CN113793319B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113793319B
CN113793319B CN202111070376.6A CN202111070376A CN113793319B CN 113793319 B CN113793319 B CN 113793319B CN 202111070376 A CN202111070376 A CN 202111070376A CN 113793319 B CN113793319 B CN 113793319B
Authority
CN
China
Prior art keywords
dictionary
learning
sparse
samples
sample
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
CN202111070376.6A
Other languages
English (en)
Other versions
CN113793319A (zh
Inventor
吕文涛
王顺政
王成群
徐伟强
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 Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
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 Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN202111070376.6A priority Critical patent/CN113793319B/zh
Publication of CN113793319A publication Critical patent/CN113793319A/zh
Application granted granted Critical
Publication of CN113793319B publication Critical patent/CN113793319B/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
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开一种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，方法包括：S1、随机将正常和瑕疵两个织物数据集样本分为训练集样本、测试集样本；S2、对样本进行特征提取，输入正常训练样本与瑕疵训练样本Y,初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；S3、初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；S4、利用得到的训练集样本的学习字典和稀疏表示矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典D*,S5、根据学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差，构造分类统计量进行分类。

Description

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
技术领域
本发明属于图像分类技术领域，具体涉及一种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。
背景技术
基于稀疏表示的分类的字典学习一直是机器学习和模式识别领域内的热门课题。判别字典学习(DDL)是稀疏表示和字典学习理论的一个研究分支，主要目的是通过重构训练样本得到样本的表示字典，并通过构造不同的约束项模型来增强字典的判别性能。其中，面向特征的面向字典的字典学习(DFDL)方法主要强调的是抑制类内差异和类间模糊，并在组织病理图像分类得到了应用实验。但纺织图像瑕疵分类在图像分类任务中是一个具有挑战性的任务，由于织物图像与组织图像有明显差异，对于特征提取的工作要求高，且相同类别的织物中纹路与材料结构变化较大，非同类的织物中特征也存在一定的相似性，因此可能会导致织物类与类的特征之间的距离大于同类织物里的特征之间的距离。即正常织物字典与瑕疵织物字典可能较为相似，使得正常样本与瑕疵样本的判别性低，分类性能有待提高由于织物疵点的特征区分不够明显，不同瑕疵之间的区分判别不是很完善，分类性能有待提高。因此，亟需研发一种基于类别约束字典学习模型的织物图像瑕疵检测技术方案。
发明内容
