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。     

改进的基于最大熵和Gabor滤波器的织物疵点检测

提出了一种改进的基于最大熵原理和Gabor滤波技术的织物疵点检测方法。采用多通道Gabor滤波算法,取模值特征为输出,利用最大熵分割模值图像,再进行图像融合,最后计算轮廓的周长和面积去除孤立点得到最终检测结果。利用OpenCV算法库,选取了四种具有代表的织物疵点图片进行验证,实验结果表明,该方法降低了计算复杂度、检测速度快、检测效果好、无须事先学习,适用于不同疵点类型的各种检测。     

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LabVIEW多线程的织物疵点视觉检测系统

设计了一种利用机器视觉,并且结合LabVIEW多线程处理机制与Hough变换及Gabor算法的织物疵点检测系统。通过LabVIEW中基于数据流的生产/消费者并行软件编写模式与队列的结合,防止内存中的图像因为采集速度过快而被覆盖,造成数据丢失。在检测算法中使用Hough变换获取织物纹理方向角并作为Gabor滤波器的方向以检测织物疵点,再通过最大熵进行图像分割。实验结果表明,该处理机制与检测算法的结合具有良好的织物疵点检测效果。     

基于Gabor滤波器组的织物疵点检测方法

给出了基于Gabor滤波器组的织物疵点检测方法。在分析Gabor滤波器时频特性的基础上,针对素色坯布织物疵点图像,设计了椭圆形多尺度多方向的Gabor滤波器组,并应用该滤波器组在频域对织物疵点图像进行滤波处理,对滤波后的多幅图像进行融合与分割处理,将疵点从织物背景中分割出来,从而实现了疵点的检测。实验结果证明了该方法的有效性。     

基于ButterWorth滤波和EM算法的电子布疵点检测

为了精确定位和分割电子布生产过程中产生的疵点,提出一种基于ButterWorth滤波和EM算法的电子布疵点检测方法。因电子布的背景纹理对疵点检测存在影响,首先采用ButterWorth滤波弱化图像背景纹理信息;再应用高斯混合模型对预处理后的图像进行表征,通过EM算法迭代模型的最优解,对像素进行标记;最后,根据标记结果分离背景与疵点区域,定位并分割疵点。实验结果表明,该方法既能准确定位疵点位置,又能有效保留疵点的细节信息,并且能够检测多种类型的疵点,在疵点检测方面具有一定的参考价值。     

用于织物疵点检测的最优Gabor滤波器设计

提出一种基于织物纹理特征的最优Gabor滤波器设计方法．分别建立了正常纹理匹配和疵点纹理匹配的Gabor滤波器优化设计模型，并采用小生境遗传算法对两种模型进行求解．通过比较和分析两种滤波器的检测结果发现，由正常纹理匹配模型得到的最优Gabor滤波器更适宜于织物疵点的识别与分割，并且其中心频率与纹理图像功率谱中能量最集中的谐波成分相一致，因而可以极大地缩短求解优化模型所花费的时间．     

基于Gabor小波变换的帘子布疵点检测研究

Gabor小波变换已经成功地应用到各种机器视觉实例中,如纹理分割、边缘检测等。给出了一种基于多通道Gabor滤波器技术实现高速实时帘子布疵点检测方法。在多尺度多方向上分别对具有规则纹理结构的织物图像进行Gabor滤波,并对滤波后的多幅子图像进行融合分割处理,将疵点从织物背景中分割出来,从而实现对织物疵点的实时检测。该方法用于帘子布的缺陷检测,具有识别能力强、实时性好等优点,实验结果证明该方法是有效可行的。这种方法也可以用于检测有规则纹理结构的表面及物体。     

基于小波自适应去噪和最大熵的织物疵点检测

提出了一种基于小波域Context模型系数自适应阈值去噪和最大熵分割原理相结合的织物疵点检测方法。对织物疵点图像各层小波分解后的高频Context模型系数进行自适应阈值处理．然后利用最大熵原理进行分割。该方法在提高峰值信噪比的同时能够更有效的检测出织物疵点区域。     

基于机器视觉的无纺布缺陷自动检测系统

织物疵点检测在计算机视觉织物质量自动检测中起着重要作用,其目标是准确查找及定位缺陷的位置。目前我国纺织品检测大多采用人工检测,存在检测速度低、误检率及漏检率高等问题。提出的织物疵点缺陷自动化检测系统是一种无监督的缺陷检测系统,主要是通过利用每个非重叠区域图像的灰度均值,设定动态阈值,进行分割,并采用Blob方法提取缺陷特征。实验结果表明,该方法在无纺布缺陷检测方面有较好的效果。     

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.     

