一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，包括以下步驟：對(duì)采集的帶有瑕疵的圖像進(jìn)行預(yù)處理；對(duì)預(yù)處理后的圖像使用小波分解得到多尺度下的子圖像；對(duì)子圖像進(jìn)行融合以得到最優(yōu)的疵點(diǎn)邊緣信息；對(duì)子圖像利用遺傳算法計(jì)算出閾值，并采用所述閾值對(duì)融合后的圖像進(jìn)行閾值分割；對(duì)經(jīng)過閾值分割的圖像進(jìn)行形態(tài)學(xué)處理。本發(fā)明處理后的布匹瑕疵分割效果精準(zhǔn)，分割速度快，并很好的保留了瑕疵原本的形態(tài)。
【專利說(shuō)明】
一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及織物瑕疵檢測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法。
【背景技術(shù)】
[0002]織物瑕疵檢測(cè)時(shí)布料生產(chǎn)過程中不可缺少的一個(gè)環(huán)節(jié)，而一直以來(lái)在紡織企業(yè)中普遍采用的是人工檢測(cè)的方式。這種傳統(tǒng)的驗(yàn)布方式效率低下，工人勞動(dòng)強(qiáng)度大，并且檢測(cè)準(zhǔn)確度得不到保證。由此可見，傳統(tǒng)的人工檢測(cè)方式已經(jīng)難以復(fù)合企業(yè)的現(xiàn)代化管理要求。因此，發(fā)展一種織物自動(dòng)檢測(cè)設(shè)備對(duì)紡織企業(yè)的質(zhì)量監(jiān)控和節(jié)約人力成本具有重要的經(jīng)濟(jì)意義。
[0003]目前，面向市場(chǎng)的織物瑕疵自動(dòng)檢測(cè)系統(tǒng)還比較少，生產(chǎn)出面向紡織企業(yè)的織物瑕疵檢測(cè)系統(tǒng)也只有國(guó)外的少數(shù)公司，如以色列的EVS公司，瑞士的Barco公司。在織物瑕疵檢測(cè)系統(tǒng)中，一般采用的是線陣相機(jī)作為圖像傳感器對(duì)織物圖像進(jìn)行采集。但由于在檢測(cè)過程中，布匹運(yùn)動(dòng)速度快，布匹幅面較大，圖片質(zhì)量易受工業(yè)環(huán)境的影響，正確地提取出瑕疵區(qū)域稱為布匹檢測(cè)中的重點(diǎn)和難點(diǎn)。而織瑕疵的檢測(cè)算法是自動(dòng)檢測(cè)系統(tǒng)的核心部分，因此設(shè)計(jì)出一種精度高、處理速度快的算法是實(shí)現(xiàn)在線織物瑕疵檢測(cè)的關(guān)鍵。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題是提供一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，使得布匹瑕疵分割效果精準(zhǔn)，分割速度快。
[0005]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:提供一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，包括以下步驟:
[0006](I)對(duì)采集的帶有瑕疵的圖像進(jìn)行預(yù)處理；
[0007](2)對(duì)預(yù)處理后的圖像使用小波分解得到多尺度下的子圖像；
[0008](3)對(duì)子圖像進(jìn)行融合以得到最優(yōu)的疵點(diǎn)邊緣信息；
[0009](4)對(duì)子圖像利用遺傳算法計(jì)算出閾值，并采用所述閾值對(duì)融合后的圖像進(jìn)行閾值分割；
[0010](5)對(duì)經(jīng)過閾值分割的圖像進(jìn)行形態(tài)學(xué)處理。
