一种基于多特征矩阵低秩分解的织物疵点检测方法技术

本发明专利技术公开了一种基于多特征矩阵低秩分解的织物疵点检测方法，包括图像分块及多通道特征矩阵提取、联合低秩分解、显著图生成及分割；将织物图像划分为大小相同的图像块，计算每个图像块的二阶梯度方向图，采用视网膜P型神经节细胞的编码方式提取图像特征，生成特征矩阵；针对特征矩阵构建有效的低秩分解模型，通过方向交替乘子方法进行优化求解，生成低秩矩阵和稀疏矩阵；采用阈值分割算法对由稀疏矩阵生成的显著图进行分割，定位出疵点位置。本发明专利技术综合考虑了织物纹理特征的复杂性和疵点种类的多样性，提取能有效表征织物纹理特性的二阶特征，采用联合低秩分解模型有效地实现疵点与背景的快速分离，具有较高的检测精度。

A fabric defect detection method based on low rank decomposition of multi feature matrix

The invention discloses a fabric defect detection method of low rank matrix decomposition based on multiple features, including image segmentation and feature extraction, multi channel matrix combined with low rank decomposition, saliency map generation and segmentation; the fabric image is divided into blocks with the same size of the image, the two step of computing pattern of each image block the retinal ganglion cells, P type encoding method of image feature extraction, feature generation matrix; according to the characteristics of low rank matrix effective decomposition model, through alternating direction multiplier method is used to solve the optimization and generation of low rank matrix and sparse matrix; by using threshold segmentation algorithm to segment the saliency map generated by the sparse matrix, locate the defect location. Considering the complexity of fabric texture features and the diversity of defect types, the invention extracts two order features that can effectively characterize fabric texture characteristics, and adopts joint low rank decomposition model to effectively achieve fast separation between defects and background, and has high detection accuracy.