Saliency detection based on self-adaptive multiple feature fusion for remote sensing images

ABSTRACT

Saliency detection has been revealed an effective and reliable approach to extract the region of interest (ROI) in remote sensing images. However, most existing saliency detection methods employing multiple saliency cues ignore the intrinsic relationship between different cues and do not distinguish the diverse contributions of different cues to the final saliency map. In this paper, we propose a novel self-adaptively multiple feature fusion model for saliency detection in remote sensing images to take advantage of this relationship to improve the accuracy of ROI extraction. First, we take multiple feature channels, namely colour, intensity, texture and global contrast into consideration to produce primary feature maps. Particularly, we design a novel method based on dual-tree complex wavelet transform for remote sensing images to generate texture feature pyramids. Then, we introduce a novel self-adaptive multiple feature fusion method based on low-rank matrix recovery, in which the significances of feature maps are ranked by the low rank constraint recovery, and subsequently multiple features’ contributions are allocated adaptively to produce the final saliency map. Experimental results demonstrate that our proposal outperforms the state-of-the-art methods.     

基于图像显著性特征的铸坯表面缺陷检测

针对钢铁铸坯表面检测的缺陷复杂性问题,从图像处理及图形特征角度提出一种基于显著性区域特征的算法.该算法首先对源图像进行显著性特征区域处理和Gabor小波滤波处理,得到了对应的特征图像;然后再将2幅图像中的特征区域进行融合,得到可信度较高的缺陷特征区域图像;最后在缺陷区域中用训练好的Adaboost分类器检测缺陷,得到最终的缺陷定位结果.该算法结合了显著性特征和Gabor小波特征,既缩小了Adaboost分类器的搜索范围,也提高了排除伪缺陷的能力,具有较快的定位速度和较高的准确率.实验结果表明,该算法能获得较好的效果,具有较高的实用价值.     

基于多尺度先验深度特征的多目标显著性检测方法

显著性检测是近年来国内外计算机视觉领域研究的热点问题，在图像压缩、目标识别与跟踪、场景分类等领域具有广泛的应用.针对大多显著性检测方法只针对单个目标且鲁棒性不强这一问题，本文提出一种基于深度特征的显著性检测方法.首先，在多个尺度上对输入图像进行超像素分割，利用目标先验知识对预显著区域进行提取和优化.然后，采用卷积神经网络提取预选目标区域的深度特征.对高维深度特征进行主成分分析并计算显著性值.最后，提出一种改进的加权多层元胞自动机方法，对多尺度分割显著图进行融合优化，得到最终显著图.在公开标准数据集SED2和HKU_IS的实验表明，与现有经典显著性检测方法相比，本文方法对多显著目标检测更准确.     

光场显著性检测研究综述

显著性检测一直是计算机视觉领域的关键问题,在视觉跟踪、图像压缩和目标识别等方面有着非常重要的应用。基于传统RGB图像和RGB-D （RGB depth）图像的显著性检测易受复杂背景、光照、遮挡等因素影响,在复杂场景的检测精度较低,鲁棒的显著性检测仍存在很大挑战。随着光场成像技术的发展,人们开始从新的途径解决显著性检测问题。光场数据记录着空间光线位置信息和方向信息,隐含场景的几何结构,能为显著性检测提供可靠的背景、深度等先验信息。因此,利用光场数据进行显著性检测得到了广泛关注,成为研究热点。尽管基于光场数据的显著性检测算法陆续出现,但是缺少对该问题的深刻理解以及研究进展的全面综述。本文系统地综述了基于光场数据的显著性检测研究现状,并进行深入探讨和展望。对光场理论以及用于光场显著性检测的公共数据集进行介绍;系统地介绍了光场显著性检测领域的算法模型和最新进展,从人工设计光场特征、稀疏编码特征和深度学习特征等方面进行全面阐述及分析;通过4个公共光场显著性数据集上的实验数据对不同方法的优缺点进行比较和分析,并结合实际应用指出当前研究的局限性与发展趋势。     

