一種基于圖像分解的印花圖案織物瑕疵檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理、模式識(shí)別與機(jī)器視覺技術(shù)領(lǐng)域，具體涉及一種基于圖像分 解的印花圖案織物瑕疵檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著科學(xué)技術(shù)的迅猛發(fā)展，我國紡織行業(yè)競(jìng)爭(zhēng)日趨激烈，布匹質(zhì)量的優(yōu)劣程度對(duì) 紡織生產(chǎn)影響相當(dāng)之大，含有瑕疵的服裝將按折扣價(jià)銷售，從而使各大紡織企業(yè)面臨著高 標(biāo)準(zhǔn)，嚴(yán)要求的巨大壓力。在紡織產(chǎn)品生產(chǎn)中，布面瑕疵是影響織物質(zhì)量的主要因素，織物 表面瑕疵檢驗(yàn)是一個(gè)非常重要的環(huán)節(jié)。目前，國內(nèi)大多數(shù)企業(yè)仍舊采用傳統(tǒng)的人工目測(cè)的 方法對(duì)紡織品質(zhì)量進(jìn)行檢測(cè)，因受工作環(huán)境和勞動(dòng)強(qiáng)度的影響使得檢測(cè)效率較低，據(jù)測(cè)試， 人工檢測(cè)大概只能檢測(cè)出40% -60%的瑕疵，即使熟練的驗(yàn)布工人也只能發(fā)現(xiàn)大約70%的 瑕疵。傳統(tǒng)的人工檢測(cè)方法勞動(dòng)強(qiáng)度大，漏檢和誤檢率高等缺點(diǎn)，已經(jīng)成為提高紡織企業(yè)生 產(chǎn)效率的瓶頸之一。
[0003] 自二十世紀(jì)七十年代以來，隨著數(shù)字集成技術(shù)和圖像處理技術(shù)的飛速發(fā)展，機(jī)器 視覺已經(jīng)在工業(yè)表面檢測(cè)領(lǐng)域中得到越來越廣泛的應(yīng)用，以計(jì)算機(jī)視覺來代替人工視覺不 僅可以提高檢測(cè)速度，降低勞動(dòng)成本，而且通過印花織物瑕疵自動(dòng)檢測(cè)系統(tǒng)進(jìn)行瑕疵檢測(cè) 為印花織物質(zhì)量等級(jí)的評(píng)定，提供了雙方可信的參考數(shù)據(jù)。
[0004] 目前，基于機(jī)器視覺的印花織物瑕疵在線檢測(cè)已經(jīng)成為紡織學(xué)科和信息科學(xué)的學(xué) 者積極參與的前沿交叉研究領(lǐng)域。國內(nèi)外許多研究學(xué)者已經(jīng)提出了多種基于機(jī)器視覺的 織物瑕疵檢測(cè)算法，如基于統(tǒng)計(jì)學(xué)方法的自相關(guān)函數(shù)法、共生矩陣法、數(shù)學(xué)形態(tài)學(xué)法；在頻 域提取特征值的傅里葉變換法、Gabor濾波器法、小波變換法以及基于模型算法的自回歸模 型、馬爾科夫隨機(jī)場(chǎng)法等。Mak等利用數(shù)學(xué)形態(tài)學(xué)濾波器對(duì)織物進(jìn)行處理，完成織物的瑕疵 檢測(cè)。Tsai和Hu提出四種不同的瑕疵織物的傅里葉模型，并利用這些模型提取織物瑕疵的 傅里葉特征。Xu Y等人提出了一種通過使用Gabor函數(shù)奇部分的無監(jiān)督的瑕疵檢測(cè)算法。 但這些算法主要是針對(duì)于紋理結(jié)構(gòu)較為簡(jiǎn)單的平紋和斜紋織物，而對(duì)于包括星型，方格型， 圓點(diǎn)型等相對(duì)復(fù)雜的印花圖案織物的瑕疵檢測(cè)研究相對(duì)較少。因此，如何對(duì)印花圖案織物 進(jìn)行瑕疵檢測(cè)具有較深刻的研究意義。
