[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

说明书

本发明公开了一种基于多特征矩阵低秩分解的织物疵点检测方法，包括图像分块及多通道特征矩阵提取、联合低秩分解、显著图生成及分割；将织物图像划分为大小相同的图像块，计算每个图像块的二阶梯度方向图，采用视网膜P型神经节细胞的编码方式提取图像特征，生成特征矩阵；针对特征矩阵构建有效的低秩分解模型，通过方向交替乘子方法进行优化求解，生成低秩矩阵和稀疏矩阵；采用阈值分割算法对由稀疏矩阵生成的显著图进行分割，定位出疵点位置。本发明综合考虑了织物纹理特征的复杂性和疵点种类的多样性，提取能有效表征织物纹理特性的二阶特征，采用联合低秩分解模型有效地实现疵点与背景的快速分离，具有较高的检测精度。

技术领域

本发明涉及纺织品图像处理的技术领域，尤其涉及一种基于多特征矩阵低秩分解的织物疵点检测方法，使用多通道二阶梯度特征提取、低秩分解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的重要环节。传统的人工检查结果受人类的主观影响较大，使得检测的准确性和实时性难以保证。因此，基于图像处理的织物疵点自动检测技术已成为近年来的研究热点。

目前，根据织物种类的不同，疵点检测算法主要分为两类，一类是针对背景较为简单的平纹或斜纹图像，一类是针对背景纹理复杂的模式图像。其中针对背景较为简单的平纹或斜纹图像的疵点检测方法主要分为：统计学方法、频谱分析方法、模型法、稀疏表示及字典学习方法等。基于统计学方法从图像中提取不同的纹理特征，利用图像灰度空间分布，将背景纹理和疵点通过统计特性的差异区分开。频谱分析法的基本思想是将图像变换到某个频域下，对频谱稀疏进行异常分析，从而定位疵点。常用的变换有：傅里叶变换，小波变换和Gabor滤波器。基于模型的方法假设正常织物纹理符合一定的分布，进行建模和参数估计。通过分析图像是否符合正常模型进行疵点检测，主要有高斯马尔科夫随机场模型、Poisson模型、Wold模型。稀疏表示及字典学习方法首先通过训练图像或测试图像自身学习出字典集，然后利用稀疏求解重构正常织物图像，并计算与测试图像的残差，最后利用阈值分割残差图像定位出疵点区域。

上述疵点检测方法在平纹和斜纹织物上取得了不错的检测效果。但模式织物由于其纹理的复杂性，上述方法不能有效用于模式织物疵点检测。研究人员针对模式织物图像，研究了相应的检测方法，如：布林带法(BB)、散列函数法、黄金图像减法(GIS)和图像分解法(ID)。布林带法(BB)是一种基于移动平均和标准差度量的高效快速的变换方法，主要思想是基于模式织物纹理的周期规则性；它适用于清晰织物图像疵点的分割，但疵点区域小于模式织物的重复单元时，不能检测出疵点，而且对疵点区域和背景区域较强的对比度比较敏感。散列函数法也是模式织物疵点检测算法之一。散列函数法是一维方法，计算速度快，但它对织物疵点纹的微小变化和噪声非常敏感。黄金图像减法(GIS)可以从正常织物图像中获取重复单元，GIS可以检测出织物疵点的形状；但是对于对比度较高的黑白色织物图像，疵点区域定位阈值的选择需要进一步研究。为了检测模式织物疵点，Ng等根据图像分解方法(ID)把目标图像分解对应于织物疵点的卡通结构和对应于重复模式的纹理结构。通过给定的正常织物图像和测试图像的纹理结构之间的最大相关性来优化ID，图像分解方法可以在高质量的模式织物上取得了不错的效果。但由于直接在像素域进行的图像分解，且需要一幅正常织物图像作为参考，因此对有偏转或亮度不均匀的织物图像，检测效果较差。

低秩分解模型认为图像可以有两部分组成：低秩部分(背景)及稀疏部分(目标)。低秩部分处于一个低维特征子空间中，可以表示为一个低秩矩阵；稀疏部分和该低秩子空间相背离，可以表示为一个稀疏矩阵。对于不同的织物图像，大面积的正常区域视觉上都是一致的，处于一个低秩子空间中。疵点区域和背景区域相背离，属于稀疏部分。因此，相比对自然场景中的目标检测，织物疵点检测更好地符合了低秩分解模型。

然而，直接针对织物图像的像素矩阵，或通过简单特征提取构成的特征矩阵进行低秩分解，对复杂纹理的织物图像效果较差。原因在于，像素值或提取的简单特征，不能有效描述复杂的纹理，造成背景区域特征与疵点区域特征区分性不大，不能使正常背景处于一个低秩子空间中。因此有效的织物图像特征提取对低秩分解模型的性能至关重要。