[发明专利]一种基于稳定学习字典的机织物纹理瑕疵检测方法

权利要求书

1.一种基于稳定学习字典的机织物瑕疵检测方法，其特征是：将整幅机织物纹理图像分解为多个子图像后，判别出含有瑕疵的子图像，进而由含有瑕疵的子图像的位置信息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的，所有的子图像展开为列向量后进行联合得到样本图像矩阵，通过选用离散余弦变换作为初始字典，采用交替最小二乘法对样本图像矩阵进行字典学习，再应用字典学习得到的字典和系数矩阵对样本图像矩阵进行重构得到重构样本图像矩阵，重构样本图像矩阵的列向量转化即得重构子图像；

所述的一种基于稳定学习字典的机织物瑕疵检测方法，具体步骤如下：

(1)图像处理；

先将整幅机织物纹理图像等分为n个按行和列排列的子图像后，从1到n开始编号，每行的编号从左到右递增，每列的编号自上而下递增，每个子图像都有其对应的编号、行号和列号，再将每个子图像展开为列向量，n个列向量联合组成样本图像矩阵Y，Y＝[y₁,y₂,…y_t,…y_n],y_t∈R^u，y_t为编号为t的子图像展开得到的列向量，t＝1,2,…,n，y_t＝[y_lt,…,y_qt,…,y_ut]',y_qt为y_t中的第q个元素，q＝1,2,…,u，u是y_t的维数；

(2)构建初始字典D；

首先构造一个维的DCT矩阵D_1D，即矩阵D_1D由个列向量d_j组成，且列向量d_j代表字典原子；

然后计算每个字典原子中的元素，公式如下：

当j＝1时，D_1D(:,1)表示D_1D第一列的所有元素，即第一个字典原子；

当j>1时，D_1D(:,j)表示D_1D第j列的所有元素，即第j个字典原子；

最后由计算得到大小为m×k的初始字典D，即D拥有k个维数为m的字典原子；

(3)计算初始系数矩阵α；

初始系数矩阵α＝(D^TD)^-1D^TY；

(4)采用交替最小二乘法进行字典学习更新D和α得到D_p和α_p；

(4.1)以迭代次数为p，令当前迭代次数p为1；

(4.2)系数矩阵更新，公式如下：

式中，α_p为迭代p次后更新得到的系数矩阵，D_p-1为迭代p-1次后更新得到的字典，p＝1时，D_p-1＝D，α_p-1为迭代p-1次后更新得到的系列矩阵，p＝1时，α_p-1＝α；

(4.3)字典更新，公式如下：

式中，D_p为迭代p次后更新得到的字典；

(5)对样本图像矩阵进行重构；

(5.1)应用上述字典学习得到的字典D_p和系数矩阵α_p求得重构样本图像矩阵即

(5.2)判断p是否大于1，如果是则进入步骤(5.3)；反之，则令p＝p+1，返回步骤(4.2)；

(5.3)判断是否满足终止条件，如果否，则令p＝p+1，返回步骤(4.2)；反之，则输出作为最终确定的重构样本图像矩阵所述终止条件为e(p)的计算公式如下：

ε(p)＝|Res(p)-Res(p-1)|

式中，Y(q,t)表示Y的第q行t列的元素，表示的第q行t列的元素，Res(p)表示p次迭代后的平均表示误差，Res(p-1)表示p-1次迭代后的平均表示误差；

(6)瑕疵检测；

判断每个子图像是否含有瑕疵，方法为逐列计算Y与的重构误差，重构误差超过预先设定的阈值，则Y中该列对应的子图像含有瑕疵，反之，则没有，按此方法找到所有含有瑕疵的子图像后，由这些子图像的行号和列号信息确定织物瑕疵的位置；编号为t的子图像对应的重构误差E_t的计算公式如下：

式中，Y(:,t)表示编号为t的子图像即Y的第t列，表示子图像的重构部分即的第t列。