[发明专利]一种基于图像投影和奇异值分解的织物瑕疵检测方法

说明书

技术领域

本发明属图像分析处理领域，本发明涉及一种基于图像投影和奇异值分解的织物瑕疵检测方法，应用于纺织品表面质量自动检测与控制领域。

背景技术

设矩阵A是m×n的矩阵，奇异值分解(SVD)可以把矩阵A分解成U，Σ和V三个矩阵。其中矩阵U是m×n的正交矩阵，矩阵V是n×n的正交矩阵，矩阵Σ是m×n的矩阵，其对角线以外的元素全部为零，即矩阵Σ=diag(σ₁，σ₂，…，σ_r)为对角矩阵，r为矩阵A的秩，σ₁，σ₂，…，σ_r为A矩阵的奇异值。矩阵U和V分别称为左奇异矩阵和右奇异矩阵，矩阵Σ的对角线上的元素依次呈递减顺序，即：σ₁≥σ₂≥…≥σ_r≥0。

将矩阵Σ的对角元素设定为σ_k+1=σ_k+2=…=σ_r=0，得到矩阵A在秩k(k<r)下的重构其重构误差使用Frobenius范数可表述为：

||A-A^||F2=Σi=k+1rσi2]]>

由上式可以看出，通过奇异值分解得到的是A矩阵的最优低秩下的重构。在图像分析领域，奇异值分解主要用于图像的压缩、重构和恢复等。

在织物瑕疵检测领域，Tomczak和Mosorov（2006）采用经SVD分解后所得的最大的奇异值进行织物瑕疵检测。Chen和Feng（2010）提取了奇异值均值作为特征进行瑕疵判别。Mak和（2010）对织物样本实施SVD，提取左奇异矩阵每列作为特征子图像，并通过将待检测图像样本投影到特征子图像，计算所得的投影值的平方和作为瑕疵判别指标。

值得注意的是，以上研究者均是直接在原织物图像上进行SVD，然后提取相应特征进行瑕疵检测，并没有对原图像进行投影操作且并未充分利用SVD的低秩重构性质。

发明内容

本发明的目的就是克服现有算法的不足，提高算法的对不同纹理和瑕疵适应性和实时性，提出一种基于图像投影和奇异值分解的织物瑕疵检测方法。

本发明的一种基于图像投影和奇异值分解的织物瑕疵检测方法包括以下步骤：

（1）训练阶段；

将无瑕疵织物图像样本有重叠地划分成正方形子窗口，并将子窗口分别沿纵横方向投影，得到联合投影序列；然后将所得的联合投影序列组成一个矩阵，并对该矩阵实施奇异值分解，提取基向量；

（2）检测阶段；

将待检测织物图像样本连续无重叠地分割划分成正方形子窗口，并将子窗口沿纵横方向的投影，得到联合投影序列y；应用（1）中所得的基向量的对y进行重构，得到y的重构计算重构误差并通过重构误差来判定子窗口是否包含瑕疵；

具体实现如下：

在训练阶段，将所述的无瑕疵织物图像样本有重叠地划分成大小为w×w的正方形子窗口，其中8像素≤w≤64像素；所述有重叠地划分是指在同一行中，后一个子窗口是前一个子窗口横向平移步长s得到，相邻子窗口之间有重叠部分，所述重叠部分的横向长度为w-s，在相邻行中，下一行的子窗口是上一行的子窗口纵向平移步长s得到，相邻子窗口之间有重叠部分，所述重叠部分的纵向长度为w-s，其中1≤s<w；

将子窗口分别沿纵横方向投影，即计算子窗口中每列和每行的所有像素点灰度值的平均值，得到两个投影序列；然后将所得的两个投影序列相接后得到联合投影序列；