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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。