一种基于稀疏表示系数优化的织物疵点检测方法
【技术领域】
[0001] 本发明属于纺织品图像处理的技术领域，具体涉及一种使用图像的稀疏性表示方 法和显著性分析方法对织物疵点图像进行疵点的检测和定位的方法。
【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了越来越广泛的应用，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，可以分 为基于特征提取和基于非特征提取的两类方法。基于特征提取的方法从织物图像的空域或 频域提取有效的织物特征或疵点特征，从而利用特征差异区分织物异常部分和正常织物的 纹理。空域方法包括邻域信息、灰度共生矩阵和奇异值分解等方法；频域方法包括傅里叶变 换、小波变换、Gabor变换等方法。由于织物纹理和疵点的多样性，基于特征提取的方法所提 取特征难以适应不同种类的织物及疵点，自适应性不强。基于非特征提取的方法中，Gabor 滤波是最有效的方法。Gabor滤波方法无需直接提取织物纹理和疵点特征，利用一系行优化 后的Gabor滤波器，直接将疵点从滤波后的图像中提取出来。然而，该方法检测结果依赖于 滤波器和特定的织物纹理及疵点特征的匹配准度，且滤波器的参数选择非常复杂。
[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,Defectdetectionintextilefabricimagesusingwavelet transformsandindependentcomponentanalysis,PatternRecognit.Image Anal.，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.LuandJ.Li,Fabricdefectclassificationusingradial basisfunctionnetwork,PatternRecognitionLetters, 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。基于统计模型的方法虽然能 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宄：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、断炜疵、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，且检测精度有待提尚。
[0007] 近年来，基于稀疏表示的图像处理方法得到了快速的发展和较好的应用成 果。基于稀疏表示的织物疵点检测方法中，首先，通过稀疏表示原理和L1范数最小化 从待测织物图像中学习出字典库；然后，利用字典库求解出稀疏表示系数矩阵，重构出 只包括正常织物纹理的重构图像；将重构图像与将测试图像相减，突出残差图像中的疵 点区域，应用阈值分割定位出织物疵点。周健等人所提方法[文献[1]，ZhouJ，Wang J.Fabricdefectdetectionusingadaptivedictionaries[J].TextileResearch Journal, 2013:0040517513478451.]直接从待测织物图像中学习出小型字典库，且对字典 库原子进行了受限优化。该方法可重构出不同织物的纹理图像，具有较高自适应特性；然 而，该技术应用于花纹织物词典检测中时，所训练出得字典库难以准确表示正常纹理，原织 物重构误差较大，导致误检、漏检等情况出现。
【发明内容】
[0008] 本发明的目的是为了解决上述现有技术存在的技术问题，提供一种基于稀疏表示 系数优化的织物疵点检测方法，实现了对织物图像疵点的有效检测与定位，且具有较高的 检测精度。
[0009] 为了达到上述目的，本发明的技术方案是：一种基于稀疏表示系数优化的织物疵 点检测方法，包括自适应字典库学习、稀疏系数矩阵优化和图像重构、残差显著图的生成及 其分割，其步骤为：
[0010] -、自适应字典库学习
[0011] 包括以下两个步骤：
[0012] 步骤1.织物图像的分块
[0013] 将大小为nXn的待测织物图像y分割为n个大小相同的图像块，并展 开每个图像块为nXl的列向量，组合列向量为矩阵A= [ADA^.yAlAiGRnX1(i= 1，…，n)，R为实数集；
[0014] 步骤2.字典库学习
[0015] 对矩阵A讲行学习，得到用于其稀疏件表示的字*库D，具体方法如下式：
[0016]
【主权项】
1. 一种基于稀疏表示系数优化的织物疵点检测方法，其特征在于包括自适应字典库学 习、稀疏系数矩阵优化和图像重构、残差显著图的生成及其分割，其步骤具体为： 一、 自适应字典库学习 包括以下两个步骤： 步骤1.织物图像的分块 将大小为nXn的待测织物图像y分割为n个
大小相同的图像块，并展开每个 图像块为nXl的列向量，组合列向量为矩阵A=RnX1(i = 1，…，n)，R为实数集； 步骤2.字典库学习 对矩阵A进行学习，得到用于其稀疏性表示的字典库D，具体方法如下式：
其中，D=[dpd^.Mdk]是从矩阵A中学习出的字典库，RnX1(j= 1，…，n)含有n个元素的列向量是字典库D中的任一库原子，a1是对矩阵A用字典库D表示的稀疏系数 矩阵，入是正则化参数。 二、稀疏系数矩阵优化和图像重构 包括以下几个步骤： 步骤1.通过对织物图像稀疏表示，可以得到用字典库D表示的待测织物图像y的稀疏 表示系数矩阵a，求解稀疏表示系数矩阵a方法是求解如下式所示的L-2范数问题：
步骤2.将稀疏表示系数矩阵a进行优化，具体的优化方法如下式：
其中，卜和〇i分别表示稀疏表示系数矩阵a中第i行的均值与方差，y是决定系 数元素是否需要被优化的常数； 步骤3.利用优化得到的系数矩阵a#与自适应字典库D重构待测织物图像y的重构 图像允，重构方法如下式： y；=Da* (4) 三、 视觉显著图的生成与分割 步骤1.视觉显著图的生成 将重构图像父与原待测织物图像y做残差，生成视觉显著图y。，如下式： 凡二必―7 (5) 步骤2.视觉显著图的分割 选取最大熵阈值分割方法对视觉显著图y。分割，实现对织物疵点区域的检测与定位， 其熵的判别函数定义如下式： 〇 (s,t) =lg[PMPN]+HM/PM+(HL-HM)/PN (6) 其中，H代表熵的大小，M为疵点区域，N为正常纹理区域，L是灰度级数，PM为疵点区域 占图像的比例，PN为正常区域的比例，PM= 1-PN，且：
其中，Pu为视觉显著图y。中点灰度-区域灰度均值对（i，j)发生的概率，s为其灰度 大小，t为其邻域均值大小，选取最佳阈值向量（s' 〇满足：
从而，利用
将疵点从视觉显著图y。中分割出来，得到检测结果。
【专利摘要】本发明公开了一种基于稀疏表示系数优化的织物疵点检测方法，包括自适应字典库学习、稀疏系数矩阵优化和图像重构、视觉显著图的生成及其分割，对图像进行分块，进行自适应字典库学习并得到字典库；用L2范数最小化方法求得稀疏表示系数矩阵，对所得矩阵中异常系数元素进行优化；利用所得字典库和优化后的稀疏表示系数矩阵重构织物图像，并与待测图像做残差得到残差显著图；采用最大熵阈值分割方法对显著图分割，得到织物疵点检测结果。本发明综合考虑织物纹理特征的随机性和疵点种类的多样性，采用待测织物图像作为字典库学习样本和疵点区域检测参考，具有较高的检测精度；且不需要提取任何疵点信息，自适应能力强；计算速度较快，适合在线检测。
【IPC分类】G06T7-00
【公开号】CN104778692
【申请号】CN201510167030
【发明人】刘洲峰, 李春雷, 董燕, 闫磊, 余淼
【申请人】中原工学院
【公开日】2015年7月15日
【申请日】2015年4月9日