一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法与流程

本发明涉及纺织品检测技术领域，尤其是基于图元分解和各向异性矫正的纺织品瑕疵检测方法。

背景技术：

纺织品构成了许多日常消费品的基础，例如衣物、背包、时装、墙布以及纳米医用织物等等。纺织品瑕疵检测是控制其质量的重要环节，也是计算机视觉领域的一个重要应用内容。瑕疵检测问题主要通过获取纺织品的图像，利用图像处理技术评价图像质量，从而判断纺织品中是否含有瑕疵。传统的人工检测方式检测速度低，并且漏检率较高，因此需要发展快速、准确且无监督的纺织品瑕疵检测方法。

由于工业生产的原因，现今的纺织品可以分为两类：第一类是结构简单，没有复杂的图案，一般为纯色的纺织品；第二类是含有比较复杂的图案，且图案具有周期性。

第一类纺织品出现时间较早，一般为纯色的，结构简单。针对这一类纺织品的瑕疵检测，目前已有很多成熟的算法，大致可以分为以下几类：1)统计法:自相关函数，共生矩阵，数字形态学，分形；2)谱方法：傅里叶变换，gabor滤波，小波变换；3)训练法：神经网络；4)结构法；5)模型法：自回归模型，markov随机场模型等。其中，统计法和谱方法在检测面积较大的瑕疵时适应性不佳；训练法需要大量地训练参数，针对性低并且时间成本高；结构法无法适应复杂的瑕疵类型，对样本质量要求高。

第二类纺织品出现时间较晚，可适用的算法较少，例如：wgis算法，er算法，bb算法，rb算法，id算法，模板法等。瑕疵的随机性使得wgis和er算法的检测结果并不稳定；bb和rb算法能够有效分割瑕疵，但是需要人工设置参数，主观性较高；id算法对训练样本要求较高；模板法在面对复杂纹理的纺织品时效果不佳。

技术实现要素：

本发明要解决的技术问题是：为了解决现有的检测方法效果差、周期长和成本高的不足，本发明提供了一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法，通过确定周期图案的大小对图像进行裁剪和分块，减少了计算复杂度，提高了检测速率。通过各向异性矫正，减少拉伸畸变对纺织品所造成的影响。利用图元分解，将周期图案分解为粒度更小的图像元素，有利于增加本发明的检测准确率。同时本方法对瑕疵类型具有普适性。

本发明解决其技术问题所采用的技术方案是：

一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法，包括以下步骤：

1)输入待检测含有周期变化图案的纺织品图像；

2)确定图案的周期模板大小；

3)根据模板大小对图像进行分块；

4)利用tc算法进行初始检测，对原图和初始检测结果进行异或操作得到无瑕区域；

5)对异或得到的无瑕区域进行各向异性矫正；

6)将初始检测结果和矫正后的无瑕区域进行图元分解，得到粒度更小的图像块；

7)训练无瑕区域得到阈值，检测初始结果中所包含的无瑕部分并过滤；

8)将检测完毕后的图元进行合并，得到最终的检测结果。

具体地，所述确定图案的周期模板大小的方法是，在纺织品图像的水平方向取步长c且在纺织品图像的垂直方向取步长r对纺织品图像进行均匀分割，计算相邻两块间的差异并计算所有差异的总和，并根据差异总和的极小值求取纺织品图像的模板大小。

具体地，所述对分块的图像块进行各向异性矫正的方法是，在以m×n大小的待矫正图像块i为中心的1.5倍范围作为搜索区域(1.5m×1.5n)，在搜索区域中利用模板t进行移动相减操作。每次移动得到一个差异值d。d的值最小被认为是模板最相似的区域，并将该区域作为矫正后的结果。

具体地，所述确定模板的方法是，将所有图像块进行叠加，生成立体模型，计算该模型的中位数，得到的结果即为模板，该模板默认为无瑕。

具体地，所述图元分解的方法是，周期纺织品图像是由基本图案组成的，将基本图案再次分解为四个部分，被称为图元。每个图像块可以分为四个图元。图元的集合称为子图像，它仍然是周期图像。随后的阈值选择和测试过程都以图元为单位。

具体地，所述训练阈值的方法是，利用无瑕区域获取判断瑕疵的阈值。具体地，所述训练阈值的方法是，利用无瑕区域获取判断瑕疵的阈值。计算大小为r×c无瑕图元a与对应模板t间的e-v值，并将其归一化，以0.01大小为一个区间。将非空区间从大到小进行排列，取最大连续区间的最大值作为判断瑕疵的阈值。低于阈值的认为是无瑕图元，记为0；高于阈值的认为是有瑕图元，记为1。将所有图元进行合并，得到的结果即为最终的检测结果。

