基于字典学习的机织物疵点图像等级评定研究

针对机织物疵点图像等级自动评定问题,在应用字典学习方法对疵点图像稀疏表达的基础上提出一种等级自动评定方法,采用该方法分别对样本大小和字典原子个数进行优化,首先在机织物纹理图像上截取特定尺寸的疵点纹理图像和正常纹理图像,对正常织物纹理图像进行K-SVD字典学习,然后用学习得到的字典对疵点纹理图像进行重构,最后根据重构效果进行等级评定。实验结果表明:最佳子样本尺寸为128像素×128像素,最佳字典原子个数为256。该方法的自动评定结果相对于人工评定结果准确率达到了83.61%。     

基于K-SVD学习字典的机织物纹理表征及应用

为更好地适应机织物纹理以及减少程序的运行时间,选取平纹、斜纹、缎纹3种组织结构采用Ｋ?奇异值分解（K-SVD）的方法训练得到一个自适应字典。以峰值信噪比、结构相似性为指标,探讨不同稀疏基数对机织物纹理图像重构的影响,针对不同的应用,选取了合适的稀疏基数T。利用该字典重构机织物纹理图像,在此基础上检测织物瑕疵。实验结果表明：T=6 时,算法不仅能有效重构机织物纹理图像（PSNR和SSIM）,而且重构效果要优于初始离散余弦转换（DCT）字典;T=4 时,K-SVD 字典能更好地适应瑕疵样本,且鉴别瑕疵的能力更强。     

机织物密度对字典学习纹理表征的影响

为探讨纺织品表观质量的客观、智能评定方法,使用不同密度的机织物图像,采用子窗口样本获取方式作为学习样本,以离散余弦字典作为初始学习字典,选择基于最小二乘的字典学习算法求解用于表征织物纹理图像的字典,再通过字典元素的线性组合对织物图像进行重构。以均方误差为指标,首先讨论织物图像灰度值分布对字典学习算法重构误差的影响,然后对图像灰度值进行标准化处理,在此基础上探讨织物经纬密度对重构图像误差的影响。实验结果发现,当字典个数等于9时,织物密度在150 ~ 360根/10 cm之间,随着织物密度的增加,平纹重构图像的均方误差先变大,以后不再增加,而斜纹重构图像的均方误差增大。     

基于通用学习字典的机织物纹理表征

为了提高学习字典的通用性,使其对不同织物密度样本均具有良好重构效果,提出一种包含多种织物纹理特征的通用学习字典构造方法。首先确定不同织物密度样本的取样尺寸和优化用于重构不同织物密度样本的学习字典原子个数,然后依据优化的参数训练得到不同织物密度样本的字典,最后将上述字典进行合并得到通用学习字典。针对不同密度的机织物纹理图像样本分别分析了取样尺寸和字典原子个数对图像重构误差的影响。试验结果表明:通用学习字典对不同机织物纹理的表征性能明显优于离散余弦变换字典。认为:通用学习字典具备了对多种不同密度织物的通用性,重构性好。     

应用非负字典学习的机织物瑕疵检测算法

为进一步提高织物瑕疵检测算法对瑕疵类型的通用性,提出一种采用非负字典学习的机织物瑕疵检测算法。首先对正常机织物图像进行窗口分割,将每个子窗口按列展开成列向量,所有列向量联合组成1个矩阵;然后对该矩阵进行非负字典学习,得到个数最佳的非负字典,即基向量;最后应用该字典对待检测样本在最小平方误差下进行近似,并在重构误差的基础上进行疵点检测。重点探讨了窗口大小和字典个数对检测效果的影响。对4 864个样本的实验结果表明,所提算法能在误检率小于10%情况下,取得90%的检出率。     

基于稀疏优化的织物疵点检测算法

为提高稀疏表示方法对织物疵点的检测精度,提出了基于稀疏优化的织物疵点检测算法。首先,利用L1范数最小化从待检织物图像中学习出自适应字典库,用该库对织物图像稀疏表示,进而计算出稀疏表示系数矩阵;然后,对系数矩阵进行优化处理,采用字典库及优化系数矩阵对织物图像稀疏重构;最后,将重构图像与待检织物图像相减生成残差图像,用最大熵阈值方法对残差图像分割,定位出疵点区域。实验结果表明,本文算法所重构图像准确表示了正常织物纹理,相比已有检测方法具有较高的疵点检测精度。     

