[发明专利]一种基于机器视觉的大圆机织物疵点检测与分类方法

权利要求书

1.一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：包括：

步骤1、通过图像采集设备采集织物图像；

步骤2、取样本织物图像进行预处理，其包括：

步骤21、对织物图像进行直方图均衡化处理，得到增强图像；

步骤22、对增强后的织物图像进行自适应高斯滤波处理；

步骤3、对预处理后的图像进行灰度共生矩阵算法处理，其包括：

步骤31、对预处理后的图像灰度级量化；

步骤32、灰度共生矩阵提取，并进行特征值计算；

步骤4、采用特征值对随机森林分类器进行训练优化，之后进行分类检测，其包括：步骤41采用特征值对随机森林分类器进行训练优化；

步骤42、采用优化后的随机森林分类器对织物图片进行分类检测。

2.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤21进一步具体为：对织物图像大小进行尺寸调整和灰度化处理，调整尺寸为256×256；使用直方图均衡化算法对灰度图像进行直方图均衡化处理，得到增强图像。

3.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤22进一步具体为：采用自适应高斯滤波算法对增强后的图像进行滤波处理，逐行扫描织物疵点图像，对每一个像素，以该像素作为中心，计算其周围区域R的统计特征，如果区域R的特征满足选定的噪声判据；根据选定模板计算邻域加权和作为该点响应；如果区域R的特征不满足选定的噪声判据，则不处理该点。

4.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤31进一步具体为：对预处理后的图像灰度级量化到16级，将灰度值除以16后取整，便可将其从0～255转换为0～15。

5.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤32中灰度共生矩阵的提取方法为：

取图像上的任意一点(x，y)，设其灰度值为i，再取偏离它的另一点(x+a，y+b)，其灰度值为j，a和b为固定常数，两个点就组成一个像素对(i，j)，在图像上移动点(x，y)，可以得到不同的(i，j)；如果图像的灰度级数为G，则共有G²种(i，j)；灰度共生矩阵就是每一种(i，j)出现的频率p(x，y，j，θ)构成的k×k方阵；灰度共生矩阵的数学表达式为:

p(i,j,d,θ)＝{[(x,y),(x+a,y+b)|f(x,y)＝i；f(x+a,y+b)＝j]}

式中θ为生成方向，(x，y)表示图像中像素点的位置，f(x,y)表示像素点的灰度值。

6.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤32中特征值计算包括以下5个特征值：

(1)角二阶矩，其定义为灰度共生矩阵元素值的平方和，能够反映图像纹理粗细度和灰度分布均匀程度；

(2)熵：为图像随机性灰度分布的信息量，是图像纹理复杂情况的表征；

(3)对比度：反映局部图像中变化测度；

(4)逆差矩：测量灰度图像的局部图像强度的均匀性；

(5)相关性：是图像中灰度值线性度的测度，表述共生矩阵中各行各列中灰度值之间的相似度。