] 图2是利用本发明方法在大幅面坯布织物图像上截取的疵点图像块及其量化结 果图；
[0057] 图3是利用本发明方法在大幅面坯布织物图像上截取的无疵点图像块和疵点图 像块分别对应的-J_I_ 2值的分布；
[0058] 图4是利用本发明方法在大幅面坯布织物图像上截取的含有疵点信息的待测图 像块中疵点的恢复及其定位结果图。
【具体实施方式】
[0059] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0060] 本发明方法的原理是：利用坯布中疵点具有稀疏性的特点，首先，将采集到的大幅 面待测坯布织物图像划分为互不重叠的pXq大小的图像块Xt，分别统计各个图像块的灰度 直方图Ht，并采用观测矩阵〇获取其MX1维的压缩测量值yt;接着，以无疵点参照图像块 Xraf的正常灰度分布区间为基准，根据H,的灰度分布信息，对y,进行量化，以消除光照渐变 的影响，得到灰度量化后的压缩测量值ytU然后根据对无疵点训练图像块学习得到的参 数，判断待测的图像块\中是否含有疵点，若无疵点，则返回，重新开始新的待测坯布织物 图像的疵点检测，否则，以无疵点参照图像块Xraf的主导像素灰度分布区间为基准，根据Ht 的主导像素灰度分布信息，对yji行量化，以消除疵点与无疵点间灰度分布交界处的模糊 性，得到灰度量化后的压缩测量值yt__;最后，从yt>t中提取疵点信息得到yt_drf，根据yt_ 和观测矩阵〇,采用基追踪去噪算法对疵点信息进行恢复与定位。
[0061] 本发明的坯布织物疵点检测方法的实施可以分为三个阶段：参数学习阶段、疵点 判别阶段和疵点定位阶段，具体按照以下步骤实施：
[0062] 根据压缩感知理论，选用高斯随机矩阵作为观测矩阵。设：〇表示MXN维的 H(CU/iV~')高斯随机矩阵，其中，N=pXq，M彡0(Kdeflog(N/Kdef))，Kdef是依据经验估计 的待测织物图像块中最大的疵点所占的像素点个数；|l〇g|y,_to -服从均值为 yn_、方差为的正态分布。
[0063] 第一阶段：参数学习阶段
[0064] 步骤1 :从采集的坯布织物图像中截取一幅无疵点图像，并将其划分为互不 重叠的Pxq大小的图像块Xi(i= 1，2,…n)，为了保证图像块中疵点的稀疏性，其中pXq彡 5XKdef;
[0065] 步骤2 :选定无疵点的参照图像块x"f，计算其正常灰度分布区间[gl，g2]和主导像 素的灰度分布区间[g^gj，为消除光照渐变的影响以及疵点区与背景间灰度分布交界处 的模糊性提供参照，具体流程如下：
[0066] 1)从Xji= 1，2,…n)中，随机地选定一个无疵点图像块作为参照图像块，记作 Xraf，并统计Xref的灰度直方图H ref?
[0067] 2)滤除灰度直方图H"f中各灰度级像素个数占总像素个数1% -2%的像素点，然 后，从中计算参照图像块X"f的正常灰度分布区间[gl，g2]，具体流程如下：
[0068] a.选取H"f中小于等于总像素个数1% -2%的灰度级像素个数作为阈值thresh;
[0069] b.找出H"f中灰度级像素个数大于thresh的所有像素点，并按其灰度级从小到大 的顺序排列成一个集合，记为S>thresh，即S>thresh= {j|Href(j) >thresh};
[0070] c.令S>th_h中间灰度值两两相减（即后一个像素灰度值减前一个像素灰度值）， 得到一个结果集合，记为SUB;
[0071] d.将SUB中小于等于2对应的像素位置置为1，大于2的像素位置置为0 ;
[0072] e.对连续出现1的位置区域界定为S>th_j^子区间，若仅得到1个子区间，则将 此子区间对应的像素灰度分布范围作为Xraf的正常灰度分布区间，否则，选取对应灰度直方 图中所含的灰度级像素点个数最多的子区间，将其对应的像素灰度分布范围作为Xraf的正 常灰度分布区间，记为[g^gj。
[0073] 3)计算参照图像块Xraf主导像素的灰度分布区间[g^gj，具体流程如下：
[0074] a.计算S>thrash中所有像素的灰度均值，记为y_，即
〔中，n,表示S> th_h中j灰度级像素的个数；
[0075] b.找出H"f中大于y_的所有灰度级像素，并按灰度级从小到大的顺序排列成一 个集合，记为，即5^_ ={_/|//,<&)>/?_};
[0076] c.令中彼此相邻像素间灰度值两两相减（即后一个像素灰度值减前一个像 素灰度值），得到一个结果集合，记为SUM^
[0077] d.将SUMm中小于等于2对应的像素位置置为1，大于2的像素位置置为0 ;
