基于改进Gabor优化选择的布匹瑕疵检测方法

针对传统Gabor优化选择方法用于布匹瑕疵检测时准确率低、鲁棒性差的缺点,提出了改进的优化选择方法,通过瑕疵图像与标准图像Gabor滤波后分块子图均值差平方和的代价函数实现优化选择。设置一组不同方向和尺度的Gabor滤波器并提取标准图像滤波后相关参数,通过改进的优化选择方法实现滤波后瑕疵图像的最优选择,利用迭代式阈值分割对最优滤波后图像进行二值分割,根据分割后图像的像素信息检测是否含有瑕疵并输出瑕疵信息。实验验证该方法,并与传统优化选择方法对比分析,结果表明该方法运算量较少,且检查性能高,可满足在线检测要求。     

基于Gabor小波和神经网络的布匹瑕疵检测

为了实现布匹表面瑕疵的在线视觉检测,利用Gabor小波函数与神经网络的结合,提出了一种有效提取Gabor滤波最优参数的方法。该方法通过离线构建Gabor小波神经网络,结合Levenberg-Marquardt算法优化得到最优解,重构无瑕疵的布匹图像,以削弱在线检测时布匹纹理对瑕疵检测的影响,从而能够于在线实时监测过程中凸显布匹瑕疵,最终从融合图像中得到瑕疵区域。通过对霉点、断经、油污、破洞四种常见的布匹瑕疵图像进行检测,表明该方法能够满足对瑕疵的实时分割要求。     

基于模板匹配单色布匹瑕疵检测算法

提出一种基于模板匹配的单色布匹瑕疵检测算法,该检测算法首先存储待测布匹的无瑕疵模板图,并对模板图进行分块,然后对待测样本图进行相同的分块操作,进一步利用模板匹配方法对相同分块区域的样本图与模板图进行匹配查找,得到最优匹配图像.在匹配过程中,对模板图按照一定比例进行扩充,以提高匹配的准确性.最后将样本图与最优匹配图像进行差值对比实现布匹瑕疵检测.实验结果表明,算法弥补了传统Gabor算法高度依赖纹理的缺陷,提高了对于纹理模糊的单色布匹瑕疵检测准确率,检测效率与精度满足验布现场需求.     

经编机布匹瑕疵的在线视觉检测

为实现经编机织布过程中布匹瑕疵的实时检测,提出了一种基于机器视觉的实时检测方法。离线训练时分别学习有瑕疵和无瑕疵纹理布匹图像,自动求取纹理基元周期和纹理方向,用以构建实用的两方向Gabor滤波器组,进而提取有和无瑕疵图像特征。在线检测时,以离线所构建的Gabor滤波器组分解图像,以离线所求取的参数窗口化Gabor子图,进而提取子图特征并采用特征变化率来代替原始特征的方法以消除光照不均影响。实验表明,该方法可以适应不同纹理布匹检测需求,消除光照影响,布匹检测准确率高达99%,检测一帧（54 pixel×600 pixel）的平均时间为100 ms,实时性和准确性高,可实现经编机布匹瑕疵的在线实时检测。     

基于纹理的图像检索

为得到纹理特征提取的合适的算法,首先研究了基于灰度共生矩阵的纹理特征的提取方法,将彩色图像变换灰度图像,然后进行四个方向的纹理特征提取,包括能量、熵、惯性矩、相关量四个向量元素作为纹理特征值,并研究了基于Gabor小波的纹理特征的提取。首先将Gabor小波作为母小波,将图像进行二维的Gabor小波变换,将Gabor小波系数的均值和标准方差作为纹理特征值;将两种方法进行比较,查全率和查准率作为测量标准,实验表明基于Gabor小波变换的纹理特征方法在频域具有比较好的检索效果。     

基于Gabor特征的快速贝叶斯人脸识别

对贝叶斯分类中两种计算相似度的公式进行简化,设计了基于Gabor特征的快速贝叶斯人脸识别方法.首先对人脸图像进行Gabor小波变换,把同一个人的Gabor特征与本人的类内Gabor均值图像之差作为类内差异图像,对类内差异图像进行小波分解取其低频图像;然后采用2DPCA方法建立类内特征子空间.对测试图像进行Gabor特征提取,并与目标图像的类内均值Gabor特征作差形成差异图像,对差异图像进行小波分解,提取低频子图信息投影到类内特征子空间,利用简化的贝叶斯准则进行分类.实验结果表明,该方法降低了算法复杂度,提高了识别率,并对光照和表情变化具有较强的鲁棒性.     

基于深度学习的纹理布匹瑕疵检测方法

布匹瑕疵检测是纺织工业中产品质量评估的关键环节, 实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义. 在实际布匹生产过程中, 布匹瑕疵在形状、大小及数量分布上存在不平衡问题, 且纹理布匹复杂的纹理信息会掩盖瑕疵的特征, 加大布匹瑕疵检测难度. 本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network, ITF-DCNN), 首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取; 其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network, F-FPN)对特征图中的背景特征进行过滤, 增强其中瑕疵特征的语义信息; 最后构造针对瑕疵数量进行加权的MFL (Multi focal loss)损失函数, 减轻数据集不平衡对模型的影响, 降低模型对于少数类瑕疵的不敏感性. 通过实验对比, 提出的方法能有效提升布匹瑕疵检测的准确率及定位精度, 同时降低了布匹瑕疵检测的误检率和漏检率, 明显优于当前主流的布匹瑕疵检测算法.     

