[发明专利]基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法

摘要

本发明提供一种基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法，该方法分析基于照明光源下平坦纺织品表面的数字图像像素灰度信息，将图像分割为互不重叠的网格，计算每个网格的IRM，HOG，GLCM和Gabor特征值，根据特征值分布自动定位纺织品表面瑕疵。本发明特别适用于自动识别在稳定照明光源下采集的纺织品平坦表面灰度数字图像中的纺织品表面瑕疵。

主权项

1.一种基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法，其特征在于：包括训练阶段和测试阶段两个阶段；训练阶段，根据一系列无瑕疵纺织品灰度图像，以下简称无瑕图像或训练样本，计算图格分割所需参数，而后对无瑕图像进行图格分割并计算测试阶段瑕疵识别所需参数；测试阶段，根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格；所述训练阶段包括以下步骤：步骤1：使用形态学成分分析方法计算训练样本卡通成分I_c，将I_c按索引所在的行与列进行分割，获得训练样本图格；步骤2：根据步骤1中获得的训练样本图格，计算任意训练样本的理想行数和理想列数，以获得阈值系数，然后根据训练样本的横向投影和纵向投影计算熵阈值，重复上述步骤以计算得到所有训练样本的阈值系数和熵阈值；步骤3：对于训练样本集中任一训练样本，根据步骤2中所计算的阈值系数和熵阈值，采用HOG特征提取方法计算图格的特征向量，由特征向量计算距离矩阵，将距离矩阵经过傅里叶变换得到计算图格周期；根据图格周期计算图格各特征的理想统计值；所述测试阶段包括以下步骤：步骤4：图像校准，对于图格排列角度未知的测试样本，使用Canny边缘检测方法计算测试样本的边缘，使用Hough变换将边缘投影到参数空间中，取参数空间中前n_θ个峰值所对应的直线斜率的角度θ，根据所取θ旋转测试样本，得到n_θ个旋转图像，根据每个旋转图像的横向投影和纵向投影计算横向投影熵和纵向投影熵的最大值对应的角度将测试样本旋转碍到最终的校准结果；步骤5：测试样本图格分割，对步骤4产生的校准结果，根据步骤2得到的阈值系数重复步骤1得到测试样本校准结果的行分割位置和列分割位置并根据和将测试样本分割为图格；步骤6：瑕疵识别，按照步骤3的方法计算测试样本的特征向量、图格周期、图格各特征的理想统计值以及理想统计值阈值，并将计算结果与理想统计值阈值进行比较，以识别有瑕疵的图格；步骤1训练样本图格分割具体包括以下步骤：对于一个训练样本，使用形态学成分分析方法计算训练样本卡通成分I_c，使用阈值f_c·max(I_c)二值化I_c得到二值图像I_tc，由Moore‑Neighbor跟踪算法获取I_tc中对象的闭合边缘，其中，f_c为阈值系数；对于每个具有闭合边缘的对象，找出该对象行列索引的极值，如果该对象行索引极值之差的绝对值超过0.75·dim_x(I_tc)，或列索引极值之差的绝对值超过0.75·dim_y(I_tc)，则从I_tc中删除该对象，其中，dim_x(I)表示二维图像I的总行数，dim_y(I)表示I的总列数；统计I_tc每行和每列的背景像素个数，按行和列的索引分别排列背景像素个数构成背景像素的横向投影和纵向投影和的峰值分别记为多重集和对和分别应用自适应聚类算法进行聚类，聚类中心分别保存为多重集和和有可能包含多个相近的聚类中心，这些相近聚类中心中的最小值被分别选为阈值和中不小于的峰值按所对应的行索引，记为S′_h；中不小于的峰值按所对应的列索引，记为S′_v；对于S′_h，将S′_h中元素做升序排列，行索引间距的多重集定义为具有行索引连续的稳定行间距的多重集定义如下：其中x_i∈S′_h，i为数值连续的正整数，作为图格分界集合S_h的初始值，其定义如下：类似地，计算和S_v的初始值，定义如下：根据理想行数和理想列数其中和分别表示具有最多元素的和对S