专利名称：一种基于主元分析的图像分析方法及应用于织物瑕疵检测的方法
技术领域：
本发明属图像分析处理领域，应用于纺织品表面质量自动检测与控制领域，本发明涉及一种基于主元分析的图像分析方法及应用于织物瑕疵检测的方法。
背景技术：
主元分析(PCA)或Karhunen-Lc^ve (KL)变换作为一种重要的多变量统计方法，由于其出色的性质，被广泛应用模式识别领域，如人脸识别、数据压缩。主元分析的基本思想是用线性变换从原有特征得到一组个数相同的且互不相关的新特征，且这些特征中的前几个包含了原有特征的主要信息。在图像分析领域，主元分析作为一种多变量分析法主要用于多光谱图像和真彩色图像的分析，而无法直接应用于灰度图像的分析。Miarati等人Q000)将灰度图像在空间上进行不同方向的平移和不同角度的旋转操作后产生多幅图像，然后采用PCA对所产生的多幅图像进行像素级的分析，由于方法是在单个像素点的基础上进行的分析，且需要将图像进行平移和旋转来获取满足主元分析的多幅图像，涉及的运算量非常大。在织物瑕疵进行检测领域，Ozdemir等人(1996)首先将原始图像划分成32 X 32不重叠的子窗口，将子窗口每列的灰度值视为随机向量，然后对这些随机变量的协方差矩阵做主元分析得到特征值，并提取前三个最大特征值的和作为区别正常与瑕疵样本指标。KumaH2003)对7X7 模板所提取的特征向量，采用PCA进行降维后进行瑕疵检测。Sezer等人Q004)利用PCA 对提取的高维特征向量先进行降维然后用独立成分分析进行瑕疵检测。值得注意的是， Kumar (2003)和Sezer等人O004)只是将PCA看作为一种降维的辅助方法，而Ozdemir等人(1996)虽直接采用了主元分析进行瑕疵检测，但该方法需要对每个样本都进行主元分析，涉及的运算量非常大；其次是该方法并没有考虑织物纹理的随机干扰，检测结果存在较大误差。
发明内容
本发明的目的就是为了克服现有检测方法不足，提出了一种基于主元分析的图像分析方法及应用于织物瑕疵检测方法。本发明将图像直接划分成一定大小的子窗口，并以一个窗口为单位而不是在单个像素上对图像进行主元分析，可以大大减小计算量；将子窗口中的灰度值按行和列的方式展开，可以更好地刻划图像不同方向的特征。对于织物瑕疵而言，对有重叠的划分子窗口所得到的样本进行主元分析，可有效地提取织物的内在纹理结构特征；通过对原织物样本分别按行、列方向展开后进行模板操作，然后再分别进行主元分析，不仅充分利用了织物纹理的经纬取向特征，而且有利于突出瑕疵和抑制纹理随机干扰，提高检测准确率。本发明的一种基于主元分析的图像分析方法，包括训练阶段和分析阶段两部分， 具体步骤为
训练阶段1)将无瑕疵的图像有重叠地划分成m行η列大小的子窗口，有重叠的划分子窗口是为了更好地提取图像内在的结构信息；视每个子窗口为m行η列的矩阵，将子窗口中的灰度值按行和按列的方式展开成两组mXn维的列向量，并视这两组mXn维列向量为两组随机向量，记得到相应的两组随机向量为&和Xv ；对随机向量^和Xv进行模板操作以突出瑕疵和抑制随机干扰，将模板操作后随机向量4和Xv进行主元分析，得到相应的主元矩阵记为Wh和Wv ；2)将无瑕疵的图像连续无重叠地划分成m行η列大小的子窗口 ；将子窗口中的灰度值按行和按列的方式展开成两组mXn维列向量，记得到相应的两组mXn维列向量记为 yh和yv ；对yh和yv进行模板操作以突出瑕疵和抑制随机干扰，将相应模板操作后的结果分别右乘到矩阵\^\￥〗和矩阵WVWVT，即将fh和fv投影到矩阵\^\<和矩阵WvWvI，得到相应两组新的mXn维的列向量记为y' h和y' v;计算yh和y' h，yv*y' v的之间的相似度，得到相应的两个相似度为&和Sv,并记S = Sh+Sv ；计算每所有子窗口的S值，然后计算S值的累计分布函数F(S)，令F(S' ) = α，将此时α所对应的S'值作为分析用阈值 Ta 即有 Ta = S'；其中，α为置信水平，从概率理论上讲表示一个犯错的概率，在本发明中的α表示一个误检率，即将正常样本误判为瑕疵样本的概率。由于在实际分析是在基于某一阈值 Ta下进行的，不可能对实际的分析效果进行预测。因此，为了能对实际的分析效果进行一定的预测，本发明选择对不同α (取0 0. 1 下的所对应阈值Ta进行实际测试，建立a 与实际分析效果之间的关系，进而能在以后的实际分析中通过设定α来确保实际的分析效果。