[发明专利]基于双简化脉冲耦合神经网络的坯布疵点分割方法

说明书

技术领域

本发明属于数字图像分割技术领域，涉及一种坯布疵点分割方法，具体涉及一种基于双简化脉冲耦合神经网络的坯布疵点分割方法。

背景技术

随着国际纺织市场竞争的日趋激烈，纺织品质量问题越来越成为企业生存与发展的制胜因素。疵点检测是纺织品质量控制的一个重要的环节。长期以来，国内坯布厂大都依靠人工来检测疵点，由于长时间的用眼带来的疲劳或检验人员的主观因素等而出现漏检或检测结果不一致等问题弊端，也直接影响着后续产品质量的客观评定。因此，提高坯布疵点检测的准确率已成为坯布疵点自动检测系统中不可缺少的一个核心技术。

脉冲耦合神经网络(Pulse Coupled Neural Networks，简称PCNN)是一种模拟哺乳动物视觉特性的第三代人工神经网络，因其时空总和特性以及信息传播和耦合特性，导致空间邻近、外部刺激强度相似的神经元易于同步点火。这恰恰表征了空间邻近像素属性值相似的图像分布特点，使之用于图像分割具有独特的优势。但传统的PCNN模型因其调整参数多、计算复杂度高等问题，很难满足在线疵点检测的实时性和自适应性要求。

发明内容

本发明的目的是提供一种基于双简化脉冲耦合神经网络的坯布疵点分割方法，解决了现有坯布疵点分割技术存在的调整参数多、计算复杂度高的问题，提高坯布疵点检测的一致性和准确性，以满足在线疵点检测的实时性和自适应性处理要求。

本发明所采用的技术方案是，基于双简化脉冲耦合神经网络的坯布疵点分割方法，具体按照以下步骤实施：

步骤1：将相机采集的M×N大小待测坯布的数字图像传送至图像缓存器；

步骤2：采用改进的局部二进制模式算子，对图像缓存器中的数字图像进行疵点特征提取计算，以消除光照不匀、纹理背景以及噪声干扰的影响，凸显疵点区，同时将计算得到的图像大小压缩至原图像的n×n分之一；

步骤3：采用DSPCNN，对步骤2处理后的结果图像分别进行高低亮度坯布疵点的分割迭代计算；

步骤4：判断是否到设定的迭代次数t，如果不是，则转步骤3进行迭代处理；如果是，则依据图像的属性分布特征，将步骤3的处理结果进行按照下式进行归并计算，得到坯布疵点分割结果图S：

S=HY⊕LYA≥0.4andB≥0.4HY+LYA<0.4orB<0.4.]]>

本发明的特点还在于，

其中的步骤2采用改进的局部二进制模式算子，对图像缓存器中的数字图像进行疵点特征提取计算，具体按照以下步骤实施：

1)获取在同等光照下待测坯布的无疵点数字图像IM，其大小大于等于2^2×n×(n×n)；

2)将无疵点数字图像划分为n×n大小的非重叠窗口，并计算在n×n大小窗口内的行、列像素平均属性值，记作则：