一种织物瑕疵检测方法
【技术领域】
[0001] 本发明设及机器视觉与视频图像处理技术领域，具体为一种织物瑕疵检测方法。
【背景技术】
[0002] 通过人工视觉来对完成对织物瑕疵检测的方法存着工作量大、漏检率高、误检率 高、受主观感觉影响等多种问题，基于机器视觉的织物瑕疵自动检测能有效解决运一问题。 为区分瑕疵和非瑕疵区域，对织物图像采用合适的特征描述是关键问题。
[0003] 从频域提取织物图像特征的方法如小波变换、傅里叶变换、G油or滤波等，先将图 像分解到所定义的各个频域子带，通过子带系数的差异区分瑕疵区域。从空域提取特征的 方法如局部二值模式化ocalBinary化ttern,LB巧、邻域统计特征（均值、方差、赌）、邻域 灰度排列、纹理图案规则性特征等，直接利用待检像素邻域的灰度统计特征构成特征向量， 利用相似性距离度量或者分类器定位瑕疵区域。为有效准确检测织物瑕疵，选取的特征提 取算法都要求应当能够保证将瑕疵和非瑕疵图像转换到该特征空间后，二者的特征分布区 分度足够明显，否则极易受到噪声干扰，产生误检漏检，导致瑕疵区域定位不准。灰度共生 矩阵化CM(GrayLevelC〇-〇c州rrenceMatrix)特征是一种描述图像灰度的空间相关性特 征的算法，由于织物纹理图像往往体现出较强的空间相关性，而瑕疵往往会破坏空间相关 性，因此很适宜采用化CM特征进行检测。但是现有基于化CM特征的方法普遍采用线性量 化，导致生成的化CM矩阵十分稀疏、特征空间利用不充分，并且，化CM特征生成过程中采用 的尺度和方向参数往往人为设定，不能达到最优。
【发明内容】
[0004] 本发明要解决的问题是：现有通过机器视觉进行织物瑕疵检测的方法易受噪声干 扰，往往产生误检或漏检，定位不准；现有基于化CM特征的瑕疵检测方法存在特征空间利 用不充分、参数设定不能达到最优等缺点；进一步的，现有用于分割瑕疵的阔值往往人为设 定，影响算法自动化程度。
[0005] 本发明的技术方案为：一种织物瑕疵检测方法，采用非线性灰度共生矩阵化CM作 为特征描述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测Ξ个 步骤：非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映 射函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性化CM特征向量 相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性化CM特 征向量和自适应的二值化阔值；在检测阶段，对待检测织物图像采用最优尺度方向参数进 行非线性化CM特征提取，并与参考特征向量匹配来定位瑕疵区域。
[000引具体步骤如下：
[0007] 1)非线性映射函数求取：对无瑕疵图像A，采用直方图均衡化算法，获得非线性映 射函数T，在函数T作用下，图像A的直方图分布变为均匀分布；
[000引。最优参数学习对大小为W地的图像A中每一像素（X，y)，W(X，y)为中心提 取大小为dw*化的图像块B，计算图像块B在参数/V/=[2.s'*cos((/* .r/O), 2.、'*加(沪下的 非线性化CM特征向量Κ/(.γ，_ν)，其中s、d为整数，且1《S《S，1《d《D，S、D为用户自定 义的尺度范围和方向数；计算F/(x，的的均值作为参考特征向量/?、"'，计算朽/知分与参考特 征向量货/的相似性距离仇"V)，计算厂/托_}，)的均方差0/作为最优尺度方向参数的评价 标准，选取均方差(?/最小时的尺度S和方向参数d作为最优尺度S。。和最优方向d。。，同时W 所述最优尺度方向参数下的参考特征向量宛W作为瑕疵检测步骤中的参考特征向量Rwpdw， 并利用该最优尺度方向参数下的厂/'(.、-0·)慨均方差α/和均值构建瑕疵检测步骤中的 自适应二值化阔值THr;
[000引扣瑕疵检测：对待检测图像的每个像素（X，y)，选择W该像素为中屯、的dw*化的 图像块，计算其在最优参数Pwpdw=巧Sw*cos化P*π/D)，2Sw*sin(d。。*π/D)]下的非线性 化CM特征向量V(x，y)，计算V(x，y)与Rwpdw之间的特征向量相似性距离，获得相似性距离 分布图，通过阔值TH。对相似性距离分布图二值化，定位瑕疵区域。
[0010] 步骤1)中的非线性映射函数T的求取方法为：
[0011]
(1)
[0012] 其中，floor0函数表示取整，k为映射前的图像灰度值，rk为映射后与k对应的 图像灰度值，rk、k均为整数，且0《255,0《k《255,ηh为映射前图像A中灰度为h 的像素的数目，η为图像A总的像素数目。
