[发明专利]一种基于小波分解的织物疵点区域特征值提取的方法

说明书

技术领域

本发明属于图像处理领域，具体涉及到一种基于小波分解的织物疵点区域特征值提取的方法。

背景技术

随着现代科学技术的快速发展，工业自动化水平日益提高，尤其微电子技术、计算机信息技术和互联网技术的飞速发展，工业智能化已成为新的发展趋势。工业自动化水平也和其他工业领域一样，自动化程度越来越高。但织物质量检测作为纺织品质量控制的重要环节，却一直没有实现自动化，其中疵点检测是最重要的检验项目。

目前，实际生产中只是要求检测是否存在疵点、并标记出疵点的位置，人工检测一般也仅能实现这些功能，仅有少数的人工验布机上增加了疵点分类计数器，操作员根据自己对疵点类型的判断，按下计数器键盘上相应按键进行计数。显然，这种疵点分类计数很不实用。因为当工人按下计数器键盘按键时，眼睛要离开被检测的布匹，但此时验布机上的布匹依然在运动，势必会有疵点被漏检。为此，要实现疵点自动检测，在确定疵点区域后，还需要对疵点区域的纹理特征进行提取，以便根据疵点区域特征值与正常织物标准特征值的比较，来确定疵点的种类。

发明内容

发明目的：针对上述问题，本发明的目的是提供一种基于小波分解的织物疵点区域特征值提取的方法，确定疵点区域后，对疵点区域的纹理特征进行提取，根据疵点区域特征值与正常织物标准特征值的比较，来确定疵点的种类，为实现疵点自动检测提供理论基础。

技术方案：为实现上述目的，本发明采用如下技术方案：

一种基于小波分解的织物疵点区域特征值提取的方法，其特征在于，包括如下步骤：

步骤101，采用Mallat快速算法对含有疵点的织物图像进行小波分解，得到四个子图像(低频子图、水平子图、垂直子图、对角线子图)，分解公式如下：

其中，h(-k)、g(-k)分别为低通滤波器和高通滤波器的单位抽样响应，c_j(k,l)表示尺度系数，c_j+1(m,n)、分别表示低频子图、纬向子图、经向子图和对角线子图；

步骤102，对子图像进行图像窗口分割，并提取能量、极差、方差、熵、逆差距五个特征值，其包括：

步骤102，人工神经网络的方法对子图像进行图像窗口分割，并提取能量、极差、方差、熵、逆差距五个特征值，其包括：

步骤1021，人工神经网络的方法对子图像进行图像窗口分割，表达式为：

式中，基函数φ_j(x)可以是关于输入m次幂的多项式

步骤1022，计算能量特征值，表达式为：

或

式中，H_ij表示像素点(i),j的灰度值，M、N分别表示图像的高度和宽度；

步骤1023，计算熵特征值，其表达式为：

式中，E_h和E_v分别表示纬向和经向纹理熵值；

步骤1024，计算方差特征值，其表达式为：

式中，表示整幅图像的灰度均值。

步骤1025，计算极差特征值，其表达式为：

式中，M_h和M_v分别表示纬向和经向极差。

步骤1026，计算逆差距特征值，其表达式为：

步骤103，织物图像窗口分割后，提取各个子图的特征值，对能量、极差、方差、熵、逆差距五个特征值进行归一化处理，归一化表达式为：

式中，y表示待检织物的相对特征值，x表示待检织物的绝对特征值，表示待检织物的绝对特征值的均值，x_max、x_min分别表示正常织物特征值的最大值和最小值。

有益效果：与现有技术相比，本发明的优点提供一种基于图像处理的织物疵点区域的识别与提取的方法，对织物疵点自动检测涉及疵点纹理特征值提取，得到了疵点区域的位置、形状和大小等基本信息，根据疵点区域特征值与正常织物标准特征值的比较，来确定疵点的种类，为实现疵点自动检测提供理论基础。

附图说明

图1是基于小波分解的疵点区域特征值提取的方法的流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明。

如图1所示，基于小波分解的疵点区域特征值提取的方法，包括如下步骤：