[发明专利]一种基于机器教学模式下的显著性织物疵点检测方法

说明书

本发明公开了一种基于机器教学模式下的显著性织物疵点检测方法，属于纺织技术领域。通过引入教学模型，并通过模糊连通性评价超像素集合的传播难易程度，从而逐渐控制并优化显著性传播的顺序，解决疵点检测方法中显著性传播的缺陷和不足；本发明基于像素有不同的传播难度的前提，结合了认知科学理论的实践结果，提出的显著性织物疵点检测方法，对提高显著性疵点检测算法的稳定性和准确率具有参考价值。

技术领域

本发明涉及一种基于机器教学模式下的显著性织物疵点检测方法，属于纺织技术领域。

背景技术

在织物生产过程中，织物疵点的产生不可避免。传统通过人工检测的方法，其检测结果受人的主观影响较大，且漏检率高、人工成本高；随着计算机技术的发展，依靠机器视觉对织物疵点进行自动检测的方法节约了人工成本，且稳定性高，生产效率高，因而逐渐得到发展与应用。

目前，基于一般的视觉显著性的织物疵点检测方法对经编平纹类普通织物疵点的检测比较有效，而对于提花类复杂织物的检测不够稳定，检测效果差，难以用于实际生产。

因此亟需开发一种能够对复杂织物上的疵点进行有效检测、且能够有效提高检测算法的准确性的方法。

发明内容

为了解决目前存在的一般显著性检测的不稳定性、检出率低的问题，本发明提供了一种基于机器教学模式下的显著性织物疵点检测方法，所述方法包括：

采用Harris角点检测法对图像进行预处理，得到含有一个凸包的图像；

采用线性迭代聚类的超像素分割方法，将关联的超像素点聚类，通过迭代更新实现图像的区域分割；

通过对图像背景、边缘及凸包的图像融合，构建出粗略的显著性图；

在教学模型中引入模糊连通度的思想对粗略显著性图像逐渐细化：教学模式中利用模糊连通度评估超像素的传播难易度并进行排序；在学教模式中分配一定量简单超像素进行学习，根据学习的反馈效果，调整任务量，通过不断迭代优化，直至未标记的超像素集合为空集，此时完成显著性传播。

利用阈值分割方法对细化后的显著性图像进行像素分类处理，得到最终结果。

具体的，本申请的第一个目的在于提供一种显著性织物疵点检测方法，所述方法包括：

S1：对待检测图像进行预处理，构建粗略显著性图像；

S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像；

S3：利用阈值分割对细化后的显著性图像进行分割，获得疵点检测结果。

可选的，所述S1：待检测图像进行预处理，构建粗略显著性图像，包括：

利用角点检测获得疵点织物图像，所述疵点织物图像为包含凸包的图像；

利用超像素分割的方法将待检测图像分割为不同的超像素集合，每个超像素集合为关联的超像素点的聚类。

可选的，所述S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像，包括：通过模糊连接性评估各超像素的传播难易度，根据传播难易度对各超像素进行排序；

利用教学模型对排序后的各超像素进行从易而难的显著性传播。

可选的，所述通过模糊连接性评估各超像素的传播难易度，包括：

构建模糊空间，描述所述构建的模糊空间内各超像素间的邻近关系；

通过隶属函数评估待检测图像中感兴趣物体的均匀性分量和特征分量；利用模糊连接度定义模糊空间中各超像素间的模糊关系，并对各超像素间的传播难易度进行排序。

可选的，所述均匀分量为：