一种色织物的颜色表示与自动识别方法

运用计算机图像处理技术对织物组织结构和颜色参数进行识别与分析的方法已被证明是十分有效的。该文提出色织物图像HSV颜色空间的有效预处理方法,对色彩量化方法加以改进,通过将接近的相邻主色进行归并,进一步减色,解决了色织物的纱线颜色检测与表示问题。相关实验表明,该文所提出的色织物颜色检测与表示方法是有效的。     

基于灰度共生矩阵特征图像的织物疵点检测方法

提出一种由灰度共生矩阵生成相应特征图像的算法,进行了图像分割和织物疵点检测。先将织物疵点图像进行灰度级量化至16级,再提取0°,45°,90°,135°四个方向上的灰度共生矩阵,通过计算灰度共生矩阵中的熵、相关性、对比度、差异性、逆差矩共五种特征值并生成相应的特征图像,对常见的5种织物疵点进行了分割检测实验。实验结果证明基于灰度共生矩阵生成特征图像的检测算法是一种检测效果良好的疵点检测方法 。     

基于傅里叶特征谱和相关系数的织物疵点检测

为提高织物疵点自动检测的准确度,提出一种基于傅里叶特征谱和相关系数的织物疵点检测算法。以平纹、斜纹织物为研究对象,对织物图像进行傅里叶变换,得到织物图像的频谱图;定位频谱中的特征峰点,提取表征图像灰度、纹理的五个特征值;以正常织物为模板,计算待检图像特征值与模板图像特征值之间的相关系数,确定用于识别织物疵点的阈值,来实现织物疵点检测。实验结果表明:当阈值设定为0.80时,该算法能够实现稀密路、断经、吊经、纬缩、破洞等常见疵点的准确检测。     

基于纹理边缘周期性与局部方向性的织物疵点检测

根据织物纹理图像自身的特点,提出一种基于纹理边缘周期性与局部方向性的织物疵点检测新方法。通过正常纹理边缘的周期性与方向性特征剔除同类有疵点纹理图像的背景纹理信息,突出疵点信息,进而快速有效地检测出无特定方向的织物疵点。经过对大量常见织物疵点图像的检测实验,表明该方法对于纹理边缘清晰、方向一致性较好的织物疵点图像具有较好的检测效果。     

基于PCNN的织物疵点边缘检测

由于纱线的螺旋性、粗细不匀和织物的柔性形变,使得织物的纹理带有较大的不规则性。 用基于特征或模型的分割方法识别织物纹理图像的疵点,效率较低,准确性较差。针对这个问题,提 出了一种基于PCNN的算法,它利用织物表面疵点区域的灰度强度不同于织物表面图像的灰度强度, 根据PCNN神经元是否点火,来获取织物疵点信息;然后将所提取的特征点按作用范围膨胀,并用 CANNY算子分割出织物疵点,提取织物疵点边缘。实验证明这种方法能有效地获取织物疵点特征, 并得到较为理想的边缘检测效果。     

基于Gabor滤波器和HOG特征的织物疵点检测

针对织物疵点检测问题,提出了一种基于Gabor滤波器和方向梯度直方图（HOG）特征的织物疵点检测算法。首先使用3个尺度、4个方向的Gabor滤波器组对织物图像进行滤波,并做融合处理,增强织物图像疵点区域和背景纹理之间的对比度;然后使用双边滤波减弱图像背景纹理和噪声的影响;最后将图像划分成均匀子块,提取每个子图像块的HOG特征,利用图像疵点区域和背景纹理的HOG特征差异进行阈值分割实现织物疵点的检测。实验选取5种常见织物疵点进行验证,并与传统的Gabor滤波算法进行了实验对比,结果表明该算法可以较好的抑制织物背景纹理的干扰,更加准确的检测出织物疵点。     

基于改进颜色直方图和灰度共生矩阵的图像检索

针对传统颜色直方图提取的颜色特征维数高、传统灰度共生矩阵忽视纹理方向等问题,提出一种融合改进的颜色直方图和灰度共生矩阵算法的新图像检索算法。利用K-means聚类对检测图像进行颜色聚类以降低图像颜色数;在HSV空间进行矢量化编码,统计图像码字形成颜色直方图以提取颜色特征;利用灰度共生矩阵提取检测图像的4个特征值,利用方向测度引入权值因子,将其与4个特征值融合,对融合后的各分量进行高斯归一化后形成纹理特征向量;最后,采用加权平均融合颜色和纹理的特征距离。与其他两种算法相比,仿真实验表明本算法对一般图像和有纹理倾向的图像有较高的查全率和查准率。     

