基于局部统计特征与整体显著性分析的织物疵点检测方法
【专利摘要】本发明公开了一种基于局部统计特征与整体显著性分析的织物疵点检测方法，包括局部纹理和灰度统计特征提取、视觉显著图生成和视觉显著图分割三部分。首先对图像进行分块，提取图像块的局部纹理和灰度统计特征；其次针对每个当前图像块，随机选取K个其它图像块，计算当前图像块与其它图像块统计特征之间的对比度，完成基于整体显著性分析生成视觉显著图；最后采用基于迭代最优阈值分割算法对显著图进行分割，得到织物疵点检测结果。本方法综合考虑织物纹理统计特征和灰度统计特征，具有较高的检测精度；且本方法不需要训练样本，自适应能力强；计算速度较快，适合在线检测。
【专利说明】基于局部统计特征与整体显著性分析的织物疵点检测方法
【技术领域】
[0001]本发明涉及织物图像的疵点检测方法，具体涉及使用局部纹理及灰度统计特征提取和整体显著性分析方法对织物疵点图像进行疵点的检测和定位，属于纺织品图像处理领域。
【背景技术】
[0002]织物疵点检测是纺织品质量控制和管理的一个关键环节。随着集成电路和图像处理技术的飞速发展，机器视觉已经在工业表面检测领域中得到越来越广泛的应用，以计算机视觉来代替人工操作不仅可以提高检测速度，降低劳动成本，而且通过布匹疵点自动检测系统可以为布匹质量等级的评定提供双方可信的参考标准，有利于国际贸易的往来。织物疵点检测与判别算法是该类系统的核心环节，直接影响着系统的性能。
[0003]目前提出的织物疵点检测算法主要以传统统计学习及频谱分析为基础。其中基于空域纹理特征的方法主要利用灰度值空间分布的统计特性进行疵点检测。在整个检测过程中，假设正常图像块都是相同的，并且占有大部分区域，而具有不同统计特性的图像块被标定为含有疵点的图像。这类方法主要包括形态学、灰度共生矩阵、分形方法、局部对比度增强等，其检测结果受到所选窗口大小及阈值的影响，并且对于疵点较小情况，漏检率较大[参考文献[I]:Μ.H.Shi, R.Fu, Y.Guo, et al., Fabric defect detection using localcontrast deviations, Multimedia Tools and Application, 52:147-157，2011.]。
[0004]基于频谱分析的方法可以弥补这些缺点，将图像变换到频域可以更好地描述图像的整体特性，从而有效地检测织物疵点(参考文献[2]: A.Serdaroglu, A.ErtuzunandA.Ercil, Defect detection in textile fabric images using wavelettransforms and independent component analysis,Pattern Recognit.1mageAnal.，16(1):61-64, 2006.)。常用的方法有傅立叶变换、小波变换和Gabor变换等。该类方法计算复杂度较高且滤波器组选择对结果影响较大。
[0005]基于复杂统计模型的方法通常假定纹理是某种模型下的一个样本，通过学习的方法估计出该模型的参数，再利用假设检验的方法测试待检图像是否符合该参数下的纹理模型[参考文献[3]:Y.Zhang, Z.Luand J.Li, Fabric defect classification using radialbasis function network, Pattern Recognition Letters, 31 (13):2033-2042，2010.]。用于疵点检测的纹理模型主要有高斯马尔科夫随机场、小波域隐马尔科夫树模型等，相应的学习方法主要有三层后向传播网络、高斯核的径向基函数等。该类方法虽然能很好地描述织物图像的纹理信息，但计算量通常很大，而且实现复杂，特别是在线学习尤为困难，识别面积较小的疵点能力较差。
[0006]目前提出的算法在一定程度上达到了疵点检测目的，但仍有许多共性的问题和新问题仍然未得到解决或仍待进一步研究:1)布匹种类较多，造成表面纹理多样化(譬如:斜纹、花纹等)，大部分算法对纹理比较简单的布匹检测效果好，而对复杂纹理的织物检测效果较差，不能有效地把疵点与背景分离开来；2)织物疵点种类较多，有横裆疵、斜纹疵、弓弧、断纬疵、斑点疵、扭结纱疵等90多种，目前的检测算法一般只能检测特定的几种疵点类型，并且检测精度有待提闻。