[0011]所述步驟(I)具體為:將采集到的帶有瑕疵的圖像先進(jìn)行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像的質(zhì)量得到整體改善。
[0012]所述步驟(2)具體為:分別對(duì)圖像按行進(jìn)行高通和低通濾波并進(jìn)行下采樣，得到兩個(gè)輸入圖像一般大小的自圖像，之后對(duì)其自圖像按列進(jìn)行高通和低通濾波并進(jìn)行下采樣，得至料個(gè)輸入圖像四分之一大小的子圖像分別是^+^知八知/辦+匕其中^^是行和列兩個(gè)方向上低通濾波的結(jié)果，代表下一尺度的概貌信號(hào);0」+111是行方向上低通濾波和列方向上高通濾波的結(jié)果，代表垂直方向上的細(xì)節(jié)信號(hào)在水平方向的概貌;0」+/是行方向上高通濾波和列方向上低通濾波的結(jié)果，代表水平方向上的細(xì)節(jié)信號(hào)在垂直方向上的概貌;Dj+1D是行和列兩個(gè)方向上高通濾波的結(jié)果，代表對(duì)角方向的細(xì)節(jié)信號(hào)。
[0013]所述步驟(3)具體包括以下子步驟:
[0014](31)從最大尺度開始，令尺度j為最大尺度J，將邊緣圖像&(X，y)中模值與相角均相近的非零像素點(diǎn)進(jìn)行鏈接，并且設(shè)置鏈長(zhǎng)閾值，刪除小于鏈長(zhǎng)的短鏈，得到尺度j下的單像素寬的邊緣圖像Ej(x，y)；
[0015](32)對(duì)于邊緣圖像Ej(X，y)中的每一個(gè)邊緣像素點(diǎn)，搜索該點(diǎn)在尺度j-1下對(duì)應(yīng)的像素點(diǎn)為中心的3 X 3鄰域，將鄰域內(nèi)模值相角均相近的點(diǎn)作為邊緣點(diǎn)添加到邊緣圖像Ej(x，y)中去，將邊緣圖像&(x，y)中模值相近、相角相近的非零像素點(diǎn)進(jìn)行鏈接，并且設(shè)置鏈長(zhǎng)閾值，刪除小于鏈長(zhǎng)的短鏈，從而得到了尺度j-Ι下的疵點(diǎn)邊緣圖像En(X，y);
[0016](33)若尺度j>l，則返回步驟(32)，若j = l，則得到的邊緣圖像E1(Xj)即為多尺度融合后的疵點(diǎn)邊緣圖像；
[0017]其中，EXx，y)為各個(gè)尺度j下的邊緣圖像，其中，j= l，2，3，...，J。
[0018]所述步驟(4)具體包括以下子步驟:
[0019](41)對(duì)子圖像進(jìn)行直方圖計(jì)算，得到低分辨率版本的直方圖；
[0020](42)在所述低分辨率版本的直方圖基礎(chǔ)上產(chǎn)生初始種群；
[0021](43)定義適應(yīng)度函數(shù)；
[0022](44)應(yīng)用學(xué)習(xí)策略改進(jìn)字符串的適應(yīng)值；
[0023](45)比較最優(yōu)字符串和當(dāng)前字符串，如果最優(yōu)字符串優(yōu)于當(dāng)前字符串，則用最優(yōu)字符串代替當(dāng)前字符串；否則，進(jìn)行選擇、交叉和變異操作來(lái)生成下一種群，并返回步驟
(42);
[0024](46)把得到的最佳閾值投射到原始空間得到原始圖像的最佳閾值分割效果。
[0025]有益效果
[0026]由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效果:本發(fā)明結(jié)合了小波變換和遺傳算法，先用離散小波變換對(duì)預(yù)處理后的圖像進(jìn)行分解，提取出圖像的不同維度上的分量，得到較低分辨率的圖像，達(dá)到了降維的目的。再使用遺傳算法對(duì)小波分解后的近似圖像直方圖進(jìn)行處理，得到一個(gè)閾值，再對(duì)原圖像進(jìn)行閾值分割，將疵點(diǎn)部分與織物背景分隔開。先經(jīng)過小波分解，在使用遺傳算法，使得相比傳統(tǒng)的遺傳算法，運(yùn)算速度更快。經(jīng)過本發(fā)明中的算法處理后的布匹瑕疵分割效果精準(zhǔn)，分割速度快，并很好的保留了瑕疵原本的形態(tài)。
【附圖說(shuō)明】