基于计算机视觉的织物疵点自动检测

介绍了基于计算机视觉的织物疵点自动检测的工作原理;分析了织物疵点自动检测的功能结构和自动检测硬件组成框图;阐述了织物疵点图像的半阈值化处理、边缘检测和疵点特征求取方法;给出了织物疵点自动检测的程序框图、织物疵点的坯布图像及其疵点统计结果。     

基于纹理结构分析的织物疵点检测方法

提出了一种新的基于纹理结构分析的织物疵点检测方法,首先根据规则纹理的特点,利用自相关函数计算纹理基元模板,并通过计算每个纹理基元与基元模板的差来进行疵点区域的增强。然后通过计算纹理图像的局部不平整度来定位疵点,并采用Otsu方法自动获取阈值进行图像分割,从而实现织物疵点的检测。最后通过对不同织物疵点图像检测分割实验证明了算法的有效性和鲁棒性。     

基于多特征融合的织物瑕疵检测研究

织物瑕疵纹理特征复杂,单一特征不能很好地反映纹理信息。为此,本文提出一种基于局部二进制模式(Local Binary Pattern,LBP)算子和灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的多特征融合算法。首先,对LBP算子进行了改进,提出一种基于邻域像素中值的中心对称LBP算子;然后,将其提取出的纹理特征和灰度共生矩阵提取的纹理特征进行融合;最后,通过极速学习机和支持向量机做分类实验,验证融合特征描述织物瑕疵纹理特征的能力。实验表明,本文方法提高了织物物疵点检测率,并且具有很好的抗干扰能力。     

基于纹理周期性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的周期性这个重要的视觉特征入手,提出了基于纹理周期性分析的织物疵点检测方法。通过对大量不同疵点图像检测实验,证明提出方法对织物疵点检测具有较好的有效性和可靠性,而且具有检测的疵点种类多、实用性好的特点。     

基于多模态局部转向核的脑部多发性硬化检测算法研究

容积效应和伪影现象是MR影像处理中的重要影响因素,单模态处理方法易受两者影响。提出一种改进的基于多模态局部转向核的方法来检测大脑中的多发性硬化。该方法利用多模态脑MR影像和大脑近似轴对称的先验知识来进行大脑情况的变化检测。局部转向核能够度量像素与其周围环境的相似程度,因此该方法将局部转向核作为特征,用余弦相似性来衡量差异性。实验结果表明,多模态的引入减少了容积效应和伪影现象,改善了检测效果。     

基于MBLBPV算法的布匹瑕疵检测方法

针对布匹瑕疵检测,在传统局部二值模式(Local Binary Pattern, LBP)与局部二值模式方差(LBP Variance,LBPV)的基础上,提出一种基于多尺度分块局部二值模式方差(Multi-Scale Block Local Binary Patterns Variance, MBLBPV)的检测算法。首先,采用适当尺度大小的子区域灰度均值代替单像素灰度值,提取LB P特征,以降低噪声影响;然后,融合图像区域对比度信息,并将其作为编码值的权重,提取图像MBLBPV特征,并基于该特征实现瑕疵的检测。实验结果表明,相对于传统方法,MBLBPV抗噪力强、检测正确率更高。     

基于特征残差的色织物瑕疵检测

为解决自动织物瑕疵检测算法中,未知花色织物瑕疵检测困难的问题,提出了一种基于特征残差的色织物瑕疵检测方法.首先使用瑕疵织物图像与模板织物图像的瑕疵残差和正常无标注织物图像进行融合,生成新花色瑕疵织物样本;然后改进特征提取网络采用共享权值方法,对瑕疵织物和模板织物提取特征后计算得到特征残差;最后使用ROIAlign方法将全局上下文信息缩放到和感兴趣区域统一大小后进行特征融合,对融合特征进行瑕疵分类和位置回归.实验针对不包含未知花色和包含未知花色的不同测试集分别进行算法测试实验,结果表明改进后的算法能够较好地消除织物花色对检测结果的影响,在不包含未知花色的测试集中精度得到了较大的提升,在包含未知花色的测试集中,瑕疵检测效果依旧保持不错的精度,相较于改进前的通用算法,最终score分别提升了15.4％和16.2％.     

