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。     

基于混合自适应小波基的织物疵点检测算法

为了改进具有复杂纹理织物的疵点检测效果,提出了一种基于混合自适应小波基的织物疵点检测算法,采用各自优化的自适应小波基实现对不同层织物图像的分解变换;首先对正常图像和其经一层小波分解后的低频子图像优化得到混合自适应小波基,然后用该小波基将织物疵点图像进行二层小波分解,最后采用阈值法对径向子图像进行分割得到检测结果;实验结果证明,文章提出的算法能有效实现疵点检测,具有较好的疵点分割和定位结果.     

基于频域滤波的织物疵点检测

根据织物纹理和疵点的频谱不同分布,提出了织物疵点检测的新方法。首先在研究织物纹理分类的基础上,通过傅立叶变换获得频谱图像;然后设计频域滤波器抑制正常纹理频谱信息,通过重构灰度图像,把灰度图像分割成若干子窗口;最后将统计子窗口方差作为特征值与设定的阈值比较,从而判别是否存在疵点。实验结果表明该方法是有效的, 检测正确率达到90%以上。     

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。     

基于小波提升格式的织物疵点检测

为了满足织物疵点检测快速而准确的要求,提出了一种基于小波提升格式疵点检测的新方法。首先根据已知滤波器,通过提高消失矩阶次构造与织物纹理相匹配的小波。在此基础上,对构造小波的滤波器进行提升和对偶提升,来获得不同的提升算子和对偶提升算子,从而实现小波的提升分解。最后提取小波分解后的高频子图细节特征,通过与正常织物高频子图细节特征相比较,从而实现疵点检测。实验证明了该方法是可行有效的,检测准确率达到92.5%以上。     

基于Contourlet变换的多方向织物疵点边缘检测

基于小波的多尺度织物疵点边缘检测算法只能在水平、垂直和对角方向获取边缘信息,容易造成方向性边缘的丢失。提出一种基于Contourlet变换的多方向织物疵点边缘提取算法,对织物疵点图像Contourlet分解后多个方向上的高频子带系数进行自适应阈值去噪,求取各方向子带系数的模极大值,将高频模极大值系数与低频系数进行反变换,通过直方图统计及去除孤立点的细化方法得到织物疵点边缘。仿真结果表明,该方法得到的疵点边缘信息更加丰富,尤其对棉结等区域类疵点能得到更加逼近疵点真实边缘的检测结果。     

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。     

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。     

基于二层自适应正交小波的疵点检测

本文提出了基于二层自适应正交小波的织物疵点检测方法.首先介绍了织物纹理图像的二维正交小波变换,在此基础上借鉴Daubechies小波构造过程,阐明了二层自适应正交小波的构造方法,然后对图象进行二层小波分解,分别比较无缺陷图像与待检测图像二层分解后的纬向和径向子图像,得到纬向和径向疵点信息,最后将两个方向上的疵点信息融合,得到检测结果.实验证明该方法是有效的.     

基于二层自适应正交小波的疵点检测

本文提出了基于二层自适应正交小波的织物疵点检测方法。首先介绍了织物纹理图像的二维正交小波变换．在此基础上借鉴Daubechies小波构造过程，阐明了二层自适应正交小波的构造方法，然后对图象进行二层小波分解。分别比较无缺陷图像与待检测图像二层分解后的纬向和径向子图像，得到纬向和径向疵点信息，最后将两个方向上的疵点信息融合．得到检测结果。实验证明该方法是有效的。     

二元树复小波变换及其在图象方向滤波中的应用

复小波变换虽然具有良好的方向选择性和平移不变性 ,但不具备完全重构性条件 ,而二元树复小波变换(DTCWT)正好解决了这一难题 .在分析二元树复小波分解后的 12个高频子带方向性的基础上 ,利用其良好的方向选择性提出了一种对线形纹理图象进行增强滤波的方法 .该方法借助于小波变换域的方向解析性 ,在各子带中保留图象中各局部主方向的信息而滤除其他方向的噪声 .利用该方法进行滤波还可以避免对信号和噪声频率特性和统计特性进行估计 ,从而大大减小了滤波的复杂程度 .以指纹图象为例的实验结果表明 ,该方法效果较好 ,便于实现 ,尤其适用于噪声特性复杂的纹理图象的滤波 .     

