[发明专利]基于深度特征和NTV-RPCA的织物疵点检测方法

权利要求书

1.一种基于深度特征和NTV-RPCA的织物疵点检测方法，其特征在于，其步骤如下：

步骤一：特征提取：将织物图像输入深度网络VGG16中，利用深度网络VGG16中的各个卷积层分别提取织物图像对应的多层次深度特征，根据每一层次深度特征建立织物图像对应的深度特征图；

步骤二：图像分块：对每一层次的深度特征图进行均匀重叠分块，并分别计算每一层次的深度特征图对应的特征矩阵；

步骤三：模型构建及求解：根据非凸全变差正则项和低秩分解模型构建NTV-RPCA模型，并采用ADMM算法对包含特征矩阵的NTV-RPCA模型进行交替迭代搜索获得最优的稀疏矩阵；

步骤四：显著图生成及融合：根据步骤三中求得的稀疏矩阵生成多个显著图，再采用低秩分解模型对多个显著图进行融合，获得织物图像的最终显著图；

步骤五：阈值分割：采用自适应阈值分割方法对最终显著图进行阈值分割，定位出织物图像的疵点位置。

2.根据权利要求1所述的基于深度特征和NTV-RPCA的织物疵点检测方法，其特征在于，所述步骤一中利用深度网络VGG16获得织物图像的多层深度特征图的方法为：深度网络VGG16包含13个卷积层，织物图像通过深度网络VGG16生成对应的13组深度特征图，每组深度特征图包含H维特征图，特征图的大小为M×M；针对第l个卷积层，第l组深度特征图中的特征图h的第i个像素的激活特征为x_ih,l，则第l组深度特征图中的第i个像素的深度特征f_i,l为：f_i,l＝[x_i1,l,x_i2,l,...,x_ih,l,...,x_iH,l]，其中，l＝1,2，…，13，h＝1,2,…,H，i＝1,2,…,M,M+1,…,M×M。

3.根据权利要求1或2所述的基于深度特征和NTV-RPCA的织物疵点检测方法，其特征在于，所述步骤二中的均匀重叠分块的方法为：将大小为M×M×H的第l组深度特征图均匀重叠分为m×m×H的图像块{R_jH,l}_{j＝1,2,…,N}，图像块重叠的步长为n，其中，H为每组深度特征图包含的特征图的数目，N为图像块的数目，且m为图像块的大小。

4.根据权利要求3所述的基于深度特征和NTV-RPCA的织物疵点检测方法，其特征在于，所述第l组深度特征图对应的特征矩阵的计算方法为：其中，为图像块R_jH,l的特征向量，f_jz,l是第l组深度特征图的第j个图像块的第z个像素点的特征向量，z＝1,2,…,m,m+1,…,m×m。

5.根据权利要求4所述的基于深度特征和NTV-RPCA的织物疵点检测方法，其特征在于，所述步骤三中建立NTV-RPCA模型的方法为：

其中，F_l为第l组深度特征图的特征矩阵，L_l为特征矩阵F_l分解后的低秩矩阵，S_l为特征矩阵F_l分解后的稀疏矩阵，||L_l||_*为低秩矩阵L_l的核范数，||S_l||₁为稀疏矩阵S_l的l₁范数，||S_l||_NTV为稀疏矩阵S_l的非凸全变差正则项，β、γ均为特征矩阵的平衡系数；

所述NTV-RPCA模型是凸优化问题，引入辅助变量J_l＝S_l，则公式(1)可转化为公式(2)：

通过最小化下面的增广拉格朗日函数F'对公式(2)进行求解：

其中，Y₁和Y₂均为拉格朗日乘子，·表示两向量的内积，表示Frobenius范数，μ＞0为一个惩罚项。