本发明的目的是针对纺织瑕疵图像的特点以及目前字典学习分类方法存在的问题，重新构建稀疏表示模型，在抑制类内差异和类间模糊基础上结合对稀疏系数进行线性判别约束，使得不同类的稀疏系数具有较好的鉴别能力，获得具有特定判别特征的字典，提出一种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。
为了实现以上目的，本发明采用以下技术方案：
一种基于类别约束字典学习模型的织物图像瑕疵检测方法，包括如下步骤：
S1、随机将正常和瑕疵两个织物数据集样本中的各m张图片作为训练集样本，数据集样本中的其余图片作为测试集样本；
S2、读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y,初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；
S3、初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；
S4、利用得到的训练集样本的学习字典和稀疏表示矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典D*,
S5、根据学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差,构造分类统计量进行分类。
作为优选方案，步骤S2中，每张图像提取250个图块,块的尺寸为20像素×20像素,则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本,则Y,字典D,/>
作为优选方案，步骤S3中，随机生成训练集样本字典学习中的学习字典D,和稀疏系数S,/>并对他们进行初始化，初始化结果为：
式中：λ为尺度因子；N为第i类样本特征个数；互补样本特征个数；||S||1为稀疏系数的控制稀疏项；/>为互补样本的稀疏系数的控制稀疏项；/>为第i类样本的稀疏系数；/>为第i类互补样本的稀疏系数；|| ||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；ρ为正则化参数；ε、β为了权衡类别内差异和类别间差异；σ为常量为了权衡/>和等式的关系。
作为优选方案，步骤S4中判别字典学习具体包括以下步骤：
S4.1、稀疏编码
固定学习字典D,解决稀疏编码迭代问题(1)，代入Si *迭代更新稀疏系数S,/>
最优解为
式中：μS表示第i类稀疏系数的类中心；λ，ρ，λ2为正则化参数；
S4.2、字典更新
固定稀疏系数S,解决学习字典迭代问题(2)，更新得到学习字典D,/>
通过以下迭代来更新D*直到收敛：
式中：F*(k，k)是矩阵F*坐标(k，k)处的值；表示矩阵F*的第k列；/>是第i类更新字典的第k列；
S4.3、输出学习字典D*,
作为优选方案，步骤S5具体包括：根据得到的学习字典D*,以及测试集样本的特征向量ytest，利用所学习的字典对测试样本进行稀疏表示，可分别求出测试样本在正常字典与瑕疵字典下的稀疏重构误差，构造分类统计量实现组织病理图像的分类。
本发明还公开了一种基于类别约束字典学习模型的织物图像瑕疵检测系统，包括如下模块：
样本分类模块：随机将正常和瑕疵两个织物数据集样本中的各m张图片作为训练集样本，数据集样本中的其余图片作为测试集样本；
参数初始化模块：读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y,初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；
训练集矩阵初始化模块：初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；
学习字典更新模块：利用得到的训练集样本的学习字典和稀疏表示矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典D*,
分类模块：根据学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差,构造分类统计量进行分类。
优选的，参数初始化模块中，每张图像提取250个图块,块的尺寸为20像素×20像素,则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本,则Y,字典D,/>
优选的，训练集矩阵初始化模块中，随机生成训练集样本字典学习中的学习字典D,和稀疏系数S,/>并对他们进行初始化，初始化结果为：
式中：λ为尺度因子；N为第i类样本特征个数；互补样本特征个数；/>表示训练样本在字典D分解得到的稀疏系数；/>表示互补训练样本在字典D分解得到的稀疏系数；||S||1为稀疏系数的控制稀疏项；/>为互补样本的稀疏系数的控制稀疏项；|| ||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；ρ为正则化参数；ε、β为了权衡类别内差异和类别间差异，两项结合使得类别内差异最小，类别间差异最大；σ为常量为了权衡/>和等式的关系。
