本申请涉及纺织技术领域，特别是涉及一种织物疵点方法、装置、计算机设备和存储介质。
背景技术：
随着纺织技术领域的发展，出现了织物疵点检测技术。在制衣生产里，色织物表面的疵点一般均靠检验人员用肉眼在光源下进行检查及判断。
然而，目前的织物疵点检测技术存在检出率低的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够保证检出率的织物疵点检测方法、装置、计算机设备和存储介质。
一种织物疵点检测方法，包括：
获取待测织物表面图像和标准织物表面图像；
采用第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测；
当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像；
采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
在其中一个实施例中，第二织物疵点检测算法包括基于卷积匹配追踪和gabor(伽柏)的k-vsd(k-singularvaluedecomposition，k奇异值分解)算法的双重疵点的织物疵点检测算法、基于gaussian(高斯)回代交替方向图像分界的织物疵点检测算法以及基于多通道gabor和kpca(kernelprincipalcomponentanalysis，核主成分分析)的织物疵点检测算法中的至少一种。
在其中一个实施例中，采用基于卷积匹配追踪和gabor的k-vsd算法的双重疵点的织物疵点检测算法对处理结果进行检测，获得疵点参数包括：
把标准织物表面图形作为样本集，采用卷积匹配追踪和基于gabor的k-vsd迭代算法进行稀疏编码训练，得到融合字典；
将经过处理的待测织物表面图像和标准织物表面图像在融合字典上投影作为特征，计算距离，获得疵点参数。
在其中一个实施例中，采用基于gaussian回代交替方向图像分界的织物疵点检测算法对处理结果进行检测，获得疵点参数包括：
采用gaussian回代交替方向方法分解处理后的待测织物表面图像，将处理后的待测织物表面图像分解为疵点部分和纹理部分；
采用二维大津阈值方法对分解得到的疵点部分进行分割，获得疵点参数。
在其中一个实施例中，采用基于多通道gabor和kpca的织物疵点检测算法对处理结果进行检测，获得疵点参数包括：
将处理结果分割成不重叠的图像子块；
将图像子块进行数据融合，并使用kpca算法对数据融合的结果进行降维；
对降维后的结果进行中值滤波和相似度比较，获得疵点参数。
在其中一个实施例中，第一织物疵点检测算法包括gabor算法和高斯算法中的至少一种。
在其中一个实施例中，对待测织物表面图像进行处理采用的算法包括均值降采样算法、直方图均衡化算法、gabor滤波算法中的至少一种。
一种织物疵点检测装置，包括：
获取模块，用于获取待测织物表面图像和标准织物表面图像；
第一检测模块，用于第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测；
处理模块，用于当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像；
第二检测模块，用于采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待测织物表面图像和标准织物表面图像；
采用第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测；
当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像；
采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测织物表面图像和标准织物表面图像；
采用第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测；
当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像；
采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
上述织物疵点检测方法、装置、计算机设备和存储介质，通过获取到的待测织物表面图像和标准织物表面图像，先采取第一织物疵点检测算法，对待测织物表面图像与标准织物表面图像对比检测判断待测织物表面是否存在疵点，当待测织物表面存在疵点时，先对待测织物表面图像与标准织物表面图像进行处理，得到疵点特征突出的图像，再通过采取第二织物疵点检测算法来进一步检测处理的结果，获得疵点参数。通过两次算法检测和对图像处理，可以有效地减少疵点织物在疵点检测过程的噪声，检测到疵点的存在和参数，从而可以保证检出率。
