基于灰度共生矩阵特征图像的织物疵点检测方法

提出一种由灰度共生矩阵生成相应特征图像的算法,进行了图像分割和织物疵点检测。先将织物疵点图像进行灰度级量化至16级,再提取0°,45°,90°,135°四个方向上的灰度共生矩阵,通过计算灰度共生矩阵中的熵、相关性、对比度、差异性、逆差矩共五种特征值并生成相应的特征图像,对常见的5种织物疵点进行了分割检测实验。实验结果证明基于灰度共生矩阵生成特征图像的检测算法是一种检测效果良好的疵点检测方法 。     

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。     

基于灰度共生矩阵的织物纹理分析

以一种常见的织物纹理为对象,采用灰度共生矩阵的方法进行纹理分析.介绍了灰度共生矩阵的原理及其特征参数,讨论了纹理的灰度共生矩阵特征参数、像素距离以及图像灰度等级对灰度共生矩阵的影响,确定了区分此类正常织物与带疵点织物纹理的灰度共生矩阵构造方法.针对该类正常织物图像进行纹理分析,特征参数值统计,确定了正常织物纹理像素方向、像素距离以及图像灰度等级.取原始织物图像尺寸为128×128,生成灰度共生矩阵的最佳像素距离为2,经直方图均衡化后,最佳灰度等级为16.实验结果表明,按照该规则生成的6个灰度共生矩阵的特征参数,能够准确的判断此类织物图像是否存在疵点.     

Gabor小波变换在帘子布疵点检测中的应用

给出一种基于多通道Gabor滤波器技术实现高速实时帘子布疵点捡测方法。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。可以用于检测有规则纹理结构的表面及物体。     

基于灰度共生矩阵与反向投影的织物疵点检测

针对织物疵点检测,将灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)与反向投影结合起来,提出了一种基于GLCM的反向投影方法(GLCM-BP);首先介绍了GLCM-BP的原理,然后给出了织物疵点检测流程,分析并优化了GLCM的距离d与灰度级N等参数,选择了相应的滤波与自适应阈值分割方法以检测疵点,同时给出了7种常见疵点的检测结果;最后将本文方法与GLCM方法作了检出率的比较;结果表明,提出的方法具有良好的疵点分割效果,可显著提高疵点检出率。     

灰度共生矩阵在皮肤纹理检测中的应用研究

图像的纹理特征检测技术在互联网色情图像监测以及Web图像过滤等方面有着广泛的应用。通过阐述皮肤的纹理属性和纹理分析方法引出基于灰度共生矩阵的纹理检测技术,并且通过具体的实验给出了相关参数的取值,具体包括共生矩阵计算主要涉及的灰度级数和位移量,以及纹理特征度量值的选择。实验结果表明,反差和能量是区分皮肤区域和非皮肤区域的两个最佳纹理度量指标。     

基于模糊类别共生矩阵的纹理疵点检测方法

纹理图像中的不规则部分通常称为疵点。纹理通常由空间分布和灰度分布共同描述,由于灰度共生矩阵能兼顾二者,因此具有很好的描述纹理的能力,不过其对纹理的正常部分与不正常部分的区分能力仍然有限,且计算效率低。为克服灰度共生矩阵以上的不足,提出了一种用模糊类别共生矩阵的方法来检测不规则纹理。该方法首先通过学习纹理的基本特征,如纹理的灰度概率密度分布、纹理主方向和周期等来确定模糊类别共生矩阵的一些关键参数,并将灰度级划分为几个纹理色调类别;然后根据后验概率函数得出各个灰度级对每个色调类别的模糊隶属度,同时计算模糊类别共生矩阵,并提取一些更为简单的特征;最后利用异常点检测的方法,即可很好地区分正常纹理和疵点。实践证明,该方法不仅比已有的灰度共生矩阵方法更简单,计算效率更高,而且能更好地表示不规则纹理。     

