[发明专利]一种基于判别共享字典的机织物纹理重构方法

说明书

本发明涉及一种基于判别共享字典的机织物纹理重构方法。首先对机织物纹理样本图像进行直方图均衡化处理增强其纹理特征，将经划分后的图像块映射至一维列向量后合并得到图像矩阵；建立判别共享字典学习模型DSDL；将图像矩阵输入到DSDL模型中并对模型进行优化求解，得到结构化字典D、共享字典D₀和完备的稀疏系数矩阵对于新的机织物纹理测试图像，经过相同的预处理后基于上一步得到的D和D₀利用匹配追踪算法计算其对应的稀疏系数；将稀疏系数与D和D₀作矩阵乘法即可得到该测试图像的重构图像。本发明能对多种类别的机织物纹理同时进行分析，分别提取他们的判别特征和共享特征，可以应用于一般情况下的纹理分析和纹理重构问题。

技术领域

本发明属图像分析处理技术领域，涉及一种基于判别共享字典的机织物纹理重构方法，应用于机织物纹理表征和重构领域。

背景技术

基于字典学习的稀疏表征模型是计算机视觉、模式识别和纹理重构领域的研究热点，这主要是由于该模型是通过自适应的学习字典而不是预定义字典(如DCT字典)中部分列向量(原子)的线性组合来近似纹理图像，并且该模型在不同领域都取得了优异成果，包括压缩感知、图像去噪、图像修复以及织物纹理重构等，这表明基于稀疏编码的学习字典能自发地“学习”到数据本身的规律，与主成分分解及其衍生算法不同，稀疏表征模型并没有对基向量施加正交约束，因此该模型能更加灵活地适应真实世界中的数据分布。

具体地，对于含有N个样本的数据集表示其中一个样本，稀疏表征模型假设Y＝DX+E，其中是一个含有k个列向量(列向量又被称为原子)的超完备字典，E作为噪声项可提高模型的鲁棒性，在系数更新阶段，稀疏系数通过求解追踪问题获得：

其中||X||₀表示矩阵X中非零元素的个数。解决追踪问题的传统算法是贪婪算法(如匹配追踪(MatchingPursuit,MP)、正交匹配追踪(Orthogonal Matching Pursuit,OMP))或者凸松弛算法(如基追踪(Basis Pursuit,BP))。

字典更新阶段，字典D可通过l₂范数优化问题求解：

常用的解决以上字典学习问题的算法为K-SVD、MOD、Double sparsity和在线字典学习(Online dictionary learning,ODL)等等。

织物纹理分析方面，文献1(Unsupervised fabric defect segmentation usinglocal patch approximation.The Journal of The Textile Institute 2016；107:800-809)首次采用字典学习方法表征织物纹理，并将其应用于织物疵点检测，取得了较高准确率，召回率也在可接受范围之内，表明模型具有优异的鲁棒性能，但其模型针对某一特定纹理的重复表征不能保证所学习的字典和稀疏系数的唯一性；文献2(基于子窗口字典学习的机织物纹理表征及应用[J].东华大学学报(自然科学版),2019,45(03):375-380)提出的基于子窗口字典学习模型将整幅图像划分为多个子窗口样本，并将子窗口样本展成列向量，所有的列向量联合组成灰度数据矩阵，并对字典个数和子窗口大小进行优化，结果表明，应用学习得到的字典能近似重构机织物纹理样本图像；文献3(Fabric texturerepresentation using the stable learned discrete cosine transformdictionary.Textile Research Journal 2019；89:294-310)提出的稳定典学习模型能够在多次重复实验中学习到一致的字典和稀疏系数，另外，该文献还分析了织物组织结构参数对纹理表征结果的影响，但其模型只能应用于某一种机织物纹理的表征，未能实现多种类别的机织物纹理同时进行分析。