局部阈值分割用于织物疵点检测

利用电子仪器代替人眼检测是织物疵点检测的一个热点问题。为了解决这个问题,本文利用织物疵点灰度值偏离正常织物灰度值的原理,探讨了织物检测电子成像参数的计算方法。结合实际试验表明:此算法能有效、快速检测分辩出织物疵点。     

基于相对总变差模型与自适应形态学的织物瑕疵检测

为解决目前基于图像处理的织物瑕疵检测算法中,因织物纹理的多样性与瑕疵形状尺寸的不确定性所造成的检测效果差的问题,提出一种基于结构-纹理模型与自适应数学形态学的织物瑕疵检测算法。首先采用相对总变差模型对织物图像进行滤波以去除织物纹理,然后在得到的灰度图像上直接进行基于自适应邻域的灰度形态学运算,形态学算子采用开运算算子,最终得到织物瑕疵的增强图像。采用基于相对总变差模型与自适应形态学相结合的方法与2种已知的Gabor算法进行比对,对4类典型织物瑕疵进行检测实验和分析。结果表明,本文方法能更好地提取出织物瑕疵。     

基于最大熵快速迭代算法和边缘算子的织物疵点分割

将信息熵引入图像处理中,把疵点图像分为背景和目标两部分,分别对两个区域进行处理;通过求最大熵值的快速迭代算法,在满足信息熵最大要求的前提下对织物疵点区域进行分割,然后利用Canny边缘检测算子对分割后的疵点图像进行边缘检测,从而达到识别织物疵点的目的。仿真实验结果表明,将最大熵快速迭代算法与边缘算子结合进行疵点分割识别的方法是有效的。     

织物疵点自动检测技术的研究进展

介绍了织物纹理特征的提取算法、疵点分类方法和织物图像处理的硬件平台.在分析了各种算法的优点和缺点的基础上,提出了将织物疵点的检测分为粗检和细检两个过程的新思路,既可满足快速性的要求,又具有广泛的适应性.     

织物疵点自动检测方法及应用进展

织物疵点是影响织物价格的重要因素,一直以来都备受关注.随着科学技术的发展,对智能化需求的提高,织物疵点的自动检测成为纺织行业的热门话题.织物疵点自动检测系统在市场上已经有了较为成熟的产品,国内的主流方式仍为机下检测,对平整布面检测效果较好.根据图像处理的方法可将检测算法分为结构法、统计法、频谱分析法、基于模型的方法、基...     

基于低秩分解的织物疵点检测

针对传统低秩分解法导致的图像信息过度丢失和织物弹性导致的歪斜问题,提出一种基于Beta范数的改进低秩分解检测方法。首先,通过提取织物图的基元特征构造先验信息图。其次,采用Beta范数代替低秩分解中的核范数,并由先验信息图引导低秩分解方法对织物图进行分解,解决了传统低秩分解方法中核范数导致的图像信息过度丢失的问题。进而,提取织物图的方向梯度直方图(HOG)特征构造后验信息图,并将后验信息图和通过低秩分解得到的稀疏分量进行哈达玛乘积获得显著图,解决了织物弹性导致的歪斜问题。最后,利用最优阈值分割得到疵点图。将实验结果与已有的4种方法进行对比,结果表明,该方法可以有效抑制歪斜干扰,且检测时间更短。     

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。     

基于显著纹理特征的织物疵点检测方法

针对显著纹理背景下织物图像灰度级有限、对比度不明显致使目标疵点自动检测难度较大的问题,提出了一种用于显著纹理背景的织物疵点检测方法。首先,鉴于Tamura纹理模型具有分辨能力强、旋转不变性以及算法鲁棒性强的特点,提出了多尺度度量局部纹理粗糙度的改进算法,以增强纹理分辨能力;然后,结合织物疵点图像视觉显著性分析,基于局部纹理最佳窗口,通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图,以显著突出织物疵点区。经TILDA织物纹理图库数据的实验测试,结果表明,与其他相关方法相比,此方法在有效抑制显著纹理背景的同时,检测的目标疵点具有较好的一致性和完整性。     