本发明的有益效果是：本发明提供了一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法，通过确定周期图案的大小对图像进行裁剪和分块，减少了计算复杂度，提高了检测速率。通过各向异性矫正，减少拉伸畸变对纺织品所造成的影响。利用图元分解，将周期图案分解为粒度更小的图像元素，有利于增加本发明的检测准确率。同时本方法对瑕疵类型具有普适性。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的检测方法流程框图；

图2是本发明的水平和垂直方向的总差值曲线图；

图3是本发明的各向异性矫正示意图；

图4是本发明的矫正前后实验图；

图5是本发明的图元分解示意图；

具体实施方式

现在结合附图对本发明作进一步详细的说明。

图1是本发明的检测方法流程框图，图2是本发明的水平和垂直方向的总差值曲线图，图3是本发明的各向异性矫正示意图，图4是本发明的矫正前后实验图，图5是本发明的图元分解示意图。

一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法，其特征是，包括以下步骤：

1)输入待检测含有周期变化图案的纺织品图像；

2)确定图案的周期模板大小；

3)根据模板大小对图像进行分块；

4)利用tc算法进行初始检测，对原图和初始检测结果进行异或操作得到无瑕区域；

5)对异或得到的无瑕区域进行各向异性矫正；

6)将初始检测结果和矫正后的无瑕区域进行图元分解，得到粒度更小的图像块；

7)训练无瑕区域得到阈值，检测初始结果中所包含的无瑕部分并过滤；

8)将检测完毕后的图元进行合并，得到最终的检测结果。

所述确定待测纺织品图像分块模板的方法是，对于一个含有基本图案，大小为m×n的纺织品图像i，要确定大小为m×n的基本图案模板，先令模板宽度m＝m，模板高度n在[1,n/2]内任取一个数值λ，形成一个待定模板，将按i该待定模板分成块，分别为计算相邻两块的差异并累加求和计算总差值f；通过将λ在[1,n/2]中遍历，找出使得总差值f达到极值，且分块的面积最小时的λ即为图像模板的高度n，模板宽度m的确定过程依次类推，从而确定大小为m×n的基图案模板。由该模板对纺织品图像i进行裁剪并分成块，记图像区块集合为b。

b＝{b1,b2,…bp×q}(1)

总差值f计算公式如下：

由于图像具有周期性，所以当λ为周期模板的整数倍时，总差值f就会取得极小值，所以在所有使f取得极小值的长宽中面积最小的模板才是最佳的模板。

如附图2所示，为复杂纺织品图像在水平方向及垂直方向的总差值曲线图。由附图2所知，模板高度取得极小值的点分别为21，42，63，84，106，模板宽度取得极小值的点分别为16，33，49，66，83，100。由于图案具有周期性，所以模板应选择面积最小的，所以该类型样本模板大小约为21×16。

如附图3所示，所述对分块的图像块进行各向异性矫正的方法是，在以m×n大小的待矫正图像块i为中心的1.5倍周期的范围作为搜索区域(1.5m×1.5n)，在搜索区域中利用模板t进行移动相减操作。每次移动得到一个差异值d。

其中

i^(p,q)是当前图像i的第一个像素位于搜索区域的(p,q)位置。p∈[0,0.5m],q∈[0,0.5n]。d的值最小被认为是模板最相似的区域，并将该区域作为矫正后的结果。

(p^*,q^*)＝argmin(d^p,q)(6)

附图4为本发明矫正前后的实验图，d为公式(3)计算的结果。

所述确定模板的方法是，对于含有瑕疵的图像，同样按照模板进行分块，由于瑕疵面积小于纺织品图像面积的50％，所以将所有图像块进行叠加，形成一个立体模型，计算该立体模型的中位数即可得到无瑕的全局模板，该模板的标记为0。

如附图5所示，所述图元分解的方法是，周期纺织品图像是由基本图案组成的，将基本图案再次分解为四个部分，被称为图元。

每个图像块可以分为四个图元。图元的集合称为子图像，它仍然是周期图像。随后的阈值选择和测试过程都以图元为单位。

具体地，所述训练阈值的方法是，利用无瑕区域获取判断瑕疵的阈值。计算大小为r×c无瑕图元a与对应模板t间的e-v值，并将其归一化，以0.01大小为一个区间。

其中，

将非空区间从大到小进行排列，取最大连续区间的最大值作为判断瑕疵的阈值。低于阈值的认为是无瑕图元，记为0；高于阈值的认为是有瑕图元，记为1。将所有图元进行合并，得到的结果即为最终的检测结果。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。