[0027]圖1是織物瑕疵自動(dòng)檢測(cè)設(shè)備示意圖；
[0028]圖2是本發(fā)明的流程圖；
[0029]圖3是采集的織物原圖；
[0030]圖4是經(jīng)小波分解得到的子圖像；
[0031]圖5是融合后圖像；
[0032]圖6是經(jīng)閾值處理得到的檢測(cè)結(jié)果圖。
【具體實(shí)施方式】
[0033]下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等價(jià)形式同樣落于本申請(qǐng)所附權(quán)利要求書所限定的范圍。
[0034]本發(fā)明的實(shí)施方式涉及一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，如圖1所示，包括以下步驟:
[0035](I)對(duì)采集的帶有瑕疵的圖像進(jìn)行預(yù)處理；
[0036](2)對(duì)預(yù)處理后的圖像使用小波分解得到多尺度下的子圖像；
[0037](3)對(duì)子圖像進(jìn)行融合以得到最優(yōu)的疵點(diǎn)邊緣信息；
[0038](4)對(duì)子圖像利用遺傳算法計(jì)算出閾值，并采用所述閾值對(duì)融合后的圖像進(jìn)行閾值分割；
[0039](5)對(duì)經(jīng)過閾值分割的圖像進(jìn)行形態(tài)學(xué)處理。
[0040]具體如下:
[0041 ] 預(yù)處理
[0042]將采集到的圖像先進(jìn)行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像的質(zhì)量得到整體改善，便于進(jìn)行下一步的處理。
[0043]小波分解
[0044]在織物中，絕大部分的疵點(diǎn)都具有一定的方向性，如斷經(jīng)、缺瑋、雙經(jīng)等，一些區(qū)域類的疵點(diǎn)如油污、破洞等，則是在經(jīng)瑋兩個(gè)方向上均產(chǎn)生了不規(guī)則紋理。對(duì)含有疵點(diǎn)的圖像進(jìn)行小波分解后，水平方向的細(xì)節(jié)子圖和垂直方向的細(xì)節(jié)子圖中會(huì)出現(xiàn)小波系數(shù)的局部極大值，在灰度上表現(xiàn)為灰度的奇異點(diǎn)。由于小波分解具有方向性，因此可利用小波分解得到的水平和垂直細(xì)節(jié)子圖像表示織物水平和垂直方向上的紋理信息。小波變換還具有稀疏性，這些極大值較之分解前更為突出，更加有利于疵點(diǎn)的檢測(cè)。
[0045]圖像的小波分解是分別對(duì)圖像在水平和垂直方向上進(jìn)行一維離散小波變換。先分別對(duì)圖像按行進(jìn)行高通和低通濾波并進(jìn)行下采樣，得到兩個(gè)輸入圖像一般大小的自圖像，之后對(duì)其自圖像按列進(jìn)行高通和低通濾波并進(jìn)行下采樣，得到4個(gè)輸入圖像四分之一大小的子圖像分別是、+1，Dj+1H，Dj+1v，Dj+1D。其中，Ap1是行和列兩個(gè)方向上低通濾波的結(jié)果，代表下一尺度的概貌信號(hào);Dj+1H是行方向上低通濾波和列方向上高通濾波的結(jié)果，代表垂直方向上的細(xì)節(jié)信號(hào)在水平方向的概貌;Dj+1v是行方向上高通濾波和列方向上低通濾波的結(jié)果，代表水平方向上的細(xì)節(jié)信號(hào)在垂直方向上的概貌;0」+^是行和列兩個(gè)方向上高通濾波的結(jié)果，代表對(duì)角方向的細(xì)節(jié)信號(hào)。
[0046]子圖像融合
[0047]經(jīng)小波分解后的得到多尺度下的織物瑕疵邊緣信息，以一定的規(guī)則對(duì)個(gè)尺度下的邊緣子圖像進(jìn)行融合，可得到最優(yōu)的疵點(diǎn)邊緣信息。本發(fā)明中運(yùn)用的是邊緣聚焦方法，步驟如下:
