[发明专利]一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法

说明书

技术领域

本发明属图像分析处理领域，应用于纺织品表面质量自动检测与控制领域，本发明涉及一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法。

背景技术

奇异值分解(SVD)作为一种强大的矩阵分解工具，由于其出色的性质，被广泛应用于数值分析、信号处理和模式识别等领域。设M为m×n的矩阵，则对M的奇异值分解公式为：

M=UDV^T

其中，U为m×m的正交矩阵，V^T为n×n的正交矩阵，D为m×n的对角矩阵，其对角线上的元素称为M的奇异值，非负且按降序排列。在图像分析领域，奇异值分解主要用于图像的压缩、重构和恢复等。

在织物瑕疵进行检测领域，Tomczak和Mosorov（2006）将织物图像划分成不重叠的子窗口，并对每个子窗口实施SVD，提取最大的奇异值作为特征，然后对所提取的特征进行模糊C均值聚类（FCM）后进行瑕疵判别。Chen和Feng（2010）将织物图像划分成不重叠的子窗口，并对每个子窗口实施SVD，提取奇异值均值作为特征进行瑕疵判别。Mak和（2010）首先将无瑕疵的织物图像划分成不重叠的子窗口，将所有子窗口中的灰度值展开成为列向量组成样本矩阵；然后对该样本矩阵实施SVD，并提取左奇异矩阵每列作为特征子图像；最后通过将待检测图像样本投影到特征子图像，计算所得的投影值的平方和作为瑕疵判别指标。

值得注意的是，Tomczak和Mosorov（2006）和Chen和Feng（2010）都是通过提取子窗口的奇异值作为特征向量对瑕疵进行判别。由于对一个矩阵分解后所得的奇异值实质是对矩阵重构后误差的量度，并不能真实地反映瑕疵特征，仅对部分瑕疵类型有效。Mak和（2010）所用的投影值可以看作为相应特征图像的权重系数，其值反映是与相应特征图像的相关度，该指标对织物纹理适应性较差，尤其对于随机性较大的平纹织物纹理。

发明内容

本发明的目的就是为了克服现有检测方法不足，提出了一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测方法。本发明首先将图像样本实施奇异值分解，得到相应的奇异向量与奇异值；然后选取最优个数的奇异值对所述图像样本进行重构，得到重构图像，并将重构图像与图像样本作差并取绝对值，得到两者的残差图像；最后对残差图像实施二值化操作，得到一个只包含两种数值的特征图像。为了能适应不同形貌瑕疵，本发明同时对经一定角度旋转后的图像样本进行上述的分析。虽然，对旋转后图像进行分析时，图像会因截取操作而裁剪掉少量的边缘区域，但是由于旋转角度很小，损失的区域对总体分析影响非常小，可忽略不计。

本发明的一种基于奇异值分解的图像分析方法，包括以下步骤：

（1）首先将图像样本实施奇异值分解，得到相应的奇异向量与奇异值；然后选取最优个数的奇异值对所述图像样本进行重构，得到重构图像，并将重构图像与图像样本作差并取绝对值，得到两者的残差图像；最后对残差图像实施二值化操作，得到一个只包含两种数值的特征图像；

（2）将所述图像样本旋转一定角度，并对旋转后图像样本的最大内接矩形区域按照步骤（1）再次进行分析，得到另一个只包含两种数值的特征图像；

（3）将上述所得的两张特征图像叠加，得到最终的图像特征；

如上所述的对图像样本进行重构具体实现如下：

将所述的图像样本记为A，大小为m×n，对A进行奇异值分解，即A=UDV^T，记D中对角线上p个奇异值为d₁,d₂,…,d_p，且满足d₁>d₂>…>d_p，p等于m和n的最小值；将D中除前m个奇异值以外的奇异值设为0，2≤m≤p，并记所得的对角矩阵为D_m，则对A进行重构的公式为A_m=UD_mV^T，其中A_m称为使用前m个奇异值对A的重构图像；

如上所述的选取最优个数的奇异值具体实现如下：