一种基于小波变换和遗传算法的织物瑕疵检测方法
【专利摘要】本发明涉及一种基于小波变换和遗传算法的织物瑕疵检测方法，包括以下步骤：对采集的带有瑕疵的图像进行预处理；对预处理后的图像使用小波分解得到多尺度下的子图像；对子图像进行融合以得到最优的疵点边缘信息；对子图像利用遗传算法计算出阈值，并采用所述阈值对融合后的图像进行阈值分割；对经过阈值分割的图像进行形态学处理。本发明处理后的布匹瑕疵分割效果精准，分割速度快，并很好的保留了瑕疵原本的形态。
【专利说明】
一种基于小波变换和遗传算法的织物瑕疵检测方法
技术领域
[0001]本发明涉及织物瑕疵检测技术领域，特别是涉及一种基于小波变换和遗传算法的织物瑕疵检测方法。
【背景技术】
[0002]织物瑕疵检测时布料生产过程中不可缺少的一个环节，而一直以来在纺织企业中普遍采用的是人工检测的方式。这种传统的验布方式效率低下，工人劳动强度大，并且检测准确度得不到保证。由此可见，传统的人工检测方式已经难以复合企业的现代化管理要求。因此，发展一种织物自动检测设备对纺织企业的质量监控和节约人力成本具有重要的经济意义。
[0003]目前，面向市场的织物瑕疵自动检测系统还比较少，生产出面向纺织企业的织物瑕疵检测系统也只有国外的少数公司，如以色列的EVS公司，瑞士的Barco公司。在织物瑕疵检测系统中，一般采用的是线阵相机作为图像传感器对织物图像进行采集。但由于在检测过程中，布匹运动速度快，布匹幅面较大，图片质量易受工业环境的影响，正确地提取出瑕疵区域称为布匹检测中的重点和难点。而织瑕疵的检测算法是自动检测系统的核心部分，因此设计出一种精度高、处理速度快的算法是实现在线织物瑕疵检测的关键。
【发明内容】
[0004]本发明所要解决的技术问题是提供一种基于小波变换和遗传算法的织物瑕疵检测方法，使得布匹瑕疵分割效果精准，分割速度快。
[0005]本发明解决其技术问题所采用的技术方案是:提供一种基于小波变换和遗传算法的织物瑕疵检测方法，包括以下步骤:
[0006](I)对采集的带有瑕疵的图像进行预处理；
[0007](2)对预处理后的图像使用小波分解得到多尺度下的子图像；
[0008](3)对子图像进行融合以得到最优的疵点边缘信息；
[0009](4)对子图像利用遗传算法计算出阈值，并采用所述阈值对融合后的图像进行阈值分割；
[0010](5)对经过阈值分割的图像进行形态学处理。
[0011]所述步骤(I)具体为:将采集到的带有瑕疵的图像先进行灰度化处理，再使用直方图均值化和中值滤波使得原图像的质量得到整体改善。
[0012]所述步骤(2)具体为:分别对图像按行进行高通和低通滤波并进行下采样，得到两个输入图像一般大小的自图像，之后对其自图像按列进行高通和低通滤波并进行下采样，得至料个输入图像四分之一大小的子图像分别是^+^知八知/办+匕其中^^是行和列两个方向上低通滤波的结果，代表下一尺度的概貌信号;0」+111是行方向上低通滤波和列方向上高通滤波的结果，代表垂直方向上的细节信号在水平方向的概貌;0」+/是行方向上高通滤波和列方向上低通滤波的结果，代表水平方向上的细节信号在垂直方向上的概貌;Dj+1D是行和列两个方向上高通滤波的结果，代表对角方向的细节信号。
[0013]所述步骤(3)具体包括以下子步骤:
[0014](31)从最大尺度开始，令尺度j为最大尺度J，将边缘图像&(X，y)中模值与相角均相近的非零像素点进行链接，并且设置链长阈值，删除小于链长的短链，得到尺度j下的单像素宽的边缘图像Ej(x，y)；
[0015](32)对于边缘图像Ej(X，y)中的每一个边缘像素点，搜索该点在尺度j-1下对应的像素点为中心的3 X 3邻域，将邻域内模值相角均相近的点作为边缘点添加到边缘图像Ej(x，y)中去，将边缘图像&(x，y)中模值相近、相角相近的非零像素点进行链接，并且设置链长阈值，删除小于链长的短链，从而得到了尺度j-Ι下的疵点边缘图像En(X，y);
[0016](33)若尺度j>l，则返回步骤(32)，若j = l，则得到的边缘图像E1(Xj)即为多尺度融合后的疵点边缘图像；
[0017]其中，EXx，y)为各个尺度j下的边缘图像，其中，j= l，2，3，...，J。
