CN115937075A - 一种基于无监督模式的纹理织物瑕疵检测方法及介质 - Google Patents

Abstract

本发明公开了一种基于无监督模式的纹理织物瑕疵检测方法及介质，包括：将输入图像均等分块，得到多个相等尺寸的子图像；将位于子图像边缘的分块作为待选纹理背景区域集合，得到待选纹理背景区域的特征向量集合；去除待选纹理背景区域几何中的离群点，将剩余区域作为纹理背景，计算纹理背景特征描述符；遍历图像所有分块，根据与纹理背景的偏差程度生成分块权重图；将输入图像进行双边滤波，得到多通道中心—环绕机制显著性图；将分块权重图与显著性图融合生成缺陷标记图，完成纹理织物瑕疵检测。本发明在于提高织物瑕疵检测过程中缺陷的检测率，同时，在检测过程中提高织物瑕疵样本库的数量和质量。

Description

一种基于无监督模式的纹理织物瑕疵检测方法及介质

技术领域

本发明涉及机器视觉领域，特别涉及一种基于无监督模式的纹理织物瑕疵检测方法及介质。

背景技术

长期以来，织物瑕疵检测都由人工视觉完成。这种方法具有许多弊端。首先，它的自动化程度极低，人工验布的速度一般在20米/分。其次，人工视觉检测不是一种客观一致的评价方法，它的检测结果受工人疲惫、紧张等主观因素的影响，因而经常会产生误检和漏检。

织物质量控制是织物生产厂商所面临的最重要也是最基本的问题，其对于降低成本，进而在国际市场竞争中取得优势非常重要，采用无监督检测模式能够在不同的应用场景下实现自动纹理织物瑕疵检测，提高产品的最终质量。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于无监督模式的纹理织物瑕疵检测方法及介质，本发明可以提高织物瑕疵检测过程中缺陷的检测率，同时，在检测过程中提高织物瑕疵样本库的数量和质量。

本发明的目的通过以下技术方案实现：

一种基于无监督模式的纹理织物瑕疵检测方法，包括：

将输入图像均等分块，得到多个相等尺寸的子图像；

将位于子图像边缘的分块作为待选纹理背景区域集合，得到待选纹理背景区域的特征向量集合；

去除待选纹理背景区域几何中的离群点，将剩余区域作为纹理背景，计算纹理背景特征描述符；

遍历图像所有分块，根据与纹理背景的偏差程度生成分块权重图；

将输入图像进行双边滤波，得到多通道中心—环绕机制显著性图；

将分块权重图与显著性图融合生成缺陷标记图，完成纹理织物瑕疵检测。

进一步，所述将输入图像均等分块，具体为：

将输入图像按照一定比例的矩形进行无损及无重叠的截取得到多个子图像，然后对多个子图像按照Z字形排序法排序。

进一步，所述位于子图像边缘的分块作为待选纹理背景区域集合还包括如下步骤：

对子图像求取灰度共生矩阵，进一步得到熵及对比度特征，将两个灰度共生矩阵的上述特征组合成二维特征向量，作为该子图像的特征向量。

进一步，所述去除待选纹理背景区域几何中的离群点，将剩余区域作为纹理背景，计算纹理背景特征描述符，具体为：

将两个最值向量点设为初始聚类点，通过k—means无监督聚类方法将提取的二维特征向量分为两类，将样本数较少的特征簇进行去除，将剩余特征簇的向量均值Fmean作为纹理背景描述符。

进一步，所述遍历图像所有分块，根据与纹理背景的偏差程度生成分块权重图，具体为：

根据每个分块的特征向量与纹理背景描述符的欧式距离作为权重值生成分块权重图。

进一步，所述根据每个分块的特征向量与纹理背景描述符的欧式距离作为权重值生成分块权重图，具体为：

设定阈值，若当前遍历子图像的特征向量与描述符Fmean的欧氏距离小于阈值，则将当前分块视为背景区域，在权重图中将此区域的像素值设为0，若欧氏距离大于阈值则将所计算得出的欧氏距离作为该分块的权重值，将权重值映射到分块权重图的像素值中。

进一步，所述将输入图像进行双边滤波，得到多通道中心—环绕机制显著性图，具体为：

将双边滤波后图像的颜色空间从RGB颜色空间转换到CIE-Lab颜色空间，并对L、a、b三个通道分别求取均值，将相应通道的所有像素点的值与均值的欧氏距离映射为显著性图像的对应位置像素值，得到多通道中心-环绕机制显著性图。

