一種基于最優(yōu)閾值分割的織物疵點檢測方法
【專利摘要】本發(fā)明公開了一種基于最優(yōu)閾值分割的織物疵點檢測方法，包括最佳閾值選取和圖像分割兩部分，最佳閾值選取具體包括以下幾個步驟：步驟1.任選一灰度值作為分割閾值，步驟2.根據(jù)閾值，把圖像分為兩類，步驟3.求每一類圖像的灰度均值和圖像的灰度總均值，步驟4.求兩類的類間方差及類內(nèi)方差，步驟5.計算權(quán)值，步驟6.根據(jù)判別公式計算出最優(yōu)的分割閾值。圖像分割部分在前一部分的基礎(chǔ)上進行，將圖像中每一像素點的灰度值與最佳閾值比較，大于閾值的灰度值賦值為255，小于閾值的灰度值賦值為0，這樣就可以將圖像分為背景與目標兩部分。本發(fā)明在分割閾值選取時，不但考慮像素類間方差，同時引入了類內(nèi)距離，并采用權(quán)值進行加強，使算得的閾值更加精確能夠準確地檢測出織物圖像的疵點，提高對復雜紋理圖像的分割效果。
【專利說明】一種基于最優(yōu)閾值分割的織物疵點檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及織物圖像的疵點檢測方法，具體涉及使用最優(yōu)閾值分割方法對織物疵點圖像進行疵點檢測和定位，屬于紡織品圖像處理領(lǐng)域。
【背景技術(shù)】
[0002]在紡織產(chǎn)品中，織物疵點是影響紡織品價格的重要因素。據(jù)市場調(diào)查，有疵點的產(chǎn)品的價格要降為正常產(chǎn)品價格的45%-53%。因此織物疵點檢測是織物生產(chǎn)過程中的一個關(guān)鍵環(huán)節(jié)。傳統(tǒng)的織物疵點檢測是由人工完成的，人工檢測速度慢，漏檢、誤檢率高，而且檢測結(jié)果受工人的主觀影響大，不能滿足實時檢測的要求。
[0003]近年來，隨著計算機及圖像處理技術(shù)的發(fā)展，基于計算機視覺的自動驗布系統(tǒng)已逐步進入實際應(yīng)用，國外主要產(chǎn)品有以色列Evs公司的1-TEX驗布系統(tǒng)、比利時Barco公司的Cyc1ps在線布匹檢測系統(tǒng)和瑞士 Uster公司的Fabriscan驗布系統(tǒng)等，國內(nèi)主要有無錫動視科技有限公司和上海恒意得信息科技有限公司生產(chǎn)的織物疵點檢測裝置等。在工業(yè)生產(chǎn)過程中，布匹的生產(chǎn)速度快且表面紋理較為復雜，產(chǎn)品的質(zhì)量易受光照等外在條件的影響，目前已有系統(tǒng)穩(wěn)定性較差，實際應(yīng)用中的適應(yīng)能力和對疵點的識別能力也很有限。
[0004]對于織物疵點檢測裝置，疵點檢測算法是整個系統(tǒng)的核心，影響著系統(tǒng)的性能。實際上，對于織物疵點檢測目的就是將織物圖像分割為背景及疵點兩部分，因此采用閾值分割技術(shù)有望解決這類問題。閾值分割方法的工作原理:用一個或幾個閾值將圖像的灰度級分為幾部分，將隸屬于同一部分的像素視為相同的區(qū)域，這樣就可以把圖像分成兩個或多個區(qū)域。目前已有閾值分割方法分為:迭代法、雙峰法、最大類間方差法、波谷強調(diào)法等。
[0005]基于迭代法閾值分割技術(shù)首先將圖像平均灰度設(shè)為初始閾值，將圖像像素分為兩部分，然后計算兩部分各自的平均灰度，然后通過各自平均灰度求出全局閾值，再采用全局閾值對圖像像素進行分類，重復以上過程，直至收斂，該類方法可以通過自動選取閾值，將圖像分為目標和背景區(qū)域，然而圖像細微處的區(qū)分度并不好(參考文獻[I]:沈圓，李國勇.圖像的閾值分割法設(shè)計[J].機械工程與自動化，2012，5:45-46 ;[2]:卜濤濤，盧超.圖像分割算法研究[J].電腦知識與技術(shù)，2010，6(18) =1944-1946.)。雙峰法根據(jù)圖像灰度直方圖的分布，選取波谷處的灰度值作為閾值對圖像進行分割(參考文獻[3]:楊修國.