一种基于织物自身结构进行疵点检测的方法
【技术领域】
[0001 ] 本发明属于纺织品外观疵点检测方法技术领域，具体涉及一种基于织物自身结构 进行疵点检测的方法。
【背景技术】
[0002] 纺织质量检测是现代企业生产的一个重要内容，目前织物的疵点检测主要有人 工检测和自动检测两种。人工视觉检验误检率和漏检率较高，只能发现70~80 %的织物疵 点、检测结果受主观影响比较大、检测速度慢、成本高等缺陷。现有自动检测方法概括起来 主要分为基于统计的检测方法、基于频域分析的检测方法和基于模型的检测方法三大类。 但由于织物疵点种类繁多，形态各异，加上织物纹理图像本身的复杂性，现有检测方法往往 只适应于检测某些特定类型的疵点，无法检测所有的疵点，适应性差；
[0003] 织物是由经炜两组纱线按照一定的组织规律交织而成，经、炜向均具有一定的周 期性。周期性纹理可以认为是由许多相互接近的、互相编织的纹理基元（纹理的基本单元） 构成。正常无疵点的织物图像中每个纹理基元内的像素灰度值分布均遵循某个特定的规 律，不同的纹理基元之间的相似性强，而疵点的出现，不论是灰度型疵点或结构型疵点，必 然破坏纹理基元内灰度值分布规律。因此织物疵点检测完全可以从织物自身结构入手进行 研究。
【发明内容】
[0004] 本发明的目的是提供一种基于织物自身结构进行疵点检测的方法，能够有效地检 测灰度突变型疵点、结构突变型疵点和混合性疵点，提高疵点检测方法的准确性、可靠性和 适用性。
[0005] 本发明所采用的技术方案是，一种基于织物自身结构进行疵点检测的方法，具体 检测步骤为：
[0006] 步骤1 :对采集的坯布织物图像进行预处理；
[0007] 步骤2 :疵点图像特征值增强；
[0008] 步骤3 :构造均值图像，对增强后的疵点图像进行去噪处理；
[0009] 步骤4 :采用最大类间方差阈值分割法对疵点图像进行分割；
[0010] 步骤5 :通过面积滤波的方法进行织物疵点的检测。
[0011] 本发明的特征还在于，
[0012] 步骤1中，图像预处理包括图像增强和图像去噪。
[0013] 图像增强的过程为：将图像划分为互不重叠的pXp大小的子窗口，p为8的倍数； 计算每个子窗口灰度的均值MVu，BP :
[0015] 式中，MVli j为图像i行j列像素的灰度均值，G u为图像i行j列像素的灰度值；
[0016] 利用插值公式（1)进行双线性插值，延伸到原来的尺寸，即得均值图像：
[0018] 式中，m，n e [0，p-l];
[0019] 最后，利用原图像与均值图像之间对应像素灰度差构造出所需的零均值图像，即 完成图像增强。
[0020] 图像去噪的过程为：假设I = f(x，y)为有NXN个像素的图像，其平滑算子r = h(i，j)，尺寸大小为KXK，利用公式（2)进行平滑处理后得到的一幅新的图像1'= g(x，y)，实现图像去噪，即：
[0022] 式中：x，y e [0，Ν-1] ;M为算子内权值之和。
[0023] 步骤2中，疵点图像特征值增强的过程为：
[0024] 步骤2. 1 :采用自相关函数计算图像在水平方向和垂直方向的自相关函数值，即：
)
[0027] 式中，Cxi。为水平方向的自相关函数值；(：。^为垂直方向的自相关函数值;M*N表示 图像的大小，G li,表示像素的灰度值，周期T x、Ty为纹理基元的大小；
[0028] 步骤2. 2 :将待检测织物图像划分成TxXTy子窗口，利用下式计算子计算基元模板 中像素的灰度值：
[0030] 式中，Mli j表示基元模板中像素的灰度值，表示第k个子窗口中像素的灰度值， η表不子窗口的个数；
[0031] 步骤2. 3 :将待检测的织物图像再次划分为Tx X Ty子窗口，按公式S 1V j = Iwk^-M1J计算子窗口与基元模板之间的差值S1V,，利用公式（5)对所有的行线性 规范化处理后，得疵点增强图像，即：
[0033] 式中，u为疵点增强图像像素的灰度值;MaxO、Min()分别为最大值和最小值 函数。
[0034] 步骤3中，图像去噪处理的过程为：
[0035] 将步骤2所得图像划分为p X p的子窗口，计算每个窗口灰度的均值MVli j:
[0036] 式中，Gu为图像像素的灰度值，利用插值公式（6)进行双线性插值，延伸到原来 的尺寸，得均值图像：
[0038] 式中，m，n e [0，p-l]。
[0039] 步骤4中，疵点图像进行分割的具体步骤为：
[0040] 令图像级灰度为L，对每个灰度值X，Px表示X出现的频率，此时分割阈值为t，则 将灰度分成两类：Cl= (0，l，~，t);C2=(t+l，t+2，···，〇;则每一类出现的概率为：