优选的，学习字典更新模块中判别字典学习具体包括：
稀疏编码子模块：
固定学习字典D,解决稀疏编码迭代问题(1)，代入Si *迭代更新稀疏系数S,/>
最优解为
式中：μS表示第i类稀疏系数的类中心；λ，ρ，λ2为正则化参数；
字典更新子模块：
固定稀疏系数S,解决学习字典迭代问题(2)，更新得到学习字典D,/>
通过以下迭代来更新D*直到收敛：
式中：F*(k，k)是矩阵F*坐标(k，k)处的值；表示矩阵F*的第k列；/>表示第i类更新字典的第k列。
输出学习字典子模块：用于输出学习字典D*,
优选的，分类模块中，根据得到的学习字典D*,以及测试集样本的特征向量ytest，利用所学习的字典对测试样本进行稀疏表示,能够分别求出测试样本在正常字典与瑕疵字典下的稀疏重构误差,构造分类统计量实现组织病理图像的分类。
本发明的有益效果是：本发明充分利用了样本的潜在类间结构，且结合了稀疏系数判别约束，有效地提高了纺织图像识别的准确度。
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是一种基于类别约束字典学习模型的织物图像瑕疵检测方法流程图；
图2是瑕疵织物图像样本；
图3是正常织物图像样本；
图4是一种基于类别约束字典学习模型的织物图像瑕疵检测系统框图。
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。
本发明所采集的图像来自浙江理工大学实验室中自行拍摄提取的织物疵点图像，参见图2、3所示，图像中主要是正常和瑕疵的织物瑕疵图组成并对提取的图像按照下述本发明提供的分类方法进行分类。
实施例1
参照图1，本实施例提供了一种基于类别约束字典学习模型的织物图像瑕疵检测方法，包括如下步骤：
S1、随机将正常和瑕疵两个织物数据集样本中的各40张图片作为训练集样本，数据集样本中的其余110张图片作为测试集样本；
S2、读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y,初始化正常与瑕疵样本个数,稀疏度L1与L2,迭代次数,正则化参数λ，ρ，λ2；
S3、初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；
S4、利用得到的训练集样本的初始化的学习字典和稀疏表示矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典D*,
S5、根据学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差，构造分类统计量S而进行分类。
具体的：
步骤S1中，随机选取数据集样本各40张为训练集样本，剩余110张数为测试集样本；
步骤S2中，每张图像提取250个图块,块的尺寸为20像素×20像素，则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本，则Y,字典D,/>迭代50次，正则化参数λ，λ2和ρ分别设为0.001、0.001和0.001；
步骤S3中，初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；因为希望不同类分解的稀疏系数距离尽可能的远，以此来使字典的判别性得到增强。因此，首先需要定义类内散度矩阵Sw和类间散度矩阵Sb，由文献可知散度矩阵求的是协方差矩阵而F-范数求的是距离，该范数的平方正好是协方差矩阵的迹，所以第i类的类内散度矩阵Sw的迹是同类各个样本到类中心距离的平方和，迹越大说明样本的离散程度距离越远，虽然新的Sw代替协方差矩阵忽略了其结构，但是易于研究，类间散度矩阵Sb也是如此。综上，所以需要：
越小越好，
越大越好。
式中：和μ分别表示Si和S的均值向量即第i类稀疏系数的类中心以及所有稀疏系数的类中心；Ni是第i类样本数量，/>为样本的稀疏系数；
为了方便，以下仅考虑一个类，即使用Y，D，S，N代替Yi，Di，Si，Ni等。基于上面的论点，可以定义新的目标函数：
式中：ρ为正则化参数；ε、β为了权衡Sw、Sb；上述优化问题中的第一项将类别内差异最小化，第二项强调类别间差异，两项中使得Sw最小，Sb最大，为了解决非凸且不稳定的问题，σ为常量为了权衡/>和等式的关系；
步骤S4.1中，稀疏编码中，在实际应用中选择合适的正则化参数λ，λ2和ρ分别设为0.001、0.001和0.001，则目标函数的Hessian矩阵可以是半正定的，因此目标函数对于S是凸的。因此可以将其一阶导数设为零并获得解析解。令函数F(S),
其中第一项求和是字典学习的基本目标函数。这里，对S利用一个简单的2-范数约束
求导并设为零得
