基于稀疏表示的图像分解算法的织物瑕疵检测方法技术

基于稀疏表示的图像分解算法的织物瑕疵检测方法，包括以下步骤：步骤1、采集多种织物图像；步骤2、对织物图像进行直方图均衡化的预处理；步骤3、对经过步骤2处理后的织物图像进行基于稀疏表示的建模，并分解为纹理部分和瑕疵部分；步骤4、采用叠加二值化的方法对瑕疵部分进行图像分割，获得二值化图像检测结果。本发明专利技术基于稀疏表示的图像分解算法的织物瑕疵检测方法，能够将背景纹理复杂的织物图像中所含的瑕疵部分高效分解出来并清晰地显示出来，具有高检测率和高通用性的优点，可以降低人工检测的不足之处，满足了工业生产过程中检测多种织物的需求。

Fabric defect detection method based on sparse representation image decomposition algorithm

Fabric defect detection method of decomposition algorithm based on image sparse representation, which comprises the following steps: 1, collect a variety of fabric image preprocessing; step 2, the fabric image histogram equalization; step 3, to step through the fabric image processing 2 after modeling based on sparse representation and decomposition. For the texture part and the defective part; step 4, the superposition binarization method for defect image segmentation, binarization image detection results obtained. The invention of fabric defect detection algorithm based on image sparse representation, can be part of the background texture defect complex fabric contained in the image, the decomposition and clearly displayed, with high detection rate and high versatility advantages, can reduce the shortcomings of artificial detection, and meets the requirements of detection a variety of fabric in the process of industrial production.

【技术实现步骤摘要】
基于稀疏表示的图像分解算法的织物瑕疵检测方法
本专利技术属于纺织物表面图像处理方法
，涉及一种基于稀疏表示的图像分解算法的织物瑕疵检测方法。
技术介绍
对纺织品表面瑕疵进行有效检测与控制是现代纺织企业控制成本及提高产品竞争力的关键环节之一。当前，国内绝大部分纺织企业仍采用传统的人工验布的方式对纺织品表面瑕疵进行检测。由于不同的检验人员对瑕疵界定标准存在差异，难以保证检测结果的一致性与客观性。而且，人工检测准确率低、效率低，在检测精度方面，由于人的注意力一般只能集中20-30分钟，加之检测过程中布匹处于运动状态，检验人员很容易产生视觉上的疲劳，使漏检率增加，据统计，人工验布的准确率最高为80％；在检测速度方面，由于受人眼分辨率的限制，检验人员可接受的检测速度有限，一般验布速度在5-20m/min之间，无法满足企业大规模生产需求。自二十世纪七十年代以来，随着人工智能与计算机科学的飞速发展，计算机视觉在工业表面检测领域中得到了广泛的应用，以计算机视觉来代替人工视觉不仅可以提高检测速度，降低劳动成本，而且通过自动检测系统获得的印花织物图像库可以为印花织物质量等级的评定提供可靠的参考数据本文档来自技高网...

【技术保护点】
基于稀疏表示的图像分解算法的织物瑕疵检测方法，其特征在于，包括以下步骤：步骤1、采集多种织物图像；步骤2、对织物图像进行直方图均衡化的预处理；步骤3、对经过步骤2处理后的织物图像进行基于稀疏表示的建模，并分解为纹理部分和瑕疵部分；步骤4、采用叠加二值化的方法对瑕疵部分进行图像分割，获得二值化图像检测结果。

【技术特征摘要】
1.基于稀疏表示的图像分解算法的织物瑕疵检测方法，其特征在于，包括以下步骤：步骤1、采集多种织物图像；步骤2、对织物图像进行直方图均衡化的预处理；步骤3、对经过步骤2处理后的织物图像进行基于稀疏表示的建模，并分解为纹理部分和瑕疵部分；步骤4、采用叠加二值化的方法对瑕疵部分进行图像分割，获得二值化图像检测结果。2.根据权利要求1所述的基于稀疏表示的图像分解算法的织物瑕疵检测方法，其特征在于，所述步骤2的具体算法为：式中：灰度级范围是[0,L-1],ri是第i级灰度值，rm是第m级灰度值，n是图像像素的总数，ni是图像中灰度值为ri的像素个数，P(ri)是ri的概率密度函数，T(rm)是rm的非线性变换函数，Sm是均衡化后m级像素的灰度值，对1-m级像素的灰度值进行映射得到直方图均衡化后的织物图像I。3.根据权利要求2所述的基于稀疏表示的图像分解算法的织物瑕疵检测方法，其特征在于，所述步骤3的具体步骤为：步骤3.1、采用盲源分离原理中的形态成分分析算法将直方图均衡化后的织物图像I进行稀疏表示建模，具体为：将I表示为：I＝It+Id+N(2)式中，Id表示瑕疵部分，It表示纹理部分，N表示噪声部分；采用纹理字典Tt对纹理部分It进行稀疏表示建模，Tt使用的是局部离散余弦变换：式中，at表示纹理部分的稀疏系数，即为纹理部分经局部离散余弦变换后的系数，表示最优稀疏系数；采用瑕疵字典Td对瑕疵部分Id进行稀疏表示建模，Td使用的是曲波变换：式中，ad表示瑕疵部分的稀疏系数，即为瑕疵部分经曲波变换后的系数，表示最优稀疏系数；忽略噪声部分和误差部分，织物图像基于稀疏表示的图像分解模型为：步骤3.2、采用凸松弛法中的基追踪去噪算法，对织物图像基于稀疏表示的图像分解模型进行凸优化：式中，ε表示残差项，取决于噪声能量和稀疏表示信号的模型误差；步骤3.3、增加总变差正则化处罚项，对织物图像基于稀疏表示的图像分解模型进行校正：式中，λ表示重构误差及噪声的权重系数，TV{Tdαd}表示瑕疵部分的总变差正则处罚项，γ表示TV{Tdαd}的权重因子；求解式(7)得到后，分解后的纹理部分表示为分解后的瑕疵部分表示为则基于稀疏表示的图像分解的目标函数为：式中，Tt...

【专利技术属性】
技术研发人员：景军锋，刘茁梅，李鹏飞，张蕾，张宏伟，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61