一种基于压缩感知的坯布织物疵点检测方法
【技术领域】
[0001] 本发明属于数字图像目标检测技术领域，具体涉及一种基于压缩感知的坯布织物 疵点检测方法。
【背景技术】
[0002] 机器视觉和数字图像处理技术的飞速发展为基于机器视觉的自动化疵点检测奠 定了重要的基础。尽管织物疵点检测的自动化研究已有三十余年的发展历史，然而，面对国 际纺织市场竞争的日趋激烈，企业对坯布疵点检测也提出了新的需求：针对大幅面坯布的 疵点检测，要求在检出坯布疵点的同时，能降低数据存储和传输量，提高系统运行的效率， 降低系统的成本。而现有的技术方法难以满足这一新的需求。因此，提高大幅面坯布疵点 的检出率和运行效率、降低系统的成本已成为坯布疵点自动检测系统中不可缺少的一个核 心技术。
[0003] 压缩感知（CompressedSensing，CS)理论是Donoho等人于2006年正式提出的一 种新型的"全息"采样理论。该理论已证明：当信号是稀疏的或在某种变换下可以稀疏表示 时，采用满足约束等距性的观测矩阵提取少量的的压缩测量值即可完美地保存原始信号的 信息；在信号重构阶段，通过相应的重构算法即可从少量的压缩测量值中恢复出原始信号， 这为压缩域的目标检测提供了理论依据。
【发明内容】
[0004] 本发明的目的是提供一种基于压缩感知的坯布织物疵点检测方法，能够满足大幅 面坯布疵点的检出率，解决现有织物疵点检测技术中因大量的冗余信息导致系统运行效率 低、成本高的问题。
[0005] 本发明所采用的技术方案是，一种基于压缩感知的坯布织物疵点检测方法，具体 过程为：
[0006] 步骤1 :从采集的坯布织物图像中截取一幅无疵点图像，将其划分为互不重叠的 pXq大小的图像块Xi(i= 1，2,…n)，并统计其正常灰度分布区间，计算出训练图像块\灰 度量化后的压缩测量值y,，随后计算其压缩测量值的均值y_n;
[0007] 步骤2:采用极大似然估计法，计算训练图像块\的压缩测量值的正态分布参数 Pnorm和 〇norm，
[0008] 步骤3:将待测坯布织物图像划分成互不重叠的pXq大小的图像块Xt(t= 1，2*". n)，统计其灰度直方图Ht，计算待测图像块Xt灰度量化后的压缩测量值yt
[0009]步骤4:将步骤1、2和步骤3所得的y_n、yn_、〇 _"和yt_df；t的值带入下式，判断 待测的图像块Xt中是否含有疵点，
[0010]
[0011] 式中，y_n为计算训练图像块X,灰度量化后的压缩测量值的均值；
[0012] yn_和〇 n_为训练图像块X,灰度量化后的压缩测量值的正态分布参数；
[0013]yt_det为待测图像块Xt灰度量化后的压缩测量值；
[0014]c为一个正的常数，其取值与检测的精确度有关，根据正态分布数理统计理论中的 "3 〇 "原则，c的取值范围为[2, 3];
[0015] 如果待测图像块Xt的压缩测量值yt_det与无疵点的训练图像块学习得到的参数
?，则认为待测图像块乂4含 有疵点，即置为1，否则，不含疵点，置为〇 ;
[0016] 步骤5:若待测的图像块\中无疵点，返回，处理其他待测图像块；若含有疵点，则 进行疵点定位。
[0017] 本发明的特征还在于，
[0018] 步骤1中，训练图像块X,灰度量化后的压缩测量值的均值y_n的计算过程为：
[0019] 步骤1. 1:随机地选定一个图像块，记作Xraf，并统计Xraf的灰度直方图Hraf;
[0020] 步骤1. 2 :选取步骤1. 1所得H"f中小于等于总像素个数1% -2 %的灰度级像素个 数作为阈值thresh，找出H"f中灰度级像素个数大于thresh的所有像素点，并按其灰度级 从小到大的顺序排列成一个集合，记为S>thrash，即S>thrash= {j|Hraf(j) >thresh};
[0021] 步骤1. 3 :将步骤1. 2所得的S>th_h中彼此相邻像素间灰度值两两相减，得集合 SUB;将SUB中小于等于2对应的像素位置置为1，大于2的像素位置置为0;
[0022] 步骤1. 4 :对步骤1. 3中所得SUB中连续出现1的位置区域界定为S>thrash的子区 间，若仅得到1个子区间，则将此子区间对应的像素灰度分布范围作为X"f的正常灰度分布 区间；否则，选取对应灰度直方图中所含的灰度级像素点个数最多的子区间，将其对应的像 素灰度分布范围作为参照图像块X"f的灰度分布区间，记为[gl，g2];
[0023] 步骤1. 5:计算步骤1. 2所得S、&^中所有像素的灰度均值，记为
[0024]
[0025]其中，n,表示S> th_h中j灰度级像素的个数；
