[0063]
[0064] 其中B(x，y)是二值图像，是瑕疵检测的最终结果，若B(x，y)的值为1，则待检测 图像相对应的像素位置有瑕疵；若B(x，y)的值为0,则待检测图像相对应的像素位置无瑕 疵；y是卷积之后图像的能量均值， 〇是能量标准差，c是实验常数，由实验得到。
[0065] 本发明具有以下有益效果：
[0066] (1)本发明采用任意调制的Gabor滤波器可以调制成2-D-Gabor滤波器，也可以调 制成椭圆形Gabor滤波器，使得构造出来的Gabor更有效的检测不同种类的瑕疵；
[0067] (2)本发明利用QPS0算法训练Gabor滤波器参数，检测时使用构造的单个最优 Gabor滤波器，能够高效的、准确的检测经编织物瑕疵，更有利用于工业生产；
[0068] (3)本发明通过Fisher准则构造目标函数，所获得Gabor滤波参数构造的Gabor 滤波器与无瑕疵的织物图像纹理更加契合，使得构造出来的Gabor滤波器更有效的检测经 编织物瑕疵。
【附图说明】
[0069] 图1为本发明所述经编织物瑕疵检测方法的流程图。
【具体实施方式】
[0070] 下面结合具体附图对本发明作进一步说明。
[0071] 本发明所述基于最优Gabor滤波器的经编织物瑕疵检测方法，如图1所示，具体包 括以下步骤：
[0072] 步骤1、构造可以任意调制的Gabor滤波器，得到需要确定最优值的Gabor滤波参 数；
[0073] 步骤1. 1、所述建立任意调制的Gabor滤波函数，具体按照以下方法实施：
[0074]建立Gabor滤波函数G (x，y)，是由一种方向性的复正弦函数调谐的二维Gaussian 核函数g(x，y)调制而成的。Gabor滤波器的时频联合定位，多尺度，多方向的特性，使 得Gabor滤波函数经过适当的膨胀收缩或旋转，可以得到自相似的不同方向不同尺度的 Gabor滤波函数。
[0075] 二维空间中Gabor滤波函数表示为：
[0076]
( 1 )，
[0077] 根据式⑴可以任意调制成2-D或椭圆形的Gabor滤波函数G(x，y)，式⑴中系 数F。： 0时，调制为2-D Gabor滤波函数G(x，y) ;uQ= 0、vQ= 0时，调制为椭圆形的Gabor 滤波函数G(x，y);
[0078]其中，
[0082] 在空间域中，Gaussian核函数涉及到三个参数5 x，8 y，0，其中5 xSGaussian核 函数x轴方向上的尺度参数，5 ￥为Gaussian核函数y轴方向上的尺度参数，0为Gaussian 核函数的旋转角度，，y')是（x，y)旋转9角度之后的坐标。在频率域中，傅里叶变 换所涉及到频率的三个参数为F。，u。，v。，其中F。是椭圆形Gabor滤波函数的中心频率，u。是 x轴方向上Gabor滤波函数的中心频率，V。是y方向上Gabor滤波函数的中心频率。
[0083] 这个任意调制Gabor滤波器是由Gaussian核函数乘以复正弦函数得到的，可以改 写为：
[0084] G(x, y) = Ge(x, y)+jG0(x, y) (5)；
[0085] 其中，Ge(x，y)是Gabor滤波器的实部，Gjx，y)是Gabor滤波器的虚部，可分别表 示如下：
[0086]
[0087] ' G
[0088] 步骤1. 2、Gabor滤波器呈现出强大的图像特征提取能力，但计算量较大。为了简 化计算，符合实时性要求，空间域中Gabor滤波函数经傅里叶变换得到频率域的Gabor滤波 函数贫id):
[0091] 步骤1. 3、式（6)中有6个Gabor滤波参数（a，y，u。，v。，F。，0 )需要确定最优值。[0092] 步骤2、对无瑕疵经编织物图像进行Gabor卷积处理，采用Fisher准则构造适应 度函数，利用量子行为粒子群优化（QPS0)算法对提取出来的Gabor滤波参数进行最优化处
[0089]