2DT(DS-Y)+(2η+2λ1)S+2λ2(S-μS)＝0最优解为代入求解稀疏编码
步骤S4.2中，在固定稀疏编码S更新字典D步骤中，需要优化以下目标函数
由可得到/>将目标函数更新为如下式子/>
式中：λmin是F的最小特征值，矩阵F*＝(F-λmin(F)Ik)是半正定的，其所有特征值都是非负的，所以目标函数是凸的。因此本质上与目标函数(12)相同。
而此类更新字典问题与Online Learning for Matrix Factorization andSparse Coding字典更新问题类似，所以可以通过以下迭代来更新D*直到收敛：
由推出/>
式中：F*(k，k)是矩阵F*坐标(k，k)处的值；表示矩阵F*的第k列。
下表1是一种基于类别约束字典学习模型的织物图像瑕疵检测算法训练过程。
表1
步骤S5中，输出相应的更新后的学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差，构造分类统计量S而进行分类。
为了验证本法分类方法的性能，通过交叉验证来进行评估。实验过程执行十次，每次实验过程都在数据集样本中随机抽取40张数的图像作为训练集。执行十次后，将它们的平均值作为最终检测结果，实验结果如下表2所示，本发明提出的判别字典学习算法都获得最佳检测结果。
表2不同方法的织物疵点图像分类结果对比表
实施例2
一种基于类别约束字典学习模型的织物图像瑕疵检测系统，包括如下模块：
样本分类模块：随机将正常和瑕疵两个织物数据集样本中的各m张图片作为训练集样本，数据集样本中的其余图片作为测试集样本；
参数初始化模块：读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y,初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；
训练集矩阵初始化模块：初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；
学习字典更新模块：利用得到的训练集样本的初始化的学习字典和稀疏表示矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典D*,
分类模块：根据学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差,构造分类统计量进行分类。
本实施例的参数初始化模块中，每张图像提取250个图块,块的尺寸为20像素×20像素,则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本,则Y,字典D,/>
本实施例的训练集矩阵初始化模块中，随机生成训练集样本字典学习中的学习字典D,更新稀疏系数S,/>并对其进行初始化，初始化结果为：
式中：λ为尺度因子；N为第i类样本特征个数；互补样本特征个数；/>表示训练样本在字典D分解得到的稀疏系数；/>表示互补训练样本在字典D分解得到的稀疏系数；||S||1为稀疏系数的控制稀疏项；/>为互补样本的稀疏系数的控制稀疏项；|| ||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；ρ为正则化参数；ε、β为了权衡类别内差异和类别间差异，两项结合使得类别内差异最小，类别间差异最大；σ为常量为了权衡/>和等式的关系。
本实施例的学习字典更新模块中判别字典学习具体包括：
稀疏编码子模块：
固定学习字典D,解决稀疏编码迭代问题(1)，代入Si *更新稀疏系数S,/>
式中：表示训练样本在字典D分解得到的稀疏系数；||S||1为稀疏系数的控制稀疏项；|| ||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；；ε、β为了权衡类别内差异和类别间差异；K为常数；λ1，λ2和η为正则化参数。
第i类稀疏系数Si *的最优解为
式中：μS表示第i类稀疏系数的类中心；λ，ρ，λ2为正则化参数；
字典更新子模块：
固定稀疏系数S,解决学习字典迭代问题(2)，更新得到学习字典D,/>
通过以下迭代来更新D*直到收敛：
式中：F*(k，k)是矩阵F*坐标(k，k)处的值；表示矩阵F*的第k列；/>表示第i类更新字典中第k列。
输出学习字典子模块：用于输出学习字典D*,
本实施例的分类模块中，根据得到的学习字典D*,以及测试集样本的特征向量ytest，利用所学习的字典对测试样本进行稀疏表示,能够分别求出测试样本在正常字典与瑕疵字典下的稀疏重构误差,构造分类统计量实现组织病理图像的分类。
本发明利用抑制类内差异和类间模糊基础上结合对稀疏系数进行线性判别约束，使得不同类的稀疏系数具有较好的鉴别能力，获得具有特定判别特征的字典，从而提升纺织图像识别的准确度。
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 (6)

