CN116757972A - 一种抗光影噪声影响的织物缺陷检测方法 - Google Patents
一种抗光影噪声影响的织物缺陷检测方法 Download PDFInfo
- Publication number
- CN116757972A CN116757972A CN202311061125.0A CN202311061125A CN116757972A CN 116757972 A CN116757972 A CN 116757972A CN 202311061125 A CN202311061125 A CN 202311061125A CN 116757972 A CN116757972 A CN 116757972A
- Authority
- CN
- China
- Prior art keywords
- distance
- fabric
- gray level
- characteristic value
- coordinate point
- 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.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 173
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000000875 corresponding effect Effects 0.000 claims description 101
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种抗光影噪声影响的织物缺陷检测方法,该方法在获取织物表面灰度图像后,对表征织物表面灰度图像纹理特征的灰度共生矩阵进行分析,根据噪声会影响织物表面纹理特征的特性,获取灰度共生矩阵中所有非零元素中的中心元素;以中心元素为基准根据噪声对所有非零元素的离散程度的影响情况,获取表征噪声大小的距离离散特征值;根据距离离散特征值所设计出的高斯滤波器对织物表面灰度图像进行滤波去噪,得到织物表面灰度去噪图像,最后根据织物表面灰度去噪图像进行缺陷检测。本发明根据图像处理得到的织物表面灰度去噪图像对织物表面进行缺陷检测的准确度更高。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种抗光影噪声影响的织物缺陷检测方法。
背景技术
随着生活水平的提高,人们对于衣物的需求日益提高,随之而来的便是织物产量的飞速增长。在织物生产过程中,需要对织物表面缺陷进行实时检测,以保证织物的质量。但是传统的人工检测方法效率较低且准确度不足。因此现有技术通常采用智能检测的方法实现对织物表面缺陷的自动检测。现有技术通常将织物表面图像输入到训练好的深度学习模型中,输出织物表面图像中的缺陷区域,从而实现织物表面缺陷检测。
考虑到现有技术通过深度学习模型实现织物表面缺陷检测的准确度会受到输入图像的影响,即输入的织物表面图像的质量会影响缺陷检测的准确度。但是由于图像采集环境的限制,所采集到的织物表面图像会不可避免的受到光线等外界环境的影响,导致织物表面图像中存在噪声。由于织物表面纹理的特殊性,现有技术的噪声去除方法会破坏织物表面纹理的规律,导致去噪后的织物表面图像中的有效信息丢失或无法完全去除噪声,也即现有技术对织物表面图像的去噪效果较差,使得对织物表面进行缺陷检测的准确度较低。
发明内容
为了解决现有技术对织物表面图像的去噪效果较差,使得对织物表面进行缺陷检测的准确度较低的技术问题,本发明的目的在于提供一种抗光影噪声影响的织物缺陷检测方法,所采用的技术方案具体如下:
本发明提出了一种抗光影噪声影响的织物缺陷检测方法,所述方法包括:
获取织物表面灰度图像的灰度共生矩阵;
根据灰度共生矩阵中各个非零元素的位置分布特征,筛选出所有非零元素中的中心元素;
根据中心元素与其余各个非零元素之间的距离的分布情况,得到中心元素的织物距离离散特征值;根据以所述织物距离离散特征值为标准差的高斯滤波器对所述织物表面灰度图像进行滤波,得到织物表面灰度去噪图像;
根据所述织物表面灰度去噪图像进行缺陷检测。
进一步地,所述中心元素的获取方法包括:
将所述灰度共生矩阵的列作为横轴,将所述灰度共生矩阵的行作为纵轴,构建织物表面灰度图像对应的参考直角坐标系;将灰度共生矩阵中元素的位置映射到所述参考直角坐标系中,得到每个非零元素对应的参考坐标点;根据参考坐标点的位置分布特征,筛选出所有参考坐标点中的中心坐标点;将中心坐标点在所述灰度共生矩阵中对应的非零元素作为中心元素。
