基于峰值阈值和混合特征的纺织品瑕疵检测方法技术

本发明专利技术提供一种基于峰值阈值和混合特征的纺织品瑕疵检测方法，该方法分析基于照明光源下平坦纺织品表面的数字图像像素灰度信息，将图像分割为互不重叠的网格，计算每个网格的IRM，HOG，GLCM和Gabor特征值，根据特征值分布自动定位纺织品表面瑕疵。本发明专利技术特别适用于自动识别在稳定照明光源下采集的纺织品平坦表面灰度数字图像中的纺织品表面瑕疵。

【技术实现步骤摘要】
基于峰值阈值和混合特征的纺织品瑕疵检测方法
本专利技术涉及纺织品瑕疵检测
，特别是涉及一种基于峰值阈值和混合特征的纺织品瑕疵检测方法。
技术介绍
传统的纺织品瑕疵人工识别准确率只有60-75％(参见文献：K.Srinivasan,P.H.Dastoor,P.Radhakrishnaiah,etal..FDAS:aknowledge-basedframeworkforanalysisofdefectsinwoventextilestructures,J.Text.Inst.83(1992)431–448.)，机器自动识别纺织品瑕疵的方法具有实际应用需求。平坦纺织品表面的数字图像采样(以下简称纺织品图像)属于二维纹理，二维纹理已被证明可根据17种壁纸群(wallpapergroup)定义的图案排列方法生成(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung.Motif-baseddefectdetectionforpatternedfabric,PatternRecognit.(2008)1878–1894.)，用于生成二维纹理的图案称为图格(lattice)(参见：https://en.wikipedia.org/wiki/Wallpaper_group)，图格内部图案称为motif。多数纺织品瑕疵自动检测方法只能处理墙纸群中p1类型的纺织品图像(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung.Automatedfabricdefectdetection—Areview,ImageandVisionComputing29(7)(2011)442–458.)，仅有少数方法能处理p1类型以外的纺织品图像(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung.Motif-baseddefectdetectionforpatternedfabric,PatternRecognit.(2008)1878–1894.)，例如基于小波预处理的基准图像差分方法(wavelet-pre-processedgoldenimagesubtraction，以下简称WGIS)(参见文献：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung,etal.,Waveletbasedmethodsonpatternedfabricdefectdetection,PatternRecognit.38(4)(2005)559–576.)，共生矩阵方法(参见文献：C.J.Kuo,T.Su,Grayrelationalanalysisforrecognizingfabricdefects,Text.Res.J.73(5)(2003)461–465.)，布林带方法(Bollingerbands，以下简称BB)(参见文献：H.Y.T.Ngan,G.K.H.Pang,Novelmethodforpatternedfabricinspectionusingbollingerbands,Opt.Eng.45(8)(2006)087202-1–087202-15.)，规则带方法(regularbands，以下简称RB)(参见文献：H.Y.T.Ngan,G.K.H.Pang,Regularityanalysisforpatternedtextureinspection,IEEETrans.Autom.Sci.Eng.6(1)(2009)131–144.)，Elo评估方法(Eloratingmethod，以下简称ER)(参见文献：C.S.C.Tsang,H.Y.T.Ngan,G.K.H.Pang,FabricinspectionbasedontheEloratingmethod,PatternRecognit.51(2016)378–394.)等。尽管这些方法可以处理p1以外的纺织品图像，但它们的计算方法多是建立在基于人工选择的类似格的图案(以下简称图格)之上。例如WGIS要求人工选择图格的尺寸和纹理，BB，RB和ER要求人工定义图格的尺寸。这些先验知识在一定程度上降低了机器识别纺织品瑕疵的自动化程度。
技术实现思路
本专利技术所要解决的技术问题是：为了提高机器识别纺织品瑕疵的自动化程度，本专利技术提供一种基于峰值阈值和混合特征的纺织品瑕疵检测方法，主要包括设计一种自动分割纺织品图像为图格的方法以及基于图格并混合特征提取方法HOG、GLCM和Gabor相结合的瑕疵识别方法。为使陈述清楚明了，现集中定义本专利技术所涉及的部分符号和概念。表示正整数集合。表示包括零的整数集合。表示包括零的正实数集合。表示包括零的实数集合。表示元素个数为的实向量。表示复数集合。表示元素个数为的复向量。T表示矩阵或向量转置。表示n×m大小的实矩阵，其中表示k×n×m大小的实矩阵，其中若且则Ai,:表示矩阵A的第i行，A:,j表示矩阵A的第j列。若且则Al,:,:表示A中大小为n×m的第l层矩阵，Al,i,:表示A中大小为n×m的第l层矩阵的第i行，Al,:,j表示A中大小为n×m的第l层矩阵的第j列。表示比小的最大整数，例如{ai}表示由索引i确定的由元素ai组成的集合或多重集。|S|表示集合S中的元素个数，若S为向量，则|S|表示向量所含元素个数，|S|称为向量长度。avg(S)或mean(S)：计算集合或多重集S的均值，S的元素均为实数。std(S)：计算集合或多重集S的标准差，S的元素均为实数。med(S)：计算集合或多重集S的中位值，S的元素均为实数。mod(S)：计算多重集S的众数，S的元素均为实数。max(S)表示找出集合或多重集S的元素最大值，例如max(Ic)代表Ic中像素的最大灰度值。max(s条件)表示找出符合条件的的最大值。min(S)表示找出集合或多重集S的元素最小值，例如min(Ic)代表Ic中像素的最小灰度值。argmaxsf(s)表示在函数f的定义域内变量s的取值范围中，使得函数f(s)取最大值的s。argminsf(s)表示在函数f的定义域内变量s的取值范围中，使得函数f(s)取最小值的s。argmaxsf1(s),f2(s)表示在函数f1和f2的定义域交集内变量s的取值范围中，使得函数f1(s)和f2(s)取最大值的s。表示在函数f(s)的定义域内变量s1和s2的取值范围中，使得函数f(s)取最大值的s1和s2。argmodi({ai})表示对应多重集{ai}众数mod({ai})的索引。dimx(I)表示二维图像I的总行数，dimy(I)表示I的总列数。图像原点：图像中像素行列索引开始的位置，该位置假设在图像左上角并且值为(1,1)。I(x,y)表示在二维图像I中具有行列索引(x,y)的像素值。行索引由图像原点开始以1为步长向下递增，1≤x≤dimx(I)；列索引由图像原点开始以1为步长向右递增，1≤y≤dimy(I)。图像边界：具有行索引dimx(I)的行和列索引dimy(I)的列。纺织品图像卡通成分Ic：对一幅灰度化的纺织品图像，应用基于曲波(curvelet)和离散余弦变换(localdiscretecosinetransform，以下简称DCT)的形态成分分本文档来自技高网...