_h和S_v进行扩展，即：从min(S_h)开始，以步长向I_tc行索引最小值1移动，即计算检查是否存在满足如果存在x′，则将x′添加进S_h，否则将x添加进S_h并保持S_h中元素升序排列，再次计算并重复上述步骤；类似地，从max(S_h)开始，以步长向I_tc行索引最大值dim_x(I_c)移动，即计算检查是否存在满足如果存在x′，则将x′添加进S_h，否则将x添加进S_h，再次计算并重复上述步骤；对S_v以步长做类似扩展；根据S_h与S_v分别包含的行与列索引，将I_c按这些索引所在的行与列进行分割，分割所得的区域定义为图格，其定义如下：其中i_r，i_c，k₁，且1≤i_c≤|S_v|‑1，因此I_c分割出(|S_h|‑1)·(|S_v|‑1)个而i_r和i_c分别是以图格为单位的行与列索引；步骤2计算阈值系数和熵阈值具体包括以下步骤：对于训练样本集I₁，I₂...I_N和N′个f_c的可选值c₁，c₂...c_N′，根据其中任意训练样本I_i(i＝1，2...N)，通过步骤1可计算N′个理想行数和N′个理想列数共中l＝1，2...N′；在I_i的多重集和多重集中出现次数最多元素所对应阈值系数f_c的取值分别记为c_h(i，l)和c_v(i，l)，定义如下：对于I_i，如果c_h(i，l)与c_v(i，l)相同，则相应索引(i，l)保存在集合中，的定义如下：对于每个即对于I_i，如果至少存在一个l′使得c_h(i，l′)三c_v(i，l′)成立，则与med({c_l})距离最近的c_h(i，l′)参与f_c的计算，f_c的定义如下：其中c_h(i，l)的索引表示取符合定义中的i值；对于训练样本集I₁，I₂...I_N中第i幅图像I_i，根据参数为f_c的步骤1所计算I_i的横向投影和纵向投影分别计算的熵和的熵对于所有训练样本的和分别取这些熵的均值的整数部分得到阈值e_x和e_y；步骤3计算测试阶段参数具体包括以下步骤：步骤3.1计算图格周期，对于训练样本集I₁，I₂...I_N中的第i个训练样本I_i，根据步骤2所计算的阈值系数对I_i重复步骤1可得S_h和S_v，根据S_h和S_v将I_i分割为m×n个图格(m＝|S_h|‑1，n＝|S_v|‑1)；使用HOG特征提取方法计算I_i图格的特征向量并使特征向量索引与其对应的图格索引相同；计算与第i_r行中所有图格的欧氏距离，按计算所涉及图格的列索引升序排列，则可构成距离向量；对于将对应的距离向量按i_c升序排列得到第i_r行的n×n距离矩阵；对于将第i_r行对应的n×n距离矩阵按i_r升序排列得到I_i的行距离矩阵类似地，计算I_i的列距离矩阵对向量进行傅立叶变换，得到的周期与频谱；根据的周期与频谱，计算周期中位值和频谱中位值，即图像行周期和图像行频谱；类似地，构建I_i的列距离矩阵并计算图像列周期和图像列频谱；根据I₁，I₂...I_N，可计算N个图像行周期和对应的N个图像行频谱，计算图像行频谱中位值找出高于的图像行频谱所对应的图像行周期，计算这些图像行周期的中位值对图像列周期和图像列频谱重复相同步骤得到图像列频谱中位值和图像列周期中位值若或或则t取值为1，否则通过比较与相应的频谱大小确定t的取值，即：若则t取否则t取其中，表示图格理想行尺寸行数，表示图格理想行尺寸列数；步骤3.2计算图格各特征的理想统计值，该步骤包括四个子步骤：步骤3.2.1计算特征统计值，步骤3.2.2计算特征统计值排序，步骤3.2.3计算稳定特征元素，步骤3.2.4计算理想统计值；步骤3.2.1计算特征统计值，根据步骤3.1计算训练样本集I₁，I₂...I_N的图格周期t，对于第i个训练样本I_i，根据步骤2分割I_i得到图格通过|T|个输入为二维灰度图像矩阵且输出为一维实向量的特征提取方法f₁，f₂...f_|T|计算I_i图格的特征向量其中，T为特征提取方法名称有序集合；基于f_j的特征向量长度定义为f_j的特征元素数F_j；根据假设条件和图格周期t，I_i中的图格与和的纹理相同而L_1，1，L_2，1...L_t，1的纹理均不相同，其中l₁，因此存在t