进一步，所述阈值根据纹理背景描述符进行计算，计算方式为：

其中，e为自适应阈值，max、min，mean分别为纹理背景描述符中的最大值、最小值和均值。

进一步，所述分块权重图和显著性图按1：1的比例融合。

一种存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行所述的纹理织物瑕疵检测方法。

与现有技术相比，本发明具有以下优点和有益效果：

本发明目的在于提高织物瑕疵检测的性能。对于不同的应用场景的检测以及处理任务，

本发明可以基于无监督模式运行，具有广泛应用性，同时拥有自适应处理能力。

本发明在于提高织物瑕疵检测过程中缺陷的检测率，同时，在检测过程中提高织物瑕疵样本库的数量和质量。

附图说明

图1是本发明所述一种基于无监督模式的纹理织物瑕疵检测方法的流程图；

图2是本发明所述实施例中生成纹理背景描述符流程图；

图3是本发明所述实施例中k—means聚类去除非背景簇流程图；

图4是灰度共生矩阵原理中的两像素点的位置关系图。

具体实施方式

下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

如图1所示，一种基于无监督模式的纹理织物瑕疵检测方法，包括如下步骤：

步骤一求取图像分块权重图，具体为：

将输入图像按一定数目均等分块，输入的图片按照相对输入图像一定比例的矩形进行无损、无重叠的截取，分成一系列大小相等的子图像。

比如：将图像8x8等分成64个小图像，每一个小图像为矩形，然后将多个子图像按照Z字形排序法进行排序。

将位于子图像边缘的分块作为待选纹理背景区域集合，得到待选纹理背景区域的特征向量集合。

具体地：将位于矩形子图像边缘的分块作为待选纹理背景区域集合，对集合内的图像求取灰度共生矩阵的熵(Entropv)和对比度(Contrast)特征，将两个灰度共生矩阵特征组合成二维特征向量F_n＝{Ent，Con}，作为该子图像的特征描述算子，进一步得到待选纹理背景区域的特征向量集合。

如图2所示，序号为1、4、5、8、25、32、33、40、57、59、60及64的矩形块为边缘像素。

所述灰度共生矩阵原理，两像素点的位置关系如图4所示。

一张尺寸为Ly×Lx、位数为八位的灰度图有256阶，那么其对应的灰度共生矩阵大小为256×256。

用有序实数对(m，n)，(m，n＝0，1，2，...，255)表示两点的灰度值，令参考点坐标为(x0，y0)，另一点坐标为(x1，y1)，那么θ＝0°时统计结果N_θ，d(m，n)可以表示为以下公式表示，此发明中采用θ＝0°、d＝1的灰度共生矩阵。

N_0°，d(m，n)＝#{((x₀，y₀)，(x₁，y₁))∈(L_y×L_x)×(L_y×L_x)|

y₀-y₁＝0，|x₀-x₁|＝d，

I(x₀，y₀)＝m，I(x₁，y₁)＝n}

P_θ，d(m，n)可以表示该组合在方向θ与距离d上出现的概率：

N_θ，d(m，n)为有序数对值为(m，n)，(m，n＝0，1，2，...，255)灰度对的出现次数，N为灰度对总数。

则256阶的灰度共生矩阵P_θ，d可表示为：

基于灰度共生矩阵的特征计算：

熵(Entropy)：

对比度(Contrast)：

得到待选纹理背景区域的特征集合F＝{F₁，F₂，F₃，...F_n}。

去除待选纹理背景区域几何中的离群点，将剩余区域作为纹理背景，计算纹理背景特征描述符。

具体地：

如图3所示，去除待选纹理背景区域特征集合中的离群点，并剩余向量对应的图像分块视为纹理背景。将两个最值向量点设为初始聚类点，通过k—means 无监督聚类方法将提取的二维特征向量分为两类，将样本数较少的特征簇进行去除，将剩余特征簇的向量均值F_mean作为纹理背景描述符。

遍历图像所有分块，根据与纹理背景的偏差程度生成分块权重图；

具体地：设定阈值，阈值基于上述所述纹理背景描述符进行计算，计算方式为：

e为自适应阈值，max、min，mean分别为纹理背景描述符中的最大值、最小值和均值。

遍历输入图像所有分块，根据其相应的灰度共生矩阵特征向量F_n与纹理背景描述符Fmean的欧氏距离作为权重值生成分块权重图。若当前遍历子图像的特征向量与描述符Fmean的欧氏距离小于阈值，则将当前分块视为背景区域，在权重图中将此区域的像素值设为0，若欧氏距离大于阈值则将所计算得出的欧氏距离作为该分块的权重值，将权重值映射到分块权重图的像素值中。