基于RPCA和视觉显著性的风机叶片表面缺陷检测

摘 要：针对风机叶片表面缺陷检测问题,提出了一种基于鲁棒主成分分析(RPCA)和视觉 显著性的表面缺陷检测方法。在 RPCA 的基础上,通过增加噪声项和考虑像素的空间关系,以 利于缺陷的分割,即通过 F 范数正则项抑制高斯噪声和光照不均,利用 Laplacian 正则项约束像 素的空间关系,以保持显著图中具有相似显著值且空间相邻超像素的局部一致性和不变性。首 先,对输入的风机叶片表面图像进行超像素分割和特征提取,得到图像的特征矩阵;然后,利 用改进的 RPCA 法得到稀疏矩阵,根据稀疏矩阵和视觉显著性方法计算出缺陷区域的显著图; 最后,优化显著图并采用自适应阈值分割实现缺陷的检测。通过实验仿真和对实验结果定性定 量分析,表明该方法具有较高的准确率。     

基于空间特征的图像检索

提出一种新的基于空间特征的图像特征描述子SCH,利用基于颜色向量角和欧几里得距离的MCVAE算法共同检测原始彩色图像边缘,同时利用一种新的“最大最小分量颜色不变量模型”对原始图像量化,对边缘像素建立边缘相关矩阵;对非边缘像素使用颜色直方图描述局部颜色分布信息;然后,利用新的sin相似性度量法则衡量图像特征间的相似度。实验采用VC++6.0开发了基于内容的图像检索原型系统“SttImageRetrieval”,基于Oracle 9i数据库建立了一个综合型图像数据库“IMAGEDB”。实验分析结果证明,利用SCH描述子的检索准确度明显高于仅基于颜色统计特征的检索结果。     

基于边缘网格的图像检索算法研究

为了准确高效地进行彩色图像检索，结合图像空间分布特性，提出了一种基于边缘刚格的图像检索新算法，不仅利用了彩色边缘的颜色统计信息，而且考虑了彩色边缘像素点的径向与角向分布特性。该算法首先利用Canny检测算子提取出原始图像的彩色边缘信息；然后将整个彩色边缘划分成局部刚格区域，并分别计算出每个网格区域的颜色直方图和纹理直方图；最后综合利用上述网格区域的颜色直方图和纹理直方图来计算图像间内容的相似度，用于进行彩色图像检索。仿真实验表明，该算法不仅能够准确和高效地查找出用户所需内容的彩色图像，并且具有较好的查准率和查全率。     

基于渲染图像角度结构特征的三维模型检索方法

为了充分利用三维模型的颜色、形状、纹理等特征,提出以三维模型渲染图像为数据集,利用渲染图像角度结构特征实现三维模型检索。首先,该方法以三维模型渲染图像为测试集,利用已有类别标记的自然图像作为训练集,通过骨架形状上下文特征对渲染图像进行分类,提取角度结构特征,建立特征库;然后,对输入的自然图像提取角度结构特征,与特征库中的角度结构特征进行相似度匹配计算,实现三维模型检索。实验结果表明, 充分利用 渲染图像的颜色、形状和空间信息是实现三维模型检索的有效方法。     

基于轮廓波变换的织物疵点图像消噪新方法

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系,对Donoho多尺度分解阈值进行修正,改进了Donoho多尺度分解阈值对图像细节"过扼杀"的缺点。实验结果表明,对织物疵点图像进行基于轮廓波变换改进阈值消噪时,该方法更好地保留了织物疵点图像的轮廓细节,峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像,可以更好地应用于织物疵点图像的特征提取和疵点识别。     

Fabric defect detection based on saliency histogram features

In order to increase the automatic quality control level in the textile industry, depending on the big data collected by the Internet of things of the textile factories, this paper proposes a novel visual saliency–based defect detection algorithm, which has the capability of automatically detecting defect in both nonpatterned and patterned fabrics. The algorithm employs the histogram features extracted from the saliency maps to detect the fabric defects. The algorithm involves three main steps: (1) saliency map generation to highlight the defective regions and suppress the defect‐free regions, (2) saliency histogram features extraction and selection to obtain the feature vectors that can effectively discriminate between the defective and defect‐free fabric images, and (3) fabric defect detection using a two‐class support vector machine classifier that has been trained using sets of feature vectors extracted from defective and defect‐free fabric samples. Experimental results show that our method yields accurate detections, outperforming other state‐of‐the‐art algorithms.