[0018]所述步骤(4)具体包括以下子步骤:
[0019](41)对子图像进行直方图计算，得到低分辨率版本的直方图；
[0020](42)在所述低分辨率版本的直方图基础上产生初始种群；
[0021](43)定义适应度函数；
[0022](44)应用学习策略改进字符串的适应值；
[0023](45)比较最优字符串和当前字符串，如果最优字符串优于当前字符串，则用最优字符串代替当前字符串；否则，进行选择、交叉和变异操作来生成下一种群，并返回步骤
(42);
[0024](46)把得到的最佳阈值投射到原始空间得到原始图像的最佳阈值分割效果。
[0025]有益效果
[0026]由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果:本发明结合了小波变换和遗传算法，先用离散小波变换对预处理后的图像进行分解，提取出图像的不同维度上的分量，得到较低分辨率的图像，达到了降维的目的。再使用遗传算法对小波分解后的近似图像直方图进行处理，得到一个阈值，再对原图像进行阈值分割，将疵点部分与织物背景分隔开。先经过小波分解，在使用遗传算法，使得相比传统的遗传算法，运算速度更快。经过本发明中的算法处理后的布匹瑕疵分割效果精准，分割速度快，并很好的保留了瑕疵原本的形态。
【附图说明】
[0027]图1是织物瑕疵自动检测设备示意图；
[0028]图2是本发明的流程图；
[0029]图3是采集的织物原图；
[0030]图4是经小波分解得到的子图像；
[0031]图5是融合后图像；
[0032]图6是经阈值处理得到的检测结果图。
【具体实施方式】
[0033]下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0034]本发明的实施方式涉及一种基于小波变换和遗传算法的织物瑕疵检测方法，如图1所示，包括以下步骤:
[0035](I)对采集的带有瑕疵的图像进行预处理；
[0036](2)对预处理后的图像使用小波分解得到多尺度下的子图像；
[0037](3)对子图像进行融合以得到最优的疵点边缘信息；
[0038](4)对子图像利用遗传算法计算出阈值，并采用所述阈值对融合后的图像进行阈值分割；
[0039](5)对经过阈值分割的图像进行形态学处理。
[0040]具体如下:
[0041 ] 预处理
[0042]将采集到的图像先进行灰度化处理，再使用直方图均值化和中值滤波使得原图像的质量得到整体改善，便于进行下一步的处理。
[0043]小波分解
[0044]在织物中，绝大部分的疵点都具有一定的方向性，如断经、缺玮、双经等，一些区域类的疵点如油污、破洞等，则是在经玮两个方向上均产生了不规则纹理。对含有疵点的图像进行小波分解后，水平方向的细节子图和垂直方向的细节子图中会出现小波系数的局部极大值，在灰度上表现为灰度的奇异点。由于小波分解具有方向性，因此可利用小波分解得到的水平和垂直细节子图像表示织物水平和垂直方向上的纹理信息。小波变换还具有稀疏性，这些极大值较之分解前更为突出，更加有利于疵点的检测。
[0045]图像的小波分解是分别对图像在水平和垂直方向上进行一维离散小波变换。先分别对图像按行进行高通和低通滤波并进行下采样，得到两个输入图像一般大小的自图像，之后对其自图像按列进行高通和低通滤波并进行下采样，得到4个输入图像四分之一大小的子图像分别是、+1，Dj+1H，Dj+1v，Dj+1D。其中，Ap1是行和列两个方向上低通滤波的结果，代表下一尺度的概貌信号;Dj+1H是行方向上低通滤波和列方向上高通滤波的结果，代表垂直方向上的细节信号在水平方向的概貌;Dj+1v是行方向上高通滤波和列方向上低通滤波的结果，代表水平方向上的细节信号在垂直方向上的概貌;0」+^是行和列两个方向上高通滤波的结果，代表对角方向的细节信号。
[0046]子图像融合
[0047]经小波分解后的得到多尺度下的织物瑕疵边缘信息，以一定的规则对个尺度下的边缘子图像进行融合，可得到最优的疵点边缘信息。本发明中运用的是边缘聚焦方法，步骤如下:
[0048](I)从最大尺度开始，令j = J，将E」(X，y)中模值与相角均相近的非零像素点进行链接，并且设置链长阈值，删除小于链长的短链，得到尺度j下的单像素宽的边缘图像Ej(x，y)；
