一種基于稀疏表示系數(shù)優(yōu)化的織物疵點檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于紡織品圖像處理的技術(shù)領(lǐng)域，具體涉及一種使用圖像的稀疏性表示方 法和顯著性分析方法對織物疵點圖像進行疵點的檢測和定位的方法。
【背景技術(shù)】
[0002] 織物疵點檢測是紡織品質(zhì)量控制和管理的一個關(guān)鍵環(huán)節(jié)。隨著集成電路和圖像處 理技術(shù)的飛速發(fā)展，機器視覺已經(jīng)在工業(yè)表面檢測領(lǐng)域中得到了越來越廣泛的應(yīng)用，以計 算機視覺來代替人工操作不僅可以提高檢測速度，降低勞動成本，而且通過布匹疵點自動 檢測系統(tǒng)可以為布匹質(zhì)量等級的評定提供雙方可信的參考標準，有利于國際貿(mào)易的往來。 織物疵點檢測與判別算法是該類系統(tǒng)的核心環(huán)節(jié)，直接影響著系統(tǒng)的性能。
[0003] 目前，提出的織物疵點檢測算法主要以傳統(tǒng)統(tǒng)計學(xué)習(xí)及頻譜分析為基礎(chǔ)，可以分 為基于特征提取和基于非特征提取的兩類方法。基于特征提取的方法從織物圖像的空域或 頻域提取有效的織物特征或疵點特征，從而利用特征差異區(qū)分織物異常部分和正?？椢锏?紋理?？沼蚍椒òㄠ徲蛐畔ⅰ⒒叶裙采仃嚭推娈愔捣纸獾确椒?；頻域方法包括傅里葉變 換、小波變換、Gabor變換等方法。由于織物紋理和疵點的多樣性，基于特征提取的方法所提 取特征難以適應(yīng)不同種類的織物及疵點，自適應(yīng)性不強?；诜翘卣魈崛〉姆椒ㄖ?，Gabor 濾波是最有效的方法。Gabor濾波方法無需直接提取織物紋理和疵點特征，利用一系行優(yōu)化 后的Gabor濾波器，直接將疵點從濾波后的圖像中提取出來。然而，該方法檢測結(jié)果依賴于 濾波器和特定的織物紋理及疵點特征的匹配準度，且濾波器的參數(shù)選擇非常復(fù)雜。
[0004] 基于頻譜分析的方法可以彌補這些缺點，將圖像變換到頻域可以更好地 描述圖像的整體特性，從而有效地檢測織物疵點（參考文獻[2] :A.Serdaroglu,A. ErtuzunandA.Ercil,Defectdetectionintextilefabricimagesusingwavelet transformsandindependentcomponentanalysis,PatternRecognit.Image Anal.，16(1) :61-64, 2006.)。常用的方法有傅立葉變換、小波變換和Gabor變換等。該類 方法計算復(fù)雜度較高且濾波器組選擇對結(jié)果影響較大。
[0005] 基于復(fù)雜統(tǒng)計模型的方法通常假定紋理是某種模型下的一個樣本，通過學(xué)習(xí)的方 法估計出該模型的參數(shù)，再利用假設(shè)檢驗的方法測試待檢圖像是否符合該參數(shù)下的紋理模 型（參考文獻[3] :Y.Zhang,Z.LuandJ.Li,Fabricdefectclassificationusingradial basisfunctionnetwork,PatternRecognitionLetters, 31 (13):2033-2042, 2010.)。用 于疵點檢測的紋理模型主要有高斯馬爾科夫隨機場、小波域隱馬爾科夫樹模型等，相應(yīng)的 學(xué)習(xí)方法主要有三層后向傳播網(wǎng)絡(luò)、高斯核的徑向基函數(shù)等?；诮y(tǒng)計模型的方法雖然能 很好地描述織物圖像的紋理信息，但計算量通常很大，而且實現(xiàn)復(fù)雜，特別是在線學(xué)習(xí)尤為 困難，識別面積較小的疵點能力較差。