【技术实现步骤摘要】
一种基于多特征矩阵低秩分解的织物疵点检测方法
本专利技术涉及纺织品图像处理的
，尤其涉及一种基于多特征矩阵低秩分解的织物疵点检测方法，使用多通道二阶梯度特征提取、低秩分解方法对织物疵点图像进行疵点的检测和定位。
技术介绍
织物疵点检测是纺织品质量控制的重要环节。传统的人工检查结果受人类的主观影响较大，使得检测的准确性和实时性难以保证。因此，基于图像处理的织物疵点自动检测技术已成为近年来的研究热点。目前，根据织物种类的不同，疵点检测算法主要分为两类，一类是针对背景较为简单的平纹或斜纹图像，一类是针对背景纹理复杂的模式图像。其中针对背景较为简单的平纹或斜纹图像的疵点检测方法主要分为：统计学方法、频谱分析方法、模型法、稀疏表示及字典学习方法等。基于统计学方法从图像中提取不同的纹理特征，利用图像灰度空间分布，将背景纹理和疵点通过统计特性的差异区分开。频谱分析法的基本思想是将图像变换到某个频域下，对频谱稀疏进行异常分析，从而定位疵点。常用的变换有：傅里叶变换，小波变换和Gabor滤波器。基于模型的方法假设正常织物纹理符合一定的分布，进行建模和参数估计。通过分析图像是否符合正常模型进行疵点检测，主要有高斯马尔科夫随机场模型、Poisson模型、Wold模型。稀疏表示及字典学习方法首先通过训练图像或测试图像自身学习出字典集，然后利用稀疏求解重构正常织物图像，并计算与测试图像的残差，最后利用阈值分割残差图像定位出疵点区域。上述疵点检测方法在平纹和斜纹织物上取得了不错的检测效果。但模式织物由于其纹理的复杂性，上述方法不能有效用于模式织物疵点检测。研究人员针对模式织物图像，研究了相应的检测方法，如：布林带法(BB)、散列函数法、黄金图像减法(GIS)和图像分解法(ID)。布林带法(BB)是一种基于移动平均和标准差度量的高效快速的变换方法，主要思想是基于模式织物纹理的周期规则性；它适用于清晰织物图像疵点的分割，但疵点区域小于模式织物的重复单元时，不能检测出疵点，而且对疵点区域和背景区域较强的对比度比较敏感。散列函数法也是模式织物疵点检测算法之一。散列函数法是一维方法，计算速度快，但它对织物疵点纹的微小变化和噪声非常敏感。黄金图像减法(GIS)可以从正常织物图像中获取重复单元，GIS可以检测出织物疵点的形状；但是对于对比度较高的黑白色织物图像，疵点区域定位阈值的选择需要进一步研究。为了检测模式织物疵点，Ng等根据图像分解方法(ID)把目标图像分解对应于织物疵点的卡通结构和对应于重复模式的纹理结构。通过给定的正常织物图像和测试图像的纹理结构之间的最大相关性来优化ID，图像分解方法可以在高质量的模式织物上取得了不错的效果。但由于直接在像素域进行的图像分解，且需要一幅正常织物图像作为参考，因此对有偏转或亮度不均匀的织物图像，检测效果较差。低秩分解模型认为图像可以有两部分组成：低秩部分(背景)及稀疏部分(目标)。低秩部分处于一个低维特征子空间中，可以表示为一个低秩矩阵；稀疏部分和该低秩子空间相背离，可以表示为一个稀疏矩阵。对于不同的织物图像，大面积的正常区域视觉上都是一致的，处于一个低秩子空间中。疵点区域和背景区域相背离，属于稀疏部分。因此，相比对自然场景中的目标检测，织物疵点检测更好地符合了低秩分解模型。然而，直接针对织物图像的像素矩阵，或通过简单特征提取构成的特征矩阵进行低秩分解，对复杂纹理的织物图像效果较差。原因在于，像素值或提取的简单特征，不能有效描述复杂的纹理，造成背景区域特征与疵点区域特征区分性不大，不能使正常背景处于一个低秩子空间中。因此有效的织物图像特征提取对低秩分解模型的性能至关重要。为了更有效地描述织物图像图像特征，以下因素需要考虑：1)织物图像有复杂的纹理，像素值变化频率较高，因此高阶的梯度信息更能有效描述复杂的织物纹理；2)最新研究表明，人眼能支持复杂的视觉任务，因此模拟人类视觉特性能有效提升描述子的表征能力；3)织物图像纹理丰富，如果把所有的特征放到一个特征向量中，降低了特征的区分能力，因此针对不同方向通道的特征进行单独表征有望进一步提升描述子的性能。
技术实现思路
针对现有疵点检测方法不能与较多布匹种类和织物疵点种类相适应，检测精度低的技术问题，本专利技术提出一种基于多特征矩阵低秩分解的织物疵点检测方法，提出一个多通道二阶梯度特征提取方法，生成多个特征矩阵；采用联合低秩分解方法对多通道特征矩阵进行分解，得到低秩矩阵及稀疏矩阵；由稀疏矩阵生成显著图，经过分割后定位出疵点区域，实现对织物图像疵点的有效检测与定位，并具有较高的检测精度。为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于多特征矩阵低秩分解的织物疵点检测方法，其步骤如下：步骤一：将原始织物图像均匀分成大小相同、互不重叠的图像块；步骤二：计算每个图像块的多通道二阶梯度方向图，基于P型神经节细胞的编码方式，提取图像块的多个通道二阶梯度特征，将所有图像块多通道特征组成多特征矩阵，实现多通道二阶梯度特征矩阵的提取；步骤三：对多个特征矩阵建立低秩分解模型，得到MTSP模型；步骤四：通过方向交替乘子方法对MTSP模型进行求解，得到每个图像块的稀疏矩阵；步骤五：通过稀疏矩阵求每个图像块的显著度，所有图像块显著度组合得到显著图，采用阈值分割算法对显著图进行分割定位疵点区域。把大小为A×B的图像X均匀分为大小为m×m的图像块Xi，其中i＝1,2,……,N，N为图像块的数目，图像块互不重叠；其中，m为16，A和B取值为大于等于256、小于等于1024的整数，为向下取整。所述计算每个图像块的多通道二阶梯度方向图的方法为：(1)计算每个图像块Xi各个方向的一阶梯度方向图：其中，o是梯度方向，H表示梯度方向数，即通道的个数；(·)+是非负算子；(2)将一阶梯度方向图Go作为输入，计算其二阶梯度图：(3)所述多通道二阶梯度特征矩阵的提取方法为：(1)将每个二阶梯度图Gseco采用S+1不同尺度∑s的高斯卷积核进行卷积，其中1≤s≤S，S为尺度数，生成二阶高斯卷积方向图其中，*为卷积操作，为尺度是∑s的高斯卷积核；(2)对二阶高斯卷积方向图的每个方向，用相邻两幅梯度方向图的小尺度二阶高斯卷积方向图减去大尺度二阶高斯卷积方向图得到二阶DoG卷积的梯度方向图：在每个方向下共得到S个二阶DoG卷积的梯度方向图；(3)分别提取N个图像块Xi的多个通道的多尺度特征维数为d；然后将所有图像块的多尺度特征特征组成特征矩阵每个通道特征分别生成一个特征矩阵Fo，则一个图像的特征表示为多特征矩阵：F＝[F1,F2,...,FH]。以像素坐标(x,y)为中心的图像块，一个方向上的多尺度特征向量MFo(x,y)为：其中，梯度方向1≤o≤H，H表示梯度方向数，ho1(x,y)表示中心点像素值，hop(x,y,∑s)表示(x,y)在不同尺度∑s上第p个采样点梯度方向为o的点，1≤p≤P，P表示P型神经节细胞感受野的每个同心圆上抽样点的数目，1≤s≤S，S为尺度数。所述MTSP模型为：其中，Lo表示在o方向分解出的低秩矩阵，So表示在o方向上分解出的稀疏矩阵；||·||*表示矩阵的核范数，||·||1是范数，λ为控制低秩度和稀疏度的平衡因子；MTSP模型的求解利用最小化增广拉格朗日函数求解：其本文档来自技高网...

