[发明专利]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

说明书

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-Loève(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。Bharati等人(2000)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32×32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。Kumar(2003)对7×7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(2004)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(2004)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n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n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m×n维的列向量，并视这两组m×n维列向量为两组随机向量，记得到相应的两组随机向量为x_h和x_v；对随机向量x_h和x_v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x_h和x_v进行主元分析，得到相应的主元矩阵记为W_H和W_V；

2)将无瑕疵的图像连续无重叠地划分成m行n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m×n维列向量，记得到相应的两组m×n维列向量记为y_h和y_v；对y_h和y_v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即将f_h和f_v投影到矩阵和矩阵上，得到相应两组新的m×n维的列向量记为y′_h和y′_v；计算y_h和y′_h，y_v和y′_v的之间的相似度，得到相应的两个相似度为S_h和S_v，并记S＝S_h+S_v；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T_α即有T_α＝S′；