基于稀疏表示的織物疵點(diǎn)檢測(cè)算法研究.pdf

1、織物疵點(diǎn)檢測(cè)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(huì)使布匹的價(jià)值大大降低，造成人力和物力的浪費(fèi)。在生產(chǎn)過程中對(duì)產(chǎn)出的布匹進(jìn)行疵點(diǎn)檢測(cè)，且有效對(duì)紡織品準(zhǔn)確分類，對(duì)紡織行業(yè)具有重要應(yīng)用價(jià)值和意義。然而，織物圖像紋理復(fù)雜多變、種類較多，且疵點(diǎn)的形狀和類別具有隨機(jī)性，沒有固定的出現(xiàn)概率模型。如何對(duì)織物疵點(diǎn)從織物圖像中準(zhǔn)確檢測(cè)成為該行業(yè)的研究熱點(diǎn)和本課題的研究?jī)?nèi)容。
　　傳統(tǒng)基于特征提取和非特征提取的織物疵點(diǎn)檢

2、測(cè)方法，重構(gòu)織物圖像正常紋理時(shí)仍包含部分疵點(diǎn)信息，導(dǎo)致疵點(diǎn)檢出率較低。近年來，稀疏表示方法在圖像處理和模式識(shí)別領(lǐng)域得到了廣泛的應(yīng)用，并在目標(biāo)檢測(cè)中取得了較好的檢測(cè)效果。該方法對(duì)圖像的各個(gè)部分進(jìn)行稀疏性大小測(cè)量，并能夠有效地將稀疏性較大的目標(biāo)區(qū)域從整幅圖像中檢測(cè)出來?？椢锎命c(diǎn)檢測(cè)中，疵點(diǎn)區(qū)域被視為檢測(cè)目標(biāo)，且具有稀疏特性。為提高織物疵點(diǎn)檢測(cè)精度，論文采用基于稀疏方法的織物疵點(diǎn)檢測(cè)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(duì)織物圖像疵點(diǎn)區(qū)域進(jìn)行檢測(cè)。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(diǎn)檢測(cè)算法。首先，利用L1范數(shù)最小化從待檢織物圖像中學(xué)習(xí)出自適應(yīng)字典庫，用該庫對(duì)織物圖像塊稀疏表示，計(jì)算出稀疏表示系數(shù)矩陣；然后，對(duì)系數(shù)矩陣進(jìn)行優(yōu)化處理，采用字典庫及優(yōu)化系數(shù)矩陣對(duì)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(duì)殘差圖像分割，定位出疵

4、點(diǎn)區(qū)域。
　　（2）提出一種基于MLBP二值模式提取和稀疏性表示的織物疵點(diǎn)檢測(cè)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(duì)3×3圖像塊中心像素的LBP模式進(jìn)行稀疏表示；同時(shí)計(jì)算圖像中MLBP模式對(duì)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(shí)現(xiàn)對(duì)原織物圖像的重構(gòu)；最后，計(jì)算重構(gòu)圖像與原含疵點(diǎn)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(shí)現(xiàn)對(duì)殘差圖的

5、分割，定位出疵點(diǎn)區(qū)域。
　　（3）提出一種基于HOG特征稀疏表示和子空間分類的織物疵點(diǎn)檢測(cè)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(gè)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(shí)現(xiàn)字典庫對(duì)各個(gè)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(diǎn)圖像塊的HOG特征差異，利用子空間分類方法對(duì)稀疏表示系數(shù)矩陣進(jìn)行二分類，得到織物圖像正常