【技术保护点】
一种基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：包括训练阶段和测试阶段两个阶段；训练阶段，根据一系列无瑕疵纺织品灰度图像(以下简称无暇图像)计算图格分割所需参数，而后对无暇图像进行图格分割并计算测试阶段瑕疵识别所需参数；测试阶段，根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格；所述训练阶段包括以下步骤：步骤1：使用形态学成分分析方法计算训练样本卡通成分Ic，将Ic按索引所在的行与列进行分割，获得训练样本图格；步骤2：根据步骤1中获得的训练样本图格，计算任意训练样本的理想行数和理想列数，以获得阈值系数，重复上述步骤以计算得到所有训练样本的阈值系数；步骤3：对于训练样本集中任一训练样本，根据步骤2中所计算的阈值系数，采用HOG特征提取方法计算图格的特征向量，由特征向量计算距离矩阵，将距离矩阵经过傅里叶变换得到计算图格周期；根据图格周期计算图格各特征的理想统计值；所述测试阶段包括以下步骤：步骤4：测试样本图格分割，对一副给定的测试样本，根据步骤2得到的阈值系数重复步骤1得到测试样本图格；步骤5：瑕疵识别，按照步骤3的方法计算测试样本的特征向量、图格周期、图格各特征的理想统计值以及理想统计值阈值，并将计算结果与理想统计值阈值进行比较，以识别有瑕疵的图格。...

