基于纹理结构异常的织物疵点检测算法研究

提出了一种基于织物纹理结构异常的织物疵点检测算法。首先计算代表正常纹理的主邻域结构图;其次通过比较每个像素的邻域结构图与主邻域结构图的差异来定义该像素的显著性,进而得到显著图;最后采用迭代最优阈值分割方法对显著图进行分割得到疵点区域。试验证明,该算法操作简单、计算速度快、鲁棒性强,具有较强的自适应性。     

基于Wold纹理模型和分形理论的织物疵点检测

应用基于Ｗｏｌｄ纹理模型,从织物纹理中提取非确定性随机结构。通过正常纹理和疵点纹理中随机结构的表面维分形特征曲线比较,以距离为判别标准定位疵点。     

基于纹理差异视觉显著性的织物疵点检测算法

由于织物图像纹理多样化及疵点类别较多,为了更有效地检测织物疵点,结合织物图像特性及借鉴人类视觉感知机理,提出一种基于纹理差异视觉显著性模型的织物疵点检测算法。该算法首先对图像进行分块,计算各个图像块LBP（local binary pattern）纹理特征,与图像块平均纹理特征的相似度比较,进行显著度计算,从而有效突出了疵点区域。最后利用改进阈值分割算法,实现对疵点区域的定位。通过与已有视觉显著性模型进行比较,得出该算法更能有效地突出疵点区域;同时,分割结果与已有织物疵点检测算法相比发现,该算法具有更强的疵点检测及定位能力。     

基于二维连续小波变换的织物疵点检测

同正常织物纹理比较，疵点区域由于其纹理不规则及变形而导致不同的局部纹理特性。利用二维连续小波特性，能在时域和频域上对织物图像同时实现任意尺度和旋转角度的变换。通过纹理模型和频谱分析，确定出最优的变换尺度和旋转角度，并由预先确定的全局阈值从小波变换系数的模中进行疵点的分割。实际疵点的检测结果表明该方法是可行的。     

基于局部熵的织物疵点检测

在局部熵的基础上提出了一种织物疵点的检测与识别方法.在进行检测时,将织物图像分成大小相同的局部窗口,选取局部熵最小的窗口为待研究的区域,分割出疵点图像并用数学形态学中的开运算滤掉噪声,最后提取形态特征参数,识别疵点类型.研究表明此方法能避免对整幅图像进行复杂运算,具有识别正确率高,抗噪声能力强等优点.     

基于优化Gabor滤波器的织物疵点检测算法

提出了一种基于优化Gabor滤波器的织物疵点检测算法.首先介绍了Gabor滤波器的滤波原理,然后提出了Gabor滤波器优化算法,该算法针对一幅标准织物图像,通过计算Gabor滤波器与标准织物图像卷积结果的Fisher Cost函数最小值,得到一组优化Gabor滤波器参数.使用具有这些参数的Gabor滤波器分别对标准织物图像和样本织物图像进行滤波处理,将滤波结果进行比较和融合,得到检测结果.实验证明:该算法能获得良好的检测效果.     

基于小波分解的织物疵点检测

根据小波在奇异信号分解中的特点,提出了一种基于小波分解的疵点检测新方法．首先根据织物纹理特点,确定小波函数．其次对被检测图像进行小波变换,获得分解后的子图;根据织物纹理组织单元,把高频子图分割成若干子窗口,统计子窗口的能量标准差与均值加权求和作为提取的特征．最后通过测试图像子窗口特征与标准予窗口特征相比较,判断疵点是否存在．实验表明,该检测方法是有效的,检测正确率达到90％以上．     

基于灰度剖面直方统计的帘子布疵点识别研究

提出了运用帘子布图像的直线纹理特征,由概率统计生成灰度剖面直方统计图,有效地提取了帘子布图像的特征波形.波形特征参数对比能准确定位帘子布纹理结构的异常位置,正确识别帘子布疵点.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,可以用于检测有规则纹理结构的物体表面及物体.     

基于机器视觉的织物疵点检测方法综述

对基于机器视觉的各种织物疵点检测方法进行综述,将检测系统分成3个层次:疵点判别、疵点分割和疵点分类,给出了对各个层次的要求和完成的目标,并将已经提出的大多数疵点检测方法按其特点归类到3个层次中,具体描述了各类方法的优缺点,分析其实用性,最后总结了该领域的发展趋势.     

