一种基于改进阈值分割的织物疵点检测方法与流程

本发明涉及织物疵点检测技术领域，特别是涉及一种基于改进阈值分割的织物疵点检测方法。

背景技术：

在纺织品生产过程中，产品质量检测是极其重要的一步。一般织物的疵点类型有破洞、油污、粗纬、跳纱等。传统织物的疵点检测主要靠人工完成。人工检测是一项枯燥繁重的劳动，检测速度慢，也易产生漏检和错检。目前基于视觉检测的织物疵点自动检测系统已经开始出现，如国外有瑞士Uster公司生产的Fabriscan自动验布机、以色列Evs公司的I-TEX验布机、比利时Barco公司的Cyclops验布机。这几类验布机在硬件结构和软件准确率都较为领先，但其价格极高，检测不相同的布匹效果不一。而国内有能力研制的公司不多，试验检测的成功率不高，检测的缺陷类别有限，还没有达到满足面向市场的要求。

因此，生产出系统更稳定，检测更高速、准确的织物疵点检测系统是当今纺织品生产企业的迫切需求。随着信息科学技术和图像处理技术的发展，以视觉处理为基础的织物疵点检测系统是研究的一个热门，而系统的核心则是疵点检测算法，重点是做到高速和高精度两个要求。

技术实现要素：

本发明所要解决的技术问题是提供一种基于改进阈值分割的织物疵点检测方法，能够对疵点进行更准确地分割。

本发明解决其技术问题所采用的技术方案是：提供一种基于改进阈值分割的织物疵点检测方法，包括以下步骤：

(1)对采集图像进行预处理；

(2)根据图像的灰度值设定初始阈值，将图像中灰度值不大于初始阈值的像素分为背景，将灰度值大于初始阈值的像素分为疵点目标；

(3)计算背景、疵点目标和整幅图像的灰度均值；

(4)根据得到的灰度均值计算背景和疵点目标的类内方差和类间方差；

(5)根据得到的类内方差和类间方差确定最优阈值；

(6)根据得到的最优阈值与像素点的像素值进行比较确定疵点目标。

所述步骤(1)中通过中值滤波的方式对采集图像进行去噪处理。

所述步骤(5)中最优阈值的确定准则为其中，t^*为最优阈值，P_i表示灰度为i的像素的频数，μ_B(t)为初始阈值下背景的灰度均值，μ_o(t)为初始阈值下疵点目标的灰度均值。

所述步骤(6)中像素点的像素值为该像素及其领域像素灰度值的平均值。

有益效果

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：本发明可以准确进行疵点分割，在选取最优分割阈值时，考虑织物疵点图像的直方图特性，该类图像的直方图并没有明显的双峰特性，背景类像素较为分散，原始的Ostu算法不太适用。本发明的阈值选择原则在最小类内差准则的基础上，用类的直方图灰度区间将其方差进行标准化，在对每个像素进行分类的时候，采取相邻像素去均值代替原始像素，更好地减小噪声对分割的影响。

附图说明

图1是本发明的流程图；

图2是织物疵点图像示意图；

图3是预处理后图像示意图；

图4是阈值分割后的二值化图像示意图。

具体实施方式

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。

本发明的实施方式涉及一种基于改进阈值分割的织物疵点检测方法，首先对采集到的物图像进行预处理，采用中值滤波去除噪声干扰，然后根据最优阈值准则确定最优阈值，最后用邻近像素均值与阈值比较，得到分割结果。如图1所示，具体包括以下步骤：

(1)对采集图像进行预处理

采用的样本图像来源是CCD工业摄像机，图像类型为灰度图片，见图2。在采集图片过程中，图像易受光源、光学系统等影响而有噪声污染，因此必须对图像进行预处理。本实施方式中预处理方法采用滤波来改善图像质量，中值滤波对某些随机的噪声具有很强的降噪能力，且能较好地保留原始的图像信息。图3为经过终止滤波处理后的图像。

(2)图像分类

令一副M行N列的灰度图像的灰度级数为L，其中灰度为i的像素个数为n_i，灰度为i的像素的频数为p_i。设定初始阈值t，将原始图像中灰度不大于t的像素分为背景B，而把灰度大于t的像素分为疵点目标。

(3)计算两类像素的灰度均值和整幅图像的灰度均值

背景B类和疵点目标O类中的像素的类内灰度均值分别为：

其中，P_B(t)为初始阈值下背景B的像素个数，P_O(t)为初始阈值下疵点目标O的像素个数。

所有像素的平均灰度为：

(4)计算两类像素的类内方差和类间方差

背景O类和疵点目标O类的类内方差分别定义为：

令为初始阈值t所分割的两类的类内方差：

令为初始阈值t分割的两类的类间方差：

(5)最优阈值的判定

一般的最佳阈值选取准则为：

等价于：

从式(6)和(7)可以看出，最大类间差准则等价于最小类内差准则。该准则适用于直方图双峰明显，目标和背景两类方差差异不大的情况。

本实施方式中，在最小类内差准则基础上，用类的直方图灰度区间将其方差进行标准化，选取最优阈值为：

其中，P_i表示灰度为i的像素的频数，由式(8)可知，当取最小值时，阈值取得最佳值。

(6)图像分割

传统的阈值分割算法分割过程对每一个像素点进行分类时，是比较这个像素点的灰度值和阈值的大小。本发明在进行比较的时候，考虑这个像素点和周围像素点的灰度值，以减少噪声对分割的影响。

记某个像素点为P(i,j),则该像素的邻域像素为P(i-1,j)，P(i,j-1)，P(i,j+1)，P(i+1,j)，取这几个像素灰度值的平均值作为新的像素值，即

将得到的新的像素灰度值N(i,j)与最佳阈值进行比较，

其中，t^*为最佳阈值，若新的像素灰度值N(i,j)不大于阈值t^*，则为背景，若大于t^*，则为疵点目标，最终得到如图4所示的图像。

不难发现，本发明可以准确进行疵点分割，在选取最优分割阈值时，考虑织物疵点图像的直方图特性，该类图像的直方图并没有明显的双峰特性，背景类像素较为分散，原始 的Ostu算法不太适用。本发明的阈值选择原则在最小类内差准则的基础上，用类的直方图灰度区间将其方差进行标准化，在对每个像素进行分类的时候，采取相邻像素去均值代替原始像素，更好地减小噪声对分割的影响。