[0090] 理，得到Gabor滤波器的最优参数；
[0093] 步骤2. 1、初始化粒子群，包括确定最大迭代次数、搜索空间、粒子的个数、随机初 始化粒子的位置（即为Gabor滤波参数的一组值）。
[0094] 设初始时迭代次数n =0,最大迭代次数为max_n。需要确定最优值的参数 有（a，Y，u。，v。，F。，0 )，则搜索空间为6维。粒子的个数为M，每个粒子的初始位置为
其中i = 1，2，…，M。
[0095] 步骤2. 2、在第一次迭代时，每个粒子的初始位置为当前个体最好位置。对无瑕疵 经编织物图像进行Gabor卷积处理，采用Fisher准则构造适应度函数，计算出每个粒子对 应的函数值。所有粒子的适应度函数值相比较后找到一个具有最小适应度函数值的粒子， 该粒子的位置即为全局最好位置。
[0096] 为提取经编织物特征，构造适应度函数，对无瑕疵经编织物图像进行Gabor卷积 处理。在空间域中，计算卷积要分别对实部和虚部进行卷积，然后再进行融合。由式（6)，空 间域中Gabor滤波函数经傅里叶变换得到频率域的Gabor滤波函数#(认4。函数卷积的傅 里叶变换是函数傅里叶变换的乘积，即空间域中的卷积对应频率域的乘积。图像经过Gabor 卷积后的图像R(x，y)可表示为：
[0097]
(7);
[0098] 其中，T(x，y)是无瑕疵经编织物图像，R(x，y)是经Gabor滤波器卷积后的图像， *是图像的卷积操作，是图像T(x，y)的傅里叶变换，IDFT是离散傅里叶反变换。
[0099] -般来说，由公式（7)定义的Gabor卷积后的图像是一个复数形式的图像，其能量 可以表示为：
[0100]
和分别是G>，y)和Gjx，y)的离散傅里叶变换。
[0102] 适应度函数可根据Fisher准则构造，根据Fisher准则的代价函数构造出最优化 问题的目标函数：
[0103]
(9);
[0104] 其中，Gabor滤波参数①=(a，丫，u。，v。，F。，0 )，y (〇)和（J (〇)分别是大小 为xXY的图像经过Gabor卷积之后的能量均值和标准差。
[0105]
(10);
[0106] Ml)； ^=1
[0107] 由此，具有6个决策变量，5个约束条件的非线性规划问题可以描述为：
[0108]
[0114] 0 ^ 0 ^ Jr (12e)；
[0115] 在第一次迭代时，每个粒子的初始位置为当前个体最好位置，即#f = *fQ由式 (9)计算出每个粒子对应的适应度函数值。
[0116] 所有粒子的适应度函数值相比较后找到一个具有最小适应度函数值的粒子，该粒 子的位置即为全局最好位置。设整个粒子群的全局最好位置^ =受，其中， 「01171
(13)。
[0118] 步骤2. 3、对每个粒子的位置进行更新，采用与步骤2. 2相同方法求出每个粒子的 适应度函数值，更新个体最好位置和全局最好位置。
[0119] 由QPS0算法，粒子的位置更新方程为： rm?ni
04;,
[0121] 式中取"+"或取的概率都为0.5。其中P称为收缩-扩张系数，一般情况下， 参数P可采用随迭代次数线性减小的方式控制。为区间（〇，1)上的均匀分布随机数。 粒子i的收敛过程以点_pr = …为吸引子，其坐标为： (15);
[0122]
[0123] 其中變S是一个区间（0, 1)上均匀分布的随机数。
[0124] 式（14)中称为平均最好位置，定义为所有粒子个体最好位置的 平均，即
[0125]
M6);
[0126] 对每个粒子的位置进行更新后，采用与步骤2. 2相同方法求出每个粒子的适应度 函数值，然后由下式更新个体最好位置：
[0127]
(17);
[0128] 由上式得到的每个粒子的个体最好位置保存的是：到当前为止，具有最小适应度 函数值的位置。
[0129] 每个粒子的个体最好位置确定后，就可根据式（13)更新全局最好位置。