一种织物瑕疵检测方法技术

本发明专利技术涉及一种织物瑕疵检测方法，首先为了充分利用特征空间、有效提取图像特征，构建了一种非线性灰度共生矩阵特征，然后通过对无瑕疵织物图像的学习获得非线性灰度共生矩阵特征提取的最优尺度方向参数以及自适应的瑕疵分割阈值，最后采用所获得的参数提取待检测图像的特征，通过特征相似性距离度量定位瑕疵区域。本发明专利技术方法能有效定位织物瑕疵区域，且受噪声干扰小。

【技术实现步骤摘要】

本专利技术涉及机器视觉与视频图像处理
，具体为一种织物瑕疵检测方法。
技术介绍
通过人工视觉来对完成对织物瑕疵检测的方法存着工作量大、漏检率高、误检率高、受主观感觉影响等多种问题，基于机器视觉的织物瑕疵自动检测能有效解决这一问题。为区分瑕疵和非瑕疵区域，对织物图像采用合适的特征描述是关键问题。从频域提取织物图像特征的方法如小波变换、傅里叶变换、Gabor滤波等，先将图像分解到所定义的各个频域子带，通过子带系数的差异区分瑕疵区域。从空域提取特征的方法如局部二值模式(LocalBinaryPattern,LBP)、邻域统计特征(均值、方差、熵)、邻域灰度排列、纹理图案规则性特征等，直接利用待检像素邻域的灰度统计特征构成特征向量，利用相似性距离度量或者分类器定位瑕疵区域。为有效准确检测织物瑕疵，选取的特征提取算法都要求应当能够保证将瑕疵和非瑕疵图像转换到该特征空间后，二者的特征分布区分度足够明显，否则极易受到噪声干扰，产生误检漏检，导致瑕疵区域定位不准。灰度共生矩阵GLCM(GrayLevelCo-occurrenceMatrix)特征是一种描述图像灰度的空间相关性特征的算法，由于织物纹理图像往往体现出较强的空间相关性，而瑕疵往往会破坏空间相关性，因此很适宜采用GLCM特征进行检测。但是现有基于GLCM特征的方法普遍采用线性量化，导致生成的GLCM矩阵十分稀疏、特征空间利用不充分，并且，GLCM特征生成过程中采用的尺度和方向参数往往人为设定，不能达到最优。
技术实现思路
本专利技术要解决的问题是：现有通过机器视觉进行织物瑕疵检测的方法易受噪声干扰，往往产生误检或漏检，定位不准；现有基于GLCM特征的瑕疵检测方法存在特征空间利用不充分、参数设定不能达到最优等缺点；进一步的，现有用于分割瑕疵的阈值往往人为设定，影响算法自动化程度。本专利技术的技术方案为：一种织物瑕疵检测方法，采用非线性灰度共生矩阵GLCM作为特征描述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤：非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映射函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性GLCM特征向量相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性GLCM特征向量和自适应的二值化阈值；在检测阶段，对待检测织物图像采用最优尺度方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵区域。具体步骤如下：1)非线性映射函数求取：对无瑕疵图像A，采用直方图均衡化算法，获得非线性映射函数T，在函数T作用下，图像A的直方图分布变为均匀分布；2)最优参数学习：对大小为W*H的图像A中每一像素(x,y)，以(x,y)为中心，提取大小为dw*dh的图像块B，计算图像块B在参数下的非线性GLCM特征向量其中s、d为整数，且1≤s≤S，1≤d≤D，S、D为用户自定义的尺度范围和方向数；计算的均值作为参考特征向量计算与参考特征向量的相似性距离计算的均方差作为最优尺度方向参数的评价标准，选取均方差最小时的尺度s和方向参数d作为最优尺度sop和最优方向dop，同时以所述最优尺度方向参数下的参考特征向量作为瑕疵检测步骤中的参考特征向量Rsopdop，并利用该最优尺度方向参数下的的均方差和均值构建瑕疵检测步骤中的自适应二值化阈值THΓ；3)瑕疵检测：对待检测图像的每个像素(x,y)，选择以该像素为中心的dw*dh的图像块，计算其在最优参数Psopdop＝[2sop*cos(dop*π/D),2sop*sin(dop*π/D)]下的非线性GLCM特征向量V(x,y)，计算V(x,y)与Rsopdop之间的特征向量相似性距离，获得相似性距离分布图，通过阈值THΓ对相似性距离分布图二值化，定位瑕疵区域。步骤1)中的非线性映射函数T的求取方法为：rk=T(k)=255×floor(Σh=0knhn)---(1)]]>其中，floor()函数表示取整，k为映射前的图像灰度值，rk为映射后与k对应的图像灰度值，rk、k均为整数，且0≤rk≤255，0≤k≤255，nh为映射前图像A中灰度为h的像素的数目，n为图像A总的像素数目。步骤2)中获得非线性GLCM特征向量方法为：i.利用非线性映射函数T对图像块B进行灰度映射；ii.将映射后的图像块B的灰度线性量化为N级，创建N*N的矩阵G，G矩阵中坐标(i,j)处的数值为图像块B中空间相对位置为且量化灰度为(i,j)的像素对的数目，即G(i,j)=num(Set)Set={(B(u,v),B(u+Psd(1),v+Psd(2))|B(u,v)=i,B(u+Psd(1),v+Psd(2))=j本文档来自技高网...

【技术保护点】
一种织物瑕疵检测方法，其特征是采用非线性灰度共生矩阵GLCM作为特征描述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤：非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映射函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性GLCM特征向量相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性GLCM特征向量和自适应的二值化阈值；在检测阶段，对待检测织物图像采用最优尺度方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵区域。

【技术特征摘要】
1.一种织物瑕疵检测方法，其特征是采用非线性灰度共生矩阵GLCM作为特征描
述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤：
非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映射
函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性GLCM特征
向量相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性
GLCM特征向量和自适应的二值化阈值；在检测阶段，对待检测织物图像采用最优尺度
方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵区域。
2.根据权利要求1所述的一种织物瑕疵检测方法，其特征是具体步骤如下：
1)非线性映射函数求取：对无瑕疵图像A，采用直方图均衡化算法，获得非线性
映射函数T，在函数T作用下，图像A的直方图分布变为均匀分布；
2)最优参数学习：对大小为W*H的图像A中每一像素(x,y)，以(x,y)为中心，提取
大小为dw*dh的图像块B，计算图像块B在参数Psd＝[2s*cos(d*π/D),2s*sin(d*π/D)]下
的非线性GLCM特征向量Vsd(x,y)，其中s、d为整数，且1≤s≤S，1≤d≤D，S、D为
用户自定义的尺度范围和方向数；计算Vsd(x,y)的均值作为参考特征向量Rsd，计算Vsd(x,
y)与参考特征向量Rsd的相似性距离Γsd(x,y)，计算Γsd(x,y)的均方差σsd作为最优尺度方
向参数的评价标准，选取均方差σsd最小时的尺度s和方向参数d作为最优尺度sop和最
优方向dop，同时以所述最优尺度方向参数下的参考特征向量Rsd作为瑕疵检测步骤中的
参考特征向量Rsopdop，...

【专利技术属性】
技术研发人员：董蓉，李勃，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32