一种基于图像处理的织物起毛起球检测方法技术

本发明专利技术涉及一种基于图像处理的织物起毛起球检测方法，目前对于起毛起球的等级评定主要依赖人工进行标准样照对比法，缺乏客观性，缺乏效率。其次一般的基于计算机视觉的图像处理方法大多都对于纹理的去除不够完善，导致影响起毛起球评级的结果。本发明专利技术利用二维离散小波结合灰度共生矩阵来获得起毛起球在小波中的最优层次数，通过分解重构的方法得到不含纹理的起毛起球图像，并将毛球的参数导入神经网络进行训练，获得该织物起毛起球的自动评级结果，使得检测结果更加标准化，且准确性更高。且准确性更高。且准确性更高。

【技术实现步骤摘要】
一种基于图像处理的织物起毛起球检测方法


[0001]本专利技术涉及织物检测领域，具体的讲是一种基于图像处理的织物起毛起球检测方法。

技术介绍

[0002]织物的起毛起球性能是纺织品检测的重要一环，但目前大多数工厂及检验局依然使用人工检测的方法，其中最为广泛使用的方法是与标准样照进行对比，但是传统的标准样照对比法会耗费不少人力且存在主观性，因此不少专家学者提出了用图像处理技术来代替人工检测。
[0003]目前也有采用图像法进行的起毛起球检测的，现有的图像处理方法主要分为三类，第一种是在空间域中对图像进行处理，这种方法只能对部分起毛起球图像进行简单处理，第二种是利用傅里叶变换将织物图像从空间域转化到频域，在频域下使用低通滤波过滤高频纹理信息,保留低频毛球信息，如图3，但傅里叶变换不具有局部性，缺乏时间的局部信息，参数的尺度难以确定，第三种是采用小波能量法求织物图像的最佳毛球层数，但该方法存在毛球层和纹理层在同一层的问题，因而不能将纹理完全滤除或者丢失毛球信息导致最终结果不准确。