[0049](2)获得尺度j下的边缘图像后，对于Ej(x，y)中的每一个边缘像素点，搜索该点在尺度j-1下对应的像素点为中心的3X3邻域，将邻域内模值相角均相近的点作为边缘点添加到Ej(X，y)中去，将Ej(X，y)中模值相近、相角相近的非零像素点进行链接，并且设置链长阈值，删除小于链长的短链，从而尺度j-Ι下的疵点边缘图像En(X，y);
[0050](3)令j = j-1，若j>l，则进入步骤(2)，若j = l，则得到的Ei(x，y)S卩为多尺度融合后的疵点边缘图像。
[0051]其中，EXx，y)为各个尺度j下的边缘图像，其中，j= l，2，3，...，J。
[0052]利用遗传算法进行阈值分割
[0053]简单的阈值分割很容易受到噪声、目标区域不规则的因素的影响，而分割的理想程度由阈值觉得，所以阈值的选取的研究对图像分割来说至关重要。而运用标准的遗传算法对瑕疵图像进行分割，会有收敛速度慢，计算时间长的缺点。本算法中的分割算法属于一种多级阈值方法。先利用小波变换将从不同尺度将图像分解成近似信号与细节信号，再对得到的近似信号进行二阶小波变换，分解为下一级别的近似信号和细节信号。结合小波变换的遗传算法流程如下:
[0054](I)经过小波变换的图像维度已经降低，对该图像进行直方图计算，得到低分辨率版本的直方图；
[0055](2)在此低分辨率版本的直方图基础上产生初始种群；
[0056](3)定义适应度函数；
[0057](4)应用学习策略改进字符串的适应值；
[0058](5)比较最优字符串和当前字符串，如果最优字符串优于当前字符串，则用最优字符串代替当前字符串。否则，进行选择、交叉和变异操作来生成下一种群，转到步骤2;
[0059](6)把得到的最佳阈值投射到原始空间得到原始图像的最佳阈值分割效果。
[0060]形态学处理
[0061]对经过阈值分割的图像进行腐蚀、膨胀的形态学处理。在瑕疵的区域之间会存在空隙，通过腐蚀、膨胀等的形态学方法可出去图像中的噪声，并使得瑕疵区域变得连通。
[0062]本方法可以应用于如图2所示的织物瑕疵自动检测系统中，该系统包括带检测布匹模块I，照明装置模块2，布匹传送装置模块3，拍摄装置模块4，旋转编码器模块5，图像采集装置模块6，上位机处理与现实装置模块7。照明装置模块2为织物图像的采集提供良好的光线条件，提高了织物图像的质量，有利于下一步的图像处理。布匹传送装置模块3为布匹传送装置，使得线阵相机与布匹形成匀速的相对运动，布匹传送装置模块3包括退布滚轴、送布滚轴、电机及其驱动、电机控制器。拍摄装置模块4为CCD线阵相机，在工业中用于拍摄图像。旋转编码器模块5主要功能是为相机提供主定时脉冲。图像采集装置模块6为图像采集卡，使得每个相机获得的数据被图像采集卡转换为数字图像。上位机处理与现实装置模块7为上位机处理与显示装置，将采集到的图片进行处理与分析结果输出。
[0063]本发明专利数字图像处理的算法原理如下:
[0064]本发明先对采集的布匹瑕疵图像进行预处理，再使用离散小波变换对图像进行分解，提取出不同维度上的分量。再使用遗传算法对小波分解后的近似图像直方图进行处理，得到一个阈值，使用该阈值对图像进行阈值分割，最后得到瑕疵与背景图像分割开来的图像。
[0065]本实施例主要分为以下的步骤:
[0066](I)对采集的带有瑕疵的图像进行预处理:将采集到的图像先进行灰度化处理，再使用直方图均值化和中值滤波使得原图像(见图3)的质量得到整体改善，便于进行下一步的处理；
[0067](2)使用小波分解得到多尺度下的子图像:图像的小波分解是分别对图像在水平和垂直方向上进行一维离散小波变换。先分别对图像按行进行高通和低通滤波并进行下采样，得到两个输入图像一般大小的自图像，之后对其自图像按列进行高通和低通滤波并进行下采样，得到4个输入图像四分之一大小的子图像。经小波分解得到的子图像如图4所示。
[0068](3)对步骤(2)得到的子图像进行融合:经小波分解后的得到多尺度下的织物瑕疵边缘信息，以一定的规则对个尺度下的边缘子图像进行融合，可得到最优的疵点边缘信息。融合后得到的图像如图5所示。