[0048](I)從最大尺度開始，令j = J，將E」(X，y)中模值與相角均相近的非零像素點(diǎn)進(jìn)行鏈接，并且設(shè)置鏈長(zhǎng)閾值，刪除小于鏈長(zhǎng)的短鏈，得到尺度j下的單像素寬的邊緣圖像Ej(x，y)；
[0049](2)獲得尺度j下的邊緣圖像后，對(duì)于Ej(x，y)中的每一個(gè)邊緣像素點(diǎn)，搜索該點(diǎn)在尺度j-1下對(duì)應(yīng)的像素點(diǎn)為中心的3X3鄰域，將鄰域內(nèi)模值相角均相近的點(diǎn)作為邊緣點(diǎn)添加到Ej(X，y)中去，將Ej(X，y)中模值相近、相角相近的非零像素點(diǎn)進(jìn)行鏈接，并且設(shè)置鏈長(zhǎng)閾值，刪除小于鏈長(zhǎng)的短鏈，從而尺度j-Ι下的疵點(diǎn)邊緣圖像En(X，y);
[0050](3)令j = j-1，若j>l，則進(jìn)入步驟(2)，若j = l，則得到的Ei(x，y)S卩為多尺度融合后的疵點(diǎn)邊緣圖像。
[0051]其中，EXx，y)為各個(gè)尺度j下的邊緣圖像，其中，j= l，2，3，...，J。
[0052]利用遺傳算法進(jìn)行閾值分割
[0053]簡(jiǎn)單的閾值分割很容易受到噪聲、目標(biāo)區(qū)域不規(guī)則的因素的影響，而分割的理想程度由閾值覺得，所以閾值的選取的研究對(duì)圖像分割來(lái)說(shuō)至關(guān)重要。而運(yùn)用標(biāo)準(zhǔn)的遺傳算法對(duì)瑕疵圖像進(jìn)行分割，會(huì)有收斂速度慢，計(jì)算時(shí)間長(zhǎng)的缺點(diǎn)。本算法中的分割算法屬于一種多級(jí)閾值方法。先利用小波變換將從不同尺度將圖像分解成近似信號(hào)與細(xì)節(jié)信號(hào)，再對(duì)得到的近似信號(hào)進(jìn)行二階小波變換，分解為下一級(jí)別的近似信號(hào)和細(xì)節(jié)信號(hào)。結(jié)合小波變換的遺傳算法流程如下:
[0054](I)經(jīng)過小波變換的圖像維度已經(jīng)降低，對(duì)該圖像進(jìn)行直方圖計(jì)算，得到低分辨率版本的直方圖；
[0055](2)在此低分辨率版本的直方圖基礎(chǔ)上產(chǎn)生初始種群；
[0056](3)定義適應(yīng)度函數(shù)；
[0057](4)應(yīng)用學(xué)習(xí)策略改進(jìn)字符串的適應(yīng)值；
[0058](5)比較最優(yōu)字符串和當(dāng)前字符串，如果最優(yōu)字符串優(yōu)于當(dāng)前字符串，則用最優(yōu)字符串代替當(dāng)前字符串。否則，進(jìn)行選擇、交叉和變異操作來(lái)生成下一種群，轉(zhuǎn)到步驟2;
[0059](6)把得到的最佳閾值投射到原始空間得到原始圖像的最佳閾值分割效果。
[0060]形態(tài)學(xué)處理
[0061]對(duì)經(jīng)過閾值分割的圖像進(jìn)行腐蝕、膨脹的形態(tài)學(xué)處理。在瑕疵的區(qū)域之間會(huì)存在空隙，通過腐蝕、膨脹等的形態(tài)學(xué)方法可出去圖像中的噪聲，并使得瑕疵區(qū)域變得連通。
[0062]本方法可以應(yīng)用于如圖2所示的織物瑕疵自動(dòng)檢測(cè)系統(tǒng)中，該系統(tǒng)包括帶檢測(cè)布匹模塊I，照明裝置模塊2，布匹傳送裝置模塊3，拍攝裝置模塊4，旋轉(zhuǎn)編碼器模塊5，圖像采集裝置模塊6，上位機(jī)處理與現(xiàn)實(shí)裝置模塊7。照明裝置模塊2為織物圖像的采集提供良好的光線條件，提高了織物圖像的質(zhì)量，有利于下一步的圖像處理。布匹傳送裝置模塊3為布匹傳送裝置，使得線陣相機(jī)與布匹形成勻速的相對(duì)運(yùn)動(dòng)，布匹傳送裝置模塊3包括退布滾軸、送布滾軸、電機(jī)及其驅(qū)動(dòng)、電機(jī)控制器。拍攝裝置模塊4為CCD線陣相機(jī)，在工業(yè)中用于拍攝圖像。旋轉(zhuǎn)編碼器模塊5主要功能是為相機(jī)提供主定時(shí)脈沖。圖像采集裝置模塊6為圖像采集卡，使得每個(gè)相機(jī)獲得的數(shù)據(jù)被圖像采集卡轉(zhuǎn)換為數(shù)字圖像。上位機(jī)處理與現(xiàn)實(shí)裝置模塊7為上位機(jī)處理與顯示裝置，將采集到的圖片進(jìn)行處理與分析結(jié)果輸出。