进一步地,所述中心坐标点的获取方法包括:
依次将每个参考坐标点作为目标参考坐标点;将目标参考坐标点外的其他参考坐标点作为对比参考坐标点;将每个对比参考坐标点与目标参考坐标点之间的距离,作为每个对比参考坐标点对应的参考距离;根据参考距离对应的不同数值的出现频率的分布特征与高斯分布特征的相似情况,得到目标参考坐标点对应的高斯分布特征值;将所有参考距离的均值,作为目标参考坐标点对应的集中分布特征值;
根据所述高斯分布特征值和所述集中分布特征值得到目标参考坐标点的中心评价值,所述高斯分布特征值和所述集中分布特征值均与所述中心评价值呈负相关;
根据中心评价值筛选出所有参考坐标点中的中心坐标点。
进一步地,所述高斯分布特征值的获取方法包括:
在所有参考距离中,将对应数值相同的参考距离作为一种参考距离;统计每种参考距离的出现次数;将所有种类的参考距离的出现次数的中值,作为参考中值;将所有种类的参考距离的出现次数的均值,作为参考均值;将所述参考中值与所述参考均值之间的差异,作为目标参考坐标点对应的高斯分布特征值。
进一步地,所述织物距离离散特征值的获取方法包括:
在中心坐标点对应的所有参考距离中,将每种参考距离的出现次数与参考距离总数量之间的比值,作为每种参考距离的频次特征值;将每种参考距离对应的数值的归一化值,作为每种参考距离的距离特征值;
根据所述频次特征值和所述距离特征值,得到每种参考距离的距离频率影响程度,所述频次特征值和所述距离特征值均与所述距离频率影响程度呈正相关;
根据所述距离频率影响程度的数值分布特征得到中心坐标点的织物距离离散特征值。
进一步地,所述距离频率影响程度的获取方法包括:
将所述频次特征值和所述距离特征值的乘积,作为每种参考距离的距离频率影响程度。
进一步地,所述根据所述距离频率影响程度的数值分布特征得到中心坐标点的织物距离离散特征值的方法包括:
将所有距离频率影响程度的标准差,作为中心坐标点的织物距离离散特征值。
进一步地,所述根据所述高斯分布特征值和所述集中分布特征值得到目标参考坐标点的中心评价值的方法包括:
将所述高斯分布特征值的负相关映射值与所述集中分布特征值的负相关映射值的和值,作为目标参考坐标点的中心评价值。
进一步地,所述参考坐标点的获取方法包括:
将每个非零元素在灰度共生矩阵中对应列数的索引值,作为每个非零元素对应的横坐标;将每个非零元素在灰度共生矩阵中对应行数的索引值,作为每个非零元素对应的纵坐标,根据所述横坐标和所述纵坐标得到每个非零元素的参考坐标点。
进一步地,所述参考距离的获取方法包括:
将每个对比参考坐标点与目标参考坐标点之间的欧氏距离,作为每个对比参考坐标点对应的参考距离。
本发明具有如下有益效果:
考虑到织物表面的纹理特征通常存在一定的规律,因此本发明通过获取织物表面灰度图像的灰度共生矩阵提取织物表面的纹理信息,并进一步在灰度共生矩阵的基础上进行分析。根据噪声会对织物表面纹理信息产生影响的特性,对灰度共生矩阵中各个非零元素的位置进行分析,得到最接近织物表面纹理特征的真实纹理的元素,也即中心元素;考虑到噪声的影响程度会影响灰度共生矩阵中元素的位置,因此本发明进一步根据中心元素与其余各个非零元素之间的距离的分布情况,得到中心元素的织物距离离散特征值,从而根据织物距离离散特征值选取合适的高斯滤波器进行去噪,得到去噪后的织物表面灰度去噪图像,也即实现了根据织物表面图像的纹理特征进行自适应去噪,并且尽可能的保留了织物表面灰度图像中的有效信息,即本发明对织物表面图像的去噪效果更好,对织物表面进行缺陷检测的准确度更高。综上所述,本发明根据图像处理得到的去噪效果更优的织物表面灰度去噪图像,进而增强缺陷检测效果,使得对织物表面进行缺陷检测的准确度更高。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种抗光影噪声影响的织物缺陷检测方法流程图;
图2为本发明一个实施例所提供的一种织物表面光影噪声去噪方法流程图;
图3为本发明一个实施例所提供的一种织物表面纹理示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种抗光影噪声影响的织物缺陷检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种抗光影噪声影响的织物缺陷检测方法实施例:
下面结合附图具体的说明本发明所提供的一种抗光影噪声影响的织物缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种抗光影噪声影响的织物缺陷检测方法流程图,该方法包括:
