一种基于平稳小波变换视觉显著性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平稳小波变换的视觉显著性的织物疵点检测方法，包括平稳小波变换、背景估计、高斯模型和分割四部分。首先我们利用平稳小波变换产生多尺度多层次的细节子图，经过忽略高频细节信息逆变换提取图像特征；然后通过背景估计算法对图像进行分块计算生成多个背景子图，比较计算得到局部显著图；接着对局部显著图进行高斯概率密度估计，产生全局显著图；最后采用迭代阈值分割方法对显著图分割，得到织物疵点检测结果。本方法综合考虑织物纹理特征的随机性和疵点种类的多样性，对待测织物疵点图像进行无监督的检测，具有较高的检测精度；且本方法对输入图像的尺寸没有要求，自适应能力强；计算速度较快，适合在线检测。

【技术实现步骤摘要】

本专利技术涉及纺织品图像处理的
，具体涉及一种基于平稳小波变换(SWT)视觉显著性的织物疵点检测方法，利用图像的平稳小波变换和显著性分析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制造过程中质量控制的重要环节，通过对织物疵点的检测有利于发现生产过程中的工艺问题，从而及时改进生产工艺、提高织物的质量等级。随着集成电路和图像处理技术的飞速发展，机器视觉已经在工业表面检测领域中得到了越来越广泛的应用，以计算机视觉来代替人工操作不仅可以提高检测速度，降低劳动成本，而且通过布匹疵点自动检测系统可以为布匹质量等级的评定提供双方可信的参考标准，有利于国际贸易的往来。织物疵点检测与判别方法是该类系统的核心环节，直接影响着系统的性能。目前，关于织物疵点检测算法大致分为以下三类：基于统计的方法、基于模型的方法和基于频谱分析的方法。(1)基于统计的方法通过研究背景与疵点在纹理、灰度等方面的不同统计特性实现织物疵点的有效检测，简单易行，得到了广泛的研究，但不同纹理、灰度统计策略对检测效果影响较大。(2)基于模型的方法通过建立模型、参数估计提取图像纹理特征，计算量大，实现复杂，在线学习尤为困难，疵点检测效果差目前已很少研究。(3)基于谱分析的方法主要针对具有均匀纹理的织物图像，将其变换到频域时，其纹理由一些基本的纹理基元按照周期性规则构成，纹理基元的周期性有利于进行疵点检测。常用的处理方法有快速傅里叶变换(FFT)、基于Gabor滤波器的方法、Gabor滤波和形态学结合的方法、小波变换等。基于谱分析的方法检测效果往往受滤波器组选择的影响较大。目前，提出的疵点检测方法在一定程度上达到了疵点检测目的，但仍有许多共性的问题和新问题仍然未得到解决或仍待进一步研究：1)布匹种类较多，造成表面纹理多样化(譬如：斜纹、花纹等)，大部分方法对纹理比较简单的布匹检测效果好，而对复杂纹理的织物检测效果较差，不能有效地把疵点与背景分离开来。2)织物疵点种类较多，有横裆疵、斜纹疵、弓弧、断纬疵、斑点疵、扭结纱疵等90多种，目前的检测方法一般只能检测特定的几种疵点类型，且检测精度有待提高。根据大量神经学研究表明，人类视觉具有快速对视觉场景中感兴趣区域快速选择与定位的能力。织物疵点图像虽然纹理复杂，但疵点在织物图像中较为显著。因此，基于视觉显著性模型的织物疵点检测具有很好的研究价值。目前已有的视觉显著性模型主要分为：基于特征融合的视觉显著性模型，基于图论的视觉显著性模型，基于频谱分析的视觉显著性模型。近些年越来越多的学者倾向于利用频谱分析模型构建显著图。从上个世纪开始小波理论就已经发展到很重要的地位。小波变换(WaveletTransform，WT)在1980年代被首次应用到信号处理上，在过去的几十年里，WT在图像处理领域中一直被认为具有很大的应用潜力。WT具有多分辨率、空间和频率定位的特性，是进行图像特征提取的理想工具。基于小波理论的优点，提出了许多传统的基于小波变换的图像检测方法如加权平均法和极大极小值法。随后Tang等提出了基于多尺度小波变换的融合显著性检测算法，高频系数是通过加权不规则的维数或者加权梯度特征获得，而低频系数则是通过加权局部能量值得到。Jian提出了一个新的方案，测量原图像每个小波分解系数的显著值。它反映了小波分解系数的视觉注意，符合人类的视觉感知。但是基于小波变换的视觉显著性模型还存在一些缺陷：(1)小波变换存在多种小波基，一旦选定后，其特征就被固定下来。(2)小波系数是通过尺度和平移变换获得的，每分解一次，逼近图像和细节图像的长度减小一半，重构时会丢失原来的特征。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于平稳小波变换视觉显著性的织物疵点检测方法，实现了对织物图像疵点的有效检测与定位，且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：一种基于平稳小波变换视觉显著性的织物疵点检测方法，包括平稳小波变换、背景估计、高斯估计模型及分割四部分，其步骤如下：步骤一：将输入的原始RGB图像转化到灰度图像，对灰度图像进行图像去噪；步骤二：对去噪后的图像进行平稳小波变换得到一系列小波系数；步骤三：对除去平稳小波变换高频成分的小波系数进行逆平稳小波变换，重构得到特征图；步骤四：对重构的特征图进行背景估计，得到局部显著图；步骤五：采用高斯估计模型对局部显示图进行全局估计，得到全局显著图；步骤六：利用自适应阈值分割算法对全局显著图进行分割，实现疵点与背景分离。所述对灰度图像进行图像去噪的方法是：利用高斯低通滤波器对灰度图像I进行滤波：I'＝I*lm×m；其中，l为m×m的2D高斯滤波器，I'为去除噪声后的灰度图像，*表示卷积操作。所述平稳小波变换选择‘coiflet’滤波器作为小波基进行分解：[AN,Hs,Vs,Ds]＝SWT(I')，其中，N表示平稳小波变换分解的层数，s∈{1,…，N本文档来自技高网...

【技术保护点】
一种基于平稳小波变换视觉显著性的织物疵点检测方法，其特征在于，包括平稳小波变换、背景估计、高斯估计模型及分割四部分，其步骤如下：步骤一：将输入的原始RGB图像转化到灰度图像，对灰度图像进行图像去噪；步骤二：对去噪后的图像进行平稳小波变换得到一系列小波系数；步骤三：对除去平稳小波变换高频成分的小波系数进行逆平稳小波变换，重构得到特征图；步骤四：对重构的特征图进行背景估计，得到局部显著图；步骤五：采用高斯估计模型对局部显示图进行全局估计，得到全局显著图；步骤六：利用自适应阈值分割算法对全局显著图进行分割，实现疵点与背景分离。

【技术特征摘要】
1.一种基于平稳小波变换视觉显著性的织物疵点检测方法，其特征在于，包括
平稳小波变换、背景估计、高斯估计模型及分割四部分，其步骤如下：
步骤一：将输入的原始RGB图像转化到灰度图像，对灰度图像进行图像去噪；
步骤二：对去噪后的图像进行平稳小波变换得到一系列小波系数；
步骤三：对除去平稳小波变换高频成分的小波系数进行逆平稳小波变换，重构得到特
征图；
步骤四：对重构的特征图进行背景估计，得到局部显著图；
步骤五：采用高斯估计模型对局部显示图进行全局估计，得到全局显著图；
步骤六：利用自适应阈值分割算法对全局显著图进行分割，...

【专利技术属性】
技术研发人员：刘洲峰，李春雷，董燕，刘秋丽，杨艳，程东旭，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南;41