[0078]e.对连续出现1的位置区域界定为&?_，的子区间，若仅得到1个子区间，则将此 区间对应的像素灰度分布范围作为Xraf的主导像素的灰度分布区间，否则，选取对应灰度直 方图中所含的灰度级像素点个数最多的子区间，将其对应的像素灰度分布范围作为X"f的 主导像素的灰度分布区间，记为[gml，gm2]。
[0079] 步骤3 :选取无疵点的训练图像块\(j= 1，2, ...C)，分别统计其灰度直方图民， 并采用观测矩阵〇获取其MX1维的压缩测量值y]，具体流程如下：
[0080] 1)从Xdi= 1，2，…n)中，随机地选取C幅无疵点图像块Xjj= 1，2，...〇作 为训练图像块，其中，C的取值不宜低于10幅；
[0081] 2)分别统计训练图像块X,的灰度直方图H
[0082] 3)采用观测矩阵按照公式⑴计算训练图像块\的MX1维的压缩测量值y]:
[0083] yj=Oxj(1)
[0084] 其中，Xj是由二维图像信号Xj按列优先的顺序排列而成的NX1维的向量，y为xj 在压缩域中MX1维的压缩测量值；
[0085] 步骤4 :分别计算训练图像块X,(j= 1，2, . . .C)的正常灰度分布区间[g]1，g]2]，并 以参照图像块Xraf的正常灰度分布区间[gl，g2]为基准，计算训练图像块\灰度量化后的压 缩测量值1_"_，具体流程如下；
[0086] 1)参照步骤2中第2)步的方法依次计算选定的C幅训练图像块X,的正常灰度分 布区间[g^g^];
[0087] 2)以参照图像块X"f的正常灰度分布区间[gl，g2]为基准，根据训练图像块的压缩 测量值y,，按照公式⑵计算训练图像块\在[gn，gl2]区间量化后的压缩测量值y] n_:
[0088]
[0089] 其中，伞n表示观测矩阵〇的第n列。
[0090] 步骤5 :按照公式⑶计算训练图像块X,灰度量化后的压缩测量值y] 的均值 ymean?
[0091]
[0092] 步骤6 :采用极大似然估计法，计算训练图像块\灰度量化后的压缩测量值的正 态分布参数〇n_，为后续判别有无疵点提供参照，其计算公式为：
[0093]
[0094]
[0095] 利用本发明方法在大幅面坯布织物图像上截取的无疵点图像块及其量化结果图 如图1所示；
[0096] 第二阶段：疵点判别阶段
[0097] 步骤7:将采集待测坯布织物图像划分为互不重叠的图像块Xt，统计其灰度直方图 Ht，并采用观测矩阵〇获取其MX1维的压缩测量值yt，具体流程如下：
[0098] 1)将采集到的待测坯布织物图像划分为互不重叠的pXq大小的图像块 Xt(t= 1，2, ???!!)，若不能等分，则不足补齐。为了保证图像块中疵点的稀疏性，其中 pXq彡 5XKdef;
[0099] 2)分别统计各个图像块的灰度直方图Ht，并参照公式⑴计算待测图像块Xt的压 缩测量值yt;
[0100]步骤8 :根据待测图像块Xt的灰度直方图Ht，计算待测图像块\的灰度分布区间 [gtl，gt2]，并以参照图像块Xraf的正常灰度分布区间[gl，g2]为基准，计算待测图像块\灰 度量化后的压缩测量值yt^t，具体流程如下：
[0101] 1)根据待测图像块xt的灰度直方图Ht，参照步骤2中第2)步的方法计算待测图 像块灰度分布区间，记为[gtl，gt2];
[0102] 2)以参照图像块X"f的正常灰度分布区间[gl，g2]为基准，根据待测图像块心的 压缩测量值yt，参照公式（2)计算心在[gtl，gt2]区间量化后的压缩测量值yt>t;利用本发 明方法在大幅面坯布织物图像上截取的疵点图像块及其量化结果图如图2所示；
[0103] 步骤9 :根据步骤5和步骤6中对无疵点的训练图像块Xj(j= 1，2, ...C)学习得 到的参数y_n、yn_和〇n_，按照公式（6)，判断待测的图像块\中是否含有疵点：
[0104]) u
else
[0105] 其中，c为一个正的常数，其取值与检测的精确度有关，根据数理统计理论中的 "3 〇 "原则，c可以取3。在实际应用中，根据检测的精确度与速度间的权衡，c取[2, 3]之 间为宜；
[0106] 如果待测图像块Xt_def的压缩测量值yt_det与无疵点的训练图像块学习得到的参 数y_n、yn_和〇n_满足条佴
则认为待测图像块Xt_ ^含有疵点，即置为1，否则，不含疵点，置为〇 ;利用本发明方法在大幅面坯布织物图像上 截取的无疵点图像块和疵点图像块分别对应的|tog| -少_."|-//,,","^值的分布如图3所 示；
[0107] 步骤10 :若待测的图像块\中无疵点，返回，重新进入第二阶段处理其他待测图 像块；若含有疵点，则进入第三阶段的处理；
[0108] 第三阶段：疵点定位阶段
[0109] 步骤11