步骤S1:获取织物表面灰度图像的灰度共生矩阵。
本发明旨在提供一种抗光影噪声影响的织物缺陷检测方法,用于对织物表面灰度图像通过图像处理的方法进行分析,通过噪声对织物表面图像纹理特征的影响程度选取合适的高斯滤波器进行滤波,得到去噪后的织物表面灰度图像,进一步地根据去噪后的织物表面灰度图像进行缺陷检测。
因此首先需要获取本发明实施例图像处理的对象,即织物表面图像。在本发明实施例中,通过CCD相机采集织物表面图像,考虑到后续需要基于织物表面图像中的灰度信息进行分析,因此将采集到的织物表面图像进行灰度化,得到对应的织物表面灰度图像。由于本发明实施例需要对织物表面灰度图像的纹理特征进行分析,而灰度共生矩阵能够表征每个图像的纹理特征,因此本发明实施例首先获取织物表面灰度图像的灰度共生矩阵。考虑到织物表面纹理通常具有一定的规律性,因此需要选择合适的灰度共生矩阵进行分析。
请参阅图3,其示出了本发明一个实施例提供的一种织物表面纹理示意图。在对应的织物表面纹理示意图中,像素点的分布呈现亮暗交替的规律,但是织物表面纹理示意图中的亮格和暗格通常不只包含一个像素点,因此为了更好的提取织物表面灰度图像的纹理特征,本发明实施例在构建灰度共生矩阵时,以亮格和暗格交替分布的方向作为灰度共生矩阵的方向,根据亮格和暗格内像素点的数量选取灰度共生矩阵的步矩。在本发明实施例中,由于图3中的纹理表面纹理示意图对应的亮格和暗格交替方向为水平方向和竖直方向,因此将织物表面灰度图像以图3的形式放置后,将对应的灰度共生矩阵的方向设置为0度即水平方向,实施者也可以将灰度共生矩阵的方向设置为90度即竖直方向;并且本发明实施例将步矩设置为5,实施者可根据具体实施环境自行调整步矩的大小,且步矩的大小根据具体实施环境中每个亮格和每个暗格内的像素点数量决定。
进一步地考虑到一般织物表面灰度图像通常有256个灰度级,即对应的灰度值为0-255,而灰度共生矩阵的阶数通常由织物表面灰度图像的灰度级数量决定,若不对织物表面灰度图像的灰度级进行压缩,对应的灰度共生矩阵的阶数会达到256阶,对应的计算量过大,不利于后续分析,因此需要对织物表面灰度图像的灰度级进行压缩,本发明实施例将织物表面灰度图像的灰度级数量压缩至32个,也即本发明实施例中的灰度共生矩阵的阶数为32。需要说明的是,压缩灰度级的方法为本领域技术人员所熟知的现有技术,例如直方图均衡化,在此不做进一步限定和赘述。
步骤S2:根据灰度共生矩阵中各个非零元素的位置分布特征,筛选出所有非零元素中的中心元素。
灰度共生矩阵能够表征织物表面灰度图像的纹理特征,由于本发明实施例中的灰度共生矩阵是根据织物表面灰度图像的纹理呈现亮暗交替的规律构建的,因此正常情况下的对应灰度共生矩阵中的非零元素分布通常较为集中。但是由于噪声的存在,会使得非零元素的分布发生偏移,使得较为聚集的非零元素离散的出现在中心元素的周围,并且噪声的强度会影响非零元素分布的离散程度,因此为了获取中心元素对应的位置,需要在灰度共生矩阵的基础上引入各个非零元素的位置进行分析。本发明实施例根据灰度共生矩阵中各个非零元素的位置分布特征,筛选出所有非零元素中的中心元素。
优选地,中心元素的获取方法包括:
为了能够更好的表征灰度共生矩阵中各个非零元素的位置,本发明实施例将灰度共生矩阵的列作为横轴,将灰度共生矩阵的行作为纵轴,构建织物表面灰度图像对应的参考直角坐标系。需要说明的是,实施者也可根据具体实施环境选择以灰度共生矩阵的列为纵轴,以灰度共生矩阵的行为横轴,在此不做进一步赘述。
由于灰度共生矩阵中每个元素都有对应的行和列,若以灰度共生矩阵的行和列为坐标轴建立坐标系,则每个元素都能在对应的坐标系中对应一个像素点。本发明实施例将灰度共生矩阵中元素的位置映射到参考直角坐标系中,得到每个非零元素对应的参考坐标点。
优选地,参考坐标点的获取方法包括:
将每个非零元素在灰度共生矩阵中对应列数的索引值,作为每个非零元素对应的横坐标;将每个非零元素在灰度共生矩阵中对应行数的索引值,作为每个非零元素对应的纵坐标,根据横坐标和纵坐标得到每个非零元素的参考坐标点。例如,在灰度共生矩阵中第n行第m列的非零元素,由于对应的列数的索引值为m,对应的行数的索引值为n,因此该非零元素对应参考坐标点的坐标为;类似的,对于灰度共生矩阵中第3行第5列的非零元素而言,映射到参考直角坐标系中对应的参考坐标点为/>,对于灰度共生矩阵中第1行第7列的非零元素,映射到参考直角坐标系中对应的参考坐标为/>,在此不做进一步赘述。
