[发明专利]一种基于机器教学模式下的显著性织物疵点检测方法

权利要求书

1.一种显著性织物疵点检测方法，其特征在于，所述方法包括：

S1：对待检测图像进行预处理，构建粗略显著性图像；

S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像；

S3：利用阈值分割对细化后的显著性图像进行分割，获得疵点检测结果；

所述S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像，包括：通过模糊连接性评估各超像素的传播难易度，根据传播难易度对各超像素进行排序；

利用教学模型对排序后的各超像素进行从易而难的显著性传播；

所述通过模糊连接性评估各超像素的传播难易度，包括：

构建模糊空间，描述所述构建的模糊空间内各超像素间的邻近关系；

通过隶属函数评估待检测图像中感兴趣物体的均匀性分量和特征分量μ_φ(c，d)；c和d表示两个像素；

利用模糊连接度定义模糊空间中各超像素间的模糊关系，并对各超像素间的传播难易度进行排序。

2.根据权利要求1所述的方法，其特征在于，所述S1：待检测图像进行预处理，构建粗略显著性图像，包括：

利用角点检测获得疵点织物图像，所述疵点织物图像为包含凸包的图像；

利用超像素分割的方法将待检测图像分割为不同的超像素集合，每个超像素集合为关联的超像素点的聚类。

3.根据权利要求2所述的方法，其特征在于，所述均匀性分量为：

其中，为：其中的为标准差；f(c)和f(d)分别表示像素c和d的像素灰度值；

所述特征分量μ_φ(c，d)为：

其中

w_o(c，d)＝min[W_o(f(c))，W_o(f(d))]

w_b(c，d)＝max[W_b(f(c))，W_b(f(d))]

其中W_o和W_b分别为像素强度的目标隶属函数和背景隶属函数；其中目标隶属函数为：

其中m_o与k_o分别表示待检测图像中感兴趣物体的均值和标准差；

背景隶属函数为其中m_b与k_b分别为待检测图像中背景的均值和标准差。

4.根据权利要求3所述的方法，其特征在于，所述利用教学模型对排序后的各超像素进行从易而难的显著性传播，包括：

随机分配排序后靠前的简单超像素进行学习，根据学习的反馈效果，调整任务量，学习的反馈结果根据置信度ConScore进行判断；

通过不断迭代优化，直至未标记的超像素集合为空集，此时完成显著性传播。

5.根据权利要求4所述的方法，其特征在于，所述利用角点检测获得疵点织物图像，为利用Harris角点检测法获得疵点织物图像，包括：

建立数学模型，利用局部窗口在待检测图像上进行移动，定义角点响应函数R，通过判定R大小确定角点位置；

将各角点连接起来形成一个将疵点目标包围的凸包，所述疵点织物图像即为包含有凸包的图像。

6.根据权利要求5所述的方法，其特征在于，所述超像素分割的方法为线性迭代聚类算法，包括：

初始化种子点；

在种子点的Q′*Q′邻域内重新选择种子点：计算Q′*Q′邻域内所有像素点的梯度值，将种子点移到Q′*Q′邻域内梯度最小的地方；

在每个种子点周围的邻域内为每个像素点分配类标签；

分别计算每个种子点周围的邻域内为每个像素点和该种子点的距离；

利用空间像素间的距离计算公式分别计算第k个聚类中心与第i个像素点间的颜色距离与空间距离，并计算归一化后的度量距离；

迭代优化直至误差收敛为0。

7.根据权利要求6所述的方法，其特征在于，所述S3：利用阈值分割对细化后的显著性图像进行分割，获得疵点检测结果，包括：

对细化后的显著性图像进行像素分类处理；

设细化后显著性图像的灰度值为F(x，y)，B(x，y)表示阈值分割后的图像；T为阈值；则

(x，y)即为显著性图像中像素点的位置坐标。