[发明专利]一种基于视觉数据驱动的织物疵点动态检测方法

权利要求书

1.一种基于视觉数据驱动的织物疵点动态检测方法，其特征在于，具体 按照以下步骤实施：

步骤1，将采集的RGB空间的织物图像转换为HSV空间织物图像；

步骤2，提取图像的饱和度特征S和亮度特征V形成饱和度特征图和亮 度特征图；

步骤3，在步骤2中得到的饱和度特征图和亮度特征图上采用视觉数据 驱动形成显著图；

步骤4，在步骤3的基础上，由极差确定阈值并分割疵点信息；

步骤5，将分割出来的疵点信息融合成完整的疵点信息。

2.根据权利要求1的基于视觉数据驱动的织物疵点动态检测方法，其特 征在于，所述的步骤1具体为：

由图像传感器采集RGB空间织物图像转换为HSV空间的织物图像，转 换过程如公式(1)所示；

其中，R,G,B的取值范围均是[0,255]；H的取值范围是[0,360]；S的取值 范围是[0,1]；V的取值范围是[0,255]。

3.根据权利要求1的基于视觉数据驱动的织物疵点动态检测方法，所述 的步骤2具体为：

采用符合人类视觉特点的HSV空间中的饱和度S和亮度V来描述图像色 彩特征，形成织物图像的饱和度特征图和亮度特征图。

4.根据权利要求1的基于视觉数据驱动的织物疵点动态检测方法，其特 征在于，所述的步骤3具体为，将饱和度特征图和亮度特征图进行小波多层 分解，不同分辨率的近似特征子图之间、细节特征子图之间进行中央周边操 作、中央周边操作形成的差分子图之间进行相加融合得到近似整体显著图、 水平细节整体显著图和垂直细节整体显著图；

具体按照以下步骤实施：

步骤3.1分别将饱和度和亮度特征图进行小波多层分解；

步骤3.1.1，小波基选择：

选取具有正交性、近似对称性、紧支性的sym2小波用于小波多分辨率 滤波；

步骤3.1.2，分解层数确定：

采用sym2小波对正常织物的特征图进行小波J层分解，分解后的第j 层近似特征子图能量水平细节特征子图能量以及垂直细节特征子图 能量采用公式(2)、(3)和(4)所示；

ELLj=1M×NΣx=1MΣy=1N|fLLj(x,y)|---(2)]]>

ELHj=1M×NΣx=1MΣy=1N|fLHj(x,y)|---(3)]]>

EHLj=1M×NΣx=1MΣy=1N|fHLj(x,y)|---(4)]]>

设第j层细节与近似特征子图能量之比为β^j，采用公式(5)表示；

βj=(ELHj+EHLj)/ELLj,j=1,2....,J---(5)]]>

当β^j-1<β^j且β^j>β^j+1，则小波分解层数为j+1；

其中，M×N为子图尺寸，f^j_LL(x,y)、f^j_LH(x,y)、f^j_HL(x,y)分别表示第j尺度 的近似、水平细节、垂直细节特征子图在(x,y)处的小波系数；

步骤3.1.3，小波多层分解：

设sym2小波低通滤波器系数为h_k，高通滤波器系数为g_k，采用多层分 解来实现多分辨率滤波，具体如公式(6)所示：

fLLj(x,y)=Σk1∈zΣk2∈zhk1-2xhk2-2yfLLj-1(k1,k2),fLHj(x,y)=Σk1∈zΣk2∈zhk1-2xgk2-2yfLHj-1(k1,k2)fHLj(x,y)=Σk1∈zΣk2∈zgk1-2xhk2-2yfHLj-1(k1,k2),fHHJ(x,y)=Σk1∈zΣk2∈zgk1-2xgk2-2yfHHj-1(k1,k2)---(6)]]>

其中，分别表示j层分解近似特 征子图、水平细节特征子图、垂直细节特征子图(x,y)处的小波系数， 分别表示j-1层分解近似特征 子图、水平细节特征子图、垂直细节特征子图(k₁,k₂)处的小波系数；

从而得到j层分解近似子图水平细节子图垂直细节 子图和对角线子图

步骤3.2，进行中央周边操作；

具体为，对步骤3.1中得到的近似特征子图之间、水平细节特征 子图之间和垂直细节特征子图之间的进行差分操作，即中央 周边操作，得到织物疵点图像的近似差分特征子图水平细节差分特征 子图和垂直细节差分特征子图所采用中央周边操作如下式(7)、(8) 和(9)；

fLLδ=|fLLsΘfLLc|---(7)]]>

fLHδ=|fLHsΘfLHc|---(8)]]>

fHLδ=|fHLsΘfHLc|---(9)]]>

其中，Θ为特征子图之间中央周边操作，c为中心尺度,s＝c+δ表示周边 尺度，δ表示中央周边尺度差；

步骤3.3，进行差分特征子图融合；

具体为，分别对步骤3.2中得到的织物图像的近似差分特征子图水 平细节差分特征子图和垂直细节差分特征子图进行归一化处理，分别 得到，归一化处理后的近似差分特征子图水平细节差分特征子图垂直细节差分特征子图

具体的处理采用公式如(10)、(11)和(12)所示；

fLLδ*=fLLδ-min[fLLδ]max[fLLδ]-min[fLLδ]---(10)]]>

fLHδ*=fLHδ-min[fLHδ]max[fLHδ]-min[fLHδ]---(11)]]>

fHLδ*=fHLδ-min[fHLδ]max[fHLδ]-min[fHLδ]---(12)]]>

对归一化处理后的近似差分特征子图之间、水平细节差分特征子图 之间、垂直细节差分特征子图之间，分别采用采用公式(13)、(14) 和(15)进行融合分别获得近似特征显著图N(f_LL)、水平细节特征显著图 N(f_LH)和垂直细节特征显著图N(f_HL)；

N(fLL)=1nΣδ=1nfLLδ*---(13)]]>

N(fLH)=1nΣδ=1nfLHδ*---(14)]]>

N(fHL)=1nΣδ=1nfLHδ*---(15)]]>

其中，n为中央周边尺度差最大值；

将特征显著图融合为整体显著图，采用公式如(16)、(17)、(18)所示：

N‾(fLL)=12[N1(fLL)+N2(fLL)]---(16)]]>

N‾(fLH)=12[N1(fLH)+N2(fLH)]---(17)]]>

N‾(fHL)=12[N1(fHL)+N2(fHL)]---(18)]]>

其中，N₁(f_LL)和N₂(f_LL)分别表示近似饱和度特征和亮度特征显著图， N₁(f_LH)和N₂(f_LH)分别表示水平细节饱和度和亮度特征显著图，N₁(f_HL)和 N₂(f_HL)分别表垂直细节示饱和度和亮度特征显著图；和分别表示近似整体显著图、水平细节整体显著图和垂直细节整体显著图。