由于受到噪声影响,因此所得到的灰度共生矩阵中,对应元素的元素值大小的分布通常并不会存在明显的分布规律,但是非零元素对应的位置会呈现出从一个中心点向外部扩散的趋势,并且在没有噪声影响下,这些散乱分布的非零元素会集中在该中心点处,因此可通过获取中心点来进一步分析噪声强度。由于本发明实施例已经获取了灰度共生矩阵对应的参考坐标系和每个非零元素的参考坐标点,因此进一步只需要获取中心点对应的中心坐标点即可。本发明实施例根据参考坐标点的位置分布特征,筛选出所有参考坐标点中的中心坐标点。
优选地,中心坐标点的获取方法包括:
依次将每个参考坐标点作为目标参考坐标点;将目标参考坐标点外的其他参考坐标点作为对比参考坐标点;将每个对比参考坐标点与目标参考坐标点之间的距离,作为每个对比参考坐标点对应的参考距离。由于无法直接确定中心坐标点的位置,因此需要对每个参考坐标点进行逐个分析。考虑到所有参考坐标点对应的位置会呈现出从中心坐标点向外部扩散的趋势,因此本发明实施例对每个参考坐标点与其他参考坐标点之间的距离进行分析。
优选地,参考距离的获取方法包括:
将每个对比参考坐标点与目标参考坐标点之间的欧氏距离,作为每个对比参考坐标点对应的参考距离。需要说明的是,欧氏距离的计算方法为本领域技术人员所熟知的现有技术,实施者也可根据具体情况,通过其他距离计算方法计算参考距离,在此不做进一步赘述。
考虑到外界环境光对织物表面灰度图像的噪声影响通常表现为高斯噪声,因此除中心坐标点外的其他参考坐标点,对应的非零元素代表的纹理均会附着不同程度的高斯噪声,而高斯噪声在织物表面灰度图像中呈现高斯分布,因此在高斯噪声的影响下,对应参考坐标点的位置会以中心坐标点为中心受到高斯分布的影响,在数值上通常表现每为参考距离对应的数值出现的频率会呈高斯分布。本发明实施例根据参考距离对应的不同数值的出现频率的分布特征与高斯分布特征的相似情况,得到目标参考坐标点对应的高斯分布特征值,并且对应参考距离的数值出现频率的分布特征与高斯分布特征越相似,对应的目标参考坐标点越可能为中心坐标点,也即高斯分布特征值越大,对应目标参考坐标点为中心坐标点的可能性越高。
优选地,高斯分布特征值的获取方法包括:
在所有参考距离中,将对应数值相同的参考距离作为一种参考距离;统计每种参考距离的出现次数;将所有种类的参考距离的出现次数的中值,作为参考中值;将所有种类的参考距离的出现次数的均值,作为参考均值;将参考中值与参考均值之间的差异,作为目标参考坐标点对应的高斯分布特征值。由于服从高斯分布的数据对应的中值和均值相同,因此当所有种类的参考距离出现次数的中值与均值之间的差异越小,说明所有种类的参考距离的出现次数的分布越接近于高斯分布。对于每种参考距离的出现次数:例如所有的参考距离包括1、1、1、2、2、3,则其中存在3种参考距离即1、2和3,其中数值为1的参考距离种类的出现次数为3,对应数值为2的参考距离种类的出现次数为2,对应数值为3的参考距离种类的出现次数为1,在此不做进一步赘述。
将所有参考距离的均值,作为目标参考坐标点对应的集中分布特征值。由于在高斯噪声的影响下,灰度共生矩阵中的非零元素对应的位置会呈现出从一个中心点向外部扩散的趋势,因此中心坐标点相对于其他参考坐标点而言,对应的平均参考距离更小,因此对应参考距离的均值越小时,也即集中分布特征值越小时,对应的目标参考坐标点越可能为中心坐标点。
由于高斯分布特征值越小,集中分布特征值越小时,目标参考坐标点为中心坐标点的可能性越大,因此本发明实施例进一步地将高斯分布特征值和集中分布特征值结合,得到综合表征目标参考坐标点为中心坐标点可能性的中心评价值。根据高斯分布特征值和集中分布特征值得到目标参考坐标点的中心评价值,高斯分布特征值和集中分布特征值均与中心评价值呈负相关。
优选地,根据高斯分布特征值和集中分布特征值得到目标参考坐标点的中心评价值的方法包括:
将高斯分布特征值的负相关映射值与集中分布特征值的负相关映射值的和值,作为目标参考坐标点的中心评价值。
在本发明实施例中,将第个参考坐标点作为目标参考坐标点,则目标参考坐标点的中心评价值的获取方法在公式上表现为:
其中,为目标参考坐标点的中心评价值;/>为目标参考坐标点对应的所有种类的参考距离的出现次数的中值,也即目标参考坐标点对应的参考中值;/>为目标参考坐标点对应的所有种类的参考距离的出现次数的均值,也即目标参考坐标点对应的参考均值;为目标参考坐标点对应的参考距离的数量,也即所有参考坐标点的数量减1;/>为目标参考坐标点对应的第/>个参考距离的大小,/>为目标参考坐标点对应的高斯分布特征值;/>为目标参考坐标点对应的集中分布特征值,也即目标参考坐标点对应的所有参考距离的均值;/>为以自然常数e为底的指数函数,/>为绝对值符号。