【技术特征摘要】
1.一种基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：包括训练阶段和测试阶段两个阶段；训练阶段，根据一系列无瑕疵纺织品灰度图像(以下简称无暇图像)计算图格分割所需参数，而后对无暇图像进行图格分割并计算测试阶段瑕疵识别所需参数；测试阶段，根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格；所述训练阶段包括以下步骤：步骤1：使用形态学成分分析方法计算训练样本卡通成分Ic，将Ic按索引所在的行与列进行分割，获得训练样本图格；步骤2：根据步骤1中获得的训练样本图格，计算任意训练样本的理想行数和理想列数，以获得阈值系数，重复上述步骤以计算得到所有训练样本的阈值系数；步骤3：对于训练样本集中任一训练样本，根据步骤2中所计算的阈值系数，采用HOG特征提取方法计算图格的特征向量，由特征向量计算距离矩阵，将距离矩阵经过傅里叶变换得到计算图格周期；根据图格周期计算图格各特征的理想统计值；所述测试阶段包括以下步骤：步骤4：测试样本图格分割，对一副给定的测试样本，根据步骤2得到的阈值系数重复步骤1得到测试样本图格；步骤5：瑕疵识别，按照步骤3的方法计算测试样本的特征向量、图格周期、图格各特征的理想统计值以及理想统计值阈值，并将计算结果与理想统计值阈值进行比较，以识别有瑕疵的图格。2.如权利要求1所述的基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤1训练样本图格分割具体包括以下步骤：对于一个训练样本，使用形态学成分分析方法计算训练样本卡通成分Ic，使用阈值fc·max(Ic)二值化Ic得到二值图像Itc，由Moore-Neighbor跟踪算法获取Itc中对象的闭合边缘；对于每个具有闭合边缘的对象，找出该对象行列索引的极值，如果该对象行索引极值之差的绝对值超过0.75·dimx(Itc)，或列索引极值之差的绝对值超过0.75·dimy(Itc)，则从Itc中删除该对象；统计Itc每行和每列的背景像素个数，按行和列的索引分别排列背景像素个数构成背景像素的横向投最和纵向投影和的峰值分别记为多重集和对和分别应用自适应聚类算法进行聚类，聚类中心分别保存为多重集和和有可能包含多个相近的聚类中心，这些相近聚类中心中的最小值被分别选为阈值和中不小于的峰值按所对应的行索引，记为S′h；中不小于的峰值按所对应的列索引，记为S′v；对于S′h，将S′h中元素做升序排列，行索引间距的多重集定义为具有行索引连续的稳定行间距的多重集定义如下：其中xi∈S′h，i为数值连续的正整数，作为图格分界集合Sh的初始值，其定义如下：类似地，可以计算和Sv的初始值，定义如下：根据理想行数和理想列数其中和分别表示具有最多元素的和对Sh和Sv进行扩展，即：从min(Sh)开始，以步长向Itc行索引最小值1移动，即计算检查是否存在满足如果存在x′，则将x′添加进Sh，否则将x添加进Sh并保持Sh中元素升序排列，再次计算并重复上述步骤；类似地，从max(Sh)开始，以步长向Itc行索引最大值dimx(Ic)移动，即计算检查是否存在满足如果存在x′，则将x′添加进Sh，否则将x添加进Sh，再次计算并重复上述步骤；对Sv以步长故类似扩展。根据Sh与Sv分别包含的行与列索引，可以将Ic按这些索引所在的行与列进行分割，分割所得的区域定义为图格，其定义如下：其中ir，ic，k1，1≤ir≤|Sh|-1且1≤ic≤|Sv|-1，因此Ic分割出(|Sh|-1)·(|Sv|-1)个而ir和ic分别是以图格为单位的行与列索引。3.如权利要求2所述的基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤2计算阈值系数具体包括以下步骤：对于训练样本集I1，I2...IN和N′个fc的可选值c1，c2...cm，根据其中任意训练样本Ii(i＝1，2...N)，通过步骤1可计算N′个理想行数和N′个理想列数其中l＝1，2...N′。在Ii的多重集和多重集中出现次数最多元素所对应阈值系数fc的取值分别记为ch(i，l)和cv(i，l)，定义如下：对于Ii，如果ch(i，l)与cv(i，l)相同，则相应索引(i，l)保存在集合中，的定义如下：对于每个即对于Ii，如果至少存在一个l′使得ch(i，l′)≡cv(i，l′)成立，则与med({cl})距离最近的ch(i，l′)参与fc的计算，fc的定义如下：其中ch(i，l)的索引表示取符合定义中的i值。4.如权利要求3所述的基于峰值阈值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤3计算测试阶段参数具体包括以下步骤：步骤3.1计算图格周期，对于训练样本集I1，I2...IN中的第i个训练样本Ii，根据步骤2所计算的阈值系数对Ii重复步骤1可得Sh和Sv，根据Sh和Sv将Ii分割为m×n个图格(m＝|Sh|-1，n＝|Sv|-1)；使用HOG特征提取方法计算Ii图格的特征向量并使特征向量索引与其对应的图格索引相同；计算与第ir行中所有图格的欧氏距离，按计算所涉及图格的列索引升序排列，则可构成距离向量；对于将对应的距离向量按ic升序排列得到第ir行的n×n距离矩阵；对于将第ir行对应的n×n距离矩阵按ir升序排列得到Ii的行距离矩阵类似地，可以计算Ii的列距离矩阵对向量进行傅立叶变换，得到的周期与频谱；根据(和)的周期与频谱，计算周期中位值和频谱中位值，即图像行周期和图像行频谱；类似地，可以构建Ii的列距离矩阵并计算图像列周期和图像列频谱；根据I1，I2...IN，可计算N个图像行周期和对应的N个图像行频谱，计算图像行频谱中位值找出高于的图像行频谱所对应的图像行周期，计算这些图像行周期的中位值对图像列周期和图像列频谱重复相同步骤得到图像列频谱中位值和图像列周期中位值若或或则t取值为1，否则通过比较与相应的频谱大小确定t的取值，即：若则t取否则t取步骤3.2计算图格各特征的理想统计值，该步骤包括四个子步骤：步骤3.2.1计算特征统计值，步骤3.2.2计算特征统计值排序，步骤3.2.3计算稳定特征元素，步骤3.2.4计算理想统计值；步骤3.2.1计算特征统计值，根据步骤3.1计算训练样本集I1，I2...IN的图格周期t，对于第i个训练样本Ii，根据步骤2分割Ii得到图格通过|T|个(T为特征提取方法名称有序集合)输入为二维灰度图像矩阵且输出为一维实向量的特征提取方法f1，f2...f|T|计算Ii图格的特征向量基于fj的特征向量长度定义为fj的特征元素数Fj；根据假设条件和图格周期t，Ii中的图格与和的纹理相同而L1，1，L2，1...Lt，1的纹理均不相同，其中l1，因此存在t类纹理不同的图格并且第k(1≤k≤t)类图...

【专利技术属性】
技术研发人员：颜榴红，庄丽华，贾靓，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏,32