基于图像最大熵的织物疵点检测方法

对织物表面疵点自动识别方法进行了探讨.将信息熵引入图像处理中,先通过最大熵快速迭代算法对织物疵点区域进行分割,把疵点图像分为背景和目标两部分;然后找出疵点区域的中心并求出疵点区域在纬向和经向上的方差;最后通过两者的比值与设定常数的比较,判断出疵点类型.仿真实验表明该方法对常见织物疵点的检测是有效的.     

基于多特征融合的织物印花图像分割

针对织物印花检测精度的问题,采用结合颜色特征和纹理特征多特征融合的方法,对织物印花图像进行有效分割,从而为提高织物印花的检测精度奠定了基础。在织物印花的分割过程中,首先采用颜色特征结合基于自动种子点选取的区域增长算法对图像进行初始分割,在初始分割的基础上,利用小波变换提取干扰区域的纹理特征,从而可以进一步地消除干扰区域,实现织物印花图像的准确分割。实验结果表明：基于多特征融合的分割算法能够准确地分割出织物的印花图案,克服了仅仅采用颜色特征或者纹理特征时产生的分割失真,提高了分割的质量,具有较好的应用价值。     

基于Mean Shift的织物图像分割算法

首先介绍了Mean Shift算法的处理过程,然后以处理织物图像分割为研究对象,将扩展形式的Mean shift算法用于解决织物图像分割问题。新提出的织物图像分割算法包括2个步骤:Mean Shift图像滤波和Mean Shift图像分割,并介绍了各自的原理。分割效果有3个关键参数控制:空域带宽、色度域带宽和最小区域限制。实验结果给出了3个参数的影响和选取分析,最后给出该织物图像分割算法与原CAD处理效果比较图,表明该算法具有可行性、有效性和鲁棒性。     

基于图元分割与Gabor滤波的织物瑕疵检测方法

为实现含复杂图案织物的自动化检测,提出基于图元分割与Gabor滤波的织物瑕疵检测方法,对具有复杂周期变化图案的织物进行检测。根据图像纹理的周期变化规律,确定图案单位模板大小,即包含一个周期图案的晶格。对图像进行自适应分割,并通过图元分割获得单元图像元素。通过Gabor滤波器生成特征的响应分布,获取理想的模板晶格,根据提出的投票程序,通过分析其特征向量的Manhattan根据距离图元晶格差异的分布来识别瑕疵图元晶格。实验结果表明:检测方法对星形和箱形图案的织物样本数据集上检测效果较好,显著提高了样本的查全率。     

基于小波分解系数的织物图像分类分割

 针对既考虑颜色域又考虑空间域的分割算法对小纹理织物图像产生较大分割失真,而只考虑颜色域信息的算法又对大纹理粗糙图像的纱线缝隙不能有效去除的问题,提出了基于小波分解能量的织物分类算法,先判断出织物粗糙与否,再选用相应算法分割。发现由纱线缝隙等造成的较大纹理主要存在于小波变换的2、3级细节图像上,通过计算这两级的分解系数能量和,判断是否属于大纹理织物,再依据2、3级的能量比判定粗糙程度,实现对织物的分类分割。     

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。     

Unsupervised fabric defect segmentation using local patch approximation

In this work, a new method based on local patch approximation is presented to address automated defect segmentation on textile fabrics. The proposed method adopts unsupervised scheme without the need of reference images or any other prior information. Image patch is approximated by dictionary learned from a testing sample in the least squares sense. With the clue of the differentiation in approximation error, abnormal map (each pixel’s anomalous likelihood) can be computed from the patch-level difference. The 2D maximum entropy with neighbourhood considered is applied to segment defective regions from the abnormal map. The experiments on 54 defective samples demonstrate that our method yields a robust and good overall performance with high precision and accepted recall rates.