基于纹理方向的描述和对具有方向性纹理图象的分类与分割

为进一步进行纹理特征分析，从纹理的方向性入手，给出了纹理方向的数学定义式，合理选择差异函数，构造了具有物理意义的纹理方向描述特征向量，数据处理方面，运用模糊贴近度的概念，结合改进后的属性均值聚类算法，对一类具有方向性的纹理图象进行分类与分割实验，取得了较好的结果，试验表明，该方法对纹理的方向性有很好的描述能力。     

一种新的基于纹理分水岭的纺织品缺陷检测方法

纺织品缺陷检测是纺织品自动检测的重要环节,而纺织品缺陷检测的目的是为了准确地对纺织品的缺陷区域进行定位.为了对纺织品缺陷进行准确有效的检测,提出了一种新的基于纹理分水岭的纺织品缺陷检测方法.该方法首先利用小波变换提取了图像的各子带纹理特征;然后对各子带纹理特征求梯度,并通过融合各子带梯度来获得纹理梯度,使其在纹理梯度中能有效地突出纹理区域的边界;最后在此基础上,结合分水岭分割,即能准确地检测出纺织品的缺陷区域.通过对一组6类纺织品缺陷进行检测的实验证明,该新算法是有效的.     

Textile fabric defect detection based on low-rank representation

In this paper, we propose a novel and robust fabric defect detection method based on the low-rank representation (LRR) technique. Due to the repeated texture structure we model a defects-free fabric image as a low-rank structure. In addition, because defects, if exist, change only the texture of fabric locally, we model them with a sparse structure. Based on the above idea, we represent a fabric image into the sum of a low-rank matrix which expresses fabric texture and a sparse matrix which expresses defects. Then, the LRR method is applied to obtain the corresponding decomposition. Especially, in order to make better use of low-rank structure characteristics we propose LRREB (low-rank representation based on eigenvalue decomposition and blocked matrix) method to improve LRR. LRREB is implemented by dividing a image into some corresponding blocked matrices to reduce dimensions and applying eigen-value decomposition (EVD) on blocked matrix instead of singular value decomposition (SVD) on original fabric image, which improves the accuracy and efficiency. No training samples are required in our methods. Experimental results show that the proposed fabric defect detection method is feasible, effective, and simple to be employed.

     

织物纹理的简单视神经细胞感受野的选择特性

研究了织物纹理的简单视神经细胞感受野的选择特性。分别选择具有明显方向性和周期性以及周期性和方向性不显著的两类代表织物纹理为研究对象,采用基于独立分量分析的视觉模型估计出简单视觉细胞的感受野。通过对感受野兴奋区域重心、方向角和面积的分析,以有效表示感受野在位置、方向和空间频率的选择特性。基于织物纹理与自然纹理两类纹理的简单细胞感受野选择性比较实验显示,相比于自然纹理,织物纹理的简单细胞感受野单元中的兴奋区域在方向、位置和空间频率上具有更加显著的选择特性。实验结果表明,提出的简单视觉细胞感受野选择特性研究方法在一定程度上揭示了初级视皮层对织物纹理图像处理的神经机制,从视觉感知层面反映了织物纹理的视觉特性。     

基于灰度共生矩阵的织物纹理分析

以一种常见的织物纹理为对象,采用灰度共生矩阵的方法进行纹理分析.介绍了灰度共生矩阵的原理及其特征参数,讨论了纹理的灰度共生矩阵特征参数、像素距离以及图像灰度等级对灰度共生矩阵的影响,确定了区分此类正常织物与带疵点织物纹理的灰度共生矩阵构造方法.针对该类正常织物图像进行纹理分析,特征参数值统计,确定了正常织物纹理像素方向、像素距离以及图像灰度等级.取原始织物图像尺寸为128×128,生成灰度共生矩阵的最佳像素距离为2,经直方图均衡化后,最佳灰度等级为16.实验结果表明,按照该规则生成的6个灰度共生矩阵的特征参数,能够准确的判断此类织物图像是否存在疵点.     

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。