一种织物疵点的特征提取及检测方法与流程

本发明涉及一种织物疵点的特征提取及检测方法，具体涉及一种基于小波分析和模糊决策粗糙集的织物疵点特征提取及检测方法，属于织物疵点检测技术领域。

背景技术：

我国是纺织业方面的世界大国，纺织品产量居世界第一，但产品的质量却未得到有效保证。提高纺织品质量的关键是如何快速有效地检测出织物上的疵点，织物疵点是指在纺织品外观上肉眼能看到的缺陷。目前我国大多数企业在检测织物疵点的技术方面主要依靠人眼观察布面，对照验布标准来找出布上的疵点。人工检测的方法劳动强度大、检测速度慢、受检测人员主观因素影响大、准确率不高。随着计算机技术、数字图像处理技术和模式识别技术等的迅速发展，利用计算机视觉进行织物疵点的自动检测成为可能。织物疵点自动检测系统的关键技术是织物疵点的检测算法，设计并实现精度高、实时性好的织物疵点检测算法是当前研究的热点问题。

疵点检测算法就是从采集的织物图像中提取特征，对提取的特征进行分析，从而判断是否含有疵点。特征提取尤为重要，有效的特征提取方法能够提取出对检测疵点有用的特征，滤除无用特征，降低特征空间维度的同时提高疵点检测的正确率。最初的织物疵点特征提取方法大多是利用图像的灰度值直接计算，当织物中有一些引起灰度变化很小的疵点出现时，疵点识别效果较差。小波变换可以在时间和频域表征信号的局部特征，将图像进行不同尺度分解，从图像中提取有效的信息，因此常被用于图像处理。通常将织物图像在不同尺度上进行小波分解，根据不同尺度的高频分量提取一些统计量作为疵点检测的特征。然而究竟选择哪些统计量作为特征通常是根据经验来确定，若选取的特征数目过少则不能有效识别疵点，若选择的特征数目过多又会导致疵点算法的识别精度和实时性降低。

技术实现要素：

为了解决上述技术问题，本发明提供了一种织物疵点的特征提取及检测方法。

为了达到上述目的，本发明所采用的技术方案是：

一种织物疵点的特征提取及检测方法，包括以下步骤，

步骤1，利用摄像头采集一组织物的图像；

步骤2，对采集的图像进行预处理；

步骤3，基于小波变换提取图像特征向量；

步骤4，基于模糊决策粗糙集对图像特征向量进行约简，获得约简集；

步骤5，以约简集作为SVM分类器的输入量来训练疵点检测模型；

步骤6，根据步骤1～步骤4的过程，获得待测织物的约简集，将待测织物的约简集作为输入量输入训练好的疵点检测模型，计算待测织物的识别结果。

对采集的图像进行预处理的过程为，

A1，采用加权平均法对采集的图像进行灰度化处理，将其转变成灰度图像；

A2，采用中值滤波的方法对灰度图像进行去噪处理。

基于小波变换提取图像特征向量的过程为，

B1，采用二维离散小波变换对预处理后的图像进行多层分解，提取各层的高频水平细节分量和高频垂直细节分量；

B2，对每层的高频水平细节分量和高频垂直细节分量，分别计算能量E、纬向纹理熵值E_h、径向纹理熵值E_v、纬向极差M_h、垂直极差M_v、方差σ和逆差矩h，得到一组图像特征向量，记为

其中，k＝1、2、…、n，k为整数，n为图像分解的层数，chd_k为第k层高频水平细节分量，cvd_k为第k层高频垂直细节分量，为第k层高频水平细节分量的能量，为第k层高频垂直细节分量的能量，为第k层高频水平细节分量的纬向纹理熵值，为第k层高频垂直细节分量的纬向纹理熵值，为第k层高频水平细节分量的径向纹理熵值，为第k层高频垂直细节分量的径向纹理熵值，为第k层高频水平细节分量的纬向极差，为第k层高频垂直细节分量的纬向极差，为第k层高频水平细节分量的垂直极差，为第k层高频垂直细节分量的垂直极差，为第k层高频水平细节分量的方差，为第k层高频垂直细节分量的方差，为第k层高频水平细节分量的逆差矩，为第k层高频垂直细节分量的逆差矩。

能量E、纬向纹理熵值E_h、径向纹理熵值E_v、纬向极差M_h、垂直极差M_v、方差σ和逆差矩h的计算公式为，

$E=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}\frac{\left|H_{ij}\right|}{M\×N}$

$E_h=-\underset{j=1}{\overset{N}{\Σ}}{v}_{j}ln{v}_j$

$E_v=-\underset{i=1}{\overset{M}{\Σ}}{w}_i\ln w_i$

$M_h=\underset{j=1}{\overset{N}{\Σ}}(\underset{1\≤i\≤M}{max}{H}_{ij}-\underset{1\≤i\≤M}{\min }{H}_{ij})$

