[发明专利]一种基于K-SVD学习字典的机织物纹理瑕疵检测方法

说明书

本发明涉及一种基于K‑SVD学习字典的机织物纹理瑕疵检测方法，将整幅机织物纹理图像分解为多个子图像后判别出含瑕疵的子图像，通过含瑕疵的子图像的位置确定织物瑕疵的位置；瑕疵的判别是通过比较子图像和重构子图像实现，所有子图像展开为列向量后联合得到测试样本图像矩阵，选用离散余弦变换为初始字典并用正交匹配追踪算法由初始字典和训练样本图像矩阵算得初始稀疏系数矩阵后，对训练样本图像矩阵进行K‑SVD字典学习得到字典，再用正交匹配追踪算法由字典和测试样本图像矩阵算得稀疏系数矩阵后，重构测试样本图像矩阵再将重构样本图像矩阵的列向量转化为重构子图像。本发明检测快速准确，检测结果稳定且适应性强。

技术领域

本发明属于图像分析领域，涉及一种基于K-SVD学习字典的机织物纹理瑕疵检测方法。

背景技术

纹理是目标识别的重要视觉特征，纹理分析作为本质的问题，被广泛应用在许多领域中，例如医疗诊断、产品质量检测和资源遥感等。通过对织物的纹理表征可实现织物的瑕疵检测，目前织物的瑕疵检测主要还是人的目视检测，通过算法实现织物的瑕疵检测，一方面可有效避免人为检测的个体误差，另一方面极大地解放了生产力，节约了人力成本。

传统的织物纹理表征方法大致可分为三类：基于频谱、基于统计和基于模型的织物纹理表征方法。基于频谱的织物纹理表征方法是利用经典的变换来提取所需的特征值，例如文献(Application of Wavelet Transform in Characterization of FabricTexture[J].Journal of the Textile Institute,2004,95(1):107-20)中利用小波变换来表征织物纹理，并测量了经纬纱的直径等结构参数；基于统计的织物纹理表征方法是通过定义一些统计量来对纹理结构在空间分布上的统计特征进行描述，例如文献(Applyingan Artificial Neural Network to Pattern Recognition in Fabric Defects[J].Textile Research Journal,1995,65(3):123-30)中用灰度共生矩阵的两个特征(角二阶矩和对比度)检测织物表面疵点；基于模型的织物纹理表征方法是利用数学模型对产生纹理的随机过程进行建模描述，例如文献(Automated inspection of textile fabricsusing textural models[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,1991,13(8):803-8)中运用马尔-可夫随机场模型进行织物疵点检测。上述纹理表征方法主要是借助特征提取、优化的滤波器或先验知识等来实现织物结构参数的识别与瑕疵点的检测，然而，对于千变万化的织物纹理，提取具有普适性的广义特征是非常困难的。