Frangi滤波器和模糊 C 均值算法相结合的织物瑕疵检测

为解决织物瑕疵自动检测问题,提出一种基于Frangi滤波器和FCM相结合的织物瑕疵检测方法。首先采用均值下采样方法对采集的织物图像进行预处理,以减少织物背景纹理信息对织物瑕疵检测产生的影响;然后通过Frangi滤波器进行滤波增强织物的瑕疵区域;最后利用FCM对滤波后的图像处理,确定织物瑕疵区域的像素和非瑕疵区域像素的聚类中心,并分割出瑕疵区域和非瑕疵区域。实验结果表明,提出的方法检测织物瑕疵种类较多,分割效果较好。与其他方法相比,提出的算法利用的是聚类思想对织物疵点进行分割,不需要利用正常织物图像进行阈值计算。     

基于改进的加权中值滤波与K-means聚类的织物缺陷检测

为检测纹理织物在生产过程中产生的各种疵点,提出一种基于改进的加权中值滤波与K-means聚类相结合的纹理织物疵点检测方法。首先利用改进的加权中值滤波对纹理织物图像进行预处理,以减少纹理信息对疵点检测产生的影响,同时通过联合直方图动态数据分配权重和像素,减少寻求中位数的时间来有效地缩短检测时间,提高了执行速度;然后采用K-means算法对滤波后的织物图像进行聚类,计算织物图像疵点和非疵点的聚类中心,进而实现图像疵点区域的分割。实验结果表明,该方法可有效地检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点,并显著提高检测速度。     

基于Frangi滤波器的织物疵点检测方法

提出了一种基于Frangi滤波器的织物疵点检测方法。该算法首先对样本织物图像进行均值下采样处理,淡化和消除背景纹理对织物疵点检测的影响,然后将均值下采样处理后的图像经Frangi滤波器进行滤波,从而增强织物疵点部分以利于疵点的分割,最后对Frangi滤波后的图像进行阈值分割,分割出织物疵点部分。采用该算法对6种纹理织物进行处理,检测出26种疵点,92%的疵点能被准确的检测和定位,误报率为8%,检测效果较好。     

改进频率调谐显著算法在疵点图像分割中的应用

为提高织物疵点分割精度,提出了一种用于织物疵点图像分割的改进频率调谐显著（FT）算法。首先,利用织物疵点和背景区域透光率的不同,将光源和相机分别置于织物两侧来获取图像,提高疵点区域对比度;其次,应用非局部均值滤波器（NLM）替代FT 算法中的高斯滤波器,增强对背景纹理的平滑和降噪能力;研究发现NLM滤波器中滤波参数对疵点分割精度影响较大,提出了基于平均最大类间方差的参数优化方法;然后,将改进FT 算法应用于疵点图像预处理,进一步提高疵点对比度;最后,使用最大类间方差法对疵点显著图进行分割。对2 种不同织物疵点图像的分割实验结果表明,使用改进FT 算法对粗经、竹节、结头、断纬、油污和破洞等常见疵点图像进行预处理,可显著提高疵点分割精度。     

基于曲线拟合的织物疵点检测方法

由于以CCD数字摄像机获取的图像质量易受光照、噪声及组织纹理等因素的影响,使织物图像疵点分割成为织物疵点检测的难点,提出一种基于曲线拟合的疵点检测方法。利用线扫描方式逐行获取图像信息,采用最小二乘拟合方法削弱疵点信号对所获图像信号的影响,从而将拟合曲线作为标准无疵点的参照与原始图像信号相减,得到疵点信息。运用LabVIEW编程工具,选取了疵点织物图像进行测试验证,结果表明,本方法对常见的织物疵点具有快速、准确的分割结果。     

基于改进宇宙算法的织物图像疵点检测研究

为了提高织物图像疵点检测的质量,采用改进宇宙算法对织物图像疵点进行检测。首先建立织物图像透光率模型,通过检测成像图像灰度的变化即可检测织物图像疵点,并对参考与待测图像的灰度差值进行计算,对存在缺陷的区域通过概率密度分布函数得到最优分割阈值;然后确定宇宙拓扑结构,某个宇宙内的信息发生变化,通过信息移民策略使得其他宇宙的信息发生变化,实现信息交流的并行性,根据适应度宇宙自适应进化;最后给出了算法流程。实验仿真显示该算法能够准确检测出织物图像疵点,检测效率较优。     

应用Gussian回代交替方向图像分解算法的色织物疵点检测

针对传统的人工织物检测方法效率低,稳定性差,处理速度慢的问题,提出了基于Gaussian回代交替方向(ADMG)图像分解的色织物疵点检测算法。首先对疵点织物进行直方图均衡化的预处理操作,以减少织物背景纹理信息对织物疵点检测产生的影响。然后采用总方差范数与Sobolev空间中的半范数相结合的Gaussian回代交替方向的图像分解算法,将色织物图像分解为疵点部分u和纹理部分v。最后,应用二维Otsu阈值方法将图像的疵点部分u分割,识别织物图像上的疵点。实验结果表明:通过基于ADMG图像分解算法对包括星型、方格型和圆点型在内的色织物图像疵点检测是可行、有效的,可得到满意的识别结果。     

基于相似性定位和超像素分割的织物疵点检测

为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部均值差分的灰度相似性检测参量和结构相似性检测参量结合,构建可测量更多类型周期性纹理织物图像的相似性度量函数,通过阈值化增强图像分块的相似性测量值实现疵点在显著图中的粗定位;最后对显著图粗定位图像分块进行超像素细分割及其二值化处理,并借助连通域分析剔除孤立点,获得完整的疵点轮廓。结果表明,本方法与常规3种方法相比,对周期性纹理织物图像的疵点检测准确率更高,且提取出的疵点轮廓更精确。     

基于二维Otsu算法的织物疵点检测

为了准确检测织物的疵点,提出一种基于二维Otsu算法的织物疵点检测方法。首先采用均值滤波对采集的织物疵点进行预处理,减少高斯噪声对图像质量影响的同时,也有效地抑制了织物背景纹理信息对织物疵点检测的影响;然后对处理后的图像采用二维Otsu算法进行阈值分割;最后对分割后的图像进行形态学运算后处理,平滑图像轮廓,去除毛疵点和孤立点等。实验结果表明:对比其他检测方法,综合主观视觉效果和客观峰值信噪比(PSNR)值,该方法在织物疵点检测中既能有效保留图像的边缘信息,也不损伤图像的细节质量,检测效果较好,在疵点检测方面具有一定的实用价值。     

应用目标稀少特征的织物疵点图像分割

应用自适应阈值分割方法进行织物疵点检测,其阈值选择一直是研究的难点问题,为此,在研究目标特征的基础上,提出了一种利用目标稀少特征确定最佳阈值的织物疵点图像分割方法。首先,对采集织物图像进行滑动均值滤波,以抑制正常织物纹理信息对疵点检测的影响;然后,对织物图像进行预分割以确定最佳稀少度,在此基础上计算出最佳分割阈值;最后,利用最佳阈值进行织物疵点图像分割,并采用形态学滤波消除伪目标及噪声。结果表明,本文方法能够解决织物疵点分割中的最佳阈值确定问题,能够从织物纹理中有效分割出疵点信息。