基于灰度共生矩阵的帘子布疵点检测研究

详细介绍了灰度共生矩阵的原理,讨论了帘子布的灰度共生矩阵像素点对方向、距离以及图像灰度等级对灰度共生矩阵的影响,确定了区分正常帘子布与带疵点帘子布的灰度共生矩阵的构造方法。对正常帘子布图像进行了纹理分析、特征参数统计,确定了正常帘子布像素方向、像素距离以及图像灰度等级。实验结果表明,按照上述规则生成的四个灰度共生矩阵的特征参数,能够准确地判断帘子布图像是否存在疵点。     

基于灰度共生矩阵的织物图像分析

以Matlab为研究工具,采用灰度共生矩阵算法,以织物纹理图像为研究对象,设计了基于灰度共生矩阵的织物图像程序,通过设置特征值分析织物图像中是否有疵点.仿真结果表明:不同的织物图像,选择合适的像素点对的方向、距离及灰度级是确定特征值的关键,也是准确地实现织物图像疵点检测的核心.     

基于SOM网络的织物起球客观评价

提出一种基于自组织映射算法的神经网络,用于织物起球的等级评定。起球织物都包含有重要的纹理信息,首先创建起球图像的灰度共生矩阵,从这些矩阵中提取特征向量,再以这些特征值作为网络的输入信息,建立SOM神经网络对图像的特征值进行训练、分类,也就是将不同等级的起球图像进行分类。本文详细介绍SOM网络的基本原理与学习算法,以及共生矩阵的计算,最后提取7种起球特征参数进行实验,结果表明该方法有效可行。     

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DFT和共生矩阵的纹理特征描述方法

本文提出了一种基于离散傅立叶变换和共生矩阵的纹理特征提取方法.离散傅立叶变换将纹理图像从图像空间变换到频率空间,将图像的纹理特征转化成频谱特征.然后再利用共生矩阵的思想,完成纹理特征的提取.由于直接计算共生矩阵的计算量较大,因此我们首先对图像进行灰度正规化处理,缩小灰度值的范围,然后再将正规化处理后的灰度图像进行分块,最后计算相应块的共生矩阵的5个特征参数,把相应的特征参数取平均值,得到一个5维的特征向量来描述图像的纹理特征.     

基于灰度共生矩阵的断口图像识别

研究断口图像的识别是进行失效分析的一个重要组成部分,但普遍存在识别率不高的问题,为了有效提高识别率,提出一种基于灰度共生矩阵的断口识别方法,方法采用灰度共生矩阵法对金属断口图像进行特征提取,利用可分性判据来确定能影响纹理特征参数的构造因子(生成步长d,图像灰度级g和生成方向θ),并通过相关性分析来排除在表达金属断口图像纹理中冗余的特征参数,最后采用BP神经网络分类器进行分类,并进行仿真。结果证明,根据上述方法,对金属断口图像的分类是可行的,并且识别率也达到了满意的要求。     

基于模糊类别共生矩阵的纹理疵点检测方法

纹理图像中的不规则部分通常称为疵点。纹理通常由空间分布和灰度分布共同描述,由于灰度共生矩阵能兼顾二者,因此具有很好的描述纹理的能力,不过其对纹理的正常部分与不正常部分的区分能力仍然有限,且计算效率低。为克服灰度共生矩阵以上的不足,提出了一种用模糊类别共生矩阵的方法来检测不规则纹理。该方法首先通过学习纹理的基本特征,如纹理的灰度概率密度分布、纹理主方向和周期等来确定模糊类别共生矩阵的一些关键参数,并将灰度级划分为几个纹理色调类别;然后根据后验概率函数得出各个灰度级对每个色调类别的模糊隶属度,同时计算模糊类别共生矩阵,并提取一些更为简单的特征;最后利用异常点检测的方法,即可很好地区分正常纹理和疵点。实践证明,该方法不仅比已有的灰度共生矩阵方法更简单,计算效率更高,而且能更好地表示不规则纹理。     

