[发明专利]一种基于HOG和低秩分解的织物疵点检测方法

权利要求书

1.一种基于HOG和低秩分解的织物疵点检测方法，其特征在于，其步骤如下：

步骤一：对原始疵点图像进行无重叠、均匀的分成大小相等的图像块；

步骤二：对每个图像块进行HOG特征提取，将HOG特征垂直排列成特征向量，将所有图像块的特征向量组合成特征矩阵；

步骤三：构建低秩分解模型：将特征矩阵分解为低秩矩阵和稀疏矩阵；

步骤四：利用方向交替方法对低秩分解模型进行求解，生成低秩矩阵和稀疏矩阵；

步骤五：由分解出的稀疏矩阵生成显著图；

步骤六：利用最优阈值分割算法对生成的显著图进行分割，定位出疵点区域；

所述HOG特征提取的方法是：1)将处理的图像进行归一化处理；2)对归一化后的图像进行Gamma校正：I(x,y)＝I'(x,y)^gamma，其中，I’(x,y)表示归一化的图像，gamma为校正因数，gamma取1/2；3)计算Gamma校正后图像横坐标和纵坐标方向的梯度，计算每个像素位置的梯度方向值；4)把图像分成细胞单元，利用直方图统计每个细胞单元的梯度信息，对梯度直方图进行权重投影；5)将细胞单元组合成大的块，在块内进行细胞单元对比度归一化；6)对图像块中所有的重叠块进行HOG特征的收集；

所述将所有图像块的特征向量组合成特征矩阵的方法是：将每个图像块X_i的HOG特征作为该图像块的特征向量f_i；组合所有的特征向量f_i，i＝1、2、…、n形成特征矩阵F＝[f₁,f₂,...,f_n]，F∈R^D×n，其中，D为特征维数；

所述构建低秩分解模型的方法是：将特征矩阵F分解成两部分：F＝L+S，其中，L为对应于背景的低秩矩阵，S为显著区域的稀疏矩阵；低秩分解问题表示为：其中，L^*和S^*表示低秩矩阵和稀疏矩阵的最优解；用凸优化方法优化低秩分解问题：其中，||L||_*为低秩矩阵L的核范数，||.||₁表示l₁范数，λ为控制低秩度和稀疏度的平衡因子；

所述低秩分解模型进行求解的方法是：凸优化方法优化低秩分解问题的拉格朗日函数为：其中，Z∈R^M×N是线性约束的乘子，M和N分别表示原始图像的宽和高，β＞0是控制约束条件的惩罚项，<·>表示内积运算，||·||为诱导F范数；凸优化方法优化低秩分解的迭代形式为：其中，(L^k,S^k,Z^k)是迭代的三维形式；利用方向交替方法产生新的迭代：等价于：

方向交替方法产生新的迭代的解为：表示在上的欧拉投影：U^k+1∈R^m×r,V^k+1∈R^n×r通过的奇异值分解得到：且

所述最优阈值分割算法的步骤为：

1)利用阈值T将图像f像素值分为两类：

C₁＝{f₁(x,y)|f_min≤f(x,y)≤T},

C₂＝{f₂(x,y)|T+1≤f(x,y)≤f_max},

其中，f_min，f_max分别为图像灰度的最小值和最大值，T取[f_min,f_max]中的任意值；

2)像素各灰度级出现的概率：

P(i)＝N_i/N,

其中，N_i为像素值i(f_min≤i≤f_max)出现的个数，为图像总的像素数；

3)C₁及C₂类像素平均值：

u1=Σi=1TiP(i)P1,]]>

u2=Σi=T+1fmaxiP(i)P2,]]>

其中，P₁和P₂分别为C₁和C₂类像素值出现的总概率，描述为：

P1=Σi=fminTP(i),]]>

P2=Σi=T+1fmaxP(i),]]>

4)根据C₁和C₂两类的平均值及出现的概率，整幅图像平均值计算如下：

u=Σi=fminfmaxiP(i)=P1u1+P2u2,]]>

5)则两类的类间方差为：

σ²(T)＝P₁(u-u₁)²+P₂(u-u₂)²；

6)根据Fisher准则函数中类内离散度的定义，类内方差定义如下：

S1=Σi=fminT(i-u1)2,]]>

S2=Σi=T+1fmax(i-u2)2;]]>

7)最优阈值T^*计算如下：

T*=Argmaxfmin≤T≤fmax{(1-P(T))(σ2(T)/(S1+S2))};]]>

8)图像分割：