[0005] 小波預(yù)處理黃金模板相減匹配（WGIS)法，基于圖案紋理周期性的規(guī)則帶（RB)法， 基于圖像像素標(biāo)準(zhǔn)偏差的布林帶（BB)法以及基于圖案基元的瑕疵檢測(cè)算法等都是目前存 在的幾類針對(duì)于印花織物的瑕疵檢測(cè)算法，這幾種算法都是基于統(tǒng)計(jì)學(xué)方法與濾波方式相 結(jié)合的算法。其中，基于圖案紋理周期的規(guī)則帶（RB)法主要是采用兩個(gè)相關(guān)互補(bǔ)的織物瑕 疵紋理特征來實(shí)現(xiàn)織物窗口的特征提取，但是織物窗口的設(shè)置沒有統(tǒng)一的方法，難以實(shí)時(shí) 檢測(cè)織物圖案瑕疵；而基于圖像像素標(biāo)準(zhǔn)偏差的布林帶（BB)法則是針對(duì)規(guī)則重復(fù)單元的 印花織物，計(jì)算上界帶與下界帶的標(biāo)準(zhǔn)偏差，通過訓(xùn)練過程和檢測(cè)過程，識(shí)別織物瑕疵，但 是對(duì)于比單個(gè)重復(fù)單元還要小的疵點(diǎn)，通過布林帶方法是很難準(zhǔn)確檢測(cè)出來的。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是提供一種基于圖像分解的印花圖案織物瑕疵檢測(cè)方法，解決了現(xiàn) 有技術(shù)不能準(zhǔn)確檢測(cè)出相對(duì)較細(xì)小疵點(diǎn)的問題。
[0007] 本發(fā)明所采用的技術(shù)方案是，一種基于圖像分解的印花圖案織物瑕疵檢測(cè)方法， 具體按照以下步驟實(shí)施：
[0008] 步驟1、采集印花圖案織物的圖像；
[0009] 步驟2、對(duì)步驟1采集到的圖像進(jìn)行預(yù)處理，即對(duì)圖像增強(qiáng)得到目標(biāo)圖像I ;
[0010] 步驟3、采用Gaussian回代交替方向法對(duì)步驟2中的目標(biāo)圖像I進(jìn)行分解，分解為 紋理部分V和瑕疵部分u。
[0011] 本發(fā)明的特點(diǎn)還在于：
[0012] 步驟2采用直方圖均衡化的方法對(duì)圖像進(jìn)行預(yù)處理，得到目標(biāo)圖像I的過程具體 為：
[0013] 假設(shè)圖像有S階，通過式（1)可以得到目標(biāo)圖像I為：
[0015] 其中，m是圖像的灰度級(jí)，η是圖像的總像素個(gè)數(shù)，叫是i灰度級(jí)上的像素個(gè)數(shù)， P(A)則代表i灰度級(jí)上的概率密度，T (rj是m灰度級(jí)上像素的非線性變換函數(shù)。
[0016] 步驟3中Gaussian回代交替方向法對(duì)目標(biāo)圖像I進(jìn)行分解的具體步驟為：
[0017] 首先引入凸優(yōu)化模型，Bp求解 min Θ i (X1) + θ 2(Χ2) + θ 3(x3)，服從于 A1XfA2XjA3X3 =b，XiG X p i = 1，2,3,其中Θ i:
為凸函數(shù)，為給定矩陣， '為非空的凸子集，be R1為已知向量；其中，凸優(yōu)化問題的拉格朗日算子λ GR1函 數(shù)定義為：
[0019] 拉格朗日算子λ的空間范圍為Q = X1XX2XX3XR1;
[0020] 其次，應(yīng)用Gaussian回代交替方向法解決凸優(yōu)化模型問題，具體為：
[0021] ①定義參數(shù)：
[0022] V = (χ2, χ3, λ) (3)
CN 105184777 A 說明書 3/10 頁
[0027] 其中，E為單位矩陣，懲罰參數(shù)β > 0, V = X2XX3XR1;