一种结合显著性检测和超像素分割的遥感信息提取算法研究*

针对目前显著性检测算法在复杂多目标遥感图像中检测能力不足问题,提出一种结合显著性检测和超像素分割的遥感信息提取算法。该算法首先通过Graph-based Visual Saliency(GBVS)方法检测出原始影像中部分显著性较高的区域,然后利用Simple Linear Iterative Clustering(SLIC)方法分割显著区域,并修正显著区域边缘得到训练样本数据,进一步对训练样本进行统计学习,构造显著目标提取的阈值区间,最后实现对整幅超像素图像的显著目标提取。实验结果表明,该算法具有较高的准确率和召回率,能更加有效地检测出遥感图像中的显著目标,比目前主流的显著区域检测算法提取效果更好,可以很好地应用于具有明显显著区域的复杂多目标遥感图像信息提取中。     

特征融合与objectness加强的显著目标检测

显著目标检测是计算机视觉的重要组成部分,目的是检测图像中最吸引人眼的目标区域。针对显著检测中特征的适应性不足以及当前一些算法出现多检与漏检的问题,提出从“目标在哪儿”与“背景在哪儿”两个角度描述显著性的框架,进行特征融合来提高显著目标检测的准确率。从这两个角度分别提取图像的颜色区别性特征与边界先验特征并进行特征融合,使用objectness特征加强显著性,最终得到显著图。在MSRA-1000数据集上的评估中,该算法达到平均92.4%的准确率,能和最先进算法相媲美;而在CSSD、ECSSD数据集上的实验,该算法有更高的准确率,优势明显。实验结果表明所使用的特征之间能够互相补充,互相弥补,“目标在哪儿”与“背景在哪儿”的检测框架描述图像显著性具有合理性。     

特征融合与S-D概率矫正的RGB-D显著检测

目的 许多先前的显著目标检测工作都是集中在2D的图像上,并不能适用于RGB-D图像的显著性检测。本文同时提取颜色特征以及深度特征,提出了一种基于特征融合和S-D概率矫正的RGB-D显著性检测方法,使得颜色特征和深度特征相互补充。方法 首先,以RGB图像的4个边界为背景询问节点,使用特征融合的Manifold Ranking输出RGB图像的显著图;其次,依据RGB图像的显著图和深度特征计算S-D矫正概率;再次,计算深度图的显著图并依据S-D矫正概率对该显著图进行S-D概率矫正;最后,对矫正后的显著图提取前景询问节点再次使用特征融合的Manifold Ranking方法进行显著优化,得到最终的显著图。结果 利用本文RGB-D显著性检测方法对RGBD数据集上的1 000幅图像进行了显著性检测,并与6种不同的方法进行对比,本文方法的显著性检测结果更接近人工标定结果。Precision-Recall曲线（PR曲线）显示在相同召回率下本文方法的准确率较其中5种方法高,且处理单幅图像的时间为2.150 s,与其他算法相比也有一定优势。结论 本文方法能较准确地对RGB-D图像进行显著性检测。     

分层信息融合的物体级显著性检测

目的 显著性检测是基于对人类视觉的研究,用来帮助计算机传感器感知世界的重要研究手段。现有显著性检测方法大多仅能检测出人类感兴趣的显著点或区域,无法突出对象整体的显著性以及无法区分对象不同层次的显著性。针对上述问题,提出一种基于分层信息融合的物体级显著性检测方法。方法 与当前大多数方法不同,本文同时运用了中级别超像素和物体级别区域两种不同层次的结构信息来获取对象的显著图。首先,将图像分割为中级别的超像素,利用自下而上的方法构造初始显著图;然后通过谱聚类方法将中级别的超像素聚类成物体级的区域,并运用自上而下的先验来调整初始先验图;最后,通过热核扩散过程,将超像素级别上的显著性扩散到物体级的区域上,最终获得一致的均匀的物体级显著性图。结果 在MSRA1000标准数据库上与其他16种相关算法在准确率-召回率曲线及F度量等方面进行了定量比较,检测的平均精度和F-检验分数比其他算法高出5%以上。结论 通过多层次信息融合最终生成的显著图,实现了突出对象整体显著性以及区分不同对象显著性的目标。本文方法同样适用于多目标的显著性检测。