1.一种基于类别约束字典学习模型的织物图像瑕疵检测方法，其特征在于，包括如下步骤：
S1、随机将正常和瑕疵两个织物数据集样本中的各m张图片作为训练集样本，数据集样本中的其余图片作为测试集样本；
S2、读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y,初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；
S3、初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；
S4、利用得到的训练集样本的初始化的学习字典和稀疏表示矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典D*,
S5、根据学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差,构造分类统计量进行分类；
步骤S2中，每张图像提取250个图块,块的尺寸为20像素×20像素,则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本,则Y,字典D,/>
步骤S3中，随机生成训练集样本字典学习中的学习字典D,和稀疏系数S,/>并对他们进行初始化，初始化结果为：
式中：λ为尺度因子；N为第i类样本特征个数；互补样本特征个数；/>表示训练样本在字典D分解得到的稀疏系数；/>表示互补训练样本在字典D分解得到的稀疏系数；||S||1为稀疏系数的控制稀疏项；/>为互补样本的稀疏系数的控制稀疏项；||||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；ρ为正则化参数；ε、β为了权衡类别内差异和类别间差异，两项结合使得类别内差异最小，类别间差异最大；σ为常量为了权衡/>和等式的关系。
2.根据权利要求1所述的一种基于类别约束字典学习模型的织物图像瑕疵检测方法，其特征在于，步骤S4中判别字典学习具体包括以下步骤：
S4.1、稀疏编码
固定学习字典D,解决稀疏编码迭代问题(1)，代入Si *更新稀疏系数S,/>
最优解为
式中：μS表示第i类稀疏系数的类中心；λ，ρ，λ2为正则化参数；
S4.2、字典更新
固定稀疏系数S,解决学习字典迭代问题(2)，更新得到学习字典D,/>
通过以下迭代来更新D*直到收敛：
式中：F*(k，k)是矩阵F*坐标(k，k)处的值；表示矩阵F*的第k列；/>是第i类更新字典的第k列；
S4.3、输出学习字典D*,
3.根据权利要求2所述的一种基于类别约束字典学习模型的织物图像瑕疵检测方法，其特征在于，步骤S5中，根据得到的学习字典D*,以及测试集样本的特征向量ytest，利用所学习的字典对测试样本进行稀疏表示,能够分别求出测试样本在正常字典与瑕疵字典下的稀疏重构误差,构造分类统计量实现组织病理图像的分类。
4.一种基于类别约束字典学习模型的织物图像瑕疵检测系统，其特征在于，包括如下模块：
样本分类模块：随机将正常和瑕疵两个织物数据集样本中的各m张图片作为训练集样本，数据集样本中的其余图片作为测试集样本；
参数初始化模块：读取正常和瑕疵织物数据集样本，对训练集样本以及测试集样本进行特征提取，输入正常训练样本与瑕疵训练样本Y,初始化正常与瑕疵样本个数、稀疏度L1与L2、迭代次数、正则化参数λ，ρ，λ2；
训练集矩阵初始化模块：初始化训练集样本字典学习中的学习字典D,和稀疏表示矩阵；
学习字典更新模块：利用得到的训练集样本的学习字典和稀疏表示矩阵，进行判别字典学习，以获取更新后的矩阵，并输出相应的更新后的学习字典D*,
分类模块：根据学习字典D*,以及测试集样本的特征向量ytest，基于学习字典计算测试样本的稀疏重构误差,构造分类统计量进行分类；
参数初始化模块中，每张图像提取250个图块,块的尺寸为20像素×20像素,则正常和瑕疵样本分别为10000个图块，将每个图块的RGB三通道串成列向量作为训练样本,则Y,字典D,/>
训练集矩阵初始化模块中，随机生成训练集样本字典学习中的学习字典D,和稀疏系数S,/>并对他们进行初始化，初始化结果为：
式中：λ为尺度因子；N为第i类样本特征个数；互补样本特征个数；/>表示训练样本在字典D分解得到的稀疏系数；/>表示互补训练样本在字典D分解得到的稀疏系数；||S||1为稀疏系数的控制稀疏项；/>为互补样本的稀疏系数的控制稀疏项；||||F表示Frobenius范数；μS和μ分别表示第i类稀疏系数的类中心以及所有稀疏系数的类中心；ρ为正则化参数；ε、β为了权衡类别内差异和类别间差异，两项结合使得类别内差异最小，类别间差异最大；σ为常量为了权衡/>和等式的关系。
5.根据权利要求4所述的一种基于类别约束字典学习模型的织物图像瑕疵检测系统，其特征在于，学习字典更新模块中判别字典学习具体包括：
稀疏编码子模块：
固定学习字典D,解决稀疏编码迭代问题(1)，代入Si *迭代更新稀疏系数S,/>
最优解为
式中：μS表示第i类稀疏系数的类中心；λ，ρ，λ2为正则化参数；
字典更新子模块：
固定稀疏系数S,解决学习字典迭代问题(2)，更新得到学习字典D,/>
通过以下迭代来更新D*直到收敛：
式中：F*(k，k)是矩阵F*坐标(k，k)处的值；表示矩阵F*的第k列；/>是第i类更新字典的第k列；
输出学习字典子模块：用于输出学习字典D*,
6.根据权利要求5所述的一种基于类别约束字典学习模型的织物图像瑕疵检测系统，其特征在于，分类模块中，根据得到的学习字典D*,以及测试集样本的特征向量ytest，利用所学习的字典对测试样本进行稀疏表示,能够分别求出测试样本在正常字典与瑕疵字典下的稀疏重构误差,构造分类统计量实现组织病理图像的分类。
CN202111070376.6A 2021-09-13 2021-09-13 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 Active CN113793319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111070376.6A CN113793319B (zh) 2021-09-13 2021-09-13 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111070376.6A CN113793319B (zh) 2021-09-13 2021-09-13 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

