[发明专利]一种基于无监督分割和ELM的织物缺陷检测和分类方法

权利要求书

1.一种基于无监督分割和ELM的织物缺陷检测和分类方法，其特征在于：首先输入织物缺陷图像，实现织物缺陷图像分割，得到分割后的织物缺陷图像；其次提取分割后的织物缺陷图像的形状特征、以及织物缺陷图像的纹理特征，实现织物缺陷图像的特征提取；然后将待分类织物缺陷图像的特征集和标签作为训练集，训练ELM分类器，得到ELM分类器参数；最后通过训练后的分类器，根据贝叶斯概率融合，实现织物缺陷图像分类，输出织物缺陷图像分类结果；

具体步骤如下：

Step1、输入织物缺陷图像G_’，通过抽取图像G_’补丁{x_i}建立数据矩阵X＝[x₁,x₂,…,x_i,…,x_n]，x_i∈R^w，w表示图像G_’补丁x_i的维度，n表示图像G_’补丁x_i的总数，即X包含维度是w的n个列向量；基于欧几里得距离E(i)＝||x_i-x||²，其中x是{x_i}的均值，消除数据矩阵X的离群值得到训练数据，X_c＝[x₁,x₂,…,x_i,…,x_c]，1≤i≤c＜n，x_i∈R^w，w表示图像G_’补丁x_i的维度，其中c表示训练数据X_c中图像G_’补丁x_i总数，即X_c包含维度是w的c个列向量；寻找一个字典D，以最小平方误差代表训练数据X_c中每一个点，由非凸函数公式a_i是维数为k的每个x_i的系数向量，通过假设变量D或a已知，使非凸函数变成一个凸函数，根据迭代优化公式产生了一个学习后字典D＝[d₁,d₂,...,d_i,...,d_k]，d_i∈R^w，i≤k＜n，其中k表示学习后字典D中元素总数，表示迭代求解次数，A＝[a₁,a₂,...,a_i,...,a_n]；然后，计算原始补丁x_ψ和基于学习后字典D近似补丁的像素差来构建异常图，γ是用户自定义的用来控制分割灵敏性的参数，是用来减少远离中心像素ψ的那些像素的影响的权重项，由二维对称高斯函数计算出，其中标准偏差σ'决定曲线形状，σ'＝2，以保证异常图中发现更多缺陷区域，用来控制补丁像素ψ_’上的加权分布；最后，使用2D最大熵及形态学操作分割异常图中缺陷区域，得到分割后织物缺陷图像G_”；

Step2、采用Hu不变矩提取分割后的织物缺陷图像G_”形状特征；采用基于最优小波包技术的小波包分解织物缺陷图像G_’，得到织物缺陷图像G_’的最优分解的小波包系数，计算香农熵提取织物缺陷图像G_’的纹理特征；

Step3、将待分类织物缺陷图像集G＝{G₁,G₂,...G_z}通过Step1、Step2的方法处理后得到形状、纹理特征集以及织物缺陷所属标签，输入两个ELM-OAA分类器进行分类训练；

Step4、基于提取的织物缺陷图像G_’的纹理特征以及分割后的织物缺陷图像G_”的形状特征集，采用训练后的ELM-OAA分类器和贝叶斯概率融合，实现织物缺陷图像G_’的分类，输出织物缺陷图像G_’分类结果。

2.根据权利要求1所述的基于无监督分割和ELM的织物缺陷检测和分类方法，其特征在于：所述Step3和Step4中为标记一个无标签织物缺陷图像G_’，从织物缺陷图像G_’的纹理特征以及分割后的织物缺陷图像G_”的形状特征Kt，Kt＝2选择一个单一特征分别输入到每一个训练的ELM-OAA分类器，并利用贝叶斯概率融合标记织物缺陷类别，最终实现织物缺陷图像G_’分类。