一种印花织物疵点检测方法与流程

本发明属于纺织疵点检测方法技术领域，具体涉及一种印花织物疵点检测方法。

背景技术：

印花织物作为附加值较高的织物，在服装制衣、高端家纺制品及家居装饰品中的应用广泛，但在花型印制的过程中，由于机械故障、人工操作失误以及生产环境干扰等因素，不可避免地会产生瑕疵，而瑕疵的存在直接影响了印花织物的质量及价格，因此对其瑕疵进行检测尤为重要。然而印花织物材质多样、纹理结构复杂、颜色多变、花型繁多，瑕疵特征难以有效表征，极大的增加了计算机瑕疵识别难度。

近年来，随着机器学习、图像处理与模式识别在纺织品工业质量控制方面的广泛应用，吸引了不少国内外学者对织物瑕疵检测问题的关注。周君等基于s-yolov3模型对白坯布和不同纹理织物的各类疵点进行实时检测，准确率与实时性均能满足实际工业需求。王泽霞等基于改进卷积神经网络对化纤丝饼表面进行缺陷识别，主要在学习过程中提出一种主动学习方法来标记化纤丝饼。ouyang等提出了一种基于激活层嵌入卷积神经网络(convolutionalneuralnetworks，cnn)的织物缺陷检测方法，利用引入的新双电位激活层，针对具有复杂特征的坯布织物进行高精度的缺陷分割。kang等将积分图像的思想集成到elo分级算法中，对原料布、色织布和提花布三种面料的织物进行缺陷区域的检测，实现了较高的检测率。朱浩等提出了一种多纹理分级融合的织物缺陷检测算法，通过特征融合，增强对坯布织物缺陷的表达优势，降低漏检和误检情况的发生。

可以看出，针对无纺布、白坯布和玻璃纤维织物等面料纹理结构相对简单的织物瑕疵的研究取得的成果较多，但是针对具有复杂纹理和花型特性的印花织物缺陷检测问题方面的研究较少。潘如如等提出了一种基于互相关的印花织物疵点检测方法，该方法仅能实现印花织物的花纹偏移、颜色色差等疵点的自动检测，且这些印花花纹的疵点都来自于软件模拟，并没有对实际的印花织物进行验证；kuo等提出了一种基于rgb累计均值法的印花织物疵点检测方法，该方法可以对断经、断纬等疵点进行检测，但rgb空间计算量大，对硬件要求较高且检测对象是周期性印花织物，并未对非周期印花织物进行探讨；景军锋等提出采用曲线匹配算法对织物图像进行分割，完成圆网印花过程中对花误差的检测，但是在检测过程中必须以标准图像进行对比匹配，否则无法完成疵点的识别；付骞提出基于gabor滤波器和规则带的印花织物疵点检测方法，该方法仅适用于周期性印花疵点的检测，且对噪声较为敏感；李敏等等使用高斯混合模型完成了对印花织物错花、色差以及花型歪斜等缺陷的检测，但该方法的检测目标仍然是周期性印花织物，且需要正样本的对比匹配；任欢欢等等提出的一种基于黄金图像减法与傅里叶变换位移定理曲线匹配算法相结合的方法，实现了周期性印花织物的错花缺陷检测。值得注意的是，这些方法目前解决的问题多是周期性印花织物，疵点主要集中在错花、对花等方面，而且需要无疵图作为正样本参考匹配，参数调节繁琐。

技术实现要素：

本发明的目的是提供一种印花织物疵点检测方法，能够对印花织物复杂的背景纹理做到抑制作用，并能做到有效准确的检测疵点。

本发明所采用的技术方案是，一种印花织物疵点检测方法，具体按以下步骤实施：

步骤1，将待检测的印花织物疵点图像缩放，然后将缩放后的印花织物疵点图像做显著性检测，得到印花织物疵点显著性图像；

步骤2，对经步骤1后得到的印花织物疵点显著性图像进行大津阈值二值化处理；

步骤3，将经步骤2处理后的二值图作为mask掩码图，确定待修复区域，然后利用criminisi算法修复原印花缺陷样本，得到修复的印花图；

步骤4，将经步骤3后得到的修复的印花图与原印花图做减法，得到差别图。

本发明的特点还在于：

其中步骤1中将待检测的印花织物疵点图像缩放至256×256像素；

其中步骤1中将印花织物疵点图像采用ft显著性算法做显著性检测，具体步骤如下：

步骤1.1，采用高斯函数的差分算子作为带通滤波器对疵点图像进行显著性处理，高斯差分式表示为：

式中，σ1和σ2为高斯标准差，且σ1＞σ2；

对于大小为w像素×h像素的图像i的显著性图s定义为：

s(x,y)＝|iμ-iωhc(x,y)|(2)

式中，iμ是原图像素值的算术平均值，iωhc(x,y)是经过dog算子模糊后图像(x,y)处的像素值；

步骤1.2，将式(2)加入颜色特征和亮度特征，其扩展公式为：

s(x,y)＝||iμ-iωhc(x,y)||(3)