Publications (2)

Publication Number Publication Date
CN113793319A CN113793319A (zh) 2021-12-14
CN113793319B true CN113793319B (zh) 2023-08-25

Family

ID=79183111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111070376.6A Active CN113793319B (zh) 2021-09-13 2021-09-13 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

Country Status (1)

Country Link
CN (1) CN113793319B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612453B (zh) * 2022-03-18 2024-03-26 西北工业大学 基于深度学习和稀疏表示模型的基建表面缺陷检测方法
CN115049619B (zh) * 2022-06-16 2024-04-09 浙江理工大学 一种针对复杂场景的高效瑕疵检测方法
CN117172294B (zh) * 2023-11-02 2024-01-26 烟台大学 一种稀疏脑网络的构建方法、系统、设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845551A (zh) * 2017-01-24 2017-06-13 湘潭大学 一种组织病理图像识别方法
CN111667453A (zh) * 2020-04-21 2020-09-15 浙江工业大学 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法
CN112183660A (zh) * 2020-10-19 2021-01-05 浙江理工大学 一种基于类间模糊抑制的判别字典学习纺织图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845551A (zh) * 2017-01-24 2017-06-13 湘潭大学 一种组织病理图像识别方法
CN111667453A (zh) * 2020-04-21 2020-09-15 浙江工业大学 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法
CN112183660A (zh) * 2020-10-19 2021-01-05 浙江理工大学 一种基于类间模糊抑制的判别字典学习纺织图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于判别子字典学习的图像分类优化方法;赵雅等;《智能计算机与应用》;论文第11-14页 *

Also Published As

Publication number Publication date
CN113793319A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
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
CN105427300B (zh) 一种基于低秩表示和学习字典的高光谱图像异常探测方法
Li et al. Deformable patterned fabric defect detection with fisher criterion-based deep learning
Reale et al. Seeing the forest from the trees: A holistic approach to near-infrared heterogeneous face recognition
Zhang et al. A low-rank and sparse matrix decomposition-based Mahalanobis distance method for hyperspectral anomaly detection
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
Li et al. Defect detection for patterned fabric images based on GHOG and low-rank decomposition
Vu et al. DFDL: Discriminative feature-oriented dictionary learning for histopathological image classification
CN107705306B (zh) 一种基于多特征矩阵低秩分解的织物疵点检测方法
Zhang et al. Wood defect detection method with PCA feature fusion and compressed sensing
CN108734199B (zh) 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
Li et al. Fabric defect detection based on biological vision modeling
Nurhaida et al. Performance comparison analysis features extraction methods for batik recognition
CN108171122A (zh) 基于全卷积网络的高光谱遥感图像的分类方法
Badrinarayanan et al. Understanding symmetries in deep networks
CN109241813B (zh) 基于判别稀疏保持嵌入的非约束人脸图像降维方法
CN107341505B (zh) 一种基于图像显著性与Object Bank的场景分类方法
CN108647690A (zh) 用于非约束人脸识别的判别稀疏保持投影方法
CN112488211A (zh) 一种织物图像瑕疵分类方法
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN106980825A (zh) 一种基于归一化像素差特征的人脸姿势分类方法
Guo et al. Spatial subspace learning for Hyperspectral Data Segmentation
CN109871880A (zh) 基于低秩稀疏矩阵分解、局部几何结构保持和类别信息最大统计相关的特征提取方法
Wang et al. Saliency-based endmember detection for hyperspectral imagery
CN109063555B (zh) 基于低秩分解和稀疏表示残差对比的多姿态人脸识别方法

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