分析阶段3)将待分析的图像连续无重叠地划分成m行η列大小的子窗口 ；选取一个子窗口，并将子窗口中的灰度值按行和按列的方式展开成两组mXη维的列向量，记得到相应的两组mXn维的列向量记为fh和fv;对为fh和&进行模板操作以突出瑕疵和抑制随机干扰， 将相应模板操作后的结果分别右乘到矩和矩阵WVWVT，得到相应两组新的mXn维的列向量记为f' h和f' “计算4和广h，fjPf' v的之间的相似度，得到相应的两个相似度为Kh和Kv，并记K = Kh+Kv ；如果K小于阈值Ta，则认为该样本为瑕疵样本；其中，所述的相似度的衡量指标为余弦距离、欧式距离或信噪比，对于无瑕疵样本的之间的差异很小即相似度很高，而带瑕疵的样本之间差异较大，即相似度不高；通常m，η 的选取并无具体的理论依据，主要依赖于瑕疵本身尺寸与计算量，如果m、η太小，则涉及的计算量会非常大，而如果m、η太大，则不能有效地突出瑕疵信息，导致分析精度降低，本发明综合实际情况和实验探索认为m，η取32X32最佳。作为优选的技术方案如上所述的一种基于主元分析的图像分析方法，所述的有重叠地划分是指行方向相邻两个子窗口起始位置之间的水平位置相距1 [η/2]个像素([]表示取整)，列方向相邻两个子窗口连续无重叠的划分方式所得到；或者列方向相邻两个子窗口起始位置之间的垂直位置相距1 [m/2]个像素，行方向相邻两个子窗口连续无重叠的划分方式所得到。如上所述的一种基于主元分析的图像分析方法，所述的图像为位深度为8位灰度图像。如上所述的一种基于主元分析的图像分析方法，所述的模板操作是指采用长度为 3的一维模板
权利要求
1.一种基于主元分析的图像分析方法，其特征是包括训练阶段和分析阶段两部分，具体步骤为训练阶段1)将无瑕疵的图像有重叠地划分成m行η列大小的子窗口；将子窗口中的灰度值按行和按列的方式展开成两组mX η维的列向量，并视这两组mX η维列向量为两组随机向量，记得到相应的两组随机向量为4和Xv ；对随机向量4和Xv进行模板操作，将模板操作后随机向量％和Xv进行主元分析，得到相应的主元矩阵记为Wh和Wv ；2)将无瑕疵的图像连续无重叠地划分成m行η列大小的子窗口；将子窗口中的灰度值按行和按列的方式展开成两组mXn维列向量，记得到相应的两组mXn维列向量记为yh和 yv ；对yjPyv进行模板操作，将相应模板操作后的结果分别右乘矩和矩阵WVWVT， 得到相应两组新的mXn维的列向量记为y' h和y' v;计算yh和y' h，yv*y' v的之间的相似度，得到相应的两个相似度为&和Sv,并记S = Sh+Sv ；计算所有子窗口的S值，然后计算S值的累计分布函数F(S)，令F(S' ) = α, α为置信水平，将此时α所对应的S' 值作为分析用阈值Ta即有Ta =S'；分析阶段3)将待分析的图像连续无重叠地划分成m行η列大小的子窗口；选取一个子窗口，并将子窗口中的灰度值按行和按列的方式展开成两组mXn维的列向量，记得到相应的两组 mXn维的列向量记为fh和fv ；对为fh和fv进行模板操作，将相应模板操作后的结果分别右乘到矩阵\^\<和矩阵WVWVT，得到相应两组新的mXn维的列向量记为f' JPf' v ；计算 fh和f' h，fv和f' ν的之间的相似度，得到相应的两个相似度为Kh和Kv，并记K = Kh+Kv ； 如果K小于阈值Ta，则认为该样本为瑕疵样本；其中，所述的相似度的衡量指标为余弦距离、欧式距离或信噪比；mXn优选32X32。
2.根据权利要求1所述的一种基于主元分析的图像分析方法，其特征在于，所述的有重叠地划分是指行方向相邻两个子窗口起始位置之间的水平位置相距1 [η/2]个像素， 列方向相邻两个子窗口连续无重叠的划分方式所得到；或者列方向相邻两个子窗口起始位置之间的垂直位置相距1 [m/2]个像素，行方向相邻两个子窗口连续无重叠的划分方式所得到。
3.根据权利要求1所述的一种基于主元分析的图像分析方法，其特征在于，所述的图像为位深度为8位灰度图像。
4.根据权利要求1所述的一种基于主元分析的图像分析方法，其特征在于，所述的模板操作是指采用长度为3的一维模板"0.45"M= 0.10 0.45与原向量做卷积。