[0026] 步骤1.6 :找出步骤1. 1所得H"f中大于步骤1.5所得y_的所有灰度级像素，并 按灰度级从小到大的顺序排列成一个集合，记为氣即 得％^中彼此相邻像素间灰度值两两相减，得到集合SUM^将SUM"中小于等于2对应的像 素位置置为1，大于2的像素位置置为0 ;
[0027] 步骤1. 7:将步骤1.6所得SW中连续出现1的位置区域界定为又,,_的子区间， 若仅得到1个子区间，则将此区间对应的像素灰度分布范围作为Xraf的主导像素的灰度分 布区间，否则，选取对应灰度直方图中所含的灰度级像素点个数最多的子区间，将其对应的 像素灰度分布范围作为Xraf的主导像素的灰度分布区间，记为[g^gj;
[0028] 步骤1. 8 :从Xi(i= 1，2，…n)中，随机地选取C幅图像块\(j= 1，2, . . .C)作 为训练图像块，其中，C的取值不宜低于10幅；分别统计训练图像块X,的灰度直方图H];
[0029] 步骤1. 9 :采用观测矩阵按照公式⑴计算训练图像块\的MX1维的压缩测 量值y.j:
[0030] yj= Ox j (1)
[0031] 其中，Xj是由二维图像信号Xj按列优先的顺序排列而成的NX1维的向量，y^为xj 在压缩域中MX1维的压缩测量值；
[0032] 步骤1. 10:利用步骤1. 1~1. 4的方法计算选定的C幅训练图像块\的灰度分布 区间[g^gp];以参照图像块1,的灰度分布区间[gl，g2]为基准，根据训练图像块的压缩 测量值y,，按照公式（2)计算训练图像块乂,在[gu，gl2]区间量化后的压缩测量值y] n_:
[0033]
[0034] 其中，伞n表示观测矩阵〇的第n列；
[0035] 步骤1. 11 :按照公式（3)计算训练图像块X,灰度量化后的压缩测量值y] 的均 值y_n:
[0036]
[0037] 步骤3中，待测图像块Xt灰度量化后的压缩测量值yt>t的计算过程为：
[0038] 步骤3. 1:根据待测图像块Xt的灰度直方图Ht，参照步骤1.2~步骤1.4的方法计 算待测图像块心的灰度分布区间，记为[gtl，gt2];
[0039] 步骤3.2:以参照图像块X"f的正常灰度分布区间[gl，g2]为基准，根据待测图像 块Xt的压缩测量值yt，参照公式⑵计算乂1在[gtl，gt2]区间量化后的压缩测量值yt>t。
[0040] 步骤5中，疵点定位的过程为：
[0041] 步骤5. 1:根据待测图像块Xt的灰度直方图Ht，利用步骤1. 5~1. 7的方法计算 Xt主导像素的灰度分布区间，记为[gtnil，gtJJ;以参照图像块x"f主导像素的灰度分布区间 [gn^gnJ为基准，计算1在[gtnl，gtn2]区间量化后的压缩测量值ytJ1Ktet;
[0042] 步骤5. 2:将步骤5. 1所得结果带入公式⑷中滤除5^_中无疵点信息后，得待 测图像块Xt中的疵点信息ytdrf:
[0043] yt-def=yt-ndet_ynean (4)
[0044] 步骤5. 3:将步骤5. 2所得yt_drf和观测矩阵〇带入公式（5)中，对获取的疵点信 息ytJef进行恢复，得到NX1维的信号i:
[0045]
[0046] 其中，X是一个正的常数，取值范围为[2, 4]，其取值需考虑信息的恢复精度与计 算速度间的权衡；
[0047] 步骤5. 4:将步骤5. 3所得的i按列优先的顺序排列成与原始图像块同维数的 pXq维矩阵Xt_ra。，利用公式（6)对Xt。进行3X3窗口的中值滤波，得到Xtf:
[0048] Xt-f (i，j) = median {Xt-rec (i-3, j-3)，…，Xt-rec (i，j)，…Xt-rec (i+3, j+3)} (6)
[0049] 步骤5. 5:利用公式（7)对步骤5. 4所得Xt_f进行二值化处理，得疵点的位置及轮 廓信息Xt_b，S卩完成疵点定位：
[0050]
[0051] 本发明的有益效果是，
[0052] 1.本发明利用坯布疵点的空域稀疏性，根据CS理论对坯布图像信息进行压缩，能 够将疵点检测系统的信息量降至原来的50% -70%之间；
[0053] 2.本发明根据压缩测量值判别疵点的有无，直接滤除压缩测量值中无疵点信息， 仅对含有疵点的信息进行恢复与定位，在保证误检率低于10 %的前提下，能够达到90%以 上的疵点检出率；
[0054] 3.本发明利用坯布织物图像灰度分布信息，通过自适应量化方法，可有效地克服 不可避免的光照渐变以及疵点区与背景间灰度分布交界处的模糊性带来的不利影响。
【附图说明】
[0055] 图1是利用本发明方法在大幅面坯布织物图像上截取的无疵点图像块及其量化 结果图；
[0056