【技术保护点】
一种基于多特征矩阵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：将原始织物图像均匀分成大小相同、互不重叠的图像块；步骤二：计算每个图像块的多通道二阶梯度方向图，基于P型神经节细胞的编码方式，提取图像块的多个通道二阶梯度特征，将所有图像块多通道特征组成多特征矩阵，实现多通道二阶梯度特征矩阵的提取；步骤三：对多个特征矩阵建立低秩分解模型，得到MTSP模型；步骤四：通过方向交替乘子方法对MTSP模型进行求解，得到每个图像块的稀疏矩阵；步骤五：通过稀疏矩阵求每个图像块的显著度，所有图像块显著度组合得到显著图，采用阈值分割算法对显著图进行分割定位疵点区域。

【技术特征摘要】
1.一种基于多特征矩阵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：将原始织物图像均匀分成大小相同、互不重叠的图像块；步骤二：计算每个图像块的多通道二阶梯度方向图，基于P型神经节细胞的编码方式，提取图像块的多个通道二阶梯度特征，将所有图像块多通道特征组成多特征矩阵，实现多通道二阶梯度特征矩阵的提取；步骤三：对多个特征矩阵建立低秩分解模型，得到MTSP模型；步骤四：通过方向交替乘子方法对MTSP模型进行求解，得到每个图像块的稀疏矩阵；步骤五：通过稀疏矩阵求每个图像块的显著度，所有图像块显著度组合得到显著图，采用阈值分割算法对显著图进行分割定位疵点区域。2.根据权利要求1所述的基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，把大小为A×B的图像X均匀分为大小为m×m的图像块Xi，其中i＝1,2,……,N，N为图像块的数目，图像块互不重叠；其中，m为16，A和B取值为大于等于256、小于等于1024的整数，为向下取整。3.根据权利要求1所述的基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，所述计算每个图像块的多通道二阶梯度方向图的方法为：(1)计算每个图像块Xi各个方向的一阶梯度方向图：其中，o是梯度方向，H表示梯度方向数，即通道的个数；(·)+是非负算子；(2)将一阶梯度方向图Go作为输入，计算其二阶梯度图：4.根据权利要求1所述的基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，所述多通道二阶梯度特征矩阵的提取方法为：(1)将每个二阶梯度图Gseco采用S+1不同尺度∑s的高斯卷积核进行卷积，其中1≤s≤S，S为尺度数，生成二阶高斯卷积方向图其中，*为卷积操作，为尺度是∑s的高斯卷积核；(2)对二阶高斯卷积方向图的每个方向，用相邻两幅梯度方向图的小尺度二阶高斯卷积方向图减去大尺度二阶高斯卷积方向图得到二阶DoG卷积的梯度方向图：在每个方向下共得到S个二阶DoG卷积的梯度方向图；(3)分别提取N个图像块Xi的多个通道的多尺度特征维数为d；然后将所有图像块的多尺度特征特征组成特征矩阵每个通道特征分别生成一个特征矩阵Fo，则一个图像的特征表示为多特征矩阵：F＝[F1,F2,...,FH]。5.根据权利要求4所述的基于多特征矩阵低秩分解的织物疵点检测方法，其特征在于，以像素坐标(x,y)为中心的图像块，一个方向上的多尺度特征向量MFo(x,y)为：MFo(x,y)＝[ho1(x,y),ho1(x,y,∑1),ho2(x,y,∑1),…,hoP(x,y,∑1),ho1(x,y,∑2),ho2(x,y,∑2),…,hoP(x,y,∑2)；ho1(x,y,∑1),ho2(x,y,∑1),…,hoP(x,y,∑1),ho1(x,y,∑2),ho2(x,y,∑2),…,hoP(x,y,∑2),ho1(x,y,∑3),ho2(x,y,∑3),…,hoP(x,y,∑3)；ho1(x,y,∑s-1),ho2(x,y,∑s-1),…,hoT(x,y,∑s-1),ho1(x,y,∑s),ho2(x,y,∑s),…,hoT(x,y,∑s)]T其中，梯度方向1≤o≤H，H表示梯度方...

【专利技术属性】
技术研发人员：李春雷，刘洲峰，刘超蝶，张爱华，杨瑞敏，董燕，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南,41