基于视觉注意机制的织物起球等级评价方法技术

基于视觉注意机制的织物起球等级评价方法，包括以下步骤：步骤1、采集织物起球图像；步骤2、对织物起球图像进行小波多层分解：步骤3、确定织物起球图像的中央层子图与周边层子图；步骤4、构建织物起球显著图；步骤5、获取织物起球目标；步骤6、提取织物起球特征；步骤7、对织物起球等级进行评价。基于视觉注意机制的织物起球等级评价方法，通过准确选择中央层子图与周边层子图并且在它们之间进行中央‑周边操作，能够提高起球目标的显著性、减少计算量；对织物起球显著图进行阈值分割和滤波，能够有效获取织物起球目标；在此基础上，提取起球特征，进而快速、准确地对织物起球等级进行客观评价。

【技术实现步骤摘要】
基于视觉注意机制的织物起球等级评价方法
本专利技术属于织物表面评价方法
，涉及一种基于视觉注意机制的织物起球等级评价方法。
技术介绍
织物起球不仅影响织物外观，还会降低织物的穿着体验，因而，织物起球等级评价是检验与控制织物质量的重要指标。传统的对织物起球等级的评价主要是依靠检验人员肉眼完成的，这种等级评价效果受到检验人员的个人经验、心理因素等主观因素的影响，因而无法对织物起球等级做出客观的评价。目前，随着计算机、图像处理技术的发展，新的织物起球自动检测与等级客观评价算法不断涌现，织物起球等级客观评价方法很多，基于机器视觉的织物起球等级客观评价方法逐渐成为研究的热点。在空间域内，很多研究者做了大量的研究，并取得了一定的研究成果，但仍存在一定的不足：灰度直方图统计法，主要是对织物灰度图像进行灰度直方图统计，再进行阈值分割，选取起球的面积数目作为特征参数，但是当织物纹理较复杂时，织物上的浮点容易被误认为是毛球(KondaA，XinLC.EvaluationofPillingbycomputerimageanalysis.JournaloftheTextileMachinerySocietyofJapan，1990，36(3):96-10)；支持向量机客观评价法，使用支持向量机(SVM)的数据挖掘织物起球的性能并作出预测，但SVM的参数主要依靠经验来选择，主观性较强(PohHeanYap,XungaiWang,LijingWang,andKok-LeongOng.PredictionofWoolKnitwearPillingPropensityusingSupportVectorMachines[J].TextileResearchJournal,2010,80(1):77-83)；高斯模板匹配法，运用了二维高斯拟合理论，用实际起球图像训练起球模板，并用直方图拟合技术确定合理的阈值来分割图像，再提取起球数目、起球疵点的平均面积、起球的总面积、起球对比度和密度去训练起球特征，并通过建立相应的公式评估起球等级，然而，训练出的起球模板是否是最佳匹配的起球模板，将会直接影响评估效果(BinjieXin,JinlianHu,andHaojinYan.ObjectiveEvaluationofFabricPillingUsingImageAnalysisTechniques[J].TextileResearchJournal,2002,72(12):1057-1064)；立体视觉客观评估法，采用立体视觉进行立体评估,主要适合于柔软的粗纱线织物起球等级评价，不适合坚硬的细纱线织物起球等级评价(BugaoXu,WurongYu,andRongWuWang.Stereovisionforthree-dimensionalmeasurementsoffabricpilling[J].TextileResearchJournal,2011,81(20):2168-2179；KimSC，KangTJ.Evaluationoffabricpillingusinghybridimagingmethods[J].FibersandPolymers，2006，7(1):57-61)。众所周知，织物起球图像通常包含周期性、非周期性的背景纹理信息、起球信息、光照信息以及噪声信息，在空间域内，这些信息相互纠缠，很难有效分离出起球信息。在变化域中，可以利用傅里叶变换滤除周期性纹理，然后提取织物起球的特征参数，实现对起球等级的客观评价(XuB.InstrumentalevaluationoffabricPillig[J].JoumalofTextileInstitute，1997，8(8):488-500)，然而，傅里叶变换是一种全局性的方法，并不能在空间域提供局部信息，当部分起球信息与周期性纹理信息频率相同时，这部分周期性纹理信息无法被抑制(ShengqiGuanandZhaoyuanGao.Fabricdefectimagesegmentationbasedonvisualattentionmechanismofwaveletdomain[J].TextileResearchJournal,2014,84(10):1018-1033)。另外，小波变换在时域和频域具有表征信号局部特征能力，非常适合奇异信号的检测，众多学者利用小波多分辨率特性，抑制周期性非奇异纹理信息，实现对织物起球客观评价(StuartPalmerandXungaiWang.ObjectiveClassificationofFabricPillingBasedontheTwo-DimensionalDiscreteWaveletTransform[J].TextileResearchJournal,2003,73(8):713-720；JunminZhang,XungaiWang,andStuartPalmer.PerformanceofanObjectiveFabricPillingEvaluationMethod[J].TextileResearchJournal,2010,80(16):1648-1657)，然而，织物背景纹理不仅包括周期性纹理，还包括非周期性高频噪声，缓变的光照不均、背景纹理的不平度等，如果不将这部分信息从起球信息中分离出来，势必会影响最终的检测结果。通过上面的分析可以看出，空间域和变换域疵点检测方法都存在着一定的缺陷，空间域内通常很难有效地将周期性背景纹理信息与起球缺陷有效地分离，变换域中也无法将所有背景纹理从织物起球信息中分离出去，在进行织物起球等级评价时，势必会受到来自背景纹理信息的干扰，进而影响其客观评价的效果。而人类视觉系统在长期进化过程中，形成的视觉注意机制，能够从复杂背景中迅速发现目标信息，利用人类的视觉注意机制，能够抑制背景信息，提高检测目标的显著度(Navalpakkam,V.,Itti,L.Modelingtheinfluenceoftaskonattention[J].VisionResearch,2005,45(2):205-231)。基于显著纹理特征的织物疵点检测方法，利用基于局部纹理的最佳窗口，通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图来突出织物疵点区，但仅从织物疵点特征来提高显著性，很难提高面积微小、数目众多的起球疵点的显著性，采用Ostu分割法也很难滤除噪声等信息；基于视觉显著性的平纹织物疵点检测方法(管声启，高照元，吴宁，徐帅华.基于视觉显著性的平纹织物疵点检测[J].纺织学报,2014,35(4):56-61)，利用小波分解织物起球图像，对不同图层的子图进行中央-周边操作，将差分子图融合形成显著图，然后，用最大类间方差分割法，进行织物疵点分割，这种方法选择所有图层的子图进行中央-周边操作，没有考虑图层子图本身的信息，对一些中央图层与周边图层子图信息差异不大，或差异并不是起球疵点信息的图层进行中央-周边操作，不仅会增加计算量，而且起球等小疵点信息显著度并没有得到显著提高，另外，最大类间方差分割法，同样存在没法消除起球等小疵点信息里的噪声的缺陷。可以看出，目前基于视注意机制的方法可以用于种类繁多本文档来自技高网...

