專利名稱：基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像分割技術(shù)領(lǐng)域，涉及一種坯布疵點(diǎn)分割方法，具體涉及一種基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法。
背景技術(shù)：
隨著國(guó)際紡織市場(chǎng)競(jìng)爭(zhēng)的日趨激烈，紡織品質(zhì)量問(wèn)題越來(lái)越成為企業(yè)生存與發(fā)展的制勝因素。疵點(diǎn)檢測(cè)是紡織品質(zhì)量控制的一個(gè)重要的環(huán)節(jié)。長(zhǎng)期以來(lái)，國(guó)內(nèi)坯布廠大都依靠人工來(lái)檢測(cè)疵點(diǎn)，由于長(zhǎng)時(shí)間的用眼帶來(lái)的疲勞或檢驗(yàn)人員的主觀因素等而出現(xiàn)漏檢或檢測(cè)結(jié)果不一致等問(wèn)題弊端，也直接影響著后續(xù)產(chǎn)品質(zhì)量的客觀評(píng)定。因此，提高坯布疵點(diǎn)檢測(cè)的準(zhǔn)確率已成為坯布疵點(diǎn)自動(dòng)檢測(cè)系統(tǒng)中不可缺少的一個(gè)核心技術(shù)。脈沖稱合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Networks,簡(jiǎn)稱PCNN)是一種模擬哺乳動(dòng)物視覺(jué)特性的第三代人工神經(jīng)網(wǎng)絡(luò)，因其時(shí)空總和特性以及信息傳播和耦合特性，導(dǎo)致空間鄰近、外部刺激強(qiáng)度相似的神經(jīng)元易于同步點(diǎn)火。這恰恰表征了空間鄰近像素屬性值相似的圖像分布特點(diǎn)，使之用于圖像分割具有獨(dú)特的優(yōu)勢(shì)。但傳統(tǒng)的PCNN模型因其調(diào)整參數(shù)多、計(jì)算復(fù)雜度高等問(wèn)題，很難滿足在線疵點(diǎn)檢測(cè)的實(shí)時(shí)性和自適應(yīng)性要求。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法，解決了現(xiàn)有坯布疵點(diǎn)分割技術(shù)存在的調(diào)整參數(shù)多、計(jì)算復(fù)雜度高的問(wèn)題，提高坯布疵點(diǎn)檢測(cè)的一致性和準(zhǔn)確性，以滿足在線疵點(diǎn)檢測(cè)的實(shí)時(shí)性和自適應(yīng)性處理要求。本發(fā)明所采用的技術(shù)方案是，基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法，具體按照以下步驟實(shí)施步驟I :將相機(jī)采集的MXN大小待測(cè)坯布的數(shù)字圖像傳送至圖像緩存器；步驟2 :采用改進(jìn)的局部二進(jìn)制模式算子，對(duì)圖像緩存器中的數(shù)字圖像進(jìn)行疵點(diǎn)特征提取計(jì)算，以消除光照不勻、紋理背景以及噪聲干擾的影響，凸顯疵點(diǎn)區(qū)，同時(shí)將計(jì)算得到的圖像大小壓縮至原圖像的nXn分之一；步驟3 :采用DSPCNN，對(duì)步驟2處理后的結(jié)果圖像分別進(jìn)行高低亮度坯布疵點(diǎn)的分割迭代計(jì)算；步驟4 :判斷是否到設(shè)定的迭代次數(shù)t，如果不是，則轉(zhuǎn)步驟3進(jìn)行迭代處理；如果是，則依據(jù)圖像的屬性分布特征，將步驟3的處理結(jié)果進(jìn)行按照下式進(jìn)行歸并計(jì)算，得到坯布疵點(diǎn)分割結(jié)果圖S S = <。本發(fā)明的特點(diǎn)還在于，其中的步驟2采用改進(jìn)的局部二進(jìn)制模式算子，對(duì)圖像緩存器中的數(shù)字圖像進(jìn)行疵點(diǎn)特征提取計(jì)算，具體按照以下步驟實(shí)施
5
I)獲取在同等光照下待測(cè)坯布的無(wú)疵點(diǎn)數(shù)字圖像IM，其大小大于等于 22ΧηΧ (ηXη)；2)將無(wú)疵點(diǎn)數(shù)字圖像劃分為nXn大小的非重疊窗口，并計(jì)算在nXn大小窗口內(nèi)
