一種基于織物自身結構進行疵點檢測的方法
【技術領域】
[0001 ] 本發(fā)明屬于紡織品外觀疵點檢測方法技術領域，具體涉及一種基于織物自身結構 進行疵點檢測的方法。
【背景技術】
[0002] 紡織質量檢測是現代企業(yè)生產的一個重要內容，目前織物的疵點檢測主要有人 工檢測和自動檢測兩種。人工視覺檢驗誤檢率和漏檢率較高，只能發(fā)現70~80 %的織物疵 點、檢測結果受主觀影響比較大、檢測速度慢、成本高等缺陷?，F有自動檢測方法概括起來 主要分為基于統(tǒng)計的檢測方法、基于頻域分析的檢測方法和基于模型的檢測方法三大類。 但由于織物疵點種類繁多，形態(tài)各異，加上織物紋理圖像本身的復雜性，現有檢測方法往往 只適應于檢測某些特定類型的疵點，無法檢測所有的疵點，適應性差；
[0003] 織物是由經煒兩組紗線按照一定的組織規(guī)律交織而成，經、煒向均具有一定的周 期性。周期性紋理可以認為是由許多相互接近的、互相編織的紋理基元（紋理的基本單元） 構成。正常無疵點的織物圖像中每個紋理基元內的像素灰度值分布均遵循某個特定的規(guī) 律，不同的紋理基元之間的相似性強，而疵點的出現，不論是灰度型疵點或結構型疵點，必 然破壞紋理基元內灰度值分布規(guī)律。因此織物疵點檢測完全可以從織物自身結構入手進行 研究。

【發(fā)明內容】

[0004] 本發(fā)明的目的是提供一種基于織物自身結構進行疵點檢測的方法，能夠有效地檢 測灰度突變型疵點、結構突變型疵點和混合性疵點，提高疵點檢測方法的準確性、可靠性和 適用性。
[0005] 本發(fā)明所采用的技術方案是，一種基于織物自身結構進行疵點檢測的方法，具體 檢測步驟為：
[0006] 步驟1 :對采集的坯布織物圖像進行預處理；
[0007] 步驟2 :疵點圖像特征值增強；
[0008] 步驟3 :構造均值圖像，對增強后的疵點圖像進行去噪處理；
[0009] 步驟4 :采用最大類間方差閾值分割法對疵點圖像進行分割；
[0010] 步驟5 :通過面積濾波的方法進行織物疵點的檢測。
[0011] 本發(fā)明的特征還在于，
[0012] 步驟1中，圖像預處理包括圖像增強和圖像去噪。
[0013] 圖像增強的過程為：將圖像劃分為互不重疊的pXp大小的子窗口，p為8的倍數； 計算每個子窗口灰度的均值MVu，BP :
[0015] 式中，MVli j為圖像i行j列像素的灰度均值，G u為圖像i行j列像素的灰度值；
[0016] 利用插值公式（1)進行雙線性插值，延伸到原來的尺寸，即得均值圖像：
[0018] 式中，m，n e [0，p-l];
[0019] 最后，利用原圖像與均值圖像之間對應像素灰度差構造出所需的零均值圖像，即 完成圖像增強。
[0020] 圖像去噪的過程為：假設I = f(x，y)為有NXN個像素的圖像，其平滑算子r = h(i，j)，尺寸大小為KXK，利用公式（2)進行平滑處理后得到的一幅新的圖像1'= g(x，y)，實現圖像去噪，即：
[0022] 式中：x，y e [0，Ν-1] ;M為算子內權值之和。
[0023] 步驟2中，疵點圖像特征值增強的過程為：
[0024] 步驟2. 1 :采用自相關函數計算圖像在水平方向和垂直方向的自相關函數值，即：
)
[0027] 式中，Cxi。為水平方向的自相關函數值；(：。^為垂直方向的自相關函數值;M*N表示 圖像的大小，G li,表示像素的灰度值，周期T x、Ty為紋理基元的大?。?br>[0028] 步驟2. 2 :將待檢測織物圖像劃分成TxXTy子窗口，利用下式計算子計算基元模板 中像素的灰度值：
[0030] 式中，Mli j表示基元模板中像素的灰度值，表示第k個子窗口中像素的灰度值， η表不子窗口的個數；
[0031] 步驟2. 3 :將待檢測的織物圖像再次劃分為Tx X Ty子窗口，按公式S 1V j = Iwk^-M1J計算子窗口與基元模板之間的差值S1V,，利用公式（5)對所有的行線性 規(guī)范化處理后，得疵點增強圖像，即：
[0033] 式中，u為疵點增強圖像像素的灰度值;MaxO、Min()分別為最大值和最小值 函數。
[0034] 步驟3中，圖像去噪處理的過程為：
[0035] 將步驟2所得圖像劃分為p X p的子窗口，計算每個窗口灰度的均值MVli j:
[0036] 式中，Gu為圖像像素的灰度值，利用插值公式（6)進行雙線性插值，延伸到原來 的尺寸，得均值圖像：
[0038] 式中，m，n e [0，p-l]。
[0039] 步驟4中，疵點圖像進行分割的具體步驟為：
[0040] 令圖像級灰度為L，對每個灰度值X，Px表示X出現的頻率，此時分割閾值為t，則 將灰度分成兩類：Cl= (0，l，~，t);C2=(t+l，t+2，···，〇;則每一類出現的概率為：