【技术保护点】
基于视觉注意机制的织物起球等级评价方法，其特征在于，包括以下步骤：步骤1、采集织物起球图像；步骤2、对织物起球图像进行小波多层分解：步骤3、确定织物起球图像的中央层子图与周边层子图；步骤4、构建织物起球显著图；步骤5、获取织物起球目标；步骤6、提取织物起球特征；步骤7、对织物起球等级进行评价。

【技术特征摘要】
1.基于视觉注意机制的织物起球等级评价方法，其特征在于，包括以下步骤：步骤1、采集织物起球图像；步骤2、对织物起球图像进行小波多层分解：步骤3、确定织物起球图像的中央层子图与周边层子图；步骤4、构建织物起球显著图；步骤5、获取织物起球目标；步骤6、提取织物起球特征；步骤7、对织物起球等级进行评价。2.根据权利要求1所述的基于视觉注意机制的织物起球等级评价方法，其特征在于，步骤2中，对织物起球图像进行小波多层分解的具体步骤为：选取DB2小波对织物起球图像进行小波多层静态分解：设h为低通滤波器，g为高通滤波器，得到小波多层分解后的二维数字图像：其中：LLj-1(k1,k2)表示第j-1层近似子图，LLj(x,y)、LHj(x,y)、HLj(x,y)、HHj(x,y)分别表示第j层近似子图、第j层水平细节子图、第j层垂直细节子图、第j层对角线细节子图，k1、k2表示滤波器系数序号，分别表示低通滤波器不同的滤波器系数，分别表示高通滤波器不同的滤波器系数。3.根据权利要求2所述的基于视觉注意机制的织物起球等级评价方法，其特征在于，步骤3中，确定织物起球图像的中央层子图与周边层子图的具体步骤为：分别计算织物起球图像的近似子图能量、水平细节子图能量、垂直细节子图能量、对角线细节子图能量：分别表示第j层近似子图能量、第j层水平细节子图能量、第j层垂直细节子图能量、第j层对角线细节子图能量；计算织物起球图像的细节子图能量：表示第j层细节子图能量，表示相加融合；计算织物起球图像的细节子图能量梯度：其中，表示第j-1层的细节子图能量梯度，表示第j-1层细节子图能量，分别表示第j-1层近似子图能量、第j-1层水平细节子图能量、第j-1层垂直细节子图能量；拟合织物起球图像的细节子图能量梯度曲线S；选择S中拐点处的细节子图能量梯度所在层的后一层作为中央层，选择中央层的后一层作为周边层；选择中央层的近似子图、水平细节子图、垂直细节子图作为中央层子图，选择周边层的近似子图、水平细节子图、垂直细节子图作为周边层子图。4.根据权利要求3所述的基于视觉注意机制的织物起球等级评价方法，其特征在于，步骤4中，构建织物起球显著图的具体步骤为：步骤4.1、对中央层子图和周边层子图进行高斯滤波，消除中央层子图和周边层子图中的噪声信息，提高起球显著性；其中，f(u,v,σ)表示高斯滤波函数，σ表示二维高斯函数，u,v分别表示σ的自变量，σ为f(u,v,σ)的标准差，即为f(u,v,σ)的宽...

【专利技术属性】
技术研发人员：管声启，王立中，雷鸣，李文森，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61