一种基于LBP和GLCM的织物瑕疵检测方法与流程

本发明涉及织物瑕疵检测技术领域，特别是涉及一种基于lbp和glcm的织物瑕疵检测方法。

背景技术：

织物瑕疵检测是纺织印染质量监控的重要环节，传统的人工检测方法不但耗时耗力，且由于检测员的自身经验和视觉疲劳等原因，难以保证检测质量。在此背景下，亟需一种织瑕疵检测方法，可代替人工离线检测实现对织物瑕疵的自动检测和定位。

技术实现要素：

本发明所要解决的技术问题是提供一种基于lbp和glcm的织物瑕疵检测方法，能够快速实现织物瑕疵的自动检测与定位。

本发明解决其技术问题所采用的技术方案是：提供一种基于lbp和glcm的织物瑕疵检测方法，包括：

(1)模板特征提取阶段：针对织物无瑕疵的标准图像，运用基于lbp的glcm特征提取方法确定出检测同类织物的标准特征阈值和判定条件；

(2)织物检测阶段：提取待检测图像的特征值，并与模板特征提取阶段确定的标准特征阈值进行比较，依据比较结果和判定条件实现对待检测图像的瑕疵检测。

所述步骤(1)包括以下子步骤：

(11)选取无瑕疵织物标准图像作为模板，对图像进行预处理，完成图像的滤波操作；

(12)将图像不重叠地划分成n个wd×wd大小的检测窗口，对于每个检测窗口，采用基于lbp的glcm特征提取方法提取特征向量；

(13)当n个检测窗口都提取完毕之后，求得n组特征向量中单个特征值各自的中值得到特征中值向量；

(14)对各个特征分别选取调整因子；

(15)将选取的调整因子和特征中值向量的乘积作为标准特征阈值，并针对各个特征值确定判定条件用于瑕疵的判定。

所述步骤(11)中的预处理具体为：对织物图像进行初步处理，包括掩模大小为3*3的高斯滤波、灰度处理和掩模大小为7*7的高斯滤波。

所述步骤(12)中的基于lbp的glcm特征提取方法提取特征向量具体为：

(a)运用算子，将图像灰度级降为0-p+1，其中，算子是具有旋转不变性和“统一”模式的局部二值模式算子，p表示中心像素点邻域内像素点个数，r表示邻域半径；

(b)在此基础上生成0°、45°、90°和135°四个方向的灰度共生矩阵；

(c)计算四个灰度共生矩阵的平均值作为混合灰度共生矩阵；

(d)提取混合灰度共生矩阵的特征值作为特征向量。

所述步骤(d)中的特征向量包括：能量熵对比度逆差距自相关性不一致性聚类阴影和显著聚类其中，p(i,j)表示灰度值分别为i和j的像素对在灰度共生矩阵中的条目值，l表示图像灰度级。

所述步骤(2)包括以下子步骤：

(21)对待检测织物图像进行预处理，完成图像的滤波操作；

(22)选取和模板特征提取阶段大小相同的检测窗口，按照固定的步长m，先自左向右再自向下重叠滑动检测；

(23)采用基于lbp的glcm特征提取方法提取检测窗口的特征向量；

(24)将检测窗口的特征向量和标准特征阈值进行比较，依据判定条件进行瑕疵窗口的标定。

所述步骤(21)中的预处理方式和模板特征提取阶段的预处理方式相同；所述步骤(23)中基于lbp的glcm特征提取方法和模板特征提取阶段的提取方法相同。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明分为模板特征提取和织物检测两个阶段，在模板特征提取阶段，确定出检测同类织物的标准特征阈值和判定条件；在织物检测阶段，将待检测图像中提取到的纹理特征值与标准特征阈值进行比较，依据判定条件实现瑕疵的识别和定位。本方法计算复杂度较低，能实现阈值的动态确定，对细小纹理和粗疏纹理的织物都有较好的适应性。