[001引步骤。中获得非线性化CM特征向量托的方法为：
[0014]i.利用非线性映射函数T对图像块B进行灰度映射；
[001引ii.将映射后的图像块B的灰度线性量化为N级，创建N*N的矩阵G，G矩阵中坐 标（i，如处的数值为图像块B中空间相对位置为[户/(1)，尸、"切]且量化灰度为（i，如的像素 对的数目，即
[0016] G{i\J)=nuni{Sct) 、知'={(及(i,，V),公("+ 尸;'（1).V+ 戶;'（2))i巧w,，'）= /，公(w+P'(1)，V+ 户;'（2))=/! 錢
[0017] 其中，numO函数表示求取集合Set的元素数目，U、V为图像块B中的像素坐标； iii.求取归一化的化CM矩阵：
[001 引
[0019] 将矩阵G。所有的列首尾相接变为向量形式梓"知，对。
[0020] 步骤。中参考特征向量用/、相似性距离厂Γ),厂、"'(Λ-，.Γ)的均方差0/和均值 的求取方法分别为：
[00幼步骤。中自适应二值化阔值ΤΗ「计算方法为：TH「=μwpdw巧Xσwpdw。
[002引步骤如具体为：
[0027]a)对待检测图像的每个像素（x，y)构建非线性化CM特征向量，选择W该像素为 中屯、的dw*化的图像块，计算其在最优参数Pwpd°P= 口3Dp*cos化。*π/D)，2Snp*sin (d。。* π/ D)]下的非线性化CM特征向量V(x，y)，该特征向量生成方法与最优参数学习阶段特征向量 Γ/(λ-，y)的生成方法一致；
[002引b)计算V(x，y)与Rwpdw之间的特征向量相似性距离Γ(x，y) =I|V(x，y)-Rwpdw|I， 获得相似性距离分布图；
[0029] C)根据阔值ΤΗρ对相似性距离分布图二值化，定位瑕疵区域。
[0030] 本发明提出采用一种非线性灰度共生矩阵特征描述织物纹理W充分利用特征空 间，有效提取图像特征。在利用化CM算法的基础上，针对化CM算法在织物瑕疵检测的具体 应用进行了优化，克服了现有化CM在应用时的缺陷，实现将化CM算法的优点应用至织物瑕 疵检测。得益于化CM本身对噪声的抗干扰能力W及本发明所提的自适应的二值化阔值，在 未进行形态学滤波去噪的情况下，本发明方法也能获得十分准确的瑕疵区域定位结果。其 创新点在于：1)针对一般化CM特征计算过程中线性量化导致生成的化CM矩阵十分稀疏、 特征空间利用不充分的缺点，提出一种非线性化CM特征提取算法W获得鲁棒的图像特征； 2)构建了一种最优尺度和方向参数学习方法，利用该最优尺度和方向参数进行特征提取能 够最大程度凸显瑕疵区域和非瑕疵区域的特征差别；3)构建了一种自适应的瑕疵分割二 值化阔值确定方法，十分有利于实际生产过程中的自动化检测。
【附图说明】
[0031] 图1为本发明方法的流程框图。
[0032] 图2为本发明实施例待检测织物图像。
[003引图3为本发明实施例非线性化CM特征向量相似性距离分布图。
[0034] 图4为本发明实施例瑕疵检测结果图。
【具体实施方式】
[0035] 本发明方法主要包括非线性映射函数求取、最优参数学习和瑕疵检测Ξ个步骤。
【具体实施方式】如下：
[0036] 1、非线性映射函数求取阶段
[0037] 对于织物图像，灰度往往集中分布于某一区间，而非均匀分布于整个灰度空间，如 果采用一般化CM特征提取方式则将进行的是线性量化，大批量化值没有或者很少被使用， 导致生成的化CM矩阵十分稀疏，不能充分体现图像纹理特征。本发明提出非线性化CM特 征提取，基本思想是根据灰度出现概率进行量化，高概率灰度区间细量化，低概率灰度区间 粗量化，如此可W有效的提取图像特征。实际操作时，运一思想可W转变为先对图像灰度值 进行非线性映射，再进行线性量化。考虑到直方图均衡化可W有效的实现集中分布灰度区 间向平均分布灰度区间的转化，因此可W利用直方图均衡化获得非线性映射函数。具体方 法为对无瑕疵图像A，采用直方图均衡化算法，获得非线性映射函数T，在该函数作用下，图 像A的直方图分布变为均匀分布，T的具体形式为：
[0038]
供
[003引其中，floor 0函数表示取整，k为映射前的图像灰度值，rk为映射后与k对应的 图像灰度值，rk、k均为整数，且0《255,0《k《255, η h为映射前图像A中灰度为h 的像素的数目，η为图像A总的像素数目。
[0040] 2、最优参数学习阶段
[0041] 计算无瑕疵图像A在不同方向尺度参数下的非线性化CM特征向量相似性距离分 布图，通过最小方差原则选择最优尺度和方向参数并获得参考