图像处理技术在织物疵点检测中的应用

对图像处理技术在织物疵点检测中的开发应用现状进行综述．认为该技术涉及空间域图像特征提取法、频谱域图像特征提取法和数学形态学方法等，每一方法又有诸多分支，形成竞相发展的局面，但各有优缺点．文中提出，采用多种技术，综合寻求兼顾识别速度快、效果好、稳定性好和能识别多种常见疵点的目标是今后发展方向．     

基于纹理分割的视频人体检测

提出一种新的基于图模型纹理分割的视频人体检测方法。首先利用帧间拆分与背景拆分相结合的方式对人体进行粗分割;然后确定目标区域,利用高斯图模型建立纹理模型。通过变量选择和参数估计对纹理特征进行分析,并计算纹理图像的最大后验概率,将纹理后验概率大的归到一类。将基于图模型的纹理分割方法应用到视频检测,实验显示了很好的效果。     

基于底层纹理特征的图像检索

讨论了统计法中的灰度共现矩阵法和频谱法中的小波变换法来提取图像底层纹理特征,并对此进行了比较和分析,实验表明,基于小波变换的纹理特征提取方法可以有效描述图像底层纹理并取得较好检索结果。     

基于PCNN和SVM的帘子布疵点识别算法

为了使用机器对帘子布疵点进行有效的检测和分类,根据帘子布灰度分布的特点,分析和讨论了改进型PCNN模型,利用改进型PCNN对帘子布疵点特征值进行提取,然后将支持向量机作为分类器最终实现疵点图像的识别.实验结果表明,该方法的疵点识别率较高,在90%以上,是一种简单有效的识别方法.     

基于灰度共生矩阵的木材纹理分类方法的研究

为了对木材进行表面纹理分类,首先确定纹理的灰度共生矩阵描述参数、灰度共生矩阵的生成像素间距和灰度级数;求取分析了200个木材样本的纹理参数并输入给竞争神经网络进行分类验证.实验表明:1)以“角二阶矩”、“对比度”、“相关”、“熵”、“方差”、“逆差矩”作为描述木材纹理的特征参数是合适的.2)在比例为1∶1的512×512木材图像情况下,生成灰度共生矩阵的最佳像素间距为4,最佳图像灰度级数为128.3)木材纹理图像灰度共生矩阵的"角二阶矩"、"相关"和"熵"值最大的方向为纹理方向.4)竞争神经网络的分类正确率为88%.研究结论:按上述规则生成的6个灰度共生矩阵参数对描述木材表面纹理特征是有效的,据此对木材表面纹理分类是可行的.     

基于非下采样Contourlet域高斯混合模型的布匹瑕疵识别算法

针对经典瑕疵检测算法不能很好地描述瑕疵特征和不易区分相似类瑕疵类别的问题,提出了一种非下采样Contourlet域高斯混合模型的布匹瑕疵识别算法。首先利用非下采样Cont-ourlet变换(NSCT)得到图像的多方向、多尺度和平移不变表示,并通过代价函数挑选一个最优子带;由于子带瑕疵和非瑕疵区域系数差别较小,很难直接选取阈值,采用标准差法可以有效避免这个问题,获得比较准确的检测结果;然后计算瑕疵区域的统计特征得到特征向量;接着引入最小误分率函数,联合估计样本的高斯混合模型参数;最后采用贝叶斯分类器进行分类。在9类瑕疵上的实验结果表明,本文算法与几种经典算法相比得到更高的分类正确率。     

基于二次样条小波变换极大模的织物疵点检测方法

提出了一种基于二次样条小波变换极大模的织物疵点检测方法:首先由二次样条小波对织物图像进行分解,利用分解后的纬向和经向2个子图像建立正常织物图像和待检测织物图像的极大模边缘图像,并求得它们的差分图像;然后由差分图像提取特征参数检测织物疵点以及识别疵点的位置.实验表明:这种方法具有检测准确率高,稳定性好等优点.     

基于小波静态分解的离散小疵点检测

在分析织物疵点特点的基础上,提出了一种新的检测方法.首先根据正常织物小波分解后的能量来确定小波基和小波分解层数.接着对测试图像进行小波静态分解,然后提取子图中的子窗口标准差作为提取的特征;在此基础上,通过与正常子图中的特征相比较来判断小疵点是否存在.最后通过提取特征构造的标准差图确定小疵点的位置.实验表明,该检测方法是有效的.