[0007]大量神经学研究表明，人类视觉注意机制具有快速搜索到感兴趣目标的能力，称为视觉显著性。该模型能够快速搜索到场景中的重要目标，提高提取场景图像中有用信息的速度。对于布匹，虽然纹理多样化及疵点类别较多，但疵点在复杂的纹理背景中较为显著，利用视觉显著性模型可以快速有效地定位疵点区域，具有很好的研究价值。Geforman et al.[参考文献[4]:Goferman S，Zelnik-Manor L, Tal A.Context-awaresaliency detection.Pattern Analysis and Machine Intelligence, IEEE Transactionson, 2012, 34(10):1915-1926.]及黄志勇等人[参考文献[5]:黄志勇，何发智，蔡贤涛，等.一种随机的视觉显著性检测算法.中国科学:信息科学，2011，41 (7):863-874.]将基于上下文视觉显著性分析方法用于自然场景图像目标检测，获得了满意的效果。然而已有视觉显著性模型针对织物图像检测效果较差，不能很好地将疵点从复杂的纹理背景中有效凸显出来。
【发明内容】
[0008]本发明的目的是为了解决上述现有技术的存在的问题，提出一种基于局部统计特征与整体显著性分析的织物疵点检测方法，实现对织物图像疵点的有效检测与定位，并具有较高的检测精度。
[0009]本发明的一种基于局部统计特征与整体显著性分析的织物疵点检测方法，包括三个阶段，具体为:
[0010]一:局部纹理和灰度统计特征提取
[0011]步骤1.局部纹理统计特征提取
[0012]本方法选用LBP (local binary pattern)算子来提取局部纹理特征,其主要思想是将邻域作为一个处理单元，如果该邻域中的像素灰度大于中心像素的灰度，则对应邻域像素置为1，否则置为0，按顺时针方向排列成二进制序列。假设U表示LBP算子中O到I或I到O的变化次数,如果U≤2，为每一位分配一个权值21,将该二进制序列转换成一个确切的十进制数，即为中心像素的LBP特征值；如果U>2，将二进制序列统一转换成Ρ(Ρ-1)+3，表示中心像素的LBP特征值。最后通过计算LBP特征值直方图，用以表征图像的局部纹理统计信息。
[0013]步骤2.灰度统计特征提取
[0014]本方法采用灰度直方图来提取图像的灰度统计特征。
[0015]二:视觉显著图生成
[0016]步骤1.[0017]将图像分为大小相等的图像块，因为一个图像块对应显著图的一个像素，为了提高显著度图的分辨率，所划分图像块之间相互重叠。
[0018]步骤2.针对当前图像块f”随机选取K个其它图像块位置Pj。
[0019]步骤3.[0020]提取当前图像块&和其对应的K个其它图像块fj (j = 1，2，...，K)的局部纹理和灰度统计特征。[0021]步骤4.[0022]计算当前图像块和其对应的K个图像块之间的局部纹理统计特征距离dlbp(fi, fj)、灰度统计特征距离Ufi, fj)及Euclid位置距离dp (Pi, Pj)。由于局部纹理及灰度统计特征以直方图形式进行表示，因此本方法选用卡方距离来度量特征之间的差异。
[0023]步骤5.计算当前图像块i的显著性Si，如式(I)所示:
[0024]
【权利要求】
1.一种基于局部统计特征与整体显著性分析的织物疵点检测方法，包括局部纹理和灰度统计特征提取、整体分析的视觉显著图生成及视觉显著图分割；具体为: 一:局部纹理和灰度统计特征提取 具体包括以下几个步骤: 步骤1.局部纹理统计特征提取 本方法选用LBP (local binary pattern)算子来提取局部纹理特征,其主要思想是将邻域作为一个处理单元，如果该邻域中的像素灰度大于中心像素的灰度，则对应邻域像素置为1，否则置为0，按顺时针方向排列成二进制序列；假设U表示LBP算子中O到I或I到O的变化次数，如果U < 2，为每一位分配一个权值21，将该二进制序列转换成一个确切的十进制数，即为中心像素的LBP特征值；如果U>2，将二进制序列统一转换成Ρ(Ρ-1)+3，表示中心像素的LBP特征值，如式(I)所示:
f
【文档编号】G06T7/00GK103729842SQ201310712348
【公开日】2014年4月16日 申请日期:2013年12月20日 优先权日:2013年12月20日
【发明者】刘洲峰, 李春雷, 朱永胜, 张爱华, 赵全军, 闫磊 申请人:中原工学院