附图说明
图1为一个实施例中织物疵点检测方法的应用环境图；
图2为一个实施例中织物疵点检测方法的流程示意图；
图3为一个实施例中织物疵点检测装置的结构框图；
图4为一个实施例中第二检测模块的结构框图；
图5为另一个实施例中第二检测模块的结构框图；
图6为又一个实施例中第二检测模块的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的织物疵点检测的方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。通过终端获取到的待测织物表面图像和标准织物表面图像，先采取第一织物疵点检测算法，对待测织物表面图像与标准织物表面图像对比检测判断待测织物表面是否存在疵点，当待测织物表面存在疵点时，先对待测织物表面图像与标准织物表面图像进行处理，得到疵点特征突出的图像，再通过采取第二织物疵点检测算法来进一步检测处理的结果，获得疵点参数，并将疵点参数共享至服务器。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、工控机，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种织物疵点检测方法，以该方法应用于图1中的工控机为例进行说明，包括以下步骤：
步骤202，获取待测织物表面图像和标准织物表面图像。
获取的图像可以是在线读取图像，也可以是读取历史图像。
在线读取图像包括使用led(light-emittingdiode，发光二极管)光源对待测织物和标准织物进行照明，利用镜头将织物的反射光线成像到ccd(charge-coupleddevice，电荷耦合器)，利用ccd摄像机将光信号转化为电信号，通过图像采集卡将信息传导工控机里进行图像处理，从而获取待测织物表面图像和标准织物表面图像。读取历史图像包括工控机在历史数据中打开待测织物表面图像和标准织物表面图像。
步骤204，采用第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测。
在获取到待测织物表面图像和标准织物表面图像之后，采用第一织物疵点检测算法对两个图像进行对比检测，来检测待测织物表面图像是否存在疵点。
步骤206，当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像。
检测到存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像，可以有效地减少疵点织物在疵点检测过程的噪声，也减少织物纹理背景噪声对疵点检测过程造成的影响，改善并提高织物图像质量。
步骤208，采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
在得到疵点特征突出的图像后，采用第二织物疵点检测算法对处理结果进行检测，获得疵点位置参数或疵点类型参数等，也可以提供相关疵点参数，有利于后续工业生产。
在本实施例中，通过获取到的待测织物表面图像和标准织物表面图像，先采取第一织物疵点检测算法，对待测织物表面图像与标准织物表面图像对比检测判断待测织物表面是否存在疵点，当待测织物表面存在疵点时，先对待测织物表面图像与标准织物表面图像进行处理，得到疵点特征突出的图像，再通过采取第二织物疵点检测算法来进一步检测处理的结果，获得疵点参数。通过两次算法检测和对图像处理，可以有效地减少疵点织物在疵点检测过程的噪声，检测到疵点的存在和参数，从而可以保证检出率。
在其中一个实施例中，第二织物疵点检测算法包括基于卷积匹配追踪和gabor的k-vsd算法的双重疵点的织物疵点检测算法、基于gaussian回代交替方向图像分界的织物疵点检测算法以及基于多通道gabor和kpca的织物疵点检测算法中的至少一种。通过上述三种算法中的至少一种，可以在第一织物疵点检测算法检测到织物表面存在疵点时，再次检测织物表面的疵点，既能保证较低的误报率，又能获得更为详细的疵点参数，有利于后续工业生产。
在其中一个实施例中，采用基于卷积匹配追踪和gabor的k-vsd算法的双重疵点的织物疵点检测算法对处理结果进行检测，获得疵点参数包括：把标准织物表面图形作为样本集，采用卷积匹配追踪和基于gabor的k-vsd迭代算法进行稀疏编码训练，得到融合字典；将经过处理的待测织物表面图像和标准织物表面图像在融合字典上投影作为特征，计算距离，获得疵点参数。