附图说明

图1是本发明实施方式中步骤1模板特征提取过程的流程图；

图2是本发明实施方式中步骤2织物瑕疵检测过程的流程图；

图3是本发明实施方式中图像预处理过程的流程图；

图4是本发明实施方式中基于lbp的glcm特征提取方法的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于lbp和glcm的织物瑕疵检测方法，该方法分为模板特征提取和织物检测两个阶段。在模板特征提取阶段，确定出检测同类织物的标准特征阈值和判定条件；在织物检测阶段，将待检测图像中提取到的纹理特征值与标准特征阈值进行比较，依据判定条件实现瑕疵的识别和定位。具体包括以下步骤：

步骤1：模板特征提取：针对织物无瑕疵标准图像，确定出检测同类织物的标准特征阈值和判定条件。如图1所示，该步骤的主要子过程包括：

1.1选取无瑕疵织物标准图像作为模板，对图像进行预处理，完成图像的滤波操作，详见图像预处理过程；

1.2将图像不重叠地划分成n个wd×wd大小的检测窗口，对于每个检测窗口，采用基于lbp的glcm特征提取方法提取特征向量；

1.3当n个检测窗口都提取完毕之后，求得n组特征向量中单个特征值各自的中值得到特征中值向量；

1.4对各个特征分别选取合理的调整因子；

1.5选取调整因子和特征中值向量的乘积作为标准特征阈值，并针对各个特征值确定判定条件用于瑕疵的判定。

步骤2：织物瑕疵检测：提取待检测图像的特征值与模板特征提取阶段确定的标准特征阈值进行比较，依据比较结果和判定条件实现对待检测图像的瑕疵检测。如图2所示，该步骤的主要子过程包括：

2.1对待检测织物图像进行预处理，完成图像的滤波操作，详见图像预处理过程；

2.2选取和模板特征提取阶段大小相同的检测窗口，按照固定的步长m，自左向右自上向下重叠滑动检测；

2.3采用基于lbp的glcm特征提取方法提取检测窗口的特征向量；

2.4将检测窗口的特征向量和标准特征阈值进行比较，依据判定条件进行瑕疵窗口的标定；

2.5图像所有区域检测完毕，得到检测结果。

步骤1和步骤2中可以采用相同的图像预处理方法，其过程如图3所示，其用于完成图像的滤波和灰度化工作，主要内容如下：

对织物图像进行初步处理，包括掩模大小为3*3的高斯滤波，灰度处理，掩模大小为7*7的高斯滤波。

本实施方式中的基于lbp的glcm特征提取方法结合了lbp算子描述的局部特征和glcm描述的全局特征，提取织物图中的的纹理特征值，特征值具有灰度不变性和旋转不变性，以及较低的计算复杂度。主要内容如下：

1)运用算子，将图像灰度级降为0-p+1；其中，算子是具有旋转不变性和“统一”模式的局部二值模式算子，p表示中心像素点邻域内像素点个数，r表示邻域半径。

2)在此基础上生成0°、45°、90°和135°四个方向的glcm；

3)进一步求取四个glcm的平均值作为混合glcm；

4)提取混合glcm的特征值作为特征向量，其中特征值依次为：

(a)能量

(b)熵

(c)对比度

(d)逆差距

(e)自相关性

(f)不一致性

(g)聚类阴影

(h)显著聚类

其中，p(i,j)表示灰度值分别为i和j的像素对在灰度共生矩阵中的条目值，l表示图像灰度级。

不难发现，本发明分为模板特征提取和织物检测两个阶段，在模板特征提取阶段，确定出检测同类织物的标准特征阈值和判定条件；在织物检测阶段，将待检测图像中提取到的纹理特征值与标准特征阈值进行比较，依据判定条件实现瑕疵的识别和定位。本方法计算复杂度较低，能实现阈值的动态确定，对细小纹理和粗疏纹理的织物都有较好的适应性。