步骤二求取多通道显著性图：对输入图像进行双边滤波，根据中心—环绕机制生成显著性图；

将输入图像进行双边滤波去除噪点并保留边缘特征，双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果，进行双边滤波后，图像的纹理背景被抑制，而瑕疵的边缘等信息可以保留。

对双边滤波后的图像求取显著性图，将双边滤波图像的颜色空间从RGB颜色空间转换到CIE-Lab颜色空间，在L、a、b三个通道图像中分别对整幅图像求取均值，将相应通道的所有像素点的值与均值的欧氏距离映射为显著性图像的对应位置像素值。

步骤三将分块权重图与显著性图融合生成缺陷标记图，完成纹理织物瑕疵检测。

具体地：将分块权重图和显著性图融合生成缺陷标记图，通过线性融合的方法将上述生成的分块权重图和显著性图按1：1的比例融合生成具有像素级缺陷描述的缺陷标记图。

本发明实施例还提供了一种计算机可读存储介质，基于实施例1，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行本发明的一些实施例的一种基于无监督模式的纹理织物瑕疵检测方法。本发明实施例的一种计算机可读存储介质，能够提高织物瑕疵检测的性能，适用于不同类型场景检测，此发明可以基于无监督模式运行，具有广泛应用性，同时拥有自适应处理能力。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于无监督模式的纹理织物瑕疵检测方法，其特征在于，包括：

将输入图像均等分块，得到多个相等尺寸的子图像；

将位于子图像边缘的分块作为待选纹理背景区域集合，得到待选纹理背景区域的特征向量集合；

去除待选纹理背景区域几何中的离群点，将剩余区域作为纹理背景，计算纹理背景特征描述符；

遍历图像所有分块，根据与纹理背景的偏差程度生成分块权重图；

将输入图像进行双边滤波，得到多通道中心—环绕机制显著性图；

将分块权重图与显著性图融合生成缺陷标记图，完成纹理织物瑕疵检测。

2.根据权利要求1所述的纹理织物瑕疵检测方法，其特征在于，所述将输入图像均等分块，具体为：

将输入图像按照一定比例的矩形进行无损及无重叠的截取得到多个子图像，然后对多个子图像按照Z字形排序法排序。

3.根据权利要求1所述的纹理织物瑕疵检测方法，其特征在于，所述位于子图像边缘的分块作为待选纹理背景区域集合还包括如下步骤：

对子图像求取灰度共生矩阵，进一步得到熵及对比度特征，将两个灰度共生矩阵的上述特征组合成二维特征向量，作为该子图像的特征向量。

4.根据权利要求1所述的纹理织物瑕疵检测方法，其特征在于，所述去除待选纹理背景区域几何中的离群点，将剩余区域作为纹理背景，计算纹理背景特征描述符，具体为：

将两个最值向量点设为初始聚类点，通过k—means无监督聚类方法将提取的二维特征向量分为两类，将样本数较少的特征簇进行去除，将剩余特征簇的向量均值Fmean作为纹理背景描述符。

5.根据权利要求3所述的纹理织物瑕疵检测方法，其特征在于，所述遍历图像所有分块，根据与纹理背景的偏差程度生成分块权重图，具体为：

根据每个分块的特征向量与纹理背景描述符的欧式距离作为权重值生成分块权重图。

6.根据权利要求5所述的纹理织物瑕疵检测方法，其特征在于，所述根据每个分块的特征向量与纹理背景描述符的欧式距离作为权重值生成分块权重图，具体为：

设定阈值，若当前遍历子图像的特征向量与描述符Fmean的欧氏距离小于阈值，则将当前分块视为背景区域，在权重图中将此区域的像素值设为0，若欧氏距离大于阈值则将所计算得出的欧氏距离作为该分块的权重值，将权重值映射到分块权重图的像素值中。

7.根据权利要求1所述的纹理织物瑕疵检测方法，其特征在于，所述将输入图像进行双边滤波，得到多通道中心—环绕机制显著性图，具体为：

将双边滤波后图像的颜色空间从RGB颜色空间转换到CIE-Lab颜色空间，并对L、a、b三个通道分别求取均值，将相应通道的所有像素点的值与均值的欧氏距离映射为显著性图像的对应位置像素值，得到多通道中心-环绕机制显著性图。

8.根据权利要求6所述的纹理织物瑕疵检测方法，其特征在于，所述阈值根据纹理背景描述符进行计算，计算方式为：

其中，e为自适应阈值，max、min，mean分别为纹理背景描述符中的最大值、最小值和均值。

9.根据权利要求1所述的纹理织物瑕疵检测方法，其特征在于，所述分块权重图和显著性图按1：1的比例融合。

10.一种存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-9任一项所述的纹理织物瑕疵检测方法。

Images