其中，卷积匹配追踪算法是传统的匹配追踪模型的改进，核心思想是通过算法重复迭代，筛选出匹配整幅图像特征的最优卷积滤波器，将图像与最优卷积滤波器进行卷积的过程可以减少相邻图像像素之间的编码与解码的复杂性，冗余度和信噪比也大大降低，因此，可以显著提高图像深度稀疏表示的能力。基于gabor的k-vsd算法对剩余的细节信息能够精确刻画图像局部几何结构的双重字典。在本实施例中，将图像在双重字典上的投影作为图像特征，这可以极大的减少算法的计算量，实现较短的检测时间。
在其中一个实施例中，采用基于gaussian回代交替方向图像分界的织物疵点检测算法对处理结果进行检测，获得疵点参数包括：采用gaussian回代交替方向方法分解处理后的待测织物表面图像，将处理后的待测织物表面图像分解为疵点部分和纹理部分；采用二维大津阈值方法对分解得到的疵点部分进行分割，获得疵点参数。
其中，交替方向方法是在增广的拉格朗日函数的乘子法基础上操作的，实际上是一种根据问题本身的可分解结构来处理大数据优化问题的分解方法，即在子问题能有效地求解出来时，通过交替迭代求解一系列子问题从而得到原问题的正解。交替方向方法被广泛应用于处理凸优化理论问题、偏微分方程问题、图像处理问题中。在交替方向方法上增加gaussian迭代步骤用于克服原有算法不可分问题。在本实施例中，可以更加有效的检测出织物缺陷位置，无论是破洞、飞花、棉球等常见缺陷，还是对锈渍、油经、脱纬等非常见缺陷均能进行准确可靠检测。
在其中一个实施例中，采用基于多通道gabor和kpca的织物疵点检测算法对处理结果进行检测，获得疵点参数包括：将处理结果分割成不重叠的图像子块；将图像子块进行数据融合，并使用kpca算法对数据融合的结果进行降维；对降维后的结果进行中值滤波和相似度比较，获得疵点参数。
其中，pca算法是一种通过协方差矩阵性质降低织物特征矩阵维度的线性处理方法，可以通过计算出原始数据协方差矩阵的特征向量，将高维数据线性地映射为各成分互不相关的低维数据，从而达到降维的目的。kpca是在pca的基础上建立的，对于线性不可分问题即非线性问题进行处理，通过引入核函数，利用非线性变换将输入的高维样本特征空间变换到相对较小的高维特征间，转化为求核矩阵的特征向量与特征值，从而简化了计算量，解决了非线性数据较难提取与分析等问题。因为是在一个相对较小的高维线性子空间中进行运算，所以避免了在整个高维空间中进行大量复杂、繁琐的运算，它的维数最多等于样本的数量。多通道gabor算法用于提取织物纹理特征，而kpca用来进行非线性降维，以实现织物疵点的精准检测。该疵点检测方法实现了较高的检测成功了和低成本的在线织物疵点检测。
在其中一个实施例中，第一织物疵点检测算法包括gabor算法和高斯算法中的至少一种。
其中，gabor算法的基本思想：把信号划分成许多小的时间间隔，用傅里叶变换分析每一个时间间隔，以便确定信号在该时间间隔存在的频率。gabor算法能够在整体上提供信号的全部信息而又能提供在任一局部时间内信号变化剧烈程度的信息。简言之，可以同时提供时域和频域局部化的信息。第一织物疵点检测算法可以是gabor算法，可以是高斯算法，也可以是基于高斯变换的gabor算法。通过第一织物疵点检测算法可以快速检测出织物表面是否存在疵点。
在其中一个实施例中，对待测织物表面图像进行处理采用的算法包括均值降采样算法、直方图均衡化算法、gabor滤波算法中的至少一种。
其中，通过第一织物疵点检测算法快速检测到织物表面存在疵点后，再对采集到的织物图像进行处理，图像处理可以是均值降采样算法、直方图均衡化算法、gabor滤波算法中的一种或多种。通过对图像处理可以得到疵点特征突出的图像，从而可以去除噪声对疵点检测的影响。
在其中一个实施例中，织物疵点检测方法包括：在历史数据中获取待测织物表面图像和标准织物表面图像。采用基于高斯的gabor算法对待测织物表面图像与标准织物表面图像进行对比检测。当检测到待测织物表面图像存在疵点时，根据无疵点织物纹理周期设置滑动窗口的尺寸以及gabor参数，并对无疵点织物图像进行均值降采样处理。然后，通过滑动窗口获取的无疵点图像块样本集进行双重字典学习，该双重字典是通过卷积匹配追踪学习的卷积字典以及基于gabor的k-svd小规模字典小波变换融合而得到。利用稀疏系数重构疵点色织物图像，并利用融合的双重字典提取疵点织物图像投影特征作为图像特征。最后，通过比较疵点图像特征与标准特征之间的距离以及预先设定的阈值，获得疵点参数。在本实施例中，将图像在双重字典上的投影作为图像特征，这可以极大的减少算法的计算量，也能达到较高的查全率、较低的报误率和较短的检测时间的效果。