的行、列像素平均屬性值，記作G
，則
權(quán)利要求
1.基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法，其特征在于，具體按照以下步驟實(shí)施步驟I :將相機(jī)采集的MXN大小待測(cè)坯布的數(shù)字圖像傳送至圖像緩存器；步驟2 :采用改進(jìn)的局部二進(jìn)制模式算子，對(duì)圖像緩存器中的數(shù)字圖像進(jìn)行疵點(diǎn)特征提取計(jì)算，以消除光照不勻、紋理背景以及噪聲干擾的影響，凸顯疵點(diǎn)區(qū)，同時(shí)將計(jì)算得到的圖像大小壓縮至原圖像的nXn分之一；步驟3:采用DSPCNN，對(duì)步驟2處理后的結(jié)果圖像分別進(jìn)行高低亮度坯布疵點(diǎn)的分割迭代計(jì)算；步驟4 :判斷是否到設(shè)定的迭代次數(shù)t，如果不是，則轉(zhuǎn)步驟3進(jìn)行迭代處理；如果是， 則依據(jù)圖像的屬性分布特征，將步驟3的處理結(jié)果進(jìn)行按照下式進(jìn)行歸并計(jì)算，得到坯布疵點(diǎn)分割結(jié)果圖S
2.根據(jù)權(quán)利要求I所述的基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法，其特征在于，所述的步驟2采用改進(jìn)的局部二進(jìn)制模式算子，對(duì)圖像緩存器中的數(shù)字圖像進(jìn)行疵點(diǎn)特征提取計(jì)算，具體按照以下步驟實(shí)施1)獲取在同等光照下待測(cè)坯布的無(wú)疵點(diǎn)數(shù)字圖像頂，其大小大于等于22XnX(nXn)；2)將無(wú)疵點(diǎn)數(shù)字圖像劃分為nXn大小的非重疊窗口，并計(jì)算在nXn大小窗口內(nèi)的行、列像素平均屬性值，記作f、Tj，則
3.根據(jù)權(quán)利要求I所述的基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法，其特征在于，所述的步驟3采用DSPCNN對(duì)步驟2處理后的結(jié)果圖像分別進(jìn)行高低亮度坯布疵點(diǎn)分割的迭代計(jì)算，具體按照以下步驟實(shí)施1)計(jì)算當(dāng)前待測(cè)圖像像素屬性均值和最小、最大屬性值，分別記作i、gmin、gmax，則
全文摘要
本發(fā)明公開(kāi)的基于雙簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的坯布疵點(diǎn)分割方法，首先將相機(jī)采集的M×N大小待測(cè)坯布的數(shù)字圖像傳送至圖像緩存器；其次采用局部二進(jìn)制模式算子，對(duì)圖像緩存器中的數(shù)字圖像進(jìn)行疵點(diǎn)特征提取計(jì)算，以消除光照不勻、紋理背景以及噪聲干擾的影響，凸顯疵點(diǎn)區(qū)，同時(shí)計(jì)算得到的圖像大小壓縮至原圖像的n×n分之一；然后采用DSPCNN，對(duì)處理后的結(jié)果圖像分別進(jìn)行高低亮度坯布疵點(diǎn)分割的迭代計(jì)算；最后判斷是否到設(shè)定的迭代次數(shù)t，將DSPCNN處理結(jié)果進(jìn)行歸并計(jì)算，得到坯布疵點(diǎn)分割結(jié)果圖S。本發(fā)明方法解決了現(xiàn)有坯布疵點(diǎn)分割技術(shù)存在的調(diào)整參數(shù)多、計(jì)算復(fù)雜度高、缺乏自適應(yīng)的問(wèn)題，提高了坯布疵點(diǎn)檢測(cè)的實(shí)時(shí)性、一致性和準(zhǔn)確性。
文檔編號(hào)G06T5/00GK102592266SQ20121000120
公開(kāi)日2012年7月18日 申請(qǐng)日期2012年1月4日 優(yōu)先權(quán)日2012年1月4日
發(fā)明者姜壽山, 寧長(zhǎng)勝, 石美紅, 郭勇剛, 馬進(jìn)朝 申請(qǐng)人:西安工程大學(xué)