类纹理不同的图格并且第k类图格在第i_r行和第(i_r+l₁t)行的列索引相同，因此列索引相同的第k类图格可按行列索引升序组成图格矩阵；对于第k类图格，最多存在t个图格矩阵C₁，C₂...C_t，根据组成图格矩阵的图格，由下式计算第k类图格基于f_j的I_i的特征统计值和其中表示图格L是第i_t个图格矩阵的任意元素，表示基于f_j的图格矩阵中所有元素的特征向量中第i_F个元素的多重集，其中且1≤i_F≤F_j，将opt替换为mean，std，max或min时，则定义相应的和步骤3.2.2计算特征统计值排序，计算训练样本I₁，I₂...I_N之间基于f_j的的欧式距离平均值d(j)，其定义如下：对于f₁，f₂...f_|T|，可得对应的d(1)，d(2)...d(|T|)；对于第k类图格纹理和第j个特征提取方法f_j，根据I₁，I₂...I_N，步骤3.2.1可产生N个应用聚类算法对N个进行聚类，聚类算法类别参数设为t，得到t个类别中心对于根据下式计算离最近的类别中心所对应的类标签u^*；若其中表示t个聚类算法产生的类别中具有最多元素个数的类别中心，则交换索引(i，j，k)所确定的特征统计值和索引(i，j，k^*)所确定的特征统计值，其中k^*定义如下：对于索引k和j的所有固定组合，对于每个重复上述u^*和的计算并判断是否成立，若成立则重复k^*的计算并交换索引(i，j，k)所确定的特征统计值和索引(i，j，k^*)所确定的特征统计值；根据d(j)的定义，再次计算训练样本I₁，I₂...I_N之间基于f_j的的欧式距离平均值，得到对应f₁，f₂...f_|T|的d′(1)，d′(2)...d′(|T|)；若d(j)≥d′(j)对于都成立，则保留上述特征统计值交换结果，否则将特征统计值排序恢复到步骤3.2.1结束时的状态；步骤3.2.3计算稳定特征元素，对于第k类图格纹理和第j个特征提取方法f_j，根据上述步骤和I₁，I₂...I_N计算的N个的第i_F个元素和的第i_F个元素可计算第k类图格纹理基于f_j的特征向量第i_F个元素的稳定值s_(j，k)(i_F)，其定义如下：将s_(j，k)(i_F)按索引i_F升序排列则得到第k类图格纹理基于f_j的稳定值向量s_(j，k)；若参数n_f表示预定义的最小特征向量长度，那么当n_f＜F_j成立时，应用自适应聚类算法对s_(j，k)(1)，s_(j，k)(2)...s_(j，k)(F_j)进行聚类，若将自适应聚类算法产生的类别按从1开始的正整数依次编号，第i_F个稳定值s_(j，k)(i_F)所属类别编号记为L_s(i_F)，则这些编号定义集合L_s；若定义预设参数最小特征数则第k类图格纹理基于f_j的特征向量第i_F个元素的稳定性定义如下：表示将自适应聚类算法产生的类别按其元素数量降序排列得到的前n_f个类别的编号集合；将按索引i_F升序排列则得到第k类图格纹理基于f_j的稳定性向量对于索引k和j的所有固定组合，重复上述的计算；步骤3.2.4计算理想统计值，对于第k类图格纹理和第j个特征提取方法f_j，根据上述步骤和I₁，I₂...I_N可计算和通过自适应聚类算法，可对向量进行聚类，若将自适应聚类算法产生的类别按从1开始的正整数依次编号且第i个向量所属类别编号记为则这些编号定义集合对于第i_u个类别，第k类图格纹理基于f_j的理想统计值定义如下：表示属于第k类图格纹理基于f_j的第i_u个子类图格纹理的特征统计值中均值的平均值；对于索引k和j的所有固定组合，重复上述的计算；步骤3.3计算各特征的理想统计值阈值，根据训练样本集和上述步骤，可计算基于第j个特征提取方法f_j的第k类图格纹理的第i_u个子类图格纹理的理想统计值对于任意训练样本由步骤2产生的任意图格L，根据其特征向量f_j(L)按下式计算理想统计值索引k^*和对于可能存在多个L其理想统计值索引满足k^*＝k和这些图格组成集合当成立时，可按下式计算基于第j个特征提取方法的第k类图格纹理的第i_u个子类图格纹理的最大距离即理想统计值阈值：对于索引j，k和i_u的所有固定组合，重复上述的计算。