[0063]本發(fā)明專利數(shù)字圖像處理的算法原理如下:
[0064]本發(fā)明先對(duì)采集的布匹瑕疵圖像進(jìn)行預(yù)處理，再使用離散小波變換對(duì)圖像進(jìn)行分解，提取出不同維度上的分量。再使用遺傳算法對(duì)小波分解后的近似圖像直方圖進(jìn)行處理，得到一個(gè)閾值，使用該閾值對(duì)圖像進(jìn)行閾值分割，最后得到瑕疵與背景圖像分割開來(lái)的圖像。
[0065]本實(shí)施例主要分為以下的步驟:
[0066](I)對(duì)采集的帶有瑕疵的圖像進(jìn)行預(yù)處理:將采集到的圖像先進(jìn)行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像(見圖3)的質(zhì)量得到整體改善，便于進(jìn)行下一步的處理；
[0067](2)使用小波分解得到多尺度下的子圖像:圖像的小波分解是分別對(duì)圖像在水平和垂直方向上進(jìn)行一維離散小波變換。先分別對(duì)圖像按行進(jìn)行高通和低通濾波并進(jìn)行下采樣，得到兩個(gè)輸入圖像一般大小的自圖像，之后對(duì)其自圖像按列進(jìn)行高通和低通濾波并進(jìn)行下采樣，得到4個(gè)輸入圖像四分之一大小的子圖像。經(jīng)小波分解得到的子圖像如圖4所示。
[0068](3)對(duì)步驟(2)得到的子圖像進(jìn)行融合:經(jīng)小波分解后的得到多尺度下的織物瑕疵邊緣信息，以一定的規(guī)則對(duì)個(gè)尺度下的邊緣子圖像進(jìn)行融合，可得到最優(yōu)的疵點(diǎn)邊緣信息。融合后得到的圖像如圖5所示。
[0069](4)根據(jù)步驟(2)得到的子圖像利用遺傳算法計(jì)算出閾值，并用該閾值對(duì)步驟(3)得到的融合圖像進(jìn)行閾值分割，經(jīng)閾值處理得到的檢測(cè)結(jié)果如圖6所示。
[0070](5)進(jìn)行形態(tài)學(xué)處理:在瑕疵的區(qū)域之間會(huì)存在空隙，通過腐蝕、膨脹等的形態(tài)學(xué)方法可出去圖像中的噪聲，并使得瑕疵區(qū)域變得連通。
[0071]不難發(fā)現(xiàn)，本發(fā)明結(jié)合了小波變換和遺傳算法，先用離散小波變換對(duì)預(yù)處理后的圖像進(jìn)行分解，提取出圖像的不同維度上的分量，得到較低分辨率的圖像，達(dá)到了降維的目的。再使用遺傳算法對(duì)小波分解后的近似圖像直方圖進(jìn)行處理，得到一個(gè)閾值，再對(duì)原圖像進(jìn)行閾值分割，將疵點(diǎn)部分與織物背景分隔開。先經(jīng)過小波分解，在使用遺傳算法，使得相比傳統(tǒng)的遺傳算法，運(yùn)算速度更快。經(jīng)過本發(fā)明中的算法處理后的布匹瑕疵分割效果精準(zhǔn)，分割速度快，并很好的保留了瑕疵原本的形態(tài)。
【主權(quán)項(xiàng)】
1.一種基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，其特征在于，包括以下步驟: (1)對(duì)采集的帶有瑕疵的圖像進(jìn)行預(yù)處理； (2)對(duì)預(yù)處理后的圖像使用小波分解得到多尺度下的子圖像； (3)對(duì)子圖像進(jìn)行融合以得到最優(yōu)的疵點(diǎn)邊緣信息； (4)對(duì)子圖像利用遺傳算法計(jì)算出閾值，并采用所述閾值對(duì)融合后的圖像進(jìn)行閾值分割； (5)對(duì)經(jīng)過閾值分割的圖像進(jìn)行形態(tài)學(xué)處理。2.