[发明专利]一种基于最优阈值分割的织物疵点检测方法

摘要

本发明公开了一种基于最优阈值分割的织物疵点检测方法，包括最佳阈值选取和图像分割两部分，最佳阈值选取具体包括以下几个步骤：步骤1.任选一灰度值作为分割阈值，步骤2.根据阈值，把图像分为两类，步骤3.求每一类图像的灰度均值和图像的灰度总均值，步骤4.求两类的类间方差及类内方差，步骤5.计算权值，步骤6.根据判别公式计算出最优的分割阈值。图像分割部分在前一部分的基础上进行，将图像中每一像素点的灰度值与最佳阈值比较，大于阈值的灰度值赋值为255，小于阈值的灰度值赋值为0，这样就可以将图像分为背景与目标两部分。本发明在分割阈值选取时，不但考虑像素类间方差，同时引入了类内距离，并采用权值进行加强，使算得的阈值更加精确能够准确地检测出织物图像的疵点，提高对复杂纹理图像的分割效果。

主权项

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。