$M_v=\underset{i=1}{\overset{M}{\Σ}}(\underset{1\≤j\≤N}{max}{H}_{ij}-\underset{1\≤j\≤N}{\min }{H}_{ij})$

$\mathrm{\σ}=\sqrt{\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{(H_{ij}-\stackrel{\‾}{H})}^2/(M\×N)}$

$h=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}\frac{1}{1+{(i-j)}^2}{H}_{ij}$

其中，Hi_j为图像的像素点(i,j)处的灰度值，M表示图像的行数，N表示图像的列数，

基于模糊决策粗糙集对图像特征向量进行约简的过程为，

C1，对图像的特征向量进行归一化处理，将其归一化至[1，1]；

C2，将特征向量中的特征量和相应的织物疵点类别构成一个分类决策表，记为S＝<U,C,D,V,f>，其中U为论域，即采集的织物图像样本集，C为特征向量，D为织物疵点类别，V＝∪V_a，V_a是a∈A的值域，A＝C∪D，f:U×A→V为信息函数；

C3，采用基于模糊决策粗糙集的特征约简算法对分类决策表进行特征约简。

采用基于模糊决策粗糙集的特征约简算法对分类决策表进行特征简约的过程为，

D1，令初始约简集B＝Φ；

D2，对于计算a_i相对于B的α-重要度

${\mathrm{\&sigma;}}_{B,D}^{\mathrm{\&alpha;}}\left(a_i\right)=\frac{\left|{\mathrm{POS}}_{B\&cup;a_i}^{\mathrm{\&alpha;}}\left(D\right)\right|-\left|{\mathrm{POS}}_B^{\mathrm{\&alpha;}}\left(D\right)\right|}{\left|U\right|}$

其中，α为常数，为D相对于B的α-正域，为模糊决策粗糙集模型Y的α-下近似，为模糊条件概率，δ为某常数；x_i为关于Y的隶属度；

为D相对于B∪a_i的α-正域；

D3，选择属性a，满足若a的个数不止一个，则案子属性a的在决策表中出现的先后顺序来选择；

D4，更新约简集B＝B+a；

D5，判断是否成立，如果是，则结束，输出约简集B，否则转至D2，为D相对于C的α-正域。

本发明所达到的有益效果：本发明采用小波分析提取初始的特征，将纹理信息进行不同尺度和方向的分解，提供丰富、有效的纹理特征信息，在此基础上，采用基于模糊决策粗糙集模型的特征约简算法对初始特征进行约简，可以有效删除无关和冗余的特征，提取出对于疵点检测有重要影响的特征，该特征提取方法即能降低数据维度，又能提取出对疵点检测有用的信息，提高疵点检测模型的识别精度和实时性。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种织物疵点的特征提取及检测方法，包括以下步骤：

步骤1，利用摄像头采集一组织物的图像。

该组织物为一组样本，包括破洞、污点、浮经、粗经、结头、竹节、缺纬7类疵点以及正常的共8种类型织物的图像，每种类型织物的图像均100个样本，每幅图像的大小约为100*100像素。

步骤2，对采集的图像进行预处理。

具体过程如下：

A1，采用加权平均法对采集的图像进行灰度化处理，将其转变成灰度图像；

摄像头采集的图像为RGB编码格式的彩色图像，记为f(x,y)，采用加权平均法进行灰度化处理，将图像转变成灰度图像g(x,y)，转换公式如下：Gray＝0.299R+0.587G+0.114B，其中Gray为灰度图像的灰度值，R为红色分量，G为绿色分量，B为蓝色分量。

A2，采用中值滤波的方法对灰度图像g(x,y)进行去噪处理。

将每一像素点的灰度值设置为该点8邻域窗口内的所有像素点灰度值的中值，去噪处理后得到的灰度图像记为g₁(x,y)。

步骤3，基于小波变换提取图像特征向量。

具体过程如下：

B1，选取Coif5函数作为母小波，采用二维离散小波变换对预处理后的图像进行多层分解(一般进行3层分解)，提取各层的高频水平细节分量和高频垂直细节分量。

B2，对每层的高频水平细节分量和高频垂直细节分量，分别计算能量E、纬向纹理熵值E_h、径向纹理熵值E_v、纬向极差M_h、垂直极差M_v、方差σ和逆差矩h，得到一组图像特征向量，记为