式中，||||为l2范数，iμ是原图的lab空间的平均值，iωhc(x,y)是经过dog算子模糊后图像(x,y)处的lab向量值[l,a,b]^t；

其中步骤2具体内容包括：

计算经步骤1得到的显著性图中的类间方差，类间方差定义公式为：

g＝ω0ω1(μ0-μ1)²(4)

式中，g为类间方差，ω0为前景的像素点数占整幅图像的比例，μ0为其平均灰度，ω1为背景像素点数占整幅图像的比例，μ1为其平均灰度；

其中步骤3具体内容包括：

步骤3.1，在需要修复区域的轮廓上计算权重，选择权重最大的轮廓点作为待修复点，权重的定义为：

p(p)＝c(p)d(p)(5)

式中，c(p)为置信度项，d(p)为数据项，且定义为：

式中，点p为破损区域边沿上的指定一点，ψp为以p为中心的待修复块，|ψp|为图像块ψp的像素点总数，为点p的等照度线方向，np是修复边缘δω上p点处的法向量，α为归一化因子；

步骤3.2，在该待修复点周围领域取一个一定大小的patch块，在图像其他区域内找该patch块的最近邻patch；

步骤3.3，将最近邻patch块对应到需要修复区域的部分，复制到等待修复的区域，再重复上述步骤，直至所有点都填充完毕。

本发明的有益效果是：

本发明的一种印花织物疵点检测方法能对印花织物复杂的背景纹理做到抑制作用，并能做到有效准确的检测疵点。

附图说明

图1是本发明的一种印花织物疵点检测方法的流程图；

图2是本发明的一种织物疵点检测方法中实施例中待检测的织物疵点图像；

图3是本发明的一种织物疵点检测方法中实施例中待检测的织物疵点图像；

图4是本发明的一种织物疵点检测方法中图2经本实施例算法处理后得到的织物疵点图像；

图5是本发明的一种织物疵点检测方法中图3经本实施例算法处理后得到的织物疵点图像。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供了一种基于改进的加权中值滤波与k-means聚类相结合的织物疵点检测算法，如图1所示，具体按照以下步骤实施：

步骤1，将待检测的印花织物疵点图像(图2或3所示)缩放至256×256像素，然后将印花织物疵点图像利用ft显著性算法做显著性检测，突出疵点区域；

步骤1具体包括：

步骤1.1，采用高斯函数的差分(differenceofgaussian，dog)算子作为带通滤波器对疵点图像进行显著性处理，高斯差分式表示为：

式中，σ1和σ2为高斯标准差，且σ1＞σ2；

对于大小为w像素×h像素的图像i的显著性图s定义为：

s(x,y)＝|iμ-iωhc(x,y)|(2)

式中，iμ是原图像素值的算术平均值，iωhc(x,y)是经过dog算子模糊后图像(x,y)处的像素值；

步骤1.2，将式(2)加入颜色特征和亮度特征，其扩展公式为：

s(x,y)＝||iμ-iωhc(x,y)||(3)

式中，||||为l2范数，iμ是原图的lab空间的平均值，iωhc(x,y)是经过dog算子模糊后图像(x,y)处的lab向量值[l,a,b]^t；

步骤2，对经步骤1后得到的印花织物疵点显著性图像进行大津阈值二值化处理；

步骤2具体包括以下步骤：

步骤2.1，计算显著图中的类间方差，类间方差定义公式为：

g＝ω0ω1(μ0-μ1)²(4)

式中，g为类间方差，ω0为前景的像素点数占整幅图像的比例，μ0为其平均灰度；ω1为背景像素点数占整幅图像的比例，μ1为其平均灰度；

步骤3，将经步骤2处理后的二值图作为mask掩码图，确定待修复区域，然后利用criminisi算法修复原印花缺陷样本，得到修复的印花图；

步骤3具体包括以下步骤：

步骤3.1，在需要修复区域(即印花的缺陷区域)的轮廓上计算权重，选择权重最大的轮廓点作为待修复点，权重的定义为：

p(p)＝c(p)d(p)(5)

式中，c(p)为置信度项，d(p)为数据项，且定义为：

式中，点p为破损区域边沿上的指定一点，ψp为以p为中心的待修复块，|ψp|为图像块ψp的像素点总数，为点p的等照度线方向，np是修复边缘δω上p点处的法向量，α为归一化因子；

步骤3.2，在该点周围领域取一个一定大小的patch块，在图像其他区域内找该patch块的最近邻patch；

步骤3.3，将最近邻patch块对应到需要修复区域(即缺陷区域)的部分，复制到等待修复的区域，再重复上述步骤，直至所有点都填充完毕。

步骤4，将经步骤3后得到的修复图(如图4或图5)与原印花图做减法，得到差别图。