[发明专利]一种基于多特征矩阵低秩分解的织物疵点检测方法

权利要求书

1.一种基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，其步骤如下：

步骤一：将原始织物图像均匀分成大小相同、互不重叠的图像块；

步骤二：计算每个图像块的多通道二阶梯度方向图，基于P型神经节细胞的编码方式，提取图像块的多个通道二阶梯度特征，将所有图像块多通道特征组成多特征矩阵，实现多通道二阶梯度特征矩阵的提取；

步骤三：对多个特征矩阵建立低秩分解模型，得到MTSP模型；

步骤四：通过方向交替乘子方法对MTSP模型进行求解，得到每个图像块的稀疏矩阵；

步骤五：通过稀疏矩阵求每个图像块的显著度，所有图像块显著度组合得到显著图，采用阈值分割算法对显著图进行分割定位疵点区域；

所述MTSP模型为：

其中，L_o表示在o方向分解出的低秩矩阵，S_o表示在o方向上分解出的稀疏矩阵；||·||_*表示矩阵的核范数，||·||₁是l₁范数，λ为控制低秩度和稀疏度的平衡因子；

MTSP模型的求解利用最小化增广拉格朗日函数求解：

其中，为核范数Frobenius范数的平方；Y是拉格朗日乘数；β＞0是惩罚参数；Tr是矩阵的迹；

所述最小化增广拉格朗日函数F使用ADMM交替迭代地搜索最优的低秩矩阵、稀疏矩阵、拉格朗日乘数；每次迭代的方法为：

更新低秩矩阵：当稀疏矩阵和拉格朗日乘数固定时，更新

其中，表示在第o个方向上、第k次迭代计算得出的低秩矩阵；表示在第o个方向上、第k次迭代计算得出的稀疏矩阵；表示在第o个方向上、第k次迭代计算得出的拉格朗日乘数；

更新稀疏矩阵：当低秩矩阵和拉格朗日乘数固定时，得到最小化问题：

其中，表示在第o个方向上、第k+1次迭代计算得出的稀疏矩阵，的封闭解为：

其中，shrink(·)是软阈值函数，且：shrink(Z,t)＝sign(X)max(abs(X)-t,0)其中，Z表示要处理的对象，t为设置的阈值，max(·)表示取最大值操作，abs(·)表示取绝对值操作；

更新拉格朗日乘数：通过以下公式获得

2.根据权利要求1所述的基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，把大小为A×B的图像X均匀分为大小为m×m的图像块X_i，其中i＝1,2,……,N，N为图像块的数目，图像块互不重叠；其中，m为16，A和B取值为大于等于256、小于等于1024的整数，为向下取整。

3.根据权利要求1所述的基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，所述计算每个图像块的多通道二阶梯度方向图的方法为：

(1)计算每个图像块X_i各个方向的一阶梯度方向图：其中，o是梯度方向，H表示梯度方向数，即通道的个数；(·)⁺是非负算子；

(2)将一阶梯度方向图G_o作为输入，计算其二阶梯度图：

4.根据权利要求1所述的基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，所述多通道二阶梯度特征矩阵的提取方法为：

(1)将每个二阶梯度图Gsec_o采用S+1不同尺度∑_s的高斯卷积核进行卷积，其中1≤s≤S，S为尺度数，生成二阶高斯卷积方向图其中，*为卷积操作，为尺度是∑_s的高斯卷积核；

(2)对二阶高斯卷积方向图的每个方向，用相邻两幅梯度方向图的小尺度二阶高斯卷积方向图减去大尺度二阶高斯卷积方向图得到二阶DoG卷积的梯度方向图：在每个方向下共得到S个二阶DoG卷积的梯度方向图；

(3)分别提取N个图像块X_i的多个通道的多尺度特征维数为d；然后将所有图像块的多尺度特征特征组成特征矩阵每个通道特征分别生成一个特征矩阵F_o，则一个图像的特征表示为多特征矩阵：F＝[F₁,F₂,...,F_H]。