[发明专利]一种基于小波分解的织物疵点区域特征值提取的方法

摘要

本发明公开了一种基于小波分解的织物疵点区域特征值提取的方法，属于图像处理领域，其包括如下步骤步骤101、采用Mallat快速算法对含有疵点的织物图像进行小波分解，得到四个子图像(低频子图、水平子图、垂直子图、对角线子图)；步骤102、基于人工神经网络的方法对子图像进行图像窗口分割，并提取能量、极差、方差、熵、逆差距五个特征值；步骤103、对特征值进行归一化处理；该方法采用Mallat快速算法对含有疵点的织物图像进行小波分解，基于人工神经网络的方法对子图像进行图像窗口分割，可以解决疵点自动检测的问题，在确定疵点区域后，还需要对疵点区域的纹理特征进行提取，以便根据疵点区域特征值与正常织物标准特征值的比较，来确定疵点的种类。

主权项

一种基于小波分解的织物疵点区域特征值提取的方法，其特征在于，包括如下步骤：步骤101，采用Mallat快速算法对含有疵点的织物图像进行小波分解，得到四个子图像(低频子图、水平子图、垂直子图、对角线子图)，分解公式如下：cj+1(m,n)=ΣkΣlh(k-2m)h(l-2n)cj(k,l)---(1)]]>dj+11(m,n)=ΣkΣlh(k-2m)g(l-2n)cj(k,l)---(2)]]>dj+12(m,n)=ΣkΣlg(k-2m)h(l-2n)cj(k,l)---(3)]]>dj+13(m,n)=ΣkΣlg(k-2m)g(l-2n)cj(k,l)---(4)]]>其中，h(‑k)、g(‑k)分别为低通滤波器和高通滤波器的单位抽样响应，cj(k,l)表示尺度系数，cj+1(m,n)、分别表示低频子图、纬向子图、经向子图和对角线子图；步骤102，人工神经网络的方法对子图像进行图像窗口分割，并提取能量、极差、方差、熵、逆差距五个特征值，其包括：步骤1021，人工神经网络的方法对子图像进行图像窗口分割，表达式为：y(x,w)=f(Σj=1Mwjφj(x))---(5)]]>式中，基函数φj(x)可以是关于输入m次幂的多项式；步骤1022，计算能量特征值，表达式为：或式中，Hij表示像素点(i),j的灰度值，M、N分别表示图像的高度和宽度；步骤1023，计算熵特征值，其表达式为：Eh=-Σj=1Nvjlnvj---(7)]]>Ev=-Σi=1Mwilnwi---(8)]]>式中，Eh和Ev分别表示纬向和经向纹理熵值；步骤1024，计算方差特征值，其表达式为：σ=Σi=1MΣj=1N(Hij-H‾)2/MN---(9)]]>式中，表示整幅图像的灰度均值；步骤1025，计算极差特征值，其表达式为：Mh=Σj=1N(max1≤i≤MHij-min1≤i≤MHij)---(10)]]>Mv=Σi=1M(max1≤j≤MHij-min1≤j≤MHij)---(11)]]>式中，Mh和Mv分别表示纬向和经向极差；步骤1026，计算逆差距特征值，其表达式为：h=Σi=1MΣj=1N11+(i-j)2Hi,j---(12)]]>步骤103，织物图像窗口分割后，提取各个子图的特征值，对能量、极差、方差、熵、逆差距五个特征值进行归一化处理，归一化表达式为：y=x-x‾xmax-xmin---(13)]]>式中，y表示待检织物的相对特征值，x表示待检织物的绝对特征值，表示待检织物的绝对特征值的均值，xmax、xmin分别表示正常织物特征值的最大值和最小值。