基于圖像處理的織物疵點(diǎn)自動(dòng)檢測方法研究.pdf

1、織物疵點(diǎn)檢測是織物生產(chǎn)和評(píng)價(jià)系統(tǒng)中的重要環(huán)節(jié)之一。相比于傳統(tǒng)的人工檢測方法,基于圖像處理技術(shù)的織物疵點(diǎn)自動(dòng)檢測方法可以大大提高檢測精度和效率。針對(duì)現(xiàn)有織物疵點(diǎn)檢測方法的不足,研究更為有效的檢測方法具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。本文深入研究了織物疵點(diǎn)圖像預(yù)處理、圖像分割、特征提取、分類等方法,主要工作如下:
　　首先,提出了一種基于復(fù) Contourlet變換、各向異性擴(kuò)散和混沌粒子群優(yōu)化的織物疵點(diǎn)圖像預(yù)處理方法。對(duì)織物疵點(diǎn)圖像

2、經(jīng)復(fù) Contourlet分解后的低頻分量和高頻分量分別采用P_Laplace和Catte_PM模型進(jìn)行擴(kuò)散,再對(duì)低頻分量采用經(jīng)混沌粒子群優(yōu)化的非完全Beta函數(shù)進(jìn)行增強(qiáng)。實(shí)驗(yàn)結(jié)果表明,該方法在主觀視覺效果和客觀定量評(píng)價(jià)指標(biāo)方面都有較大的提高,抑制噪聲的同時(shí)增強(qiáng)了織物圖像的紋理細(xì)節(jié)信息。
　　然后,研究了一種基于PCNN和對(duì)稱Tsallis交叉熵的織物疵點(diǎn)圖像分割方法。利用織物疵點(diǎn)區(qū)域與非疵點(diǎn)區(qū)域灰度強(qiáng)度的不同,根據(jù)PCNN神經(jīng)元

3、是否點(diǎn)火來分割圖像,采用對(duì)稱Tsallis交叉熵作為圖像分割準(zhǔn)則。實(shí)驗(yàn)結(jié)果表明,與Otsu法、PCNN分割方法、基于交叉熵的PCNN分割方法等現(xiàn)有的圖像分割方法相比,該方法的分割效果更好。
　　其次,研究了基于復(fù) Contourlet變換和 PCA的織物疵點(diǎn)特征提取及分類方法。針對(duì)經(jīng)復(fù)Contourlet變換后含有樣本圖像大部分能量的低頻分量和包括疵點(diǎn)細(xì)節(jié)信息的部分高頻分量,利用PCA方法得到低維特征空間,并將復(fù)Contourle

4、t分解后的測試樣本圖像分量投影到特征空間中,利用最小歐氏距離法區(qū)分不同的織物疵點(diǎn)類型。與PCA方法、小波結(jié)合PCA的方法等相比,該方法可以對(duì)常見類型的織物疵點(diǎn)進(jìn)行有效的特征提取和分類。
　　隨后,給出了一種基于 Log_Gabor小波和 Krawtchouk矩不變量的織物疵點(diǎn)檢測方法。對(duì)織物疵點(diǎn)圖像進(jìn)行 Log_Gabor小波變換,得到其紋理特征;利用 Krawtchouk矩不變量提取出形狀特征;兩者結(jié)合后進(jìn)行 KFCM聚類,實(shí)現(xiàn)

5、了織物疵點(diǎn)的有效檢測。與 PCNN檢測方法、Gabor小波檢測方法、Gabor變換結(jié)合FCM的檢測方法相比,該方法的性能有了較大的改善,是一種行之有效的織物疵點(diǎn)自動(dòng)檢測方法。
　　最后,實(shí)現(xiàn)了一種基于 LBP、Krawtchouk矩不變量和小波支持向量機(jī)的織物疵點(diǎn)檢測方法。綜合通過 LBP提取的織物疵點(diǎn)圖像紋理特征和利用 Krawtchouk矩不變量獲得的形狀特征,作為小波支持向量機(jī)的輸入,進(jìn)行疵點(diǎn)檢測。實(shí)驗(yàn)結(jié)果表明該方法能有效地