[发明专利]一种基于最优阈值分割的织物疵点检测方法

权利要求书

1.一种基于最优阈值分割的织物疵点检测方法，其特征在于，包括最优阈值选取和图像分割两部分，具体为：

一：最优阈值选取

具体包括以下几个步骤：

步骤1.图像分类

通过设定初始阈值T，把图像f={f(x,y),1≤x≤M,1≤y≤N}分为两类，具体公式如（1）和（2）：

C₁={f₁(x,y)|f_min≤f(x,y)≤T}    （1）

C₂={f₂(x,y)|T+1≤f(x,y)≤f_max}   （2）

其中，f_min和f_max为图像灰度最小和最大值，T为分类阈值，f_min+1≤T≤f_max-1，C₁表示第一类像素，C₂表示第二类像素；

步骤2.两类像素的灰度均值和整幅图像平均灰度计算

设Ni是灰度值为i(f_min≤i≤f_max)的像素数，为图像总的像素数，则各灰度级出现的概率为：

P(i)=NiN---(3)]]>

C₁类图像像素出现的概率为：

P1=Σi=fminTP(i)---(4)]]>

C₁类图像像素的均值：μ1=Σi=fminTiP(t)P1---(5)]]>

C₂类图像像素出现的概率为：

P2=Σi=T+1fmaxP(i)---(6)]]>

C₂类图像像素的均值：μ2=Σi=T+1fmaxiP(i)P2---(7)]]>

整幅图像平均灰度：μ=Σi=fminfmaxiP(i)=P1μ1+μ2P2---(8)]]>

步骤3.C₁及C₂类像素灰度值的类间方差计算

两类的类间方差计算公式如（9）所示：

σ²(T)=P₁(μ-μ₁)²+P₂(μ-μ₂)²    （9）

步骤4.C₁及C₂类像素灰度值的类内方差计算

类内方差如下：

第一类图像的类内方差为：S1=Σi=fminT(i-μ1)2---(10)]]>

第二类图像的类内方差为：S2=Σi=T+1fmax(i-μ2)2---(11)]]>

步骤5.最优阈值计算

阈值的判决函数如公式（12）所示：

th=ArgMaxfmin≤T<fmax{(1-P(T))(P1(μ-μ1)2+P2(μ-μ2)2)S1+S2}---(12)]]>

由公式（12）可知，表达式取值最大时对应的阈值，就是最优分割阈值；

二：图像分割

将图像中每一像素点的灰度值与最优分割阈值比较，大于阈值的灰度值赋值为255，小于阈值的灰度值赋值为0，这样就可以将织物图像分为背景及疵点两类，如式（13）所示：

f(x,y)<th,f(x,y)=0f(x,y)≥th,f(x,y)=255---(13)]]>

其中，th为最优分割阈值。