进一步地根据中心评价值筛选出所有参考坐标点中的中心坐标点。由于参考坐标点的中心评价值越高,说明越可能为中心坐标点,因此本发明实施例将中心评价值最高的参考坐标点,作为中心坐标点。需要说明的是,当最高的中心评价值对应两个参考坐标点时,任选其中一个参考坐标点为中心坐标点。
最后将中心坐标点在灰度共生矩阵中对应的非零元素作为中心元素。
步骤S3:根据中心元素与其余各个非零元素之间的距离的分布情况,得到中心元素的织物距离离散特征值;根据以织物距离离散特征值为标准差的高斯滤波器对织物表面灰度图像进行滤波,得到织物表面灰度去噪图像。
至此,得到所有非零元素中的中心元素。由于噪声会使得灰度共生矩阵中的非零元素对应的位置会呈现出从一个中心元素向外部扩散的趋势,也即以中心元素为基准,其余各个非零元素与中心元素的距离分布会受到噪声的影响,对应噪声的影响越大,距离分布越离散,因此进一步需要对各个非零元素与中心元素之间的距离进行分析,进一步地得到织物表面灰度图像的噪声强度,本发明实施例根据中心元素与其余各个非零元素之间的距离的分布情况,得到中心元素的织物距离离散特征值,由于高斯噪声的噪声大小受到数据的标准差影响,而标准差在一定程度上表征了一组数据的离散程度,因此本发明实施例通过织物距离离散特征值表征对应噪声的噪声大小。
优选地,织物距离离散特征值的获取方法包括:
在中心坐标点对应的所有参考距离中,将每种参考距离的出现次数与参考距离总数量之间的比值,作为每种参考距离的频次特征值。由于高斯噪声的噪声大小受到噪声的标准差影响,而噪声的标准差在灰度共生矩阵中表现为各个非零元素的离散程度,也即每种参考距离的出现次数的离散程度,而在本发明实施例中,中心坐标点对应呈现高斯分布特征的数据为各种参考距离的出现频率,因此为了进一步计算对应的噪声大小,需要结合所有种类的参考距离的出现次数进行分析,也即需要获取每种参考距离的频率特征值。
将每种参考距离对应的数值的归一化值,作为每种参考距离的距离特征值。并且考虑到在灰度共生矩阵中,对应的非零元素与中心坐标点的元素之间距离越远,说明对应非零元素的纹理与原始纹理差异越大,也即其受到的噪声影响越大,因此通过计算距离特征值,对较大的参考距离数值对应的参考距离种类赋予较大的权重。
由于每种参考距离对应的频率特征值越大,距离特征值越大时,对应的参考距离种类受到的噪声影响越大,进一步地将根据频次特征值和距离特征值,得到每种参考距离的距离频率影响程度,频次特征值和距离特征值均与距离频率影响程度呈正相关。
优选地,距离频率影响程度的获取方法包括:
将频次特征值和距离特征值的乘积,作为每种参考距离的距离频率影响程度。
在本发明实施例中,依次将每种参考距离作为第种参考距离,则第/>种参考距离的距离频率影响程度的获取方法在公式上表现为:
其中,为第/>种参考距离的距离频率影响程度,/>为第/>种参考距离的出现次数;/>为参考距离总数量,也即所有参考坐标点的数量减1;/>为第/>种参考距离的大小,/>为第/>种参考距离的频次特征值,/>为第/>种参考距离的距离特征值。
至此,得到每种参考距离的距离频率影响程度,进一步地根据所有种类的参考距离的距离频率影响程度的离散程度,得到对应的真实噪声大小。本发明实施例根据距离频率影响程度的数值分布特征得到中心坐标点的织物距离离散特征值。
优选地,根据距离频率影响程度的数值分布特征得到中心坐标点的织物距离离散特征值的方法包括:
将所有距离频率影响程度的标准差,作为中心坐标点的织物距离离散特征值。通过标准差表征各种参考距离对应的距离频率影响程度的离散程度,也即通过计算出的织物距离离散特征值表征织物表面灰度图像受到高斯噪声影响的程度。
在得到织物表面灰度图像受到高斯噪声影响的程度,进一步地根据噪声设计对应的高斯滤波器进行滤波去噪,由于高斯滤波器中高斯滤波核的主要影响参数为标准差,而表征织物表面灰度图像受到噪声影响程度的织物距离离散特征值也是根据标准差得到的,因此本发明实施例根据以织物距离离散特征值为标准差的高斯滤波器对织物表面灰度图像进行滤波,得到织物表面灰度去噪图像。对织物表面灰度图像纹理进行分析所设计的高斯滤波器,能够在去除织物表面灰度图像中高斯噪声的同时,尽可能地保留图像中的有效信息。
步骤S4:根据织物表面灰度去噪图像进行缺陷检测。
在得到在去除噪声的织物表面灰度去噪图像后,根据织物表面灰度去噪图像进行缺陷检测。在本发明实施例中,将织物表面灰度去噪图像输入到训练好的深度学习模型中,输出织物表面灰度去噪图像中的缺陷区域,从而根据缺陷区域实现对织物表面的缺陷检测。需要说明的是,实施者也可根据具体实施环境通过其他方法根据织物表面灰度去噪图像进行织物表面缺陷检测,在此不做进一步赘述。