[0028] ②交替方向法具體為：
[0032] 重復(fù)執(zhí)行②、③，直到
，迭代結(jié)束，
[0033] 其中，a e [0. 5, 1)，公差 ε > 0, ，且初始向量
[0034] 假設(shè)目標(biāo)圖像I e Rn，結(jié)合上述Gaussian回代交替方向法的凸優(yōu)化模型來分解下 式目標(biāo)圖像I :
[0036] 即得到印花圖案織物圖像的紋理部分V和瑕疵部分u ;
[0037] 其中，P多1，V = divg，▽表示一階導(dǎo)數(shù)算子，div = - ▽ τ是散度算子，τ彡1、 μ多1分別是用來權(quán)衡目標(biāo)函數(shù)（10)的三個(gè)組成部分的權(quán)衡參數(shù)；
[0038] 第一項(xiàng)I I I Vul I I1Su的總變差范數(shù)，假設(shè)對(duì)于任意的Z = (Zl，z2，...，zn)TeRn，
代表Z的P范數(shù)，而對(duì)于任意的y = (Y1, y2) e RnXRn，|y I表示Rn* 的一個(gè)向量，并由下式給出：
[0042] 第三項(xiàng)I I I g| I |p，我們首先考慮在負(fù)指數(shù)Sobolev空間中，對(duì)于任意的u e Rn， Iulllp= lllulll p，VpH;也就是說此空間中總變差范數(shù)就是半范數(shù)Il · Il1, i， I I · I 11ιΡ 的對(duì)偶范數(shù)記作 I I · I I "，l/p+1/q = 1，且被定義為：V liq= inf{ I I I g| I I q}，g e RnXRn，所以，對(duì)于公式（10)中的第三項(xiàng)I I |g| I |p，一般情況下取P -①，可以得出
[0043] 還包括步驟4、計(jì)算瑕疵織物的紋理部分V與無瑕疵織物W的相關(guān)性 Corr (W，V ( τ，μ ))為：
[0045] 其中，cov()和var()分別為協(xié)方差和方差；
[0046] Corr (W, V ( τ，μ ))接近于1時(shí)（τ，μ )的值為最優(yōu)權(quán)衡參數(shù)，此時(shí)，目標(biāo)圖像分解 為紋理部分ν'和瑕疵部分u'。
[0047] 還包括步驟4、采用基于像素灰度值及像素點(diǎn)鄰域灰度值的二維Otsu閾值的圖像 分割方法對(duì)步驟3得到的瑕疵部分u進(jìn)行分割，將瑕疵部分u設(shè)為原始圖像，取圖像的閾值 為Τ，則分割后的二值圖像f(x，y)為：
[0049] 式中：0表示像素為黑色，1表示像素為白色。
[0050] 還包括步驟4、計(jì)算瑕疵織物的紋理部分V與無瑕疵織物W的相關(guān)性 CN 105184777 A 說明書 5/10 頁
[0052] 其中，cov()和var ()分別為協(xié)方差和方差；
[0053] Corr (W, V ( τ，μ ))接近于1時(shí)（τ，μ )的值為最優(yōu)權(quán)衡參數(shù)，此時(shí)，目標(biāo)圖像分解 為紋理部分ν'和瑕疵部分u' ；
[0054] 步驟5、采用基于像素灰度值及像素點(diǎn)鄰域灰度值的二維Otsu閾值的圖像分割方 法對(duì)步驟4得到的瑕疵部分u'進(jìn)行分割，將瑕疵部分u'設(shè)為原始圖像，取圖像的閾值為Τ， 則分割后的二值圖像f(x，y)為：
[0056] 式中：0表示像素為黑色，1表示像素為白色。
[0057] 本發(fā)明的有益效果是：本發(fā)明是一種基于圖像分解的印花圖案織物瑕疵檢測(cè)方 法，采用基于Gaussian回代交替方向法的圖