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。     

基于边缘检测的斜纹布匹瑕疵检测

为了对布匹瑕疵进行快速准确的检测,提出了一种基于边缘检测的新算法。利用布匹图像中瑕疵与正常纹理产生的纹理边缘,将布匹瑕疵作为正常纹理的边缘检测出来。利用Sobel算子的方向性,分别对织物疵点在水平和垂直方向进行增强,计算出RGB图像中水平与垂直方向的梯度后进行边缘检测,通过图像融合和二值化完成最终检测。实验证明,该方法准确性高并且检测速率大大提高。     

基于积分图像的快速选择掩模平滑算法

在选择掩模平滑算法中,需要计算一幅图像的大量局部窗口的灰度均值和方差。而运用积分图像和平方积分图像,可以实现一种计算速度与图像窗口大小无关的灰度均值和方差的快速计算方法。将这种灰度均值和方差的快速计算方法运用于选择掩模平滑算法中,来计算各个掩模的灰度均值和方差,能够大大地提高算法的计算速度,从而实现了选择掩模平滑算法的快速计算。     

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。     

Texture classification using Gabor wavelets based rotation invariant features

Texture based image analysis techniques have been widely employed in the interpretation of earth cover images obtained using remote sensing techniques, seismic trace images, medical images and in query by content in large image data bases. The development in multi-resolution analysis such as wavelet transform leads to the development of adequate tools to characterize different scales of textures effectively. But, the wavelet transform lacks in its ability to decompose input image into multiple orientations and this limits their application to rotation invariant image analysis. This paper presents a new approach for rotation invariant texture classification using Gabor wavelets. Gabor wavelets are the mathematical model of visual cortical cells of mammalian brain and using this, an image can be decomposed into multiple scales and multiple orientations. The Gabor function has been recognized as a very useful tool in texture analysis, due to its optimal localization properties in both spatial and frequency domain and found widespread use in computer vision. Texture features are found by calculating the mean and variance of the Gabor filtered image. Rotation normalization is achieved by the circular shift of the feature elements, so that all images have the same dominant direction. The texture similarity measurement of the query image and the target image in the database is computed by minimum distance criterion.     

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。     

An automated inspection system for textile fabrics based on Gabor filters

This paper studies the application of advanced computer image processing techniques for solving the problem of automated defect detection for textile fabrics. A new defect detection scheme is proposed, which consists of an odd symmetric real-valued Gabor filter, an even symmetric real-valued Gabor filter and one smoothing filter. In developing the scheme, the Gabor filters are designed on the basis of the texture features extracted optimally from a non-defective fabric image by using a Gabor wavelet network (GWN). The performance of the proposed defect detection scheme is evaluated off-line by using a set of fabric images taken from a database consisting of a wide variety of homogeneous fabric images. The results exhibit accurate defect detection with low false alarms, thus showing the effectiveness and robustness of the proposed scheme. To evaluate the performance of the proposed defect detection scheme further, real-time tests are conducted by using a prototyped automated defect detection system. The experimental results obtained further confirm the efficiency, effectiveness and robustness of the proposed detection scheme.     

织物表面折皱的小波分析与自组织神经网络等级评定

为了提取较为精细的图像信息，引入了多尺度2维小波分析织物的表面折皱。织物图像首先经过高斯滤波，再利用小波变换分解并从中提取高频信息，然后结合4种表征织物折皱的特征参数，计算不同折皱等级模板的特征值，通过分析特征值与折皱等级的相关系数，表明这4种特征参数可以作为模式识别的输入量；最后采用Kohonen自组织神经网络客观评定织物的折皱等级，自组织神经网络将不同等级的织物折皱模板进行分类，并以此为依据，确定26种不同织物类型的折皱等级。为了定量描述评定结果，通过计算客观评定与主观评定结果的相关系数，验证该方法的可行性。     

基于离散小波变换的织物疵点检测方法

提出了一种基于离散小波变换的织物疵点检测新方法。首先通过对采集织物图像进行小波变换,然后把子图分割为相互连接、互不交叠的子窗口,计算每个子窗口小波系数的标准差作为特征值,最后对这些特征值再次计算标准差与极差,以此作为依据与正常织物进行比较,实现对织物疵点的检测。通过对不同疵点进行检测实验,证明了该算法是可行有效的,检测的正确率平均可达90%以上。     

Enhanced Gabor wavelet correlogram feature for image indexing and retrieval

In this paper, a new feature scheme called enhanced Gabor wavelet correlogram (EGWC) is proposed for image indexing and retrieval. EGWC uses Gabor wavelets to decompose the image into different scales and orientations. The Gabor wavelet coefficients are then quantized using optimized quantization thresholds. In the next step, the autocorrelogram of the quantized wavelet coefficients is computed in each wavelet scale and orientation. Finally, the EGWC index vector simply consists of the autocorrelogram coefficients. Due to non-orthogonality of Gabor decomposition, the resulting wavelet coefficients suffer from redundancy, which increases the computational cost and reduces the effectiveness of EGWC. Here, we present a solution to handle the redundancy problem using non-maximum suppression and adjustment of autocorrelogram distance parameters as a function of the wavelet scale. The retrieval results obtained by applying EGWC to index two image databases with 5,000 natural images and 1,792 texture images demonstrated its better performance in terms of retrieval rates with respect to the state-of-the-art content-based and multidirectional texture indexing algorithms.