综上所述,本发明在获取织物表面灰度图像后,对表征织物表面灰度图像纹理特征的灰度共生矩阵进行分析,根据噪声会影响织物表面纹理特征的特性,获取灰度共生矩阵中所有非零元素中的中心元素;以中心元素为基准根据噪声对所有非零元素的离散程度的影响情况,获取表征噪声大小的距离离散特征值;根据距离离散特征值所设计出的高斯滤波器对织物表面灰度图像进行滤波去噪,得到织物表面灰度去噪图像,最后根据织物表面灰度去噪图像进行缺陷检测。本发明根据图像处理得到的织物表面灰度去噪图像对织物表面进行缺陷检测的准确度更高。
一种织物表面光影噪声去噪方法实施例:
现有的对织物表面光线噪声的去噪方法通常为直接通过现有的滤波去噪方法进行去噪,但是织物表面的纹理较为特殊,在不考虑到织物表面图像的纹理特征情况下,通过现有技术中的噪声去除方法会导致织物表面图像中的有效信息丢失或无法完全去除噪声,也即现有技术对织物表面图像的去噪效果较差。为了解决现有技术对织物表面图像的去噪效果较差的技术问题,本发明实施例提出了一种织物表面光影噪声去噪方法。请参阅图2,其示出了本发明一个实施例提供的一种织物表面光影噪声去噪方法流程图,该方法包括:
步骤S01:获取织物表面灰度图像的灰度共生矩阵;
步骤S02:根据灰度共生矩阵中各个非零元素的位置分布特征,筛选出所有非零元素中的中心元素;
步骤S03:根据中心元素与其余各个非零元素之间的距离的分布情况,得到中心元素的织物距离离散特征值;根据以织物距离离散特征值为标准差的高斯滤波器对织物表面灰度图像进行滤波,得到织物表面灰度去噪图像。
其中,步骤S01~步骤S03在上述一种抗光影噪声影响的织物缺陷检测方法实施例中已给出了详细说明,不再赘述。
一种织物表面光影噪声去噪方法涉及图像数据处理技术领域,该方法考虑到织物表面的纹理特征通常存在一定的规律,因此本发明通过获取织物表面灰度图像的灰度共生矩阵提取织物表面的纹理信息,并进一步在灰度共生矩阵的基础上进行分析。根据噪声会对织物表面纹理信息产生影响的特性,对灰度共生矩阵中各个非零元素的位置进行分析,得到最接近织物表面纹理特征的真实纹理的元素,也即中心元素;考虑到噪声的影响程度会影响灰度共生矩阵中元素的位置,因此本发明进一步根据中心元素与其余各个非零元素之间的距离的分布情况,得到中心元素的织物距离离散特征值,从而根据织物距离离散特征值选取合适的高斯滤波器进行去噪,得到去噪后的织物表面灰度去噪图像,也即实现了根据织物表面图像的纹理特征进行自适应去噪,并且尽可能的保留了织物表面灰度图像中的有效信息,也即对织物表面图像的去噪效果更好。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述方法包括:
获取织物表面灰度图像的灰度共生矩阵;
根据灰度共生矩阵中各个非零元素的位置分布特征,筛选出所有非零元素中的中心元素;
根据中心元素与其余各个非零元素之间的距离的分布情况,得到中心元素的织物距离离散特征值;根据以所述织物距离离散特征值为标准差的高斯滤波器对所述织物表面灰度图像进行滤波,得到织物表面灰度去噪图像;
根据所述织物表面灰度去噪图像进行缺陷检测。
2.根据权利要求1所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述中心元素的获取方法包括:
将所述灰度共生矩阵的列作为横轴,将所述灰度共生矩阵的行作为纵轴,构建织物表面灰度图像对应的参考直角坐标系;将灰度共生矩阵中元素的位置映射到所述参考直角坐标系中,得到每个非零元素对应的参考坐标点;根据参考坐标点的位置分布特征,筛选出所有参考坐标点中的中心坐标点;将中心坐标点在所述灰度共生矩阵中对应的非零元素作为中心元素。
3.根据权利要求2所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述中心坐标点的获取方法包括:
依次将每个参考坐标点作为目标参考坐标点;将目标参考坐标点外的其他参考坐标点作为对比参考坐标点;将每个对比参考坐标点与目标参考坐标点之间的距离,作为每个对比参考坐标点对应的参考距离;根据参考距离对应的不同数值的出现频率的分布特征与高斯分布特征的相似情况,得到目标参考坐标点对应的高斯分布特征值;将所有参考距离的均值,作为目标参考坐标点对应的集中分布特征值;
根据所述高斯分布特征值和所述集中分布特征值得到目标参考坐标点的中心评价值,所述高斯分布特征值和所述集中分布特征值均与所述中心评价值呈负相关;