技术实现思路

[0004]本专利技术要解决的技术问题是针对以上不足，提供一种基于图像处理的织物起毛起球检测方法，利用计算机视觉来检测织物起毛起球，将织物的纹理过滤的同时将织物的毛球从整体织物中提取出来，改善传统方法费时费力的弊端。
[0005]为解决以上技术问题，本专利技术采用以下技术方案：
[0006]一种基于图像处理的织物起毛起球检测方法，包括以下步骤：
[0007]步骤1、对织物做起毛起球实验，再采集织物的表面图像信息；
[0008]步骤2、对织物的表面图像进行倾斜校正，使得织物的纹理垂直于底边框，得到校正后的织物表面图像；
[0009]步骤3、利用小波变换将校正后的织物表面图像进行多次分解，将图像分解为多个层次，每次分解后图像的尺寸大小均缩小为原来的一半，每个层次的信息均包括低频近似分量，高频水平分量，高频垂直分量和高频对角分量；
[0010]步骤4、计算每个层次的高频垂直分量的灰度共生矩阵的对比度，若前x层的对比度总和占所有层对比度总和的95％以上，则判断从x+1层到最后一层为毛球信息；
[0011]计算每个层次的高频对角分量的灰度共生矩阵的相关度并绘制相关性差值曲线，若从第y层开始曲线趋于平稳，则判断从第y层到最后一层为毛球信息；
[0012]步骤5、将从x+1层到第最后一层的高频垂直分量和从第y层到最后一层的高频对角分量叠加得出毛球信息图像；
[0013]步骤6、对毛球信息图像进行阈值分割得到毛球的二值化图像；
[0014]步骤7、计算二值化图像中毛球的个数，毛球占比和毛球平均宽度，得到一个训练样本；
[0015]步骤8、重复步骤1
‑
7，得到多个训练样本组成的训练集；
[0016]步骤9、将训练集输入神经网络模型，模型输出训练样本的起毛起球等级，将训练样本的结果和人工标准样照对比法的结果对比，得出正确率，通过最大化正确率，对神经网络模型进行训练，得到织物起毛起球等级检测模型；
[0017]步骤10、利用织物起毛起球等级检测模型对织物的起毛起球等级进行检测。
[0018]进一步的，所述步骤3中，利用小波变换将预处理后的织物表面图像被分解为五个层次。
[0019]进一步的，所述步骤1中，采用圆轨迹法对织物做起毛起球实验。
[0020]进一步的，所述步骤2中，采用Radon变换对织物表面图像进行倾斜校正。
[0021]进一步的，所述步骤4中，计算对比度的公式为：
[0022][0023]公式中，n为灰度级别，p
ij
为灰度共生矩阵在像素点(i,j)位置的联合概率密度。
[0024]进一步的，所述步骤4中，计算相关度的公式为：
[0025][0026]公式中，n为灰度级别，p
ij
为灰度共生矩阵在像素点(i,j)位置的联合概率密度，μ
x
μ
y
分别为灰度共生矩阵沿着x轴和y轴的均值，σ
x
σ
y
分别为灰度共生矩阵沿着x轴和y轴的标准差。
[0027]本专利技术采用以上技术方案后，与现有技术相比，具有以下优点：
[0028]目前对于起毛起球的等级评定主要依赖人工进行标准样照对比法，缺乏客观性，缺乏效率。其次一般的基于计算机视觉的图像处理方法大多都对于纹理的去除不够完善，导致影响起毛起球评级的结果。
[0029]本专利技术利用二维离散小波结合灰度共生矩阵来获得起毛起球在在小波中的层次数，通过分解重构的方法得到不含纹理的起毛起球图像，并将毛球的参数导入神经网络进行训练，获得该织物起毛起球的自动评级结果，使得检测结果更加标准化，准确性更高。
[0030]下面结合附图和实施例对本专利技术进行详细说明。
附图说明
[0031]图1为本专利技术的方法流程示意图；
[0032]图2为小波变换分解示意图；
[0033]图3为织物表面图像；
[0034]图4中a图和b图为1到7层二维小波分解结果图；
[0035]图5为实施例1的从织物表面图像得到毛球的二值化图像的过程图；
[0036]图6为实施例1的相关性差值曲线图；
[0037]图7为实施例2的从织物表面图像得到毛球的二值化图像的过程图；
[0038]图8为实施例2的相关性差值曲线图；
[0039]图9为实施例3的从织物表面图像得到毛球的二值化图像的过程图；
[0040]图10为实施例3的相关性差值曲线图；
[0041]图11为小波能量法的能量梯度图；
[0042]图12为本专利技术的方法和小波能量法的毛球层图像提取的结果对比图。
具体实施方式
[0043]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0044]如图1所示，一种基于图像处理的织物起毛起球检测方法，包括以下步骤：
[0045]1、用圆轨迹法对织物做起毛起球实验，再用CCD摄像头或者CMOS摄像头对织物进行拍照取材，并存储进电脑系统
[0046]2、利用Radon变换将织物进行倾斜校正，使得织物的纹理垂直于底边框
[0047]3、二维离散小波多级分解重构，利用小波变换将织物分解为多个层次，目的是分析毛球和纹理所在层次。二维小波变换是通过高通滤波器和低通滤波器在横坐标轴和纵坐标轴进行滤波来得到不同的高频信息和低频信息，每次分解后图像的尺寸大小都会缩小为原来的一半，其中包括低频近似分量cA
j
，高频水平分量cD
jh
，高频垂直分量cD
jv
，高频对角分量cD
jd
，共同组成[cA
j
,cD
jh
,cD
jv
,cD
jd
]，在多级小波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的织物起毛起球检测方法，其特征在于，包括以下步骤：步骤1、对织物做起毛起球实验，再采集织物的表面图像信息；步骤2、对织物的表面图像进行倾斜校正，使得织物的纹理垂直于底边框，得到校正后的织物表面图像；步骤3、利用小波变换将校正后的织物表面图像进行多次分解，将图像分解为多个层次，每次分解后图像的尺寸大小均缩小为原来的一半，每个层次的信息均包括低频近似分量，高频水平分量，高频垂直分量和高频对角分量；步骤4、计算每个层次的高频垂直分量的灰度共生矩阵的对比度，若前x层的对比度总和占所有层对比度总和的95％以上，则判断从x+1层到最后一层为毛球信息；计算每个层次的高频对角分量的灰度共生矩阵的相关度并绘制相关性差值曲线，若从第y层开始曲线趋于平稳，则判断从第y层到最后一层为毛球信息；步骤5、将从x+1层到第最后一层的高频垂直分量和从第y层到最后一层的高频对角分量叠加得出毛球信息图像；步骤6、对毛球信息图像进行阈值分割得到毛球的二值化图像；步骤7、计算二值化图像中毛球的个数，毛球占比和毛球平均宽度，得到一个训练样本；步骤8、重复步骤1
‑
7，得到多个训练样本组成的训练集；步骤9、将训练集输入神经网络模型，模型输出训练样本的起毛起球等级，将训练样本的结果和人工标准样照对比法的结果对比，得出正确率，通过最大化正确率，对...

【专利技术属性】
技术研发人员：邓中民，于玲，周虎，柯薇，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：