根據(jù)權(quán)利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，其特征在于，所述步驟(I)具體為:將采集到的帶有瑕疵的圖像先進(jìn)行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像的質(zhì)量得到整體改善。3.根據(jù)權(quán)利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，其特征在于，所述步驟(2)具體為:分別對(duì)圖像按行進(jìn)行高通和低通濾波并進(jìn)行下采樣，得到兩個(gè)輸入圖像一般大小的自圖像，之后對(duì)其自圖像按列進(jìn)行高通和低通濾波并進(jìn)行下采樣，得到4個(gè)輸入圖像四分之一大小的子圖像分別是Aj+1，Dj+1H，Dj+1v，Dj+1D;其中，Aj+1是行和列兩個(gè)方向上低通濾波的結(jié)果，代表下一尺度的概貌信號(hào);Dj+1H是行方向上低通濾波和列方向上高通濾波的結(jié)果，代表垂直方向上的細(xì)節(jié)信號(hào)在水平方向的概貌;Dj+1v是行方向上高通濾波和列方向上低通濾波的結(jié)果，代表水平方向上的細(xì)節(jié)信號(hào)在垂直方向上的概貌;Dj+1D是行和列兩個(gè)方向上高通濾波的結(jié)果，代表對(duì)角方向的細(xì)節(jié)信號(hào)。4.根據(jù)權(quán)利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，其特征在于，所述步驟(3)具體包括以下子步驟: (31)從最大尺度開始，令尺度j為最大尺度J，將邊緣圖像Ej(X，y)中模值與相角均相近的非零像素點(diǎn)進(jìn)行鏈接，并且設(shè)置鏈長(zhǎng)閾值，刪除小于鏈長(zhǎng)的短鏈，得到尺度j下的單像素寬的邊緣圖像Ej(x，y)； (32)對(duì)于邊緣圖像Ej(X，y)中的每一個(gè)邊緣像素點(diǎn)，搜索該點(diǎn)在尺度j-1下對(duì)應(yīng)的像素點(diǎn)為中心的3X3鄰域，將鄰域內(nèi)模值相角均相近的點(diǎn)作為邊緣點(diǎn)添加到邊緣圖像E」(X，y)中去，將邊緣圖像E」(X，y)中模值相近、相角相近的非零像素點(diǎn)進(jìn)行鏈接，并且設(shè)置鏈長(zhǎng)閾值，刪除小于鏈長(zhǎng)的短鏈，從而得到了尺度j-Ι下的疵點(diǎn)邊緣圖像En(X，y); (33)若尺度j>l，則返回步驟(32)，若j= l，則得到的邊緣圖像E1(Xd)即為多尺度融合后的疵點(diǎn)邊緣圖像； 其中，Ej(x，y)為各個(gè)尺度j下的邊緣圖像，其中，j = 1,2,3，...，J。5.根據(jù)權(quán)利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測(cè)方法，其特征在于， 所述步驟(4)包括以下子步驟: (41)對(duì)子圖像進(jìn)行直方圖計(jì)算，得到低分辨率版本的直方圖； (42)在所述低分辨率版本的直方圖基礎(chǔ)上產(chǎn)生初始種群； (43)定義適應(yīng)度函數(shù)； (44)應(yīng)用學(xué)習(xí)策略改進(jìn)字符串的適應(yīng)值； (45)比較最優(yōu)字符串和當(dāng)前字符串，如果最優(yōu)字符串優(yōu)于當(dāng)前字符串，則用最優(yōu)字符串代替當(dāng)前字符串；否則，進(jìn)行選擇、交叉和變異操作來(lái)生成下一種群，并返回步驟(42); (46)把得到的最佳閾值投射到原始空間得到原始圖像的最佳閾值分割效果。
【文檔編號(hào)】G06T7/00GK105931246SQ201610292018
【公開日】2016年9月7日
【申請(qǐng)日】2016年5月5日
【發(fā)明人】周武能, 李倩倩
【申請(qǐng)人】東華大學(xué)