關(guān)于直方圖雙峰法的研究與改進[J].電子設(shè)計工程，2012，20 (12):176-179.)，該類方法僅對背景簡單、具有雙峰分布的織物圖像檢測有效。最大類間方差法(參考文獻[4]:0tsu，N..A threshold selection method from gray-level histograms.1EEE Transactions onSystems Man Cybernet SMC, 1979,9(1):62-66.)將處于背景區(qū)域的像素值與處于目標區(qū)域的像素值分為兩類，并試圖找尋一個閾值，使得分割后兩類像素值的類間方差最大，該類方法在具有明顯波峰及波谷的圖像上取得了較好的實驗結(jié)果，但是對于具有較小的織物疵點或者背景紋理較為的復雜的圖像檢測效果較差。Hu1-Fuang Ng.(參考文獻[6]:Hu1-FuangNg.Automatic thresholding for defect detection[J].Pattern Recognition Letters,2006,27:1644 - 1649.)通過對圖像直方圖的觀察，得出圖像的最優(yōu)分割閾值往往以較大概率出現(xiàn)在直方圖的波谷位置(該像素值出現(xiàn)的概率較小)。該方法通過將像素類間方差判據(jù)公式乘以一個權(quán)值，對判據(jù)值進行加強，該權(quán)值為所求閾值出現(xiàn)的概率。如果權(quán)值較小，該值為最優(yōu)閾值的可能性就越大，則乘以的權(quán)值較大；否則乘以的權(quán)值較小。該方法在有限的織物圖像集上取得了較好的結(jié)果。由于該類方法僅考慮了類間方差，當織物圖像紋理復雜或光照不均勻時，不能把疵點正確的分割出來。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的是為了解決上述技術(shù)中存在的問題，提出一種基于最優(yōu)閾值分割的織物疵點檢測算法，該方法在閾值選取時，不但考慮像素類間方差，同時引入了類內(nèi)距離，并采用權(quán)值進行加強，實現(xiàn)對織物疵點的正確檢測，具有較強的適應(yīng)性。算法包括兩個階段，具體如下:
[0007]一:最優(yōu)閾值選取
[0008]具體包括以下幾個步驟:
[0009]步驟1.圖像分類
[0010]通過設(shè)定初始閾值T，把圖像分為兩類；
[0011]步驟2.兩類像素的灰度均值和整幅圖像平均灰度計算
[0012]設(shè)Ni是灰度值為i(fmin ( i ( ffflax)的像素數(shù)，
【權(quán)利要求】
1.一種基于最優(yōu)閾值分割的織物疵點檢測方法，其特征在于，包括最優(yōu)閾值選取和圖像分割兩部分，具體為: 一:最優(yōu)閾值選取 具體包括以下幾個步驟: 步驟1.圖像分類 通過設(shè)定初始閾值T,把圖像f={f (X，y), I < X < M, I < y < N}分為兩類,具體公式如(I)和(2):
C1= {f\ (X，y) |fmin ≤ f(x, y)≤ T} (I)
C2= {f2 (X，y) I T+1 ≤ f (X，y) ≤ fmax} (2 ) 其中，fmin和fmax為圖像灰度最小和最大值，T為分類閾值，fmin+l≤T≤fmax-l，C1表示第一類像素，C2表示第二類像素； 步驟2.兩類像素的灰度均值和整幅圖像平均灰度計算 設(shè)Ni是灰度值為i (fmin ( i ( fmax)的像素數(shù)，
【文檔編號】G06T7/00GK103778624SQ201310716629
【公開日】2014年5月7日 申請日期:2013年12月20日 優(yōu)先權(quán)日:2013年12月20日
【發(fā)明者】劉洲峰, 李春雷, 董燕, 廖亮, 王九各, 閆磊 申請人:中原工學院