基于灰度共生矩阵的火焰图像纹理特征分析

早期火灾是从无到有的发生发展过程,在这一过程中,火焰的纹理特征也会随之产生快速上升或下降,并出现大幅度抖动的现象.本文采用灰度共生矩阵分析法和MATLAB仿真工具,综合分析火焰以及台灯、目光灯、晃动的蜡烛等干扰物在能量、熵、惯性矩和局部平稳性四个主要方面的纹理特征,得到干扰物纹理特征与火焰纹理特征变化规律的异同,为进一步使用神经网络进行火灾图像探测时纹理特征参数判据的确定提供依据.     

基于综合灰度共生矩阵的显微细胞图像纹理研究

灰度共生矩阵法是图像纹理分析中一种十分重要的方法。由于受到方向性和细胞本身特性的影响,传统的灰度共生矩阵法不能完整描述显微细胞图像的纹理,运用综合灰度共生矩阵可以有效地解决这个问题。根据显微细胞图像特点,计算出6个由综合灰度共生矩阵导出的纹理特征参数,并对它们进行归一化处理。通过分析这些归一化纹理特征值,可以对细胞图像中各种细胞成分进行分类描述。     

一种基于灰度共生矩阵的文本图像识别方法

提出了一种有效的文本图像识别方法。在对文本图像与非文本图像纹理特征差异进行分析的基础上，计算了一种新的图像灰度共生矩阵统计量，进而据此对图像属性作出判决。实验结果表明了该方法的有效性。     

基于灰度共生矩阵的金属断口图像的分类研究

灰度共生矩阵在图像的纹理分析中是一个很重要的方法,但是其参数的选择现在还没有确定的方法。论文计算了灰度共生矩阵的13个特征参数,根据不同步长、不同灰度压缩级时特征值的变化曲线确定步长和灰度级别,然后根据相关系数分析选择其中的7个特征,利用加权欧式距离分类器将金属断口图像分为4类。与常用的5个特征进行分类相比,根据该方法选择的7个特征分类效果明显更好。     

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。     

Wavelet based methods on patterned fabric defect detection

The wavelet transform (WT) has been developed over 20 years and successfully applied in defect detection on plain (unpatterned) fabric. This paper is on the use of the wavelet transform to develop an automated visual inspection method for defect detection on patterned fabric. A method called direct thresholding (DT) based on WT detailed subimages has been developed. The golden image subtraction method (GIS) is also introduced. GIS is an efficient and fast method, which can segment out the defective regions on patterned fabric effectively. In this paper, the method of wavelet preprocessed golden image subtraction (WGIS) has been developed for defect detection on patterned fabric or repetitive patterned texture. This paper also presents a comparison of the three methods. It can be concluded that the WGIS method provides the best detection result. The overall detection success rate is 96.7% with 30 defect-free images and 30 defective patterned images for one common kind of patterned Jacquard fabric.     

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。     

基于离散小波变换的织物疵点检测方法

提出了一种基于离散小波变换的织物疵点检测新方法。首先通过对采集织物图像进行小波变换,然后把子图分割为相互连接、互不交叠的子窗口,计算每个子窗口小波系数的标准差作为特征值,最后对这些特征值再次计算标准差与极差,以此作为依据与正常织物进行比较,实现对织物疵点的检测。通过对不同疵点进行检测实验,证明了该算法是可行有效的,检测的正确率平均可达90%以上。     

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。     

基于Gabor滤波器组的织物疵点检测方法

给出了基于Gabor滤波器组的织物疵点检测方法。在分析Gabor滤波器时频特性的基础上,针对素色坯布织物疵点图像,设计了椭圆形多尺度多方向的Gabor滤波器组,并应用该滤波器组在频域对织物疵点图像进行滤波处理,对滤波后的多幅图像进行融合与分割处理,将疵点从织物背景中分割出来,从而实现了疵点的检测。实验结果证明了该方法的有效性。