[发明专利]一种基于HOG和低秩分解的织物疵点检测方法

说明书

技术领域

本发明涉及纺织品图像处理的技术领域，具体涉及一种基于HOG(Histogram of oriented gradient，方向梯度直方图)和低秩分解的织物疵点检测方法，利用图像的低秩分解方法和显著性分析方法对织物疵点图像进行疵点的检测和定位。

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了越来越广泛的应用。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方法是该类系统的核心环节，直接影响着布匹疵点自动检测系统的性能。

目前，提出的织物疵点检测方法主要以传统统计学习及频谱分析为基础，可以分为基于特征提取和基于非特征提取两类。基于特征提取的方法从织物图像的空域或频域提取有效的织物特征或疵点特征，利用特征差异区分织物异常部分和正常织物的纹理。空域方法包括邻域信息、灰度共生矩阵和奇异值分解等方法；频域方法包括傅里叶变换、小波变换、Gabor变换等方法。由于织物纹理和疵点的多样性，造成所提取特征难以适应不同种类的织物及疵点，自适应性不强。基于非特征提取的检测方法中，Gabor滤波是最有效的方法。Gabor滤波的方法无需直接提取织物纹理和疵点特征，利用一系行优化后的Gabor滤波器，直接将疵点从滤波后的图像中提取出来。然而，该方法疵点检测结果依赖于滤波器和特定的织物纹理及疵点特征的匹配准度，且滤波器参数选择非常复杂。

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: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: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。

目前提出的方法在一定程度上达到了疵点检测的目的，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)，大部分方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，目前的检测方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。

近些年来，基于低秩分解的方法已经广泛应用于目标检测中，而对于织物的疵点检测同样属于目标检测的范畴。故此，我们首次将低秩分解的思想应用到织物的疵点检测中，但鉴于织物图像背景纹理的复杂性和疵点类型的多样性，若仅仅只是把低秩分解应用到织物疵点检测中，效果并不是太明显。

发明内容

为了解决上述技术问题，本发明提供了一种基于HOG和低秩分解的织物疵点检测方法，实现对织物图像疵点的有效检测与定位，并具有较高的检测精度。

为了达到上述目的，本发明的技术方案是：一种基于HOG和低秩分解的织物疵点检测方法，其步骤如下：

步骤一：对原始疵点图像进行无重叠、均匀的分成大小相等的图像块；

步骤二：对每个图像块进行HOG特征提取，将HOG特征垂直排列成特征向量，将所有图像块的特征向量组合成特征矩阵；