基于最优Gabor滤波器的经编织物瑕疵检测方法
【技术领域】
[0001] 本发明涉及一种基于最优Gabor滤波器的经编织物瑕疵检测方法，属于图像处理
技术领域。
【背景技术】
[0002] 国内的经编产业得到了快速的发展，成为世界经编产品的主要生产基地的同时， 国外部分国家经编行业也逐渐崛起，如印度、越南等一些东南亚国家，促使竞争加大。面临 竞争，提高产品质量和降低生产成本成为企业生存的关键。布面疵点是影响布匹质量的主 要因素。据调查，由于疵点的存在，使织物价格降低了 45-65%，企业收益受到很大的损失。 当前纺织企业大多数仍采取人工目测的方式检测织物疵点。人工检测的缺点在于：（1)视 觉精度的限制和容易疲劳导致检测不稳定；（2)人工目测检测准确率低，熟练工人的检测 准确率难以超过85%; (3)人的视野有限，并不能同时检测很宽的区域，人的精力有限，经常 会发生漏检的情况；(4)检测成本比较高，包括大量工人的培训费用、工资等支出。因此，基 于机器视觉的疵点检测系统在企业实际生产过程中的使用可以大大提高经编机出布的质 量，同时可以减少人工，节约企业的生产成本，从而增加企业产品竞争力。
[0003] -般来说，采集经编织物图像后，需进行预处理过程，然后进行特征提取和瑕疵判 另IJ。预处理主要是为了增强图像的对比度，使瑕疵信息和图像背景信息对比明显，另外需进 行图像去噪，去除图像中的噪声。特征提取，就是对图像进行分析处理，从中提取合适的特 征向量。瑕疵判别，就是借助某个分类器将瑕疵区域检测出来。其中特征提取是瑕疵检测方 法的核心环节，一般来说，特征提取的方法主要有统计法、模型法和频域法等。基于统计法 提取特征可分为自相关函数，灰度共生矩阵，数学形态法和分形理论等方法。基于模型法提 取特征有Wold模型和马尔可夫随机场模型等。基于频域法提取特征可分为傅里叶变换、小 波变换和Gabor变换等。Gabor函数是一组经过旋转和伸缩处理的自相似函数，是一组窄带 带通滤波器，在空间域和频率域均有较好的分辨能力，有明显的方向选择和频率选择特性， 能够实现空域和频域的最佳联合定位，因此Gabor变换适合纹理图像的分析。
【发明内容】
[0004] 本发明的目的是克服现有技术中存在的不足，提供一种基于最优Gabor滤波器的 经编织物瑕疵检测方法，能够提高检测的准确率和实时性。
[0005] 按照本发明提供的技术方案，
[0006] 在一个【具体实施方式】中，一种基于最优Gabor滤波器的经编织物瑕疵检测方法， 特征是，包括以下步骤：
[0007] 步骤1、构造Gabor滤波器，提取Gabor滤波参数；
[0008] 步骤2、对无瑕疵经编织物图像进行Gabor卷积处理，采用Fisher准则构造适应度 函数，利用量子行为粒子群优化（QPS0)算法对步骤1提取的Gabor滤波参数进行最优化处 理，得到Gabor滤波器的最优参数；
[0009] 步骤3、由步骤2得到的Gabor滤波器最优参数，对待检测的经编织物图像进行 Gabor卷积处理；
[0010] 步骤4、进行二值化处理得到经编织物的瑕疵检测结果。
[0011] 进一步的，所述步骤1按照以下步骤实施：
[0012] 步骤1. 1、建立Gabor滤波函数，具体按照以下方法实施：
[0013] Gabor滤波函数G (x，y)由方向性的复正弦函数调谐的二维Gaussian核函数 g(x，y)调制而成，在空间域中，Gaussian核函数涉及到三个参数S x，Sy，0，其中匕为 Gaussian核函数x轴方向上的尺度参数，5 丫为Gaussian核函数y轴方向上的尺度参数， 9为Gaussian核函数的旋转角度，（x'，y')是（x，y)旋转0角度之后的坐标；在频率 域中，傅里叶变换涉及到频率的三个参数为F。，u。，v。，其中F。是椭圆形Gabor滤波函数的中 心频率，u。是x轴方向上Gabor滤波函数的中心频率，v。是y方向上Gabor滤波函数的中 心频率；
