[发明专利]一种织物瑕疵检测方法

摘要

本发明涉及一种织物瑕疵检测方法，首先为了充分利用特征空间、有效提取图像特征，构建了一种非线性灰度共生矩阵特征，然后通过对无瑕疵织物图像的学习获得非线性灰度共生矩阵特征提取的最优尺度方向参数以及自适应的瑕疵分割阈值，最后采用所获得的参数提取待检测图像的特征，通过特征相似性距离度量定位瑕疵区域。本发明方法能有效定位织物瑕疵区域，且受噪声干扰小。

主权项

1.一种织物瑕疵检测方法，其特征是采用非线性灰度共生矩阵GLCM作为特征描述织物纹理，所述方法包括非线性映射函数求取、最优参数学习和瑕疵检测三个步骤：非线性映射函数求取阶段，采用直方图均衡化算法，获得无瑕疵织物图像的非线性映射函数；在学习阶段，计算无瑕疵织物图像在不同方向尺度参数下的非线性GLCM特征向量相似性距离分布，通过最小方差原则选择最优尺度和方向参数，并获得参考非线性GLCM特征向量和自适应的二值化阈值；在检测阶段，对待检测织物图像采用最优尺度方向参数进行非线性GLCM特征提取，并与参考特征向量匹配来定位瑕疵区域；具体步骤如下：1)非线性映射函数求取：对无瑕疵图像A，采用直方图均衡化算法，获得非线性映射函数T，在函数T作用下，图像A的直方图分布变为均匀分布；2)最优参数学习：对大小为W*H的图像A中每一像素(x,y)，以(x,y)为中心，提取大小为dw*dh的图像块B，计算图像块B在参数Psd＝[2s*cos(d*π/D),2s*sin(d*π/D)]下的非线性GLCM特征向量Vsd(x,y)，其中s、d为整数，且1≤s≤S，1≤d≤D，S、D为用户自定义的尺度范围和方向数；计算Vsd(x,y)的均值作为参考特征向量Rsd，计算Vsd(x,y)与参考特征向量Rsd的相似性距离Γsd(x,y)，计算Γsd(x,y)的均方差σsd作为最优尺度方向参数的评价标准，选取均方差σsd最小时的尺度s和方向参数d作为最优尺度sop和最优方向dop，同时以所述最优尺度方向参数下的参考特征向量Rsd作为瑕疵检测步骤中的参考特征向量Rsopdop，并利用该最优尺度方向参数下的Γsd(x,y)的均方差σsd和均值μsd构建瑕疵检测步骤中的自适应二值化阈值THΓ；3)瑕疵检测：对待检测图像的每个像素(x,y)，选择以该像素为中心的dw*dh的图像块，计算其在最优参数Psopdop＝[2sop*cos(dop*π/D),2sop*sin(dop*π/D)]下的非线性GLCM特征向量V(x,y)，计算V(x,y)与Rsopdop之间的特征向量相似性距离，获得相似性距离分布图，通过阈值THΓ对相似性距离分布图二值化，定位瑕疵区域。