基于奇异值分解的机织物瑕疵检测算法

针对现有算法对不同机织物纹理适应性和实时性不佳的问题,本文提出了一种基于奇异值分解（SVD）的机织物瑕疵检测。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。本文重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4693个样本的实验,结果表明,本文所提算法能够使误检率小于10%,检出率大于90%。与AR模型算法进行实验比较,本文所提算法在检测精度和实时性上都优于AR算法。     

采用奇异值分解的机织物瑕疵检测算法

针对现有算法对机织物纹理适应性和实时性不佳的问题,提出一种基于奇异值分解(SVD)的机织物瑕疵检测算法。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4 693个样本的实验,结果表明,在误检率小于10%情况下,本文算法的检出率可达90%。经比较,本文算法在检测精度和实时性上都优于AR模型算法。     

基于稀疏字典学习的羊绒与羊毛分类

为准确鉴别羊绒与羊毛纤维,提出了一种基于稀疏字典学习的分类方法。首先,对纤维图像进行预处理实现数据增强,获取纤维图像特征矩阵;之后,对特征矩阵进行字典学习,获取过完备字典与稀疏编码;最后,通过稀疏编码与字典实现羊绒与羊毛的分类和鉴别。该方法使用光学显微镜以及扫描电子显微镜图像作为数据集,实验结果表明,与支持向量机分类器以及基于稀疏表示的分类算法相比,本文方法的分类准确率可提高5%~10%,分类准确率最高可达到91%,可用于后续实际的羊绒与羊毛纤维分类与鉴定工作。     

基于AR模型的机织物线状疵点研究

针对机织物线状疵点检测效果不佳的问题,本文采用AR模型的谱估计方法对此问题进行研究。首先将获取织物的图像按照一定的子窗口大小分割,并将子窗口内图像的灰度值按照纵向、横向两个方向分别使用方差的方式投影,得到方差序列;然后选择合适的AR模型阶数,依据Burg算法估计得到谱数据;最后通过求得带有疵点图像的谱估计与正常纹理图像得到的谱估计之间的相关系数检测出疵点及其位置。论文采用试验验证检验了该方法对机织物线状疵点检测的有效性。     

基于通用字典的局部机织物纹理稳定表征

为改善固定字典表征织物纹理的效果,提出基于通用字典表征织物纹理的方法。首先,对字典学习法进行优选,分别选取8种任意正常织物样本和20种不同组织结构样本,采用优选后的字典学习法得到了1种普通通用字典、4种组织结构通用字典和1种联合组织结构通用字典。最后对通用字典的有效性进行试验验证,发现普通通用字典较固定字典能更好地适应织物纹理;在此基础上,比较了3种通用字典的性能。结果表明:在同等试验条件下,与固定字典相比,通用字典能更好地表征织物纹理;不同类型的通用字典可具有较好的通用或专用性。     

基于复合条件的织物纹理模糊识别

提出一种新的基于复合条件的模糊识别方法完成对织物图像的纹理提取。首先对整个图像灰度级分析,确定行与列灰度波的标准模糊集,然后给出基于灰度大小及像素位置的复合条件隶属度计算公式,对行与列的灰度波进行模糊分类,使其转换为仅有2个灰度极值的纹理灰度波。最后将所有纹理灰度波组合还原成二值纹理织物图像,为后续密度识别、纹理均匀度识别及疵点识别等图像分析提供基础。实验与分析结果显示,本文算法通过对灰度波的模糊划分,提取仅用2个灰度值表示的织物二值纹理图像,形成具有脉冲特征的纹理灰度波,可为后续织物图像各参数分析提供简单有用的织物纹理数据模型。     

纹理织物疵点窗口跳步形态学法检测

针对纹理织物疵点自动检测时因生产速度快造成的织物抖动以及检测速度难以匹配问题,提出窗口跳步形态学法纹理织物疵点检测算法。使用该算法对图像进行窗口分割及预处理后,首先对纹理织物图像的纹理特征进行分析,然后设计形态学算子进行腐蚀操作,最后使用连通域分析来确定疵点大小及位置。仿真实验及工厂实际应用表明,该算法可有效克服工业生产中纹理织物抖动造成的图像明暗不均,可检测出纹理织物中存在的破洞、经纬疵点、污渍、断线、折痕和结头等各种疵点,而且检测速度明显优于快速傅里叶变换特征点算法以及传统形态学检测算法。实时检测速度超过80 m/min,疵点检测精度为0.1 mm,满足实际生产需求。     

