[发明专利]基于局部统计特征与整体显著性分析的织物疵点检测方法

说明书

技术领域

本发明涉及织物图像的疵点检测方法，具体涉及使用局部纹理及灰度统计特征提取和整体显著性分析方法对织物疵点图像进行疵点的检测和定位，属于纺织品图像处理领域。

背景技术

织物疵点检测是纺织品质量控制和管理的一个关键环节。随着集成电路和图像处理技术的飞速发展，机器视觉已经在工业表面检测领域中得到越来越广泛的应用，以计算机视觉来代替人工操作不仅可以提高检测速度，降低劳动成本，而且通过布匹疵点自动检测系统可以为布匹质量等级的评定提供双方可信的参考标准，有利于国际贸易的往来。织物疵点检测与判别算法是该类系统的核心环节，直接影响着系统的性能。

目前提出的织物疵点检测算法主要以传统统计学习及频谱分析为基础。其中基于空域纹理特征的方法主要利用灰度值空间分布的统计特性进行疵点检测。在整个检测过程中，假设正常图像块都是相同的，并且占有大部分区域，而具有不同统计特性的图像块被标定为含有疵点的图像。这类方法主要包括形态学、灰度共生矩阵、分形方法、局部对比度增强等，其检测结果受到所选窗口大小及阈值的影响，并且对于疵点较小情况，漏检率较大[参考文献[1]:M.H.Shi,R.Fu,Y.Guo,et al.,Fabric defect detection using local contrast deviations,Multimedia Tools and Application,52:147-157,2011.]。

基于频谱分析的方法可以弥补这些缺点，将图像变换到频域可以更好地描述图像的整体特性，从而有效地检测织物疵点（参考文献[2]:A.Serdaroglu,A.ErtuzunandA.Ercil,Defect detection in textile fabric images using wavelet transforms and independent component analysis,Pattern Recognit.Image Anal.,16(1):61-64,2006.）。常用的方法有傅立叶变换、小波变换和Gabor变换等。该类方法计算复杂度较高且滤波器组选择对结果影响较大。

基于复杂统计模型的方法通常假定纹理是某种模型下的一个样本，通过学习的方法估计出该模型的参数，再利用假设检验的方法测试待检图像是否符合该参数下的纹理模型[参考文献[3]:Y.Zhang,Z.Luand J.Li,Fabric defect classification using radial basis function network,Pattern Recognition Letters,31(13):2033-2042,2010.]。用于疵点检测的纹理模型主要有高斯马尔科夫随机场、小波域隐马尔科夫树模型等,相应的学习方法主要有三层后向传播网络、高斯核的径向基函数等。该类方法虽然能很好地描述织物图像的纹理信息，但计算量通常很大，而且实现复杂，特别是在线学习尤为困难，识别面积较小的疵点能力较差。

目前提出的算法在一定程度上达到了疵点检测目的，但仍有许多共性的问题和新问题仍然未得到解决或仍待进一步研究：1）布匹种类较多，造成表面纹理多样化（譬如：斜纹、花纹等），大部分算法对纹理比较简单的布匹检测效果好，而对复杂纹理的织物检测效果较差，不能有效地把疵点与背景分离开来；2）织物疵点种类较多，有横裆疵、斜纹疵、弓弧、断纬疵、斑点疵、扭结纱疵等90多种，目前的检测算法一般只能检测特定的几种疵点类型，并且检测精度有待提高。