[0014] 将二维空间中Gabor滤波函数表示为： 、，;X
[0020] 步骤1.2、将空间域中Gabor滤波函数经傅里叶变换得到频率域的Gabor滤波函数
[0021] ：; [0022]
[0023] 步骤1. 3、从步骤1. 2构造的Gabor滤波函数中提取6个Gabor滤波参数 (a，y，，v〇，F〇，Q)〇
[0024] 进一步的，所述步骤1. 1构造的Gabor滤波函数G(x，y)中系数？。= 0时，则调制 为2-DGabor滤波函数G(x，y) ;uQ= 0、vQ= 0时，则调制为椭圆形的Gabor滤波函数G(x， y)。
[0025] 进一步的，所述步骤2按照以下步骤实施：
[0026] 步骤2. 1、初始化粒子群，包括确定最大迭代次数、搜索空间、粒子的个数、随机初 始化粒子的位置；
[0027] 步骤2. 2、在第一次迭代时，每个粒子的初始位置为当前个体最好位置；对无瑕疵 经编织物图像进行Gabor卷积处理，采用Fisher准则构造适应度函数，计算出每个粒子对 应的函数值；所有粒子的适应度函数值相比较后找到具有最小适应度函数值的粒子，该粒 子的位置即为全局最好位置；
[0028] 步骤2. 3、对每个粒子的位置进行更新，采用与步骤2. 2相同方法求出每个粒子的 适应度函数值，更新个体最好位置和全局最好位置；
[0029] 步骤2. 4、当达到迭代结束条件时，训练结束，全局最好位置即为所要确定的 Gabor滤波参数的最优值；否则，迭代次数加1，转到步骤2. 3。
[0030] 进一步的，所述步骤2. 1按照以下步骤实施：设初始时迭代次数n = 0,最大迭代 次数为max_n ;Gabor滤波参数有（a，y，u。，vQF。，0 )，则搜索空间为6维；粒子的个数为 M，每个粒子的初始位置为< 其中i = 1，2…，M/
[0031] 进一步的，所述步骤2. 2中图像经过Gabor卷积后的图像R(x，y)可表示为：
[0032]
：;
[0033] 其中，T(x，y)是无瑕疵经编织物图像，R(x，y)是经Gabor滤波器卷积后的图像， *是图像的卷积操作，是图像T(x，y)的傅里叶变换，IDFT是离散傅里叶反变换；
[0034] 所述Gabor卷积后的图像R(x，y)的能量表示为：
和分别是Ge(x，y)和Gjx，y)的离散傅里叶变换；[0037] 所述根据Fisher准则构造的目标函数表示为：
[0035]
[0036] .
[0038]
[0039] 其中，Gabor滤波参数〇 = ( a，y，u。，v。，F。0 )，y (①）和〇 (①）分别是大小 为XX Y的图像经过Gabor卷积之后的能量均值和标准差；
[0042]由此，具有6个决策变量，5个约束条件的非线性规划问题可以描述为：
[0040] ;
[0041]
[0050] 在第一次迭代时，每个粒子的初始位置为当前个体最好位置，即= 由 Fisher准则构造的目标函数计算出每个粒子对应的适应度函数值；
[0051] 所有粒子的适应度函数值相比较后找到具有最小适应度函数值的粒子，该粒子的 位置即为全局最好位置。
[0052] 进一步的，所述步骤2. 3中粒子的位置更新方程为：
[0053]
;
[0054] 式中取" + "或取的概率都为0.5,其中0称为收缩-扩张系数为区间 (〇, 1)上的均匀分布随机数，粒子i的收敛过程以点蛑=COI…給）为吸引子，其坐标 为：
[005r
[0056] 其中變是一个区间（0, 1)上均匀分布的随机数；
[0057] 所述步骤2. 3中更新个体最好位置时采用下式：
[0058]
;
[0059] 每个粒子的个体最好位置确定后，根据S F(PiR)更新全局最好位置。
[0060] 进一步的，所述步骤3中对待检测的经编织物图像为S(x，y)进行Gabor卷积处 理，得到卷积后的图像Q(x，y):
[0061]
[0062] 进一步的，所述步骤4中二值化处理采用下式进行：