[发明专利]一种基于多分形特征参数的织物瑕疵自动检测方法

说明书

技术领域

本发明属纺织产品质量自动检测和控制领域，特别是涉及一种基于多分形特征参数的织物瑕疵自动检测方法。

背景技术

当前，计算机视觉正被日益广泛地应用于各种工业产品的生产控制和质量监测，以满足当今社会对生产效率和产品质量越来越高的要求，织物瑕疵自动检测就是应用计算机视觉的一个典型例子。目前，多数纺织厂仍采用人眼验布方式，效率低下、检测工作单调乏味、劳动强度大，这些都与工业化大规模生产极不协调。采用计算机视觉技术进行织疵检测则可以避免上述问题。

织疵种类繁多、外观各异，其中既有如缺经、破洞、断头、粗节等等局部畸变的种类，也有如稀密路、筘路、吊经、某些油污等等范围较大的渐变的种类。其中渐变型织疵图像的纹理或灰度值变化缓慢或微弱，再加上织物背景的多样性，给计算机视觉检测工作带来了相当大的困难。本发明将对以稀密路为主的织疵进行检测分析。

较之欧氏几何，分形几何在描述或生成具有自相似性的自然事物或类自然事物时能够提供更好的方法，因而被广泛用在模式识别、图像的模拟和仿真等等诸多领域。自相似性是分形理论的中心概念之一，它与维数的概念密切相关。分形几何描述的对象具有统计意义上的自相似，自相似性用分形维来表征(王耀南，2003)。分形维是用分形理论进行图像分析时最常使用的特征参数之一。分形特征特别是分形维数能够较好地刻画纹理粗糙度和复杂度，因而在纹理分类、识别等实践中作为度量特征是合理的。考虑到机织物是由经纬纱相互垂直交织而成，其图像是一种典型的纹理图像，因此可用分形特征来表征织物纹理，区分正常纹理图像和瑕疵纹理图像，进而实现织疵自动检测。Conci等人(1998)采用差分计盒法提取了织物纹理的分形维及其标准差作为特征参数来检测织物疵点。在其研究中，漏检率为4％，但误警率却高达28％。Wen等人(2002)采用基于分形布朗运动的傅立叶频域最大似然估计算子来估计织物图像的分形参数---Hurst系数，以此作为特征参数，仅检测了污斑、破洞、水滴3种疵点。

注意到Conci等人(1998)和Wen等人(2002)在其研究工作中都仅仅使用了单一的分形特征，织疵检测效果并不理想。其原因在于，单一的分形特征尤其是分形维是从图像的整体来揭示纹理的内在自相似性而忽视了图像的局域信息，因此不同的纹理图像其分形维可能会非常接近甚至完全相同。Parrinello T.等人(2002)以一些纹理图像为例对此进行了详尽的探讨，证实了单一分形维特征在纹理区分方面的局限性。

发明内容

本发明所要解决的技术问题是克服采用单一传统分形特征进行织物瑕疵检测的局限性，即单一分形特征在区分正常纹理与瑕疵纹理方面的局限性，提取多个有效而互补的分形特征组成特征向量，以此检测织物瑕疵，取得更好的实际检测结果。

本发明解决其技术问题所采用的技术方案总体包括两大步骤：首先依据计盒法估算分形维的有关原理及其中存在的问题并结合织物纹理图像固有的特点提取四个有效的分形特征组成特征向量，然后结合欧式距离检测器对织物样本进行检测，判断各个样本是否为瑕疵样本。

1、多分形特征参数的提取依据和具体方法

为了更好地阐述上述多分形特征参数的提取依据和步骤，首先需要简单介绍一下如何估算图像及时间序列的盒维数。

要计算灰度图像F的盒维数，需要把该图像想象成一个三维欧式空间中的曲面，x坐标和y坐标确定像素的位置，z坐标确定像素的灰度值。令N(δ)表示覆盖图像F所需的边长为δ的最少立方体个数，则F的分形维D将由下式决定：

N(δ)·δ^D＝C

其中C为常数，两边同时取对数，有

logN(δ)＝-Dlog(δ)+log(C)

设图像F的面积为A，δ×δ为F的一个子图像，δ可变大小，令

n(δ)=int[maxI-minIδ]+1]]>