根据中心评价值筛选出所有参考坐标点中的中心坐标点。
4.根据权利要求3所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述高斯分布特征值的获取方法包括:
在所有参考距离中,将对应数值相同的参考距离作为一种参考距离;统计每种参考距离的出现次数;将所有种类的参考距离的出现次数的中值,作为参考中值;将所有种类的参考距离的出现次数的均值,作为参考均值;将所述参考中值与所述参考均值之间的差异,作为目标参考坐标点对应的高斯分布特征值。
5.根据权利要求4所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述织物距离离散特征值的获取方法包括:
在中心坐标点对应的所有参考距离中,将每种参考距离的出现次数与参考距离总数量之间的比值,作为每种参考距离的频次特征值;将每种参考距离对应的数值的归一化值,作为每种参考距离的距离特征值;
根据所述频次特征值和所述距离特征值,得到每种参考距离的距离频率影响程度,所述频次特征值和所述距离特征值均与所述距离频率影响程度呈正相关;
根据所述距离频率影响程度的数值分布特征得到中心坐标点的织物距离离散特征值。
6.根据权利要求5所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述距离频率影响程度的获取方法包括:
将所述频次特征值和所述距离特征值的乘积,作为每种参考距离的距离频率影响程度。
7.根据权利要求5所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述根据所述距离频率影响程度的数值分布特征得到中心坐标点的织物距离离散特征值的方法包括:
将所有距离频率影响程度的标准差,作为中心坐标点的织物距离离散特征值。
8.根据权利要求3所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述根据所述高斯分布特征值和所述集中分布特征值得到目标参考坐标点的中心评价值的方法包括:
将所述高斯分布特征值的负相关映射值与所述集中分布特征值的负相关映射值的和值,作为目标参考坐标点的中心评价值。
9.根据权利要求2所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述参考坐标点的获取方法包括:
将每个非零元素在灰度共生矩阵中对应列数的索引值,作为每个非零元素对应的横坐标;将每个非零元素在灰度共生矩阵中对应行数的索引值,作为每个非零元素对应的纵坐标,根据所述横坐标和所述纵坐标得到每个非零元素的参考坐标点。
10.根据权利要求3所述的一种抗光影噪声影响的织物缺陷检测方法,其特征在于,所述参考距离的获取方法包括:
将每个对比参考坐标点与目标参考坐标点之间的欧氏距离,作为每个对比参考坐标点对应的参考距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061125.0A CN116757972B (zh) | 2023-08-23 | 2023-08-23 | 一种抗光影噪声影响的织物缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061125.0A CN116757972B (zh) | 2023-08-23 | 2023-08-23 | 一种抗光影噪声影响的织物缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757972A true CN116757972A (zh) | 2023-09-15 |
CN116757972B CN116757972B (zh) | 2023-10-24 |
Family
ID=87951967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311061125.0A Active CN116757972B (zh) | 2023-08-23 | 2023-08-23 | 一种抗光影噪声影响的织物缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757972B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173160A (zh) * | 2023-10-31 | 2023-12-05 | 山东远通汽车智能科技有限公司 | 基于图像处理的房车部件质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN116228768A (zh) * | 2023-05-09 | 2023-06-06 | 济宁众达利电气设备有限公司 | 一种电子元器件表面划痕检测方法 |
