[发明专利]一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法

说明书

本发明公开了一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法，包括光照校正阶段，背景纹理去除阶段和提取视觉显著特征阶段；所述光照校正阶段通过光照校正方法解决纺织品图像受到光照不均匀影响的问题；所述背景纹理去除阶段通过L₀梯度最小化方法去除纺织品图像的背景纹理；所述提取视觉显著特征阶段通过提取纺织品图像的视觉显著特征进行纺织品瑕疵的检测与识别。本发明的有益效果：本发明提供了一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法，该方法从全局角度对图像进行光照校正、从局部角度增强图像的对比度，结合视觉显著特征，提高了对受光照影响的纺织品图像的瑕疵检测效果。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及图像特征提取。

背景技术

纺织品的瑕疵缺陷会带来巨大的经济损失，保证纺织品的质量、检测纺织品的瑕疵尤为重要。现今，纺织品的瑕疵检测主要针对2类织物：1)没有复杂的纹理图案，结构简单，多为纯色纺织品。2)具有复杂图案，含周期性的纺织品。

对于第1类织物，研究方法已经较为成熟。主要分为：1)统计法，如共生矩阵法、形态学法；2)谱方法，如傅里叶变换、小波变换、Gabor滤波；3)模型法，如Markov随机场模型；4)训练法，如神经网络；统计法和谱方法对于面积过大或者过小的瑕疵容易造成误检。模型法需要预先定义模型，且对于不同类型瑕疵需要定义不同模型，不具有普适性。训练法需要大量样本作为训练集，并且训练参数需要耗费很长时间。对于第2类织物，如今较为成熟可用的方法不多，主要为有监督的基于小波预处理的黄金图像相减法(WaveletPreprocessed Golden Image Subtraction，WGIS)、布林带法(Bollinger Bands，BB)、规则带法(Regular Bands，RB)、棋盘法(Elo Rating，ER)。这类方法实时性不佳，检测瑕疵的查准率和查全率都有待提高。

频率调谐显著性算法(Frequency-tuned Salient Region Detection，FT)将瑕疵图像由RGB(Red Green Blue)颜色空间转到LAB颜色空间，利用瑕疵与背景颜色、亮度的差异将瑕疵视为具有显著性特征的区域。基于小波变换的低层视觉显著性检测算法采用多方向的小波对LAB颜色空间的三通道分别进行二维离散小波变换，采用全局与局部特征融合的方式形成瑕疵区域的显著图。

在采集纺织品瑕疵图像过程中，易受到光照不均匀的影响，增大图像特征提取的难度，提高瑕疵检测的误检率，传统的直方图均衡法和自商图像法易使图像过增强，光照校正效果不佳。近年来，同态滤波法和基于Retinex理论的方法被广泛用于图像的光照校正。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述纺织品瑕疵检测过程中存在不均匀光照影响、复杂纹理干扰以及需要大量样本的问题，提出了本发明。

因此，本发明提供了一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法，提高瑕疵检测率和增强检测的鲁棒性。

为了解决上述技术问题，本发明提供如下技术方案：首先，利用多尺度侧窗引导滤波提取瑕疵图像的光照分量，然后利用光照分量的分布特性调整构造的二维伽马校正函数的参数，提高光照过暗区域的亮度值，结合局部对比度增强算法实现从全局和局部角度对图像进行自适应的光照校正。其次，利用L₀梯度最小化方法去除纺织品图像的背景纹理。然后将纺织品图像表示为四元数图像，图像中的每个像素由一个颜色、强度和运动特征组成的四元数表示，并利用四元傅里叶变换获得纺织品图像的显著图。最后，对显著图进行区域生长分割，实现瑕疵与背景的分离，并用形态学操作去除细小的可能造成误检的非瑕疵点，完成瑕疵检测流程。