基于Criminisi算法的非周期性印花织物缺陷检测

由于非周期印花织物颜色多变、花型复杂、印花缺陷纹理及背景纹理之间对比度低,导致织物缺陷不易被识别,因此给出一种Criminisi算法。首先,采用频率谐调(frequency-tuned,FT)显著性算法对印花织物缺陷图像进行显著性增强,突出缺陷的边缘轮廓;其次,利用大津阈值法对显著图进行二值化处理,并将得到的二值图作为图像修复时的Mask掩码图;最后,运用Criminisi算法对原印花织物缺陷图像进行修复,将修复的印花图像减去原印花缺陷图像,获得缺陷区域。实验结果表明,该方法能准确分割出非周期性印花织物的缺陷区域,如漏墨、污渍等,且检测准确率达97.39%。同时,实验过程中不涉及参数的调节。     

采用纹理平滑的印花织物图案轮廓提取

为丰富印花产品的种类,提出了一种可有效提取出印花织物中图案轮廓的方法,可提取出高精度的印花图案边缘轮廓。首先对图像进行平滑,通过控制平滑程度参数和空间尺度参数,平滑掉织物图像中的纹理结构。再用Canny边缘检测算子检测图案边缘,Canny分割的判别阈值采用默认自动选择阈值就能成功提取织物上图案的轮廓,分割后的图像轮廓清晰,边缘连续,并且能分割出印花织物图像中的细小结构。通过实验证明,在RGB颜色空间对图像平滑和边缘提取的效果要优于其他颜色空间,比较了其他边缘检测算子分割印花织物图案的效果,结果证明Canny算子分割效果最好。     

针对规则古织物纹理的图像修复

针对规则古织物纹理的图像修复,探讨了一种基于纹理拼接修复的优化改进算法。该算法是在Criminisi算法的基础上加入结构张量,同时修补的过程中结合Image Quilting算法在重叠区域运用动态规划的方法对纹理块进行拼接。试验证明:本文算法在纹理拼接上一定程度改善了边缘断层和结构延展的问题。认为:本文改进后的算法在针对规则纹理古织物的结构延展和纹理拼接上具更好的视觉效果,可进行进一步的优化。     

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Criminisi算法的四经绞罗纹样修复研究

文章针对古代罗织物受到诸多因素影响而产生破损、难以提取修复这一问题，提出了一种结合开运算和Criminisi算法的图像修复方法。收集具有规律性特征的四经绞罗传统纹样，用图谱分析法分析最具代表性的菱形纹，使用原算法和开运算改进过的Criminisi算法，对图像进行剪裁，得出掩膜，计算优先权后进行纹样填充，完成了四经绞罗规律型图样的数字化修复。结果表明，经过开运算改进的Criminisi算法弥补了原算法的不足，修复后的图像和原算法修复的相比更加清晰平滑，验证了此算法修复四经绞罗纹样的可行性与可信性，为罗织物的传承和修复提供了较为可靠的方法。     

基于通用学习字典的机织物纹理表征

为了提高学习字典的通用性,使其对不同织物密度样本均具有良好重构效果,提出一种包含多种织物纹理特征的通用学习字典构造方法。首先确定不同织物密度样本的取样尺寸和优化用于重构不同织物密度样本的学习字典原子个数,然后依据优化的参数训练得到不同织物密度样本的字典,最后将上述字典进行合并得到通用学习字典。针对不同密度的机织物纹理图像样本分别分析了取样尺寸和字典原子个数对图像重构误差的影响。试验结果表明:通用学习字典对不同机织物纹理的表征性能明显优于离散余弦变换字典。认为:通用学习字典具备了对多种不同密度织物的通用性,重构性好。     

基于最大稳定极值区域的织物图案检索

针对织物扫描图像的特点,提出了一种通过图像最大稳定极值区域的加速稳健特征(SURF)检索织物图案的方法。首先用结构提取算法去除织物扫描图像的纹理,保留图案信息;其次通过最大稳定极值区域法检测织物图像,提取图案各区域的SURF特征,建立织物图像特征库;再将织物检索图像与特征库内的图像进行相似性度量,得到相似图案的织物图像。实验结果表明,提出的算法能够较准确地检索织物图案。     

基于Adaboost多特征融合的织物扫描图案识别

针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题,提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理,并进行灰度化;然后分别提取灰度图像的边缘方向直方图、最大稳定极值区域的SURF特征和灰度共生矩阵特征,建立样本图像特征库;最后以样本图像特征库特征为训练对象,通过Adaboost算法融合3类特征建立分类器,实现图案识别。实验结果表明,基于Adaboost的多特征融合织物扫描图案识别算法比单特征识别算法有较高的准确率。     

基于Canny边缘检测法的印花织物图案轮廓提取

先对织物印花图案进行平滑处理,再进行轮廓提取获得了轮廓清晰、结构完整的印花轮廓。研究图案处理过程发现,当平滑处理进行3次迭代后,所得平滑图案中几乎观测不到织物纹理,且印花结构完整。随后进行灰度处理和轮廓提取后,能够得到结构完整、与原图契合度高的印花轮廓。     