5.根据权利要求1所述的一种基于主元分析的图像分析方法，其特征在于，所述的对模板操作后随机向量&和Xv进行主元分析，得到相应的主元矩阵记为Wh和Wv，是指通过求解随机向量4和Xv各自的自相关矩阵的特征值和特征向量，并分别选取前P个特征值对应的特征向量作为相应的主元矩阵，阶数皆为mXn行ρ列；所述的主元分析算法为求解随机向量的自相关矩阵的特征向量来得到主元矩阵或求解随机向量的协方差矩阵的特征向量得到主元矩阵。
6.根据权利要求1所述的一种基于主元分析的图像分析方法，其特征在于，所述的相似度的衡量指标为余弦距离。
7.如权利要求1所述的一种基于主元分析的图像分析方法应用于织物瑕疵检测的方法，其特征是包括训练阶段和检测阶段两部分，具体步骤为训练阶段1)将无瑕疵的织物图像有重叠地划分成m行η列大小的子窗口；将子窗口中的灰度值按行和按列的方式展开成两组mXn维的列向量，并视这两组mXn维的列向量为两组随机向量，记得到相应的两组随机向量为^和Xv ；对随机向量4和Xv进行模板操作，对模板操作后随机向量4和Xv进行主元分析，得到相应的主元矩阵记为Wh和Wv ；2)将无瑕疵的织物图像连续无重叠地划分成m行η列大小的子窗口；将子窗口中的灰度值按行和按列的方式展开成两组mXn维的列向量，记得到相应的两组mXn维的列向量记为yh和yv ；对为yh和yv进行模板操作，将相应模板操作后的结果分别右乘到矩Wj 和矩阵Wv WVT，得到相应两个新的mXn维的列向量记为y' h和y' v;计算yh和y' h, yv 和1' v的之间的相似度，得到相应的两个相似度为&和Sv，并记S = Sh+Sv ；计算所有子窗口的S值，然后计算S值的累计分布函数F(S)，令F(S' ) = α,α为置信水平，将此时α 所对应的S'值作为分析用阈值Ta即有Ta =S'；检测阶段3)将待检测的织物图像连续无重叠地划分成m行η列大小的子窗口；选取一个子窗口，并将子窗口中的灰度值按行和按列的方式展开成两组mXn维的列向量，记得到相应的两组mXn维的列向量记为fh和fv ；对为fh和fv进行模板操作，将相应模板操作后的结果分别右乘矩阵Wh Wj和矩阵Wv WVT，得到相应两个新的mXn维的列向量记为f' h和f' v； 计算fh和f' h，fv*f' 之间的相似度，得到相应的两个相似度为，并记K = Kh+Kv ；如果K小于阈值Ta，则认为该样本为瑕疵样本；其中，所述的相似度的衡量指标为余弦距离、欧式距离或信噪比；mXn优选32X32。
8.根据权利要求7所述的应用于织物瑕疵检测的方法，其特征在于，所述的有重叠地划分是指行方向相邻两个子窗口起始位置之间的水平位置相距1 [η/2]个像素，列方向相邻两个子窗口连续无重叠的划分方式所得到；或者列方向相邻两个子窗口起始位置之间的垂直位置相距1 [m/2]个像素，行方向相邻两个子窗口连续无重叠的划分方式所得到； 所述的模板操作是指采用长度为3的一维模板
9.根据权利要求7所述的应用于织物瑕疵检测的方法，其特征在于，所述的对模板操作后随机向量&和Xv进行主元分析，得到相应的主元矩阵记为Wh和Wv，是指通过求解随机向量4和Xv各自的自相关矩阵的特征值和特征向量，并分别选取前ρ个特征值对应的特征向量作为相应的主元矩阵，阶数皆为mXn行ρ列；所述的主元分析算法为求解随机向量的自相关矩阵的特征向量来得到主元矩阵或求解随机向量的协方差矩阵的特征向量得到主元矩阵。
10.根据权利要求7所述的应用于织物瑕疵检测的方法，其特征在于，所述待检测的织物图像的行方向和列方向对应于织物的纬纱和经纱方向，或对应于经纱和纬纱方向，目的在于更好地突出经纱和纬纱方向取向特征。
全文摘要
本发明属图像分析处理领域，应用于纺织品表面质量自动检测与控制领域，本发明涉及一种基于主元分析的图像分析方法及应用于织物瑕疵检测的方法。首先将原图像样本中的灰度值按行和按列展开成两组向量；然后对这两组向量进行模板操作，将模板操作后的两组向量分别进行主元分析，得到相应的主元矩阵；最后利用这两个主元矩阵对待测样本进行投影运算，计算投影后与投影前之间的相似度来分析图像特征。本发明本身对光照不匀有抵消作用，无需传统预处理步骤；检测阶段的计算简单；通过对原织物样本分别按行、列方向展开后进行模板操作，不仅能充分利用织物纹理的经纬取向特征，而且有利于突出瑕疵和抑制纹理随机干扰，提高检测准确率。
文档编号G06K9/62GK102289677SQ201110219310
公开日2011年12月21日 申请日期2011年8月2日 优先权日2011年8月2日
发明者周建, 李立轻, 汪军, 陈霞 申请人:东华大学