基于织物结构特征和小波变换的快速疵点检测

给出了一种利用小波为分析工具,基于织物采样图像进行疵点检测的新方法.首先对织物疵点图片进行了奇偶行列采样抽取,得到奇偶两幅子图像并使得图像的总数据变为原来的二分之一,然后再进行小波变换.在进行小波变换时,采用邻域插值,使得紧支撑小波滤波器的系数序列得到缩短,并可以由原来的滤波器系数计算出缩短后的滤波器系数.实验结果表明该方法可以在保证检测效果准确性的同时,大幅减少数据计算量、提升检测速度.     

基于小波纹理特征的织物疵点检测

利用织物的纹理正常部分与疵点在小波系数的分布范围不同,加以分离;在先前的纹理疵点检测方法里,一般必须训练纹理的正常部分,为了解决这个问题,提出一个利用疵点与正常部分在影像上的特性差异来自动决定训练区块的方法,可以使图像在输入的时候,重新取样训练,降低了因环境变化而造成的检测错误发生率.     

基于小波变换的织物纹理方向检测方法

织物组织结构及参数的正确识别与分析是一项费时而又重要的工作。该文提出了一种运用图像处理技术检测织物纹理方向和识别织物组织的新方法。把小波变换对织物图像信号良好的分解性能与Radon变换对纹理直线的检测特性结合,运用于织物纹理方向的检测分析及织物组织识别中。实验表明该方法能较准确地测定纹理方向等结构参数,检测结果为正确推断与识别织物所属的基本组织类型提供有效依据。     

方向性纹理织物疵点检测方法研究

通过分析方向性织物纹理的特点,提出了一种织物疵点检测新的方法。首先根据正常纹理Hough变换确定织物纹理的纹路方向;然后采用方向性小波对织物纹理图像进行方向性的分解,并在此基础上从分解后的各细节子图中提取子窗口的特征;最后通过BP神经网络进行织物疵点识别。实验结果表明了该方法的有效性。     

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。     

织物疵点检测方法研究

本文首先介绍了织物疵点检测的常见方法及优缺点,然后介绍了它们在疵点检测系统中的应用情况,最后进行了总结和展望。     

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。     

基于纹理周期性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的周期性这个重要的视觉特征入手,提出了基于纹理周期性分析的织物疵点检测方法。通过对大量不同疵点图像检测实验,证明提出方法对织物疵点检测具有较好的有效性和可靠性,而且具有检测的疵点种类多、实用性好的特点。     

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。     

基于离散小波变换的语音激活检测

为提高在噪声环境下语音检测的性能,提出了一种基于离散小波变换的语音激活检测(VAD)的方法。算法将语音信号进行3层离散小波变换,通过Teager能量算子(TEO),提取能量比值和能量差值两个参数,最后进行门限判决。实验结果表明,本算法在噪声环境中能够有效地正确判别语音段和噪声段,并且优于G.729B和AMR所提出的VAD的算法。     

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。     

织物纹理疵点快速检测方法

根据小波在奇异信号分解中的特点,提出了一种疵点快速检测新方法.首先通过对被检测图像进行小波提升分解,获得相应的子图.然后把高频子图分割成若干子窗口,统计子窗口能量的标准差与均值加权和作为提取的特征.最后把高频子图中的特征均值与正常子图特征均值相比较,判断疵点是否存在.实验结果表明,该检测方法能快速有效的检测疵点.     

PCA-NLM的纺织品缺陷检测

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,为解决这一问题,提出一种混合方法进行纺织品缺陷检测,将图像增强和缺陷检测方法进行混合处理,在非局部均值滤波算法（NLM）的相似度评价中引入主成分分析（PCA）进行去噪处理,采用的PCA-NLM混合模型有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类可分离性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文的混合模型有效提高了纺织品缺陷的检测正确率。     

基于轮廓波变换的织物疵点图像消噪新方法

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系,对Donoho多尺度分解阈值进行修正,改进了Donoho多尺度分解阈值对图像细节"过扼杀"的缺点。实验结果表明,对织物疵点图像进行基于轮廓波变换改进阈值消噪时,该方法更好地保留了织物疵点图像的轮廓细节,峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像,可以更好地应用于织物疵点图像的特征提取和疵点识别。     

基于EM算法的高斯混合型的织物疵点检测研究

为准确检测织物在生产过程产生的疵点,提出了一种基于EM算法的高斯混合模型的算法来实现织物疵点的自动检测。由于织物背景纹理信息对织物疵点检测影响较大,采用均值采样对其进行预处理来消除背景纹理的影响,用高斯混合模型对新得到的图像进行处理。在进行高斯混合模型计算时分为E步骤、M步骤。E步骤初始化参数,计算样本像素的后验概率,M步骤更新高斯混合模型中的各参数。根据计算各像素的后验概率判断各像素点应该属于疵点部分还是非疵点部分。实验结果证明该算法能检测、分割出较多种类的织物疵点,具有较好的有效性和可靠性。