[0069](4)根据步骤(2)得到的子图像利用遗传算法计算出阈值，并用该阈值对步骤(3)得到的融合图像进行阈值分割，经阈值处理得到的检测结果如图6所示。
[0070](5)进行形态学处理:在瑕疵的区域之间会存在空隙，通过腐蚀、膨胀等的形态学方法可出去图像中的噪声，并使得瑕疵区域变得连通。
[0071]不难发现，本发明结合了小波变换和遗传算法，先用离散小波变换对预处理后的图像进行分解，提取出图像的不同维度上的分量，得到较低分辨率的图像，达到了降维的目的。再使用遗传算法对小波分解后的近似图像直方图进行处理，得到一个阈值，再对原图像进行阈值分割，将疵点部分与织物背景分隔开。先经过小波分解，在使用遗传算法，使得相比传统的遗传算法，运算速度更快。经过本发明中的算法处理后的布匹瑕疵分割效果精准，分割速度快，并很好的保留了瑕疵原本的形态。
【主权项】
1.一种基于小波变换和遗传算法的织物瑕疵检测方法，其特征在于，包括以下步骤: (1)对采集的带有瑕疵的图像进行预处理； (2)对预处理后的图像使用小波分解得到多尺度下的子图像； (3)对子图像进行融合以得到最优的疵点边缘信息； (4)对子图像利用遗传算法计算出阈值，并采用所述阈值对融合后的图像进行阈值分割； (5)对经过阈值分割的图像进行形态学处理。2.根据权利要求1所述的基于小波变换和遗传算法的织物瑕疵检测方法，其特征在于，所述步骤(I)具体为:将采集到的带有瑕疵的图像先进行灰度化处理，再使用直方图均值化和中值滤波使得原图像的质量得到整体改善。3.根据权利要求1所述的基于小波变换和遗传算法的织物瑕疵检测方法，其特征在于，所述步骤(2)具体为:分别对图像按行进行高通和低通滤波并进行下采样，得到两个输入图像一般大小的自图像，之后对其自图像按列进行高通和低通滤波并进行下采样，得到4个输入图像四分之一大小的子图像分别是Aj+1，Dj+1H，Dj+1v，Dj+1D;其中，Aj+1是行和列两个方向上低通滤波的结果，代表下一尺度的概貌信号;Dj+1H是行方向上低通滤波和列方向上高通滤波的结果，代表垂直方向上的细节信号在水平方向的概貌;Dj+1v是行方向上高通滤波和列方向上低通滤波的结果，代表水平方向上的细节信号在垂直方向上的概貌;Dj+1D是行和列两个方向上高通滤波的结果，代表对角方向的细节信号。4.根据权利要求1所述的基于小波变换和遗传算法的织物瑕疵检测方法，其特征在于，所述步骤(3)具体包括以下子步骤: (31)从最大尺度开始，令尺度j为最大尺度J，将边缘图像Ej(X，y)中模值与相角均相近的非零像素点进行链接，并且设置链长阈值，删除小于链长的短链，得到尺度j下的单像素宽的边缘图像Ej(x，y)； (32)对于边缘图像Ej(X，y)中的每一个边缘像素点，搜索该点在尺度j-1下对应的像素点为中心的3X3邻域，将邻域内模值相角均相近的点作为边缘点添加到边缘图像E」(X，y)中去，将边缘图像E」(X，y)中模值相近、相角相近的非零像素点进行链接，并且设置链长阈值，删除小于链长的短链，从而得到了尺度j-Ι下的疵点边缘图像En(X，y); (33)若尺度j>l，则返回步骤(32)，若j= l，则得到的边缘图像E1(Xd)即为多尺度融合后的疵点边缘图像； 其中，Ej(x，y)为各个尺度j下的边缘图像，其中，j = 1,2,3，...，J。5.根据权利要求1所述的基于小波变换和遗传算法的织物瑕疵检测方法，其特征在于， 所述步骤(4)包括以下子步骤: (41)对子图像进行直方图计算，得到低分辨率版本的直方图； (42)在所述低分辨率版本的直方图基础上产生初始种群； (43)定义适应度函数； (44)应用学习策略改进字符串的适应值； (45)比较最优字符串和当前字符串，如果最优字符串优于当前字符串，则用最优字符串代替当前字符串；否则，进行选择、交叉和变异操作来生成下一种群，并返回步骤(42); (46)把得到的最佳阈值投射到原始空间得到原始图像的最佳阈值分割效果。
【文档编号】G06T7/00GK105931246SQ201610292018
【公开日】2016年9月7日
【申请日】2016年5月5日
【发明人】周武能, 李倩倩
【申请人】东华大学