在其中一个实施例中，织物疵点检测方法包括：在线获取待测织物表面图像和标准织物表面图像。采用基于高斯的gabor算法对待测织物表面图像与标准织物表面图像进行对比检测。当检测到待测织物表面图像存在疵点时，利用直方图均衡化对织物图像进行处理，以减少织物纹理背景噪声对疵点检测过程造成的影响，改善并提高织物图像质量。然后根据图像可分解原理，利用高斯回代交替方向方法对凸优化理论模型中的算子分裂法进行求解，将色织物分解为疵点部分和纹理部分，分解主要是采用总变差范数和sobolev(索伯列夫)空间半范数模型相结合，利用高斯迭代进行求解，同时利用无缺陷织物与分解得到的背景部分的相关相似性最大化关系，获取最优权衡参数，从而获取最优的图像分解结果。最后应用改进的二维大津阈值方法对分解得到的疵点部分进行分割，获得疵点参数。在本实施例中，通过直方图均衡化算法，把这些图像的不均匀分布直方图进行非线性拉伸，重新对图像像素值进行分配，使像素点在图像整个灰度范围内均匀分布，从而达到增强图像视觉效果的目的。通过高斯回代交替方向法对图像分解目标函数进行求解，获取织物图像的背景部分和缺陷部分，从而达到检测效率高，适应性广的效果，满足工业现场在线检测的要求。
在其中一个实施例中，织物疵点检测方法包括：在历史数据中获取待测织物表面图像和标准织物表面图像。采用基于高斯的gabor算法对待测织物表面图像与标准织物表面图像进行对比检测。当检测到待测织物表面图像存在疵点时，织物图像的特征由gabor滤波算法提取。滤波后的织物图像被分割成大量不重叠的图像子块，之后，将多幅滤波后的织物图像的相对应位置图像子块进行数据融合，并通过kpca算法将融合后的高维度图像子块特征向量进行维度降低，以及对得到的低维度的图像特征进行中值滤波和相似度比较。最后，利用otsu大津阈值方法实现二值化，获得疵点参数。在本实施例中，多通道gabor滤波算法用于提取织物纹理特征，而kpca用来进行非线性降维，以实现织物疵点的精准检测，实现了较高的检测成功率和较低的成本。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种织物疵点检测装置，包括：获取模块302、第一检测模块304、处理模块306和第二检测模块308，其中：
获取模块302，用于获取待测织物表面图像和标准织物表面图像。
第一检测模块304，用于第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测。
处理模块306，用于当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像。
第二检测模块308，用于采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
在本实施例中，通过获取模块302获取到的待测织物表面图像和标准织物表面图像，第一检测模块304采取第一织物疵点检测算法，对待测织物表面图像与标准织物表面图像对比检测判断待测织物表面是否存在疵点，当待测织物表面存在疵点时，经过处理模块306对待测织物表面图像与标准织物表面图像进行处理，得到疵点特征突出的图像，再通过第二检测模块308采取第二织物疵点检测算法来进一步检测处理的结果，获得疵点参数。通过两次算法检测和对图像处理，可以有效地减少疵点织物在疵点检测过程的噪声，检测到疵点的存在和参数，从而可以保证检出率。
在其中一个实施例中，如图3和4所示，第二检测模块308包括稀疏编码单元402和投影计算单元404，其中：
稀疏编码单元402，用于把标准织物表面图形作为样本集，采用卷积匹配追踪和基于gabor的k-vsd迭代算法进行稀疏编码训练，得到融合字典。
投影计算单元404，用于将经过处理的待测织物表面图像和标准织物表面图像在融合字典上投影作为特征，计算距离，获得疵点参数。
通过稀疏编码单元402的滑动窗口获取的无疵点图像块样本集进行双重字典学习，该双重字典是通过卷积匹配追踪学习的卷积字典以及基于gabor的k-svd小规模字典小波变换融合而得到。通过投影计算单元404利用稀疏系数重构疵点色织物图像，并利用融合的双重字典提取疵点织物图像投影特征作为图像特征，通过比较疵点图像特征与标准特征之间的距离以及预先设定的阈值，获得疵点参数。在本实施例中，将图像在双重字典上的投影作为图像特征，这可以极大的减少算法的计算量，也能达到较高的查全率、较低的报误率和较短的检测时间的效果。
在其中一个实施例中，如图3和5所示，第二检测模块308包括高斯分解单元502和疵点计算单元504，其中：
高斯分解单元502，用于采用gaussian回代交替方向方法分解处理后的待测织物表面图像，将处理后的待测织物表面图像分解为疵点部分和纹理部分。
疵点计算单元504，用于采用二维大津阈值方法对分解得到的疵点部分进行分割，获得疵点参数。