基于纹理抑制平滑滤波的织物图案识别

针对织物图案特征提取效率低的问题,提出以纹理抑制平滑滤波算法与Adaboost算法为基础的织物图案识别法。首先对织物扫描图案的纱线纹理进行滤除;灰度化后再分别对图像的3个特征进行提取,最终构建图像特征库,以此作为训练对象,采用Adaboost算法进行实验。结果显示,以纹理抑制平滑滤波算法为基础的识别法能够提高图案识别率。     

基于计算机技术的纺织印染图像分割算法研究

利用基于区域分割的多尺度分割算法对织物印花图案进行分割,得到了高质量的平滑图案。所得平滑图案中观察不到原织物的纹理,且印花细节保留得较为完整,可用于进一步的轮廓提取。经轮廓提取后,得到了与原图高度契合的轮廓提取图案,且图案的边缘细节信息完整,能够用于印花的重新配色和组合。     

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。     

基于字典学习的机织物疵点图像等级评定研究

针对机织物疵点图像等级自动评定问题,在应用字典学习方法对疵点图像稀疏表达的基础上提出一种等级自动评定方法,采用该方法分别对样本大小和字典原子个数进行优化,首先在机织物纹理图像上截取特定尺寸的疵点纹理图像和正常纹理图像,对正常织物纹理图像进行K-SVD字典学习,然后用学习得到的字典对疵点纹理图像进行重构,最后根据重构效果进行等级评定。实验结果表明:最佳子样本尺寸为128像素×128像素,最佳字典原子个数为256。该方法的自动评定结果相对于人工评定结果准确率达到了83.61%。     

面向织物疵点检测的缺陷重构方法

为解决复杂图案织物疵点检测精度不足的问题,通过将疵点视为对织物纹理的破坏,利用生成对抗神经网络对疵点图像进行重构,使其恢复成正常织物纹理的图像,然后将重构图像与缺陷图像进行求异计算,对求异结果进行图像分割,实现疵点检测目的。同时引入自注意力机制、L1损失函数和改进的结构损失函数用于改进生成对抗神经网络结构及其损失函数,用以分析并解决疵点图像重构精度差和网络处理图像细节能力的不足。最后采用本文方法与无监督缺陷检测算法(ReNet-D)和SDDM-PS 2种方法对5种不同复杂图案织物疵点进行实验对比,结果表明本文方法检测精度更高。     

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。     

应用局部纹理特征的无监督织物瑕疵检测算法

针对当前算法对种类繁多瑕疵,尤其是经纬向瑕疵适应差问题,提出一种应用局部纹理特征的无监督织物瑕疵检测算法。这种算法采用无监督检测方案,检测过程中不需要参考样本。在检测过程中,首先根据瑕疵稀少性特点,直接从整体织物图像中获取表征局部织物纹理的局部二值模式直方图特征;然后利用机织物经纬交织特点对局部织物图像沿经纬向投影,并在此基础上提取特征;最后计算所提取特征的瑕疵异常图,并对其进行权重方式融合后实施阈值分割,实现瑕疵检测。实验结果表明,所提出的投影特征能有效表征局部织物纹理,与局部二值模式特征结合使用能有效检测织物瑕疵。     

印花质量自动检测系统的新技术应用

提出了一种基于机器视觉技术的纺织印花图案质量新技术检测系统,利用数：芋图像处理算法对纺织印花织物图像进行检测,分析了机器视觉技术在印花生产质量自动检测中存在的问题,并提出了相应解决办法。     

基于模糊C均值聚类的纺织品印花图像分割

 针对纺织品印花精度检测的关键技术问题,主要围绕纺织品印花图像的有效分割展开研究工作,提出了基于距离修正和隶属度修正的FCM算法。为了确保FCM算法的有效性和精确性,对其参数的选取和算法结构进行了深入的研究,结合参数的自适应初始化方法和FCM算法的修正方法,最终给出该算法对纺织品印花图像的分割效果图。实验结果表明,该算法对纺织品印花图像有良好的分割效果,并且对由光和织物纹理引起的干扰有一定的抑制作用。     

基于边缘引导的纺织品纹样数字化修复方法

针对破损纺织品文物人工修复周期长、易造成二次破坏等问题,提出一种用改进的Criminisi算法修复破损传统纺织品纹样的数字化方法。该算法通过对缺失边缘进行重构还原纺织品纹样的结构,用于引导进一步的纹理修复。首先使用线性或二阶贝塞尔曲线拟合缺失边缘,以恢复结构;然后利用多分辨率图像中的结构信息计算更有效的优先权,确定当前待修复块;再在多分辨率图像中根据颜色、梯度和边界特征计算多个候选匹配块,从中选择最佳匹配块以减少选择过程中的随机性;最后通过分割复制的最佳匹配块进行填补,以减少对已知信息区域的覆盖,迭代完成全部破损区域的修复。实验结果表明,本文算法对存在较多结构破坏的真实纺织品彩色图像可快速实现较为自然的修复效果。     

基于奇异值分解的机织物瑕疵检测算法

针对现有算法对不同机织物纹理适应性和实时性不佳的问题,本文提出了一种基于奇异值分解（SVD）的机织物瑕疵检测。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。本文重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4693个样本的实验,结果表明,本文所提算法能够使误检率小于10%,检出率大于90%。与AR模型算法进行实验比较,本文所提算法在检测精度和实时性上都优于AR算法。