基于综合灰度共生矩阵的显微细胞图像纹理研究

灰度共生矩阵法是图像纹理分析中一种十分重要的方法。由于受到方向性和细胞本身特性的影响，传统的灰度共生矩阵法不能完整描述显微细胞图像的纹理，运用综合灰度共生矩阵可以有效地解决这个问题。根据显微细胞图像特点，计算出6个由综合灰度共生矩阵导出的纹理特征参数，并对它们进行归一化处理。通过分析这些归一化纹理特征值，可以对细胞图像中各种细胞成分进行分类描述。     

织物表面纹理疵点自动检测

根据织物纹理和疵点频谱的不同分布,提出织物疵点检测的新方法。在织物纹理和疵点分类的基础上,通过傅里叶变换获得频谱图。设计频域滤波器抑制正常纹理频谱信息,通过重构对灰度图像进行分割,实现疵点与正常织物纹理的分离。实验结果表明该方法是有效的。     

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。     

基于统计法的纹理矢量周期描述

本文提出了纹理矢量周期的描述方法:T{θ,Tθ,Vθ},分别从八个方向上(即0°,45°,90°,135°,180°,225°,270°,315°)讨论纹理的周期性、方向性以及周期成分所占的比例等方面。提出了分析纹理周期的d-θ分析方法,比较全面地实现了对纹理周期描述和分析。针对纺织布的纹理特征,经过大量实验,筛选出能反映周期方向的5个特征参量和周期大小的4个特征参量。最后,在本文提出的纹理周期矢量描述方法和分析方法基础上,采用二值共生矩阵及其纹理特征实现对纺织布的纹理周期描述。结果表明,对于含有一定周期的纹理图像,采用本文纹理周期描述和分析方法,实现了比较全面的描述。和直接采用灰度共生矩阵进行分析相比,本文分析方法极大降低了计算量。     

一种PCA-NLM的纺织品缺陷检测方法

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,本文提出一种混合方法（hybrid approach）进行纺织品缺陷检测,采用PCA-NLM（Principal Component Analysis-Non Local Means）有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类间可分性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文方法有效提高了纺织品缺陷的检测正确率。     

FFT和Hough变换在织物纹理方向检测上的应用

针对人工测量织物纹理方向的方法存在自动化程度低、精度不高的缺点,提出基于快速傅里叶变换和Hough变换的自动检测和识别织物经向、纬向、斜纹斜向的方法。对织物图像进行二值化处理,对二值化后的织物图像进行快速傅里叶变换得到功率谱图,对功率谱图的二值图像进行Hough变换,从而检测出织物纹理方向。通过对同一试样的不同放置方式进行测试,证明该方法对织物放置方式无特殊要求,仅需确保试样平摊在光滑台面上不受任何张力;将该方法与人工测试结果作对比,证明该方法具有高精度、高自动化的优点。     

基于灰度共生矩阵的金属断口图像的分类研究

灰度共生矩阵在图像的纹理分析中是一个很重要的方法,但是其参数的选择现在还没有确定的方法。论文计算了灰度共生矩阵的13个特征参数,根据不同步长、不同灰度压缩级时特征值的变化曲线确定步长和灰度级别,然后根据相关系数分析选择其中的7个特征,利用加权欧式距离分类器将金属断口图像分为4类。与常用的5个特征进行分类相比,根据该方法选择的7个特征分类效果明显更好。     

灰度共生矩阵纹理特征提取的Matlab实现

图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵（GLCM）的纹理特征提取方法,给出了基于Matlab的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵（GLCM）的特定图像的纹理特征提取等都具有重要参考意义。     

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。     

PCA-NLM的纺织品缺陷检测

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,为解决这一问题,提出一种混合方法进行纺织品缺陷检测,将图像增强和缺陷检测方法进行混合处理,在非局部均值滤波算法（NLM）的相似度评价中引入主成分分析（PCA）进行去噪处理,采用的PCA-NLM混合模型有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类可分离性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文的混合模型有效提高了纺织品缺陷的检测正确率。     

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。