:每一类的平均灰度为：
其中
则类间方差为：
[0041] σ 2(t) = W1 (U-U1)2+w2 (U2-U)2= w(U2-U1)2 (7)
[0042] 使〇2(t)取最大值的t，就是分割目标和背景的最佳阈值，灰度值大于t的为待分 割的目标区域。
[0043] 步骤5中，织物疵点检测的具体过程为：
[0044] 采用八连通方法在步骤4分割后的二值图像上搜索非零像素值的连通区域，遇到 第一个非零像素值的连通区域标号为1，记录该区域像素点的个数为Ml ;以此类推，直到最 后一个非零像素区域标号为N，区域像素的个数为MN ;这里的Mi就是第i个连通区域的面 积；如果一幅待检测的织物图像，经过图像分割后所有的连通区域的面积都小于某一个阈 值，则该幅图像就没有疵点；反之，如果经过图像分割后存在一个面积大于阈值的连通区 域，则该幅图像包含疵点，疵点的位置、大小就可以由这些大于阈值的连通区域位置和面积 来确定。
[0045] 本发明的有益效果是，本发明从织物自身结构入手，利用纹理基元模板来增强疵 点区域的方法，并采用零均值图像完成对疵点图像增强，能够对灰度突变性疵点、结构突变 性疵点和混合性疵点区域进行有效增强，并可避免传统方法需对标准无疵点图像进行训练 的限制，提高了疵点检测方法的准确性、可靠性和适用性。
【附图说明】
[0046] 图1为本发明一种基于织物自身结构进行疵点检测方法的流程图；
[0047] 图2为织物图像纹理的周期性图；
[0048] 图3为利用本发明方法进行缺炜疵点检测的效果图；
[0049] 图4为利用本发明方法进行浮线疵点检测的效果图；
[0050] 图5为利用本发明方法进行断纱疵点检测的效果图；
[0051] 图6为利用本发明方法进行水印渍疵点检测的效果图。
【具体实施方式】
[0052] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0053] 本发明是一种基于织物自身结构进行疵点检测方法的流程如图1所示，具体步骤 如下：
[0054] 步骤1:图像预处理：
[0055] 图像预处理主要包括图像的增强和图像去噪；
[0056] 本发明利用零均值图像增强方法。首先将图像划分一个个子窗口，为了把一幅图 像划分为整数个子窗口，子窗口的大小应为图像大小的约数；另外子窗口不能过小，应该比 疵点的尺寸大，从而达到疵点增强的目的。综合以上两点，本实施例采用的子窗口的大小为 16X16。子窗口的大小确定后，计算每个窗口灰度的均值MVli j,
式中 G1^表示像素的灰度值，并进行下采样；利用插值公式（1)进行双线性插值，延伸到原来的 尺寸，得均值图像：
[0058] 最后，利用原图像与通过插值获得的均值图像之差就构造出所需的零均值图像。 零均值图像不仅能够增加图像的灰度对比，而且由于每个子窗口的均值为零，因此能够有 效地解决因光照而造成的明暗差异问题。
[0059] 图像去噪采用3X3的均值滤波。均值滤波采用邻域平均法，假定一幅有NXN个 像素的图像I = f (X，y)，平滑算子r = h (i，j)，其尺寸大小为KX K，平滑处理后得到的一幅 新的图像"=g(x，y)，于是有式（2)成立：
[0061] 式中：x，y e [0，Ν-1] ;M为算子内权值之和。
[0062] 步骤2 :疵点图像特征值的增强，具体按以下步骤实施
[0063] 步骤2. 1 :确定纹理基元大小。确定纹理基元大小。织物是由经炜纱按照一定的 组织规律交织而成，经、炜向均具有一定的周期性，织物图像属于规则的有序纹理图像。自 相关曲线呈现较好的周期性，纵横向的一个周期构成一个纹理基元，如图2所示。纹理基元 的大小通常采用自相关（Auto-correlation)函数，图像水平、垂直方向的自相关函数计算 方法为：
[0064]
[0066] 式中，M*N表示图像的大小，G1,』表示像素的灰度值，Cx,。、(：。,彦示水平、垂直方向 的自相关函数值，周期T x、Ty为纹理基元的大小。
[0067] 步骤2.2 :纹理基元模板的计算，纹理基元的大小确定后，然后计算纹理基元模 板。方法是：将原图像划分成Tx X Ty子窗口，把所有子窗口中对应的像素灰度值求平均值， 计算公式为：
式中，Mli j表示基元模板中像素的灰度值，表示第k个子窗 口中像素的灰度值，η表示子窗口的个数。
[0068] 步骤2. 3 :疵点区域的增强，织物疵点的自动检测需要不断消弱背景，即正常纹理 区域信息，同时突出疵点区域信息，以便最终把