基于频带增强和像素能量的纸病检测

采用频带增强和像素能量算法以提高纸病检测的效果。首先非下采样Contourlet变换把彩色纸划分为不同频带,采用不同方法增强低频子带、高频子带;然后建立彩色纸纹理检测窗口与纹理在经度、纬度方向上的自相关函数关系,低频子带需要大的检测窗口以获得图像的轮廓,高频子带需要小的检测窗口以获得图像的细节信息;然后通过纹理像素在水平分量、垂直分量、对角线分量的能量异常获得纸病,纸病的分割阈值为各个方向分量最大值的均方值;最后给出了算法流程。结果表明,该算法对彩色纸表面的纸病检测清晰,混合纸病检测准确率评价指标高于其他算法。     

基于图像的织物速度非接触测量方法

织物运行速度是纺织工业中的重要工艺参数,传统测量方法采用接触式测量。为避免织物与导轮之间滑转产生测量误差,本文根据织物表面纹理灰度信息随机性的特点,通过织物表面纹理图像实现了非接触式的速度测量。利用高速线阵CCD相机采集织物表面纹理灰度信息,相邻两帧图像具有波形相似且有一定的空间位移,采用互相关算法及其改进算法计算出空间位移,结合连续两帧时间计算出织物运行速度。为提高计算准确度采用高斯曲线拟合互相关函数的峰值并给出拟合公式,得到了亚像素级的运动速度。通过实验验证了算法的可行性及其精度。     

基于平移相减法的机织物组织识别

针对现有机织物组织识别方法适用范围窄、鲁棒性差的现状,课题组提出一种计算织物组织循环大小的平移相减算法(translational subtraction algorithm,TSA),并提出了一种基于TSA算法的机织物组织有效识别方法。该方法结合机织物图像不同方向的TSA算法和水平方向的亮度累加法获取织物组织循环宽度和纬线宽度,然后对机织物图像进行错位TSA算法,分析错位TSA曲线相位的周期性和大小,可以得到织物组织循环的纱线根数和飞数,最终获得机织物图像的组织意匠图。实验证明该方法对机织物图像光照、纹理和倾斜等干扰因素具有鲁棒性,能有效识别各种类型的机织物组织。     

基于GPQ半监督神经网络的织物图像检索

为提升织物图像检索的准确性,采用改进的广义产品量化(generalized product quantization, GPQ)半监督神经网络实现弱纹理织物图像的检索。通过CLAHE方法增强织物图像纹理,加强底层纹理特征,以降低深度学习特征过拟合的概率。利用GPQ框架中产品量化、基于余弦相似性分类器和子空间极小最大熵损失计算,对提取的特征向量进行归一化,寻找最相似织物图像。实验中采用的织物数据集包含了12类不同纹理形式的织物试样,共计1 800幅图像。分别对比了基于颜色直方图的词袋模型、尺寸不变特征变换模型、最近邻和优化产品量化算法。结果表明：改进的GPQ半监督神经网络方法的平均精度均值达到89.47%,检索性能最优。该方法能批量、低成本检索出相似织物图像,提高织物图像检索的准确性。     

应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。     

应用积分图的织物瑕疵检测快速算法

为解决现有基于图像处理的织物瑕疵检测算法实时性较差、正确率偏低等问题,提出一种包含学习和检测2个阶段的瑕疵检测算法。通过对无瑕疵模板图像的梯度能量特征及其分布特性的学习,自适应获得检测阶段所需的参数。一方面利用积分图原理将任意大小的图像块内的求和运算化简为三次加法运算,快速提取织物图像的梯度能量特征,实现织物瑕疵的实时检测,另一方面利用核函数拟合特征参数分布,结合均值漂移法求解分布峰值获得自适应的瑕疵判定阈值参数,实现织物瑕疵的准确分割。通过实验将本文算法与现有基于局部二值模式特征、小波特征、规则带特征等算法进行对比,针对包含3种纹理6类瑕疵的织物图像数据集的测试结果显示,本文算法平均处理时间为56ms,正确率为97%。     

小波分析与纹理能量算法用于毛球图像处理

在织物起毛起球图像处理中,毛球信息与纹理信息的分离至关重要。文中将小波分析理论与织物纹理能量算法相结合,对多尺度小波分解过程中的织物纹理能量的变化进行了曲线拟合,并根据拟合的能量差值曲线确定了最佳重构层次,实验中所测织物的最佳重构层次位于第3层,即可判断纹理信息主要集中在第2层,毛球信息则位于第4层,以此对经过多尺度分解后的图像进行了叠加重构,基本实现了织物毛球与纹理的自动分离,为织物起毛起球图像处理过程中毛球的分割以及特征参数的选取提供了依据。