CN116269467A (zh) * | 2023-05-19 | 2023-06-23 | 中国人民解放军总医院第八医学中心 | 一种创伤患者清创术前信息采集系统 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116433663A (zh) * | 2023-06-13 | 2023-07-14 | 肥城恒丰塑业有限公司 | 一种土工格室质量智能检测方法 |
-
2023
- 2023-08-23 CN CN202311061125.0A patent/CN116757972B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN116228768A (zh) * | 2023-05-09 | 2023-06-06 | 济宁众达利电气设备有限公司 | 一种电子元器件表面划痕检测方法 |
CN116269467A (zh) * | 2023-05-19 | 2023-06-23 | 中国人民解放军总医院第八医学中心 | 一种创伤患者清创术前信息采集系统 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116433663A (zh) * | 2023-06-13 | 2023-07-14 | 肥城恒丰塑业有限公司 | 一种土工格室质量智能检测方法 |
Non-Patent Citations (1)
Title |
---|
高士忠;: "基于灰度共生矩阵的织物纹理分析", 计算机工程与设计, no. 16 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173160A (zh) * | 2023-10-31 | 2023-12-05 | 山东远通汽车智能科技有限公司 | 基于图像处理的房车部件质量检测方法 |
CN117173160B (zh) * | 2023-10-31 | 2024-01-26 | 山东远通汽车智能科技有限公司 | 基于图像处理的房车部件质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116757972B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
Miri et al. | Retinal image analysis using curvelet transform and multistructure elements morphology by reconstruction | |
CN116030058B (zh) | 一种用于抛光垫表面粗糙度的质量评价方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN115690693B (zh) | 一种建筑吊篮的智能监控系统及监控方法 | |
CN115526889B (zh) | 基于图像处理的锅炉压力管道的无损检测方法 | |
CN115082465B (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
CN117876971B (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
CN116563799A (zh) | 基于视频监控的粉尘在线监测方法 | |
CN117274293B (zh) | 基于图像特征的细菌菌落精确划分方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN116152255A (zh) | 一种改性塑料生产瑕疵判断方法 | |
CN113470015B (zh) | 一种基于图像处理的水体晃动检测分析方法及系统 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
CN115240013B (zh) | 基于图像数据分析的织物肌理自动分类方法及系统 |
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 |