基于希尔伯特边际谱互相关分析的织物疵点检测

提出了一种基于希尔伯特黄变换和互相关分析相结合的织物检测疵点方法.首先,选取正常织物作为模板并对待检测图像进行等尺寸分割,得到子图像,其大小与模板尺寸保持一致;然后分别对模板图像和每个子图像做希尔伯特黄变换,得到希尔伯边际谱.最后,求取模板图像的边际谱和每个子图像边际谱的互相关,选取合适的互相关值作为疵点识别的依据.仿真试验表明,该方法对断经、断纬、缺经、粗经、错经、错纬、扣痕、破洞等疵点具有良好的检测效果.     

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.     

基于光纤锥成像的织物疵点检测

给出了一种基于光纤锥的织物疵点高分辨率检测方法,将光纤锥小端与电荷耦合器件(CCD)敏感面直接耦合,大端与织物接触成像,可获得织物微米级的高分辨率图像,给出了系统空间分辨率计算公式,具有结构简单、分辨率高、成本低等特点.此外,提出了一种基于快速傅立叶变换的织物疵点图像分割算法,通过计算子图像的傅立叶幅值谱方差描述疵点特征,用双线性插值恢复原始图像大小,经阈值化处理可获得疵点分割结果,实例表明了该算法的有效性.     

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Log-Gabor滤波器组的织物疵点检测算法

利用Log-Gabor滤波器组实现了对织物图像的疵点检测.首先给出了构建Log-Gabor滤波器组的方法,然后利用滤波器组对织物图像进行滤波处理,并对滤波后的图像进行分割和融合,最后将疵点从织物图像的背景纹理中分割出来.实验结果证明该方法能够有效地检测出织物疵点.     

基于光纤锥成像的织物疵点检测

给出了一种基于光纤锥的织物疵点高分辨率检测方法,将光纤锥小端与电荷耦合器件（CCD）敏感面直接耦合,大端与织物接触成像,可获得织物微米级的高分辨率图像,给出了系统空间分辨率计算公式,具有结构简单、分辨率高、成本低等特点。此外,提出了一种基于快速傅立叶变换的织物疵点图像分割算法,通过计算子图像的傅立叶幅值谱方差描述疵点特征,用双线性插值恢复原始图像大小,经阈值化处理可获得疵点分割结果,实例表明了该算法的有效性。     

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．     

基于二维小波变换和BP神经网络的织物疵点检测方法

采用了二维离散小波变换对织物图像进行处理,根据小波变换后高、低频分量的特点,提取分解子图像的特征值,送入BP神经网络进行识别,从而实现织物疵点的检测.     

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。     

基于二维小波变换和BP神经网络的织物疵点检测方法

采用了二维离散小波变换对织物图像进行处理，根据小波变换后高、低频分量的特点，提取分解子图像的特征值，送入BP神经网络进行识别，从而实现织物疵点的检测。     

基于机器视觉检测算法的织物疵点检测系统研究

为实现织物疵点的自动检测,设计了一种织物疵点检测系统。使用Matrox图像采集卡、Basler CCD相机及运动平台等构建了织物疵点检测系统的硬件部分。采用基于VC++2010并调用MIL9.0库函数的软件平台,结合改进的阈值分割算法实现了对织物图像的采集、预处理和疵点检测的软件设计。实验结果表明,该检测系统可较好地识别织物疵点。     

基于数学形态学的织物密度分析方法

提出一种利用数学形态学进行织物密度分析的新方法．通过自适应的选择结构元素对织物图像进行形态变换，分别得到经、纬纱分割图像；并对经、纬纱分割图像进行进一步的统计分析得到织物密度．这种分析方法对织物组织及参数等的自动识别具有参考价值．     

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.     

织物疵点的图像信息检测方法

针对织物破洞、断经、跳花和浆斑这4种类型疵点的特征,提出一种基于图像信息的检测方法.根据织物疵点的几何特性选择结构元素,应用形态学运算突出疵点形状信息,应用灰度积分投影法确定织物疵点的位置信息,然后分析纹理特征,提取织物疵点面积、周长等特征参数.结果表明:本方法克服了经典边缘检测算子只能给出疵点轮廓的弊端,利用图像信息检测进行计算机辅助验布,对于纺织信息化具有一定的理论意义和实用价值.     

基于优化哈达玛矩阵的图像重构算法研究

基于传统的压缩感知理论,提出了一种置乱块哈达玛矩阵,对图像进行非相干测量。将测量矩阵中的部分块进行哈达玛变换并随机交换列,使得矩阵中的元素服从零均值和方差的正态分布。通过对多种类型的图像样本进行重构实验,比较分析置乱块哈达玛矩阵在BP、OMP、StOmp等不同重构算法下的重构效果,以及OMP算法在分别以随机矩阵、托普利兹矩阵、循环矩阵和置乱块哈达玛矩阵为测量矩阵时的重构效果。实验结果表明,以置乱块哈达玛矩阵为测量矩阵,图像重构的信噪比更高、压缩成像的效果更好、运算所需时间更短。     

基于OpenCV的织物疵点自动检测技术研究

为保证织物疵点自动检测技术在尽可能低的误检和漏检率条件下,达到尽可能高的检测速度,本文基于开放计算机视觉(OpenCV),给出了判断疵点存在性和利用小波变换提取疵点纹理特征的方法。在Visual C++6.0环境下,开发了单色织物疵点检测和特征值提取程序,并对刮线、色污、长残、脏污、断纱、白杠、反丝、飞花、锈斑和掉扣等疵点样片进行检测实验。实验结果表明,经过小波变换处理后的子图,对于线状疵点织物,其特征值在疵点走向方向上(经向子图或者纬向子图)的变化明显,而对于面状疵点,其特征值在经、纬方向上均变化明显。该研究对实际检测系统的设计开发具有应用价值。     

Canny算子在织物疵点检测中的应用

在分析斜纹织物纹理结构规律性的基础上,运用Canny算子对织物疵点图像进行了边缘检测,获得了织物疵点二值图像,再由灰度统计的方法生成投影图,获取织物图像的特征波形,并通过阈值过滤,将疵点定位,从而正确检测织物疵点.在Visual C 6.0环境下编程并调用Matlab6.5图像处理函数实现了本算法.     

基于Harr小波提升格式的图像压缩方法

提出了一种哈达玛变换,离散余弦变换和小波变换相结合的混合型编码,即先采用哈达玛变换对图像压缩,再对处理后的图像用离散余弦进行压缩,最后采用提升Haar小波格式对图像进行了压缩,并引入零树小波分析,得到最优小波树。仿真结果表明,所提出的方法在灰度图像压缩效果方面优于一些传统的压缩方法。     

基于B样条小波变换极大模的织物多组织识别算法研究

提出了一种新的基于B样条小波变换极大模的织物多组织识别算法:首先由B样条小波对织物图像进行分解,利用分解后的经向和纬向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;然后由它们的差值结果提取特征参数识别织物组织的位置并检验结果的准确性;最后由组织矩阵绘制织物的组织图.仿真结果表明:本文方法能够精细准确刻画织物组织点位置并具有效率高、稳定性能好等优点.