[发明专利]一种基于HOG和低秩分解的织物疵点检测方法

摘要

本发明公开了一种基于HOG和低秩分解的织物疵点检测方法，包括图像分块及特征提取、低秩模型构建及优化求解、显著图的生成及分割三部分。首先，将织物图像划分为大小相同的图像块，并提取每个图像块的HOG特征组成特征矩阵；然后，针对特征矩阵构建有效的低秩分解模型，通过交替方向法对其进行优化求解，生成低秩矩阵和稀疏矩阵；最后采用最优阈值分割算法对由稀疏矩阵生成的显著图进行分割，从而定位出疵点区域。本发明综合考虑织物纹理特征的随机性和疵点种类的多样性，提取能有效表征织物纹理特性HOG特征，并采用低秩分解模型，有效的实现疵点信息的快速分离，具有较高的检测精度。

主权项

一种基于HOG和低秩分解的织物疵点检测方法，其特征在于，其步骤如下：步骤一：对原始疵点图像进行无重叠、均匀的分成大小相等的图像块；步骤二：对每个图像块进行HOG特征提取，将HOG特征垂直排列成特征向量，将所有图像块的特征向量组合成特征矩阵；步骤三：构建低秩分解模型：将特征矩阵分解为低秩矩阵和稀疏矩阵；步骤四：利用方向交替方法对低秩分解模型进行求解，生成低秩矩阵和稀疏矩阵；步骤五：由分解出的稀疏矩阵生成显著图；步骤六：利用最优阈值分割算法对生成的显著图进行分割，定位出疵点区域；所述HOG特征提取的方法是：1)将处理的图像进行归一化处理；2)对归一化后的图像进行Gamma校正：I(x,y)＝I'(x,y)gamma，其中，I’(x,y)表示归一化的图像，gamma为校正因数，gamma取1/2；3)计算Gamma校正后图像横坐标和纵坐标方向的梯度，计算每个像素位置的梯度方向值；4)把图像分成细胞单元，利用直方图统计每个细胞单元的梯度信息，对梯度直方图进行权重投影；5)将细胞单元组合成大的块，在块内进行细胞单元对比度归一化；6)对图像块中所有的重叠块进行HOG特征的收集；所述将所有图像块的特征向量组合成特征矩阵的方法是：将每个图像块Xi的HOG特征作为该图像块的特征向量fi；组合所有的特征向量fi，i＝1、2、…、n形成特征矩阵F＝[f1,f2,...,fn]，F∈RD×n，其中，D为特征维数；所述构建低秩分解模型的方法是：将特征矩阵F分解成两部分：F＝L+S，其中，L为对应于背景的低秩矩阵，S为显著区域的稀疏矩阵；低秩分解问题表示为：其中，L*和S*表示低秩矩阵和稀疏矩阵的最优解；用凸优化方法优化低秩分解问题：其中，||L||*为低秩矩阵L的核范数，||.||1表示l1范数，λ为控制低秩度和稀疏度的平衡因子；所述低秩分解模型进行求解的方法是：凸优化方法优化低秩分解问题的拉格朗日函数为：其中，Z∈RM×N是线性约束的乘子，M和N分别表示原始图像的宽和高，β＞0是控制约束条件的惩罚项，<·>表示内积运算，||·||为诱导F范数；凸优化方法优化低秩分解的迭代形式为：其中，(Lk,Sk,Zk)是迭代的三维形式；利用方向交替方法产生新的迭代：等价于：方向交替方法产生新的迭代的解为：表示在上的欧拉投影：Uk+1∈Rm×r,Vk+1∈Rn×r通过的奇异值分解得到：且所述最优阈值分割算法的步骤为：1)利用阈值T将图像f像素值分为两类：C1＝{f1(x,y)|fmin≤f(x,y)≤T},C2＝{f2(x,y)|T+1≤f(x,y)≤fmax},其中，fmin，fmax分别为图像灰度的最小值和最大值，T取[fmin,fmax]中的任意值；2)像素各灰度级出现的概率：P(i)＝Ni/N,其中，Ni为像素值i(fmin≤i≤fmax)出现的个数，为图像总的像素数；3)C1及C2类像素平均值：u1=Σi=1TiP(i)P1,]]>u2=Σi=T+1fmaxiP(i)P2,]]>其中，P1和P2分别为C1和C2类像素值出现的总概率，描述为：P1=Σi=fminTP(i),]]>P2=Σi=T+1fmaxP(i),]]>4)根据C1和C2两类的平均值及出现的概率，整幅图像平均值计算如下：u=Σi=fminfmaxiP(i)=P1u1+P2u2,]]>5)则两类的类间方差为：σ2(T)＝P1(u‑u1)2+P2(u‑u2)2；6)根据Fisher准则函数中类内离散度的定义，类内方差定义如下：S1=Σi=fminT(i-u1)2,]]>S2=Σi=T+1fmax(i-u2)2;]]>7)最优阈值T*计算如下：T*=Argmaxfmin≤T≤fmax{(1-P(T))(σ2(T)/(S1+S2))};]]>8)图像分割：