疵点检测出来。待检测的织物疵点图像再次 被划分为T xXTy子窗口，按公式Skiij= Iwkiij-MiijI计算子窗口与基兀模板之间的差值，然 后对所有的S kU进行线性规范化处理，处理方法为：
[0070] 式中，MaxO、Min()分别为最大值和最小值函数，通过这种方法我们得到疵点增强 图像。
[0071] 步骤3 :构造均值图像，具体过程为：
[0072] 增强后的疵点图像由于具有大量的高频噪声，不能直接进行二值分割，通过构造 均值图像来消除噪声的方法。均值图像的构造方法是：将图像划分为8X8的子窗口，计算 每个窗口灰度的均值j，
并进行下采样，然后进行双线性插值，延 伸到原来的尺寸，插值公式如式（6)所示：
[0074] 均值图像能够有效地消除高频噪声信息，便于下一步的疵点分割，构造的均值图 像。
[0075] 步骤4 :疵点图像的分割：采用最大类间方差阈值分割法方法，具体按以下步骤实 施：
[0076] 最大类间方差阈值分割法也称为Otsu法，首先基于直方图计算各灰度级的发生 概率，并以阈值变量t将灰度级分为两类，然后求出每一类的类内方差及类间方差，选取使 得类间方差最大，类内方差最小的t作为最佳阈值。
[0077] 设图像具有L级灰度，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= (0,1，…，t) ;C2= (t+l，t+2，"·，υ。则每一类出现的
概率为： 每一类的平均灰度为： ；·：
则类间方差可由式定义：
[0078] σ 2(t) = W1 (U-U1)2+w2 (U2-U)2= w !W2 (U2-U1)2 (7)
[0079] 使σ 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。
[0080] 步骤5 :疵点的检测：分割后的图像有些很小的白色区域并非是疵点，需要采用面 积滤波把这些很小的白色区域去掉。连通区域面积的计算方法是在分割后的二值图像上采 用八连通方法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就是要求的连通区域面积。面积小于某个阈值的我们就不认为它是 疵点。
[0081] 本发明的原理为：疵点检测实际上是一个纹理分割及识别过程，因为在织物中疵 点处的纹理结构不同于正常织物，因此能够把它们检测出来。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，因此织物图像属于规则的有序纹理图 像。如图2所示，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。在 正常织物图像中，每个纹理基元中对应像素的灰度值比较接近，而疵点区域，无论是灰度突 变型疵点如油污、破洞等，还是结构突变型疵点如并经、松经等，纹理基元中对应像素的灰 度值与正常织物的存在较大变化。基于织物自身结构分析的疵点检测方法正是基于这一原 理提出来的。它首先对待检测的织物图像的预处理包括零均值图像处理和均值滤波，然后 计算自相关函数确定纹理基元大小，计算纹理基元模板，利用纹理基元模板实现疵点区域 信息的增强，然后构造均值图像，利用Otsu法实现疵点图像分割，最后利用面积滤波确定 待检测的织物图像上是否含有疵点以及疵点的检测。基于织物自身结构分析的疵点检测 方法对结构突变型疵点（如缺炜），如图3所示；混合型疵点（如浮线和断纱），见图4和 5 ;灰度突变性疵点（如水印渍），见图6 ;由图中可以看出本方法对上述疵点都具有较好的 分割效果，图3中缺炜疵点被很好地分割并检测出来；图4中的浮线分割与检测效果也比较 好；图5中露在织物表面的断纱疵点被较好检测出来；同样图6中的水印渍都被有效地分 割并检测出来。
[0082] 本发明所采用的零均值图像法不仅很好地完成对疵点图像增强的要求，而且由于 零均值图像获取方法比直方图均衡化方法要简单多，时间效率高；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，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；根据 织物图像纹理自身特点，从图像纹理的周期性这个重要视觉特征入手，提出了基于织物自 身结构分析的织物疵点检测方法，对各类疵点都具有较好的检测效果，提高了疵点检测方 法的准确性、可靠性和适用性；本发明的整个算法没有复杂的运算，时间效率高，能够满足 织物疵点实时在线检测的需要。
【主权项】
1. 一种基于织物自身结构进行疵点检测的方法，其特征在于，具体检测步骤为： 步骤1 :对采集的坯布织物图像进行预处理； 步骤2:疵点图像特征值增强； 步骤3 :构造均值图像，对增强后的疵点图像进行去噪处理； 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； 步骤5 :通过面积滤波的方法进行织物疵点的检测。2. 根据权利要求1所述的一种基于织物自身结构进行疵点检测的方法，其特征在于， 步骤1中，图像预处理包括图像增强和图像去噪。3. 根据权利要求2所述的一种基于织物自身结构进行疵点检测的方法，其特征在于， 所述图像增强的过程为：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MV^，BP:式中，MV^为图像i行j列像素的灰度均值，G^为图像i行j列像素的灰度值； 刺用插佶公忒Π)讲杆双钱忡插佶.钲伸刹庖1的尺寸.即徨询佶图像，式中，m,ne[〇,p-Ι]; 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。4. 根据权利要求2所述的一种基于织物自身结构进行疵点检测的方法，其特征在 于，所述图像去噪的过程为：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：(2) 式中：x，ye[〇，Ν-1] ;M为算子内权值之和。5. 根据权利要求1所述的一种基于织物自身结构进行疵点检测的方法，其特征在于， 步骤2中，疵点图像特征值增强的过程为： 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：C3)⑷ 式中，CX1。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，Gy表示像素的灰度值，周期Tx、Ty为纹理基元的大小； 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：式中，Μ、j表示基元模板中像素的灰度值，3?表示第k个子窗口中像素的灰度值，η表 示子窗口的个数； 步骤2. 3 :将待检测的织物图像再次划分为ΤχXTy子窗口，按公式S\j= |W\「Μ、j|计 算子窗口与基元模板之间的差值，利用公式（5)对所有的,进行线性规范化处理后， 得疵点增强图像，BP:(5) 式中，S'^为疵点增强图像像素的灰度值;Max〇、Min()分别为最大值和最小值函 数。6. 根据权利要求1所述的一种基于织物自身结构进行疵点检测的方法，其特征在于， 步骤3中，图像去噪处理的过程为： 将步骤2所得图像划分为pXp的子窗口，计算每个窗口灰度的均值M\式中，匕,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：式中，m,ne[〇,p-1]。7. 根据权利要求1所述的一种基于织物自身结构进行疵点检测的方法，其特征在于， 步骤4中，疵点图像进行分割的具体步骤为： 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：C1 = (0，1，…，t) ;C2 = (t+l，t+2，…，L);则每一类出现的概率为：f一类的平均灰度为其弓；则类间方差为： σ2 (t) =wl (u-u^2+w2(u2-u) 2=w!W2(u2-U!)2, (7) 使σ2 (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。8.根据权利要求1所述的一种基于织物自身结构进行疵点检测的方法，其特征在于， 步骤5中，织物疵点检测的具体过程为： 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。
【专利摘要】本发明公开了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：对采集的坯布织物图像进行预处理；再进行疵点图像特征值增强；随后对增强后的疵点图像进行去噪处理；采用最大类间方差阈值分割法对疵点图像进行分割；最后通过面积滤波的方法进行织物疵点的检测。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。
【IPC分类】G06T7/00
【公开号】CN105261003
【申请号】CN201510573718
【发明人】祝双武, 马盈仓, 朱文俊, 臧衍乐
【申请人】西安工程大学
【公开日】2016年1月20日
【申请日】2015年9月10日