基于稀疏表示的織物疵點檢測算法研究.pdf

1、織物疵點檢測是保障紡織品質(zhì)量的關(guān)鍵環(huán)節(jié)。紡織布料生產(chǎn)中，不可避免出現(xiàn)織物瑕疵，這會使布匹的價值大大降低，造成人力和物力的浪費。在生產(chǎn)過程中對產(chǎn)出的布匹進行疵點檢測，且有效對紡織品準確分類，對紡織行業(yè)具有重要應(yīng)用價值和意義。然而，織物圖像紋理復雜多變、種類較多，且疵點的形狀和類別具有隨機性，沒有固定的出現(xiàn)概率模型。如何對織物疵點從織物圖像中準確檢測成為該行業(yè)的研究熱點和本課題的研究內(nèi)容。
　　傳統(tǒng)基于特征提取和非特征提取的織物疵點檢

2、測方法，重構(gòu)織物圖像正常紋理時仍包含部分疵點信息，導致疵點檢出率較低。近年來，稀疏表示方法在圖像處理和模式識別領(lǐng)域得到了廣泛的應(yīng)用，并在目標檢測中取得了較好的檢測效果。該方法對圖像的各個部分進行稀疏性大小測量，并能夠有效地將稀疏性較大的目標區(qū)域從整幅圖像中檢測出來?？椢锎命c檢測中，疵點區(qū)域被視為檢測目標，且具有稀疏特性。為提高織物疵點檢測精度，論文采用基于稀疏方法的織物疵點檢測算法重構(gòu)織物紋理。本論文提出基于稀疏優(yōu)化方法、基于MLBP特

3、征稀疏表示、以及基于HOG特征稀疏子空間分類方法，分別對織物圖像疵點區(qū)域進行檢測。所做的工作與研究成果如下：
　?。?）提出一種基于稀疏優(yōu)化的織物疵點檢測算法。首先，利用L1范數(shù)最小化從待檢織物圖像中學習出自適應(yīng)字典庫，用該庫對織物圖像塊稀疏表示，計算出稀疏表示系數(shù)矩陣；然后，對系數(shù)矩陣進行優(yōu)化處理，采用字典庫及優(yōu)化系數(shù)矩陣對織物紋理稀疏重構(gòu)；最后，將重構(gòu)圖像與待檢織物圖像相減生成殘差圖像，用最大熵閾值方法對殘差圖像分割，定位出疵

4、點區(qū)域。
　?。?）提出一種基于MLBP二值模式提取和稀疏性表示的織物疵點檢測算法。首先，提取圖像主要二值模式并構(gòu)建字典庫；然后，利用庫原子對3×3圖像塊中心像素的LBP模式進行稀疏表示；同時計算圖像中MLBP模式對應(yīng)像素與3×3鄰域像素之間的灰度差均值；接著，結(jié)合灰度差均值、稀疏表示系數(shù)矩陣以及中心像素灰度值，實現(xiàn)對原織物圖像的重構(gòu)；最后，計算重構(gòu)圖像與原含疵點織物圖像的殘差，從而得到殘差圖，利用最大熵閾值分割方法實現(xiàn)對殘差圖的

5、分割，定位出疵點區(qū)域。
　?。?）提出一種基于HOG特征稀疏表示和子空間分類的織物疵點檢測算法。首先，將大小為256×256的織物圖像分割為16×16尺寸相同的織物圖像塊；然后，提取各個圖像塊的HOG特征，并組建為自適應(yīng)字典庫；采用一范數(shù)最小化方法，實現(xiàn)字典庫對各個圖像塊的HOG特征的稀疏表示，得到稀疏表示系數(shù)矩陣；最后，根據(jù)正常圖像塊與含疵點圖像塊的HOG特征差異，利用子空間分類方法對稀疏表示系數(shù)矩陣進行二分類，得到織物圖像正常