【技术实现步骤摘要】
本专利技术涉及机器视觉领域，尤其涉及一种基于自适应同态滤波及显著模型的生丝疵点检测方法。
技术介绍
1、生丝质量的严格把控对提升纺织品质量至关重要，而生丝疵点的准确检测是其中的一个核心环节。这一工作主要依赖于检验员的经验，但这种方法存在着一些显著的不足，比如准确性不高和检测速度慢等问题。
2、目前关于生丝疵点检测的研究集中在几个主要领域：统计学方法、模型分析、频谱分析、传统机器学习以及新型深度学习技术。上述方法在疵点检测领域均有一定效果，但由于生丝疵点极微小、不显著的特点，采集和标注数据既困难又成本昂贵，因此新型的深度学习技术的应用面临困难。并且在工业检测中，生丝通常是成片地缠绕在黑板上，这种排列方式在成像过程中容易产生干涉现象，从而形成摩尔纹。在实际工业生产中，为了不牺牲成像质量，通常只能通过调整黑板的倾斜角度θ来控制摩尔纹的影响。这些问题增加了生丝疵点检测的复杂度和难度。
技术实现思路
1、为了解决现有技术中存在的上述技术问题，本专利技术提出了一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其具体技术方案如下：
2、一种基于自适应同态滤波及显著模型的生丝疵点检测方法，包括以下步骤：
3、步骤s1：采用基于粒子群优化算法的自适应同态滤波提高原始图像中生丝与疵点的对比度；
4、步骤s2：构建生丝图像显著模型，将提高对比度后的图像输入所构建生丝图像显著模型，提取得到多尺度的图像灰度特征、lbp特征及多尺度多方向的gabor纹理特征；
5、步骤s3：归一化多特征加权融合得到显著图；
6、步骤s4：将显著图分割成若干块局部区域，基于区域的灰度强度特征，构建自适应阈值分割模型，完成疵点分割。
7、进一步的，所述步骤s1中的基于粒子群优化算法的自适应同态滤波，具体为：首先，改进含有多参数的传统高斯型同态滤波算法，得到单参数同态滤波算法；随后，在同态滤波过程中自定义符合生丝检测场景的综合性适应度函数，作为粒子群优化算法的目标函数；再最小化目标函数，自动选取对应图像的单参数同态滤波传递函数的最佳参数，即获取到单参数同态滤波算法的自适应控制参数k，以实现自适应同态滤波处理；其中k的搜索优化范围设定为[10，30]。
8、进一步的，所述单参数同态滤波算法具体采用以下方式获得，表达式为：
9、u、v为原图像f(x,y)经过傅里叶变换后的频域变量，h(u,v)为滤波后的结果，d(u,v)为(u,v)到滤波器中心的距离，d0为截止频率；
10、其中m、n分别为图像的宽和高，(m2,n2)为中心点坐标。
11、进一步的，所述符合生丝检测场景的综合性适应度函数具体采用以下方式获得，表达式为：
12、m、n分别为图像的宽、高，ie表示增强后的图像，e(ie)为边缘像素个数，h(ie)为信息熵，s(ie)为边缘强度之和，c(ie)为对比度，gp(ie)为峰值信噪比，gstd(ie)为灰度标准差，δs为信噪改变量，fi(ie)为紧致度。
13、进一步的，所述步骤s2具体为：通过高斯下采样构建4个尺度的图像特征金字塔，得到同态滤波处理后图像在各个尺度的疵点灰度显现程度，从而获得图像灰度特征即灰度图像；随后，在所述图像特征金字塔的基础上基于局部对比度方差提取灰度图像的lbp特征；再设置gabor滤波器的卷积核大小分别为3、5、7共3个尺度，滤波核函数的方向分别为0、1/4π、1/2π、3/4π、π、5/4π、3/2π、7/4π共8个方向，以提取同态滤波处理后图像多尺度多方向的纹理特征。
14、进一步的，所述步骤s3具体为：首先将所述的多尺度的图像灰度特征、lbp特征及多尺度多方向的gabor纹理特征归一化到[0，255]的范围内，同时调整特征图的尺寸，使其与原始图像的大小一致；随后，根据每个特征图显示的不同疵点的显著程度以及在不同尺度上的表现，进行多特征加权融合得到显著图。
15、进一步的，所述多特征加权融合具体采用以下方式获得，表达式为：
16、m为显著图，为对应的各尺度特征图，其中n为尺度序数，αn、βn为各尺度的权重值，w为各特征融合的对应权重值。
17、进一步的，所述步骤s4具体为：将显著图分割成5×5块局部区域，针对各局部区域的灰度强度特征，通过局部区域自适应阈值完成疵点分割。
18、进一步的，所述自适应阈值具体采用以下方式获得，表达式为：
19、gth为待分割的像素点的灰度值，gmean为去除最大和最小部分各10％灰度值的灰度均值，gmed为去除最大和最小部分各10％灰度值的灰度中位数，gstd为灰度标准差，m为阈值分割程度系数。