[0006] 目前提出的算法在一定程度上達到了疵點檢測目的，但仍有許多共性的問題和新 問題仍然未得到解決或仍待進一步研宄：1)布匹種類較多，造成表面紋理多樣化（譬如：斜 紋、花紋等），大部分算法對紋理比較簡單的布匹檢測效果好，而對復(fù)雜紋理的織物檢測效 果較差，不能有效地把疵點與背景分離開來；2)織物疵點種類較多，有橫襠疵、斜紋疵、弓 弧、斷煒疵、斑點疵、扭結(jié)紗疵等90多種，目前的檢測算法一般只能檢測特定的幾種疵點類 型，且檢測精度有待提尚。
[0007] 近年來，基于稀疏表示的圖像處理方法得到了快速的發(fā)展和較好的應(yīng)用成 果?；谙∈璞硎镜目椢锎命c檢測方法中，首先，通過稀疏表示原理和L1范數(shù)最小化 從待測織物圖像中學(xué)習(xí)出字典庫；然后，利用字典庫求解出稀疏表示系數(shù)矩陣，重構(gòu)出 只包括正?？椢锛y理的重構(gòu)圖像；將重構(gòu)圖像與將測試圖像相減，突出殘差圖像中的疵 點區(qū)域，應(yīng)用閾值分割定位出織物疵點。周健等人所提方法[文獻[1]，ZhouJ，Wang J.Fabricdefectdetectionusingadaptivedictionaries[J].TextileResearch Journal, 2013:0040517513478451.]直接從待測織物圖像中學(xué)習(xí)出小型字典庫，且對字典 庫原子進行了受限優(yōu)化。該方法可重構(gòu)出不同織物的紋理圖像，具有較高自適應(yīng)特性；然 而，該技術(shù)應(yīng)用于花紋織物詞典檢測中時，所訓(xùn)練出得字典庫難以準確表示正常紋理，原織 物重構(gòu)誤差較大，導(dǎo)致誤檢、漏檢等情況出現(xiàn)。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的是為了解決上述現(xiàn)有技術(shù)存在的技術(shù)問題，提供一種基于稀疏表示 系數(shù)優(yōu)化的織物疵點檢測方法，實現(xiàn)了對織物圖像疵點的有效檢測與定位，且具有較高的 檢測精度。
[0009] 為了達到上述目的，本發(fā)明的技術(shù)方案是：一種基于稀疏表示系數(shù)優(yōu)化的織物疵 點檢測方法，包括自適應(yīng)字典庫學(xué)習(xí)、稀疏系數(shù)矩陣優(yōu)化和圖像重構(gòu)、殘差顯著圖的生成及 其分割，其步驟為：
[0010] -、自適應(yīng)字典庫學(xué)習(xí)
[0011] 包括以下兩個步驟：
[0012] 步驟1.織物圖像的分塊
[0013] 將大小為nXn的待測織物圖像y分割為n個大小相同的圖像塊，并展 開每個圖像塊為nXl的列向量，組合列向量為矩陣A= [ADA^.yAlAiGRnX1(i= 1，…，n)，R為實數(shù)集；
[0014] 步驟2.字典庫學(xué)習(xí)
[0015] 對矩陣A講行學(xué)習(xí)，得到用于其稀疏件表示的字*庫D，具體方法如下式：
[0016]
【主權(quán)項】
1. 一種基于稀疏表示系數(shù)優(yōu)化的織物疵點檢測方法，其特征在于包括自適應(yīng)字典庫學(xué) 習(xí)、稀疏系數(shù)矩陣優(yōu)化和圖像重構(gòu)、殘差顯著圖的生成及其分割，其步驟具體為： 一、 自適應(yīng)字典庫學(xué)習(xí) 包括以下兩個步驟： 步驟1.織物圖像的分塊 將大小為nXn的待測織物圖像y分割為n個