通过高斯分解单元504利用高斯回代交替方向方法对凸优化理论模型中的算子分裂法进行求解，将色织物分解为疵点部分和纹理部分，分解主要是采用总变差范数和sobolev(索伯列夫)空间半范数模型相结合，利用高斯迭代进行求解，同时利用无缺陷织物与分解得到的背景部分的相关相似性最大化关系，获取最优权衡参数，从而获取最优的图像分解结果。通过疵点计算单元504应用改进的二维大津阈值方法对分解得到的疵点部分进行分割，获得疵点参数。从而达到检测效率高，适应性广的效果，满足工业现场在线检测的要求。
在其中一个实施例中，如图3和6所示，第二检测模块308包括分割单元602、降维单元604和比较单元606，其中：
分割单元602，用于将处理结果分割成不重叠的图像子块。
降维单元604，用于将图像子块进行数据融合，并使用kpca算法对数据融合的结果进行降维。
比较单元606，用于对降维后的结果进行中值滤波和相似度比较，获得疵点参数。
通过分割单元604将处理后的织物图像被分割成大量不重叠的图像子块，之后，通过降维单元604将多幅滤波后的织物图像的相对应位置图像子块进行数据融合，并通过kpca算法将融合后的高维度图像子块特征向量进行维度降低，以及通过比较单元606对得到的低维度的图像特征进行中值滤波和相似度比较，利用otsu大津阈值方法实现二值化，获得疵点参数。在本实施例中，多通道gabor滤波算法用于提取织物纹理特征，而kpca用来进行非线性降维，以实现织物疵点的精准检测，实现了较高的检测成功率和较低的成本。
关于织物疵点检测装置的具体限定可以参见上文中对于织物疵点检测方法的限定，在此不再赘述。上述织物疵点检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种织物疵点检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待测织物表面图像和标准织物表面图像。
采用第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测。
当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像。
采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：把标准织物表面图形作为样本集，采用卷积匹配追踪和基于gabor的k-vsd迭代算法进行稀疏编码训练，得到融合字典。将经过处理的待测织物表面图像和标准织物表面图像在融合字典上投影作为特征，计算距离，获得疵点参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用gaussian回代交替方向方法分解处理后的待测织物表面图像，将处理后的待测织物表面图像分解为疵点部分和纹理部分。采用二维大津阈值方法对分解得到的疵点部分进行分割，获得疵点参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将处理结果分割成不重叠的图像子块。将图像子块进行数据融合，并使用kpca算法对数据融合的结果进行降维。对降维后的结果进行中值滤波和相似度比较，获得疵点参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测织物表面图像和标准织物表面图像。
采用第一织物疵点检测算法对待测织物表面图像与标准织物表面图像进行对比检测。
当检测到待测织物表面图像存在疵点时，对待测织物表面图像和标准织物表面图像进行处理，得到疵点特征突出的图像。
采用第二织物疵点检测算法对处理结果进行检测，获得疵点参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：把标准织物表面图形作为样本集，采用卷积匹配追踪和基于gabor的k-vsd迭代算法进行稀疏编码训练，得到融合字典。将经过处理的待测织物表面图像和标准织物表面图像在融合字典上投影作为特征，计算距离，获得疵点参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用gaussian回代交替方向方法分解处理后的待测织物表面图像，将处理后的待测织物表面图像分解为疵点部分和纹理部分。采用二维大津阈值方法对分解得到的疵点部分进行分割，获得疵点参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将处理结果分割成不重叠的图像子块。将图像子块进行数据融合，并使用kpca算法对数据融合的结果进行降维。对降维后的结果进行中值滤波和相似度比较，获得疵点参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。