20、本专利技术的优点：本专利技术的方法是一种不用依靠检验员从业经验的标准化检测方法，可以提高疵点检测的效率，节约人力成本。
本文档来自技高网...【技术保护点】
1.一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述步骤S1中的基于粒子群优化算法的自适应同态滤波，具体为：首先，改进含有多参数的传统高斯型同态滤波算法，得到单参数同态滤波算法；随后，在同态滤波过程中自定义符合生丝检测场景的综合性适应度函数，作为粒子群优化算法的目标函数；再最小化目标函数，自动选取对应图像的单参数同态滤波传递函数的最佳参数，即获取到单参数同态滤波算法的自适应控制参数k，以实现自适应同态滤波处理；其中k的搜索优化范围设定为[10，30]。
3.根据权利要求2所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述单参数同态滤波算法具体采用以下方式获得，表达式为：
4.根据权利要求2所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述符合生丝检测场景的综合性适应度函数具体采用以下方式获得，表达式为：
5.根据权利要求1所述的一种基于自适应同态滤波及显著模型的生
6.根据权利要求1所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述步骤S3具体为：首先将所述的多尺度的图像灰度特征、LBP特征及多尺度多方向的Gabor纹理特征归一化到[0，255]的范围内，同时调整特征图的尺寸，使其与原始图像的大小一致；随后，根据每个特征图显示的不同疵点的显著程度以及在不同尺度上的表现，进行多特征加权融合得到显著图。
7.根据权利要求6所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述多特征加权融合具体采用以下方式获得，表达式为：
8.根据权利要求1所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述步骤S4具体为：将显著图分割成5×5块局部区域，针对各局部区域的灰度强度特征，通过局部区域自适应阈值完成疵点分割。
9.根据权利要求8所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述自适应阈值具体采用以下方式获得，表达式为：Gth为待分割的像素点的灰度值，Gmean为去除最大和最小部分各10％灰度值的灰度均值，Gmed为去除最大和最小部分各10％灰度值的灰度中位数，Gstd为灰度标准差，m为阈值分割程度系数。
...【技术特征摘要】
1.一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述步骤s1中的基于粒子群优化算法的自适应同态滤波，具体为：首先，改进含有多参数的传统高斯型同态滤波算法，得到单参数同态滤波算法；随后，在同态滤波过程中自定义符合生丝检测场景的综合性适应度函数，作为粒子群优化算法的目标函数；再最小化目标函数，自动选取对应图像的单参数同态滤波传递函数的最佳参数，即获取到单参数同态滤波算法的自适应控制参数k，以实现自适应同态滤波处理；其中k的搜索优化范围设定为[10，30]。
3.根据权利要求2所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述单参数同态滤波算法具体采用以下方式获得，表达式为：
4.根据权利要求2所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述符合生丝检测场景的综合性适应度函数具体采用以下方式获得，表达式为：
5.根据权利要求1所述的一种基于自适应同态滤波及显著模型的生丝疵点检测方法，其特征在于，所述步骤s2具体为：通过高斯下采样构建4个尺度的图像特征金字塔，得到同态滤波处理后图像在各个尺度的疵点灰度显现程度，从而获得图像灰度特征即灰度图像；随后，在所述图像特征金字塔的基础上基于局部对比度方差提取灰度图像的lbp特征；再设置gabor滤波器的...
【专利技术属性】
技术研发人员：汪小东，曾凡高，杨娟亚，叶飞，陈朝宏，姚晓娟，李子印，
申请(专利权)人：湖州市质量技术监督检测研究院湖州市纤维质量监测中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。