化织物图像，Φ为步骤S2更新获得的N×L维的字典矩阵D，x为L×M维的稀疏性特征图像，ξ为N×M维的观测噪声，且

即ξ服从期望为0，方差为σ²的正态分布；

令β^-1＝σ²，则y的高斯似然模型表示为：

其中，μ_x为x的期望；

根据稀疏贝叶斯学习的算法思想，假定x服从高斯分布，则对x赋予先验条件概率模型，表示为：

其中，

α是超参数用于控制x的先验方差；

根据贝叶斯公式可得：

S3.3、设置x的收敛标准x_Thresh以及最大迭代次数Max_iter；

S3.4、初始化α和β的值；

S3.5、通过步骤S3.2计算可得x的后验分布为：

μ_x＝β^-1∑_xΦ^Ty (6)

∑_x＝(β-¹Φ^TΦ+A^-1)^-1 (7)

其中μ_x为x的期望，∑_x为x的方差；

S3.6、根据α和β的值，结合S3.5中的(5)、(6)对μ_x，∑_x进行估计计算；

S3.7、利用步骤S3.6得到μ_x和∑_x更新α和β，更新公式如下：

其中αⁿ表示更新前超参数α的值，αⁿ⁺¹表示更新后超参数α的值，βⁿ⁺¹表示更新后超参数β的值，(∑_x)_ii为∑_x第i个对角元素；

S3.8、计算迭代截止条件

并判断e＜x_Thresh是否成立，若成立，则停止迭代，此时的μ_x为最终学习得到的稀疏特征图像x，参照图5，若不成立，则继续判断迭代次数是否大于Max_iter，若满足则停止迭代，此时的μ_x为最终学习得到的稀疏特征图像x，若两个条件均不成立，则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6-S3.7。

本实施例中，x_Thresh为10^-8，Max_iter为2000。

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 (7)

1.一种纺织图像的特征提取方法，其特征在于，包括步骤：

S1、将待提取特征的织物图像切分成M×M像素，并将织物图像转化为灰度图像；

S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化，得到织物图像的字典矩阵D；

S3、令步骤S2中得到的字典矩阵D＝Φ，并同灰度化织物图像共同构成稀疏表示模型y＝Φx+ξ，其中，y为灰度化织物图像，ξ为观测噪声，设置控制x更新的超参数α和控制ξ更新的超参数β，并根据稀疏贝叶斯学习稀疏表示模型进行求解，求得x的表达式，并更新超参数α、β以对x进行更新，最终得到织物图像的稀疏特征x。

2.根据权利要求1所述的一种纺织图像的特征提取方法，其特征在于，步骤S2中，具体包括以下步骤：

S2.1、初始化N×L维的字典矩阵D₀，随机生成与织物图像同维的测量矩阵ψ，并使其正交化；

S2.2、对字典矩阵D₀的列向量进行模值归一化处理；

S2.3、计算字典矩阵D₀的列向量之间的互相干性u：

其中，d_i，d_j为字典矩阵的列向量，且i≠j；

S2.4、对字典矩阵D₀进行奇异值分解，即：D₀＝USV^T；

其中，U为N阶正交矩阵，S为降序排列的非负对角线元素组成的N×L矩形对角阵，V为L阶正交矩阵；

S2.5、对矩阵S进行优化，使得：S(N+1：end，N+1：end)＝u，以得到优化后的矩阵S′；

S2.6、对字典矩阵D₀进行学习，迭代公式如下：

D’＝U*S’*V^T，

其中D’表示迭代后的字典矩阵；

S2.7、判断迭代次数是否达到预设迭代次数n，若否，则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵，并重复上述步骤S2.3-S2.6，若是，则输出学习后的字典矩阵，即优化后的字典矩阵D。

3.根据权利要求2所述的一种纺织图像的特征提取方法，其特征在于，步骤S3中，具体包括以下步骤：

S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y；

S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和，建立相应的数学模型并计算，具体过程如下：

y＝Φx+ξ (1)

其中y为N×M维的灰度化织物图像，Φ为步骤S2更新获得的N×L维的字典矩阵D，x为L×M维的稀疏性特征图像，ξ为N×M维的观测噪声，且

即ξ服从期望为0，方差为σ²的正态分布；

令β^-1＝σ²，则y的高斯似然模型表示为：

其中，μ_x为x的期望；

根据稀疏贝叶斯学习的算法思想，假定x服从高斯分布，则对x赋予先验条件概率模型，表示为：

其中，

α是超参数用于控制x的先验方差；

根据贝叶斯公式可得：

S3.3、设置x的收敛标准x_Thresh以及最大迭代次数Max_iter；

S3.4、初始化α和β的值；

S3.5、通过步骤S3.2计算可得x的后验分布为：

μ_x＝β^-1∑_xΦ^Ty (6)

∑_x＝(β^-1Φ^TΦ+A^-1)^-1 (7)

其中μ_x为x的期望，∑_x为x的方差；

S3.6、根据α和β的值，结合S3.5中的(5)、(6)对μ_x，∑_x进行估计计算；

S3.7、利用步骤S3.6得到μ_x和∑_x更新α和β，更新公式如下：

其中αⁿ表示更新前超参数α的值，αⁿ⁺¹表示更新后超参数α的值，βⁿ⁺¹表示更新后超参数β的值，(∑_x)_ii为∑_x第i个对角元素；

S3.8、计算迭代截止条件

并判断e＜x_Thresh是否成立，若成立，则停止迭代，此时的μ_x为最终学习得到的稀疏特征图像x，若不成立，则继续判断迭代次数是否大于Max_iter，若满足则停止迭代，此时的μ_x为最终学习得到的稀疏特征图像x，若两个条件均不成立，则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6-S3.7。

4.根据权利要求2所述的一种纺织图像的特征提取方法，其特征在于，步骤S2.7中预设迭代次数n＝1000。

5.根据权利要求3述的一种纺织图像的特征提取方法，其特征在于，x_Thresh为10^-8。

6.根据权利要求3述的一种纺织图像的特征提取方法，其特征在于，Max_iter为2000。

7.根据权利要求1所述的一种纺织图像的特征提取方法，其特征在于，将待提取特征的织物图像切分成96×96像素。

Images