其中，k＝1、2、…、n，k为整数，n为图像分解的层数，chd_k为第k层高频水平细节分量，cvd_k为第k层高频垂直细节分量，为第k层高频水平细节分量的能量，为第k层高频垂直细节分量的能量，为第k层高频水平细节分量的纬向纹理熵值，为第k层高频垂直细节分量的纬向纹理熵值，为第k层高频水平细节分量的径向纹理熵值，为第k层高频垂直细节分量的径向纹理熵值，为第k层高频水平细节分量的纬向极差，为第k层高频垂直细节分量的纬向极差，为第k层高频水平细节分量的垂直极差，为第k层高频垂直细节分量的垂直极差，为第k层高频水平细节分量的方差，为第k层高频垂直细节分量的方差，为第k层高频水平细节分量的逆差矩，为第k层高频垂直细节分量的逆差矩。

能量E、纬向纹理熵值E_h、径向纹理熵值E_v、纬向极差M_h、垂直极差M_v、方差σ和逆差矩h的计算公式为：

$E=\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}\frac{\left|H_{ij}\right|}{M\&times;N}$

$E_h=-\underset{j=1}{\overset{N}{\&Sigma;}}{v}_j\ln v_j$

$E_v=-\underset{i=1}{\overset{M}{\&Sigma;}}{w}_i\ln w_i$

$M_h=\underset{j=1}{\overset{N}{\&Sigma;}}(\underset{1\&le;i\&le;M}{max}{H}_{ij}-\underset{1\&le;i\&le;M}{\min }{H}_{ij})$

$M_v=\underset{i=1}{\overset{M}{\&Sigma;}}(\underset{1\&le;j\&le;N}{max}{H}_{ij}-\underset{1\&le;j\&le;N}{\min }{H}_{ij})$

$\mathrm{\&sigma;}=\sqrt{\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{(H_{ij}-\stackrel{\&OverBar;}{H})}^2/(M\&times;N)}$

$h=\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}\frac{1}{1+{(i-j)}^2}{H}_{ij}$

其中，Hi_j为图像的像素点(i,j)处的灰度值，M表示图像的行数，N表示图像的列数，

步骤4，基于模糊决策粗糙集对图像特征向量进行约简，获得约简集。

具体过程如下：

C1，对图像的特征向量进行归一化处理，将其归一化至[1，1]。

C2，将特征向量中的特征量和相应的织物疵点类别构成一个分类决策表，记为S＝<U,C,D,V,f>，其中U为论域，即采集的织物图像样本集，C为特征向量，D为织物疵点类别，V＝∪V_a，V_a是a∈A的值域，A＝C∪D，

f:U×A→V为信息函数。

C3，采用基于模糊决策粗糙集的特征约简算法对分类决策表进行特征简约；具体过程如下：

D1，令初始约简集B＝Φ；

D2，对于计算a_i相对于B的α-重要度

${\mathrm{\&sigma;}}_{B,D}^{\mathrm{\&alpha;}}\left(a_i\right)=\frac{\left|{\mathrm{POS}}_{B\&cup;a_i}^{\mathrm{\&alpha;}}\left(D\right)\right|-\left|{\mathrm{POS}}_B^{\mathrm{\&alpha;}}\left(D\right)\right|}{\left|U\right|}$

其其中，α为常数，为D相对于B的α-正域，为模糊决策粗糙集模型Y的α-下近似，

${\mathrm{\&mu;}}_{Y{\&cap;\&lsqb;x\&rsqb;}_{B_T}}\left(x_i\right)=min\{{\mathrm{\&mu;}}_Y\left(x_i\right),{\mathrm{\&mu;}}_{{\&lsqb;x\&rsqb;}_{B_T}}\left(x_i\right)\},{\mathrm{\&mu;}}_{{\&lsqb;x\&rsqb;}_{B_T}}\left(x_i\right)=\exp (-||x-x_i|{|}_B^2/2{\mathrm{\&delta;}}^2),$

为模糊条件概率，δ为某常数；x_i为关于Y的隶属度；

D3，选择属性a，满足若a的个数不止一个，则案子属性a的在决策表中出现的先后顺序来选择；

D4，更新约简集B＝B+a；

D5，判断是否成立，如果是，则结束，输出约简集B，否则转至D2，为D相对于C的α-正域。

步骤5，以约简集作为SVM分类器的输入量来训练疵点检测模型。

步骤6，根据步骤1～步骤4的过程，获得待测织物的约简集，将待测织物的约简集作为输入量输入训练好的疵点检测模型，计算待测织物的识别结果。

上述方法采用小波分析提取初始的特征，将纹理信息进行不同尺度和方向的分解，提供丰富、有效的纹理特征信息，在此基础上，采用基于模糊决策粗糙集模型的特征约简算法对初始特征进行约简，可以有效删除无关和冗余的特征，提取出对于疵点检测有重要影响的特征，该特征提取方法即能降低数据维度，又能提取出对疵点检测有用的信息，提高疵点检测模型的识别精度和实时性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。