大小相同的圖像塊，并展開每個 圖像塊為nXl的列向量，組合列向量為矩陣A=RnX1(i = 1，…，n)，R為實數(shù)集； 步驟2.字典庫學(xué)習(xí) 對矩陣A進行學(xué)習(xí)，得到用于其稀疏性表示的字典庫D，具體方法如下式：
其中，D=[dpd^.Mdk]是從矩陣A中學(xué)習(xí)出的字典庫，RnX1(j= 1，…，n)含有n個元素的列向量是字典庫D中的任一庫原子，a1是對矩陣A用字典庫D表示的稀疏系數(shù) 矩陣，入是正則化參數(shù)。 二、稀疏系數(shù)矩陣優(yōu)化和圖像重構(gòu) 包括以下幾個步驟： 步驟1.通過對織物圖像稀疏表示，可以得到用字典庫D表示的待測織物圖像y的稀疏 表示系數(shù)矩陣a，求解稀疏表示系數(shù)矩陣a方法是求解如下式所示的L-2范數(shù)問題：
步驟2.將稀疏表示系數(shù)矩陣a進行優(yōu)化，具體的優(yōu)化方法如下式：
其中，卜和〇i分別表示稀疏表示系數(shù)矩陣a中第i行的均值與方差，y是決定系 數(shù)元素是否需要被優(yōu)化的常數(shù)； 步驟3.利用優(yōu)化得到的系數(shù)矩陣a#與自適應(yīng)字典庫D重構(gòu)待測織物圖像y的重構(gòu) 圖像允，重構(gòu)方法如下式： y；=Da* (4) 三、 視覺顯著圖的生成與分割 步驟1.視覺顯著圖的生成 將重構(gòu)圖像父與原待測織物圖像y做殘差，生成視覺顯著圖y。，如下式： 凡二必―7 (5) 步驟2.視覺顯著圖的分割 選取最大熵閾值分割方法對視覺顯著圖y。分割，實現(xiàn)對織物疵點區(qū)域的檢測與定位， 其熵的判別函數(shù)定義如下式： 〇 (s,t) =lg[PMPN]+HM/PM+(HL-HM)/PN (6) 其中，H代表熵的大小，M為疵點區(qū)域，N為正常紋理區(qū)域，L是灰度級數(shù)，PM為疵點區(qū)域 占圖像的比例，PN為正常區(qū)域的比例，PM= 1-PN，且：
其中，Pu為視覺顯著圖y。中點灰度-區(qū)域灰度均值對（i，j)發(fā)生的概率，s為其灰度 大小，t為其鄰域均值大小，選取最佳閾值向量（s' 〇滿足：
從而，利用
將疵點從視覺顯著圖y。中分割出來，得到檢測結(jié)果。
【專利摘要】本發(fā)明公開了一種基于稀疏表示系數(shù)優(yōu)化的織物疵點檢測方法，包括自適應(yīng)字典庫學(xué)習(xí)、稀疏系數(shù)矩陣優(yōu)化和圖像重構(gòu)、視覺顯著圖的生成及其分割，對圖像進行分塊，進行自適應(yīng)字典庫學(xué)習(xí)并得到字典庫；用L2范數(shù)最小化方法求得稀疏表示系數(shù)矩陣，對所得矩陣中異常系數(shù)元素進行優(yōu)化；利用所得字典庫和優(yōu)化后的稀疏表示系數(shù)矩陣重構(gòu)織物圖像，并與待測圖像做殘差得到殘差顯著圖；采用最大熵閾值分割方法對顯著圖分割，得到織物疵點檢測結(jié)果。本發(fā)明綜合考慮織物紋理特征的隨機性和疵點種類的多樣性，采用待測織物圖像作為字典庫學(xué)習(xí)樣本和疵點區(qū)域檢測參考，具有較高的檢測精度；且不需要提取任何疵點信息，自適應(yīng)能力強；計算速度較快，適合在線檢測。
【IPC分類】G06T7-00
【公開號】CN104778692
【申請?zhí)枴緾N201510167030
【發(fā)明人】劉洲峰, 李春雷, 董燕, 閆磊, 余淼
【申請人】中原工學(xué)院
【公開日】2015年7月15日
【申請日】2015年4月9日