:每一類的平均灰度為：
其中
則類間方差為：
[0041] σ 2(t) = W1 (U-U1)2+w2 (U2-U)2= w(U2-U1)2 (7)
[0042] 使〇2(t)取最大值的t，就是分割目標和背景的最佳閾值，灰度值大于t的為待分 割的目標區(qū)域。
[0043] 步驟5中，織物疵點檢測的具體過程為：
[0044] 采用八連通方法在步驟4分割后的二值圖像上搜索非零像素值的連通區(qū)域，遇到 第一個非零像素值的連通區(qū)域標號為1，記錄該區(qū)域像素點的個數為Ml ;以此類推，直到最 后一個非零像素區(qū)域標號為N，區(qū)域像素的個數為MN ;這里的Mi就是第i個連通區(qū)域的面 積；如果一幅待檢測的織物圖像，經過圖像分割后所有的連通區(qū)域的面積都小于某一個閾 值，則該幅圖像就沒有疵點；反之，如果經過圖像分割后存在一個面積大于閾值的連通區(qū) 域，則該幅圖像包含疵點，疵點的位置、大小就可以由這些大于閾值的連通區(qū)域位置和面積 來確定。
[0045] 本發(fā)明的有益效果是，本發(fā)明從織物自身結構入手，利用紋理基元模板來增強疵 點區(qū)域的方法，并采用零均值圖像完成對疵點圖像增強，能夠對灰度突變性疵點、結構突變 性疵點和混合性疵點區(qū)域進行有效增強，并可避免傳統(tǒng)方法需對標準無疵點圖像進行訓練 的限制，提高了疵點檢測方法的準確性、可靠性和適用性。
【附圖說明】
[0046] 圖1為本發(fā)明一種基于織物自身結構進行疵點檢測方法的流程圖；
[0047] 圖2為織物圖像紋理的周期性圖；
[0048] 圖3為利用本發(fā)明方法進行缺煒疵點檢測的效果圖；
[0049] 圖4為利用本發(fā)明方法進行浮線疵點檢測的效果圖；
[0050] 圖5為利用本發(fā)明方法進行斷紗疵點檢測的效果圖；
[0051] 圖6為利用本發(fā)明方法進行水印漬疵點檢測的效果圖。
【具體實施方式】
[0052] 下面結合附圖和【具體實施方式】對本發(fā)明進行詳細說明。
[0053] 本發(fā)明是一種基于織物自身結構進行疵點檢測方法的流程如圖1所示，具體步驟 如下：
[0054] 步驟1:圖像預處理：
[0055] 圖像預處理主要包括圖像的增強和圖像去噪；
[0056] 本發(fā)明利用零均值圖像增強方法。首先將圖像劃分一個個子窗口，為了把一幅圖 像劃分為整數個子窗口，子窗口的大小應為圖像大小的約數；另外子窗口不能過小，應該比 疵點的尺寸大，從而達到疵點增強的目的。綜合以上兩點，本實施例采用的子窗口的大小為 16X16。子窗口的大小確定后，計算每個窗口灰度的均值MVli j,
式中 G1^表示像素的灰度值，并進行下采樣；利用插值公式（1)進行雙線性插值，延伸到原來的 尺寸，得均值圖像：
[0058] 最后，利用原圖像與通過插值獲得的均值圖像之差就構造出所需的零均值圖像。 零均值圖像不僅能夠增加圖像的灰度對比，而且由于每個子窗口的均值為零，因此能夠有 效地解決因光照而造成的明暗差異問題。
[0059] 圖像去噪采用3X3的均值濾波。均值濾波采用鄰域平均法，假定一幅有NXN個 像素的圖像I = f (X，y)，平滑算子r = h (i，j)，其尺寸大小為KX K，平滑處理后得到的一幅 新的圖像"=g(x，y)，于是有式（2)成立：
[0061] 式中：x，y e [0，Ν-1] ;M為算子內權值之和。
[0062] 步驟2 :疵點圖像特征值的增強，具體按以下步驟實施
[0063] 步驟2. 1 :確定紋理基元大小。確定紋理基元大小?？椢锸怯山洘樇啺凑找欢ǖ?組織規(guī)律交織而成，經、煒向均具有一定的周期性，織物圖像屬于規(guī)則的有序紋理圖像。自 相關曲線呈現較好的周期性，縱橫向的一個周期構成一個紋理基元，如圖2所示。紋理基元 的大小通常采用自相關（Auto-correlation)函數，圖像水平、垂直方向的自相關函數計算 方法為：
[0064]
[0066] 式中，M*N表示圖像的大小，G1,』表示像素的灰度值，Cx,。、(：。,彥示水平、垂直方向 的自相關函數值，周期T x、Ty為紋理基元的大小。
[0067] 步驟2.2 :紋理基元模板的計算，紋理基元的大小確定后，然后計算紋理基元模 板。方法是：將原圖像劃分成Tx X Ty子窗口，把所有子窗口中對應的像素灰度值求平均值， 計算公式為：
式中，Mli j表示基元模板中像素的灰度值，表示第k個子窗 口中像素的灰度值，η表示子窗口的個數。
[0068] 步驟2. 3 :疵點區(qū)域的增強，織物疵點的自動檢測需要不斷消弱背景，即正常紋理 區(qū)域信息，同時突出疵點區(qū)域信息，以便最終把