[发明专利]基于稀疏表示的图像分解算法的织物瑕疵检测方法

说明书

技术领域

本发明属于纺织物表面图像处理方法技术领域，涉及一种基于稀疏表示的图像分解算法的织物瑕疵检测方法。

背景技术

对纺织品表面瑕疵进行有效检测与控制是现代纺织企业控制成本及提高产品竞争力的关键环节之一。当前，国内绝大部分纺织企业仍采用传统的人工验布的方式对纺织品表面瑕疵进行检测。由于不同的检验人员对瑕疵界定标准存在差异，难以保证检测结果的一致性与客观性。而且，人工检测准确率低、效率低，在检测精度方面，由于人的注意力一般只能集中20-30分钟，加之检测过程中布匹处于运动状态，检验人员很容易产生视觉上的疲劳，使漏检率增加，据统计，人工验布的准确率最高为80％；在检测速度方面，由于受人眼分辨率的限制，检验人员可接受的检测速度有限，一般验布速度在5-20m/min之间，无法满足企业大规模生产需求。

自二十世纪七十年代以来，随着人工智能与计算机科学的飞速发展，计算机视觉在工业表面检测领域中得到了广泛的应用，以计算机视觉来代替人工视觉不仅可以提高检测速度，降低劳动成本，而且通过自动检测系统获得的印花织物图像库可以为印花织物质量等级的评定提供可靠的参考数据。

国内外的专家学者提出的多中织物瑕疵检测方法，大致可分为四类:统计方法，频域方法，模型方法以及学习方法。现有的研究算法大多只能针对纹理结构简单的织物图像或者具有特定纹理的织物图像进行瑕疵检测，因此研究如何针对纹理较为复杂的织物进行瑕疵检测具有深刻的研究意义。

发明内容

本发明的目的是提供一种基于稀疏表示的图像分解算法的织物瑕疵检测方法，能够将背景纹理复杂的织物图像中所含的瑕疵部分高效分解出来并清晰地显示出来。

本发明所采用的技术方案是，基于稀疏表示的图像分解算法的织物瑕疵检测方法，包括以下步骤：

步骤1、采集多种织物图像；

步骤2、对织物图像进行直方图均衡化的预处理；

步骤3、对步骤2处理后的织物图像进行基于稀疏表示的建模，并分解为纹理部分和瑕疵部分；

步骤4、采用叠加二值化的方法对瑕疵部分进行图像分割，获得二值化图像检测结果。

步骤2的具体算法为：

式中：灰度级范围是[0,L-1],r_i是第i级灰度值，r_m是第m级灰度值，n是图像像素的总数，n_i是图像中灰度值为r_i的像素个数，P(r_i)是r_i的概率密度函数，T(r_m)是r_m的非线性变换函数，S_m是均衡化后m级像素的灰度值，对1-m级像素的灰度值进行映射得到直方图均衡化后的织物图像I。

步骤3的具体步骤为：

步骤3.1、采用盲源分离原理中的形态成分分析算法对直方图均衡化后的织物图像I进行稀疏表示建模，具体为：

将I表示为：

I＝I_t+I_d+N(2)

式中，I_d表示瑕疵部分，I_t表示纹理部分，N表示噪声部分；

采用纹理字典T_t对I_t进行稀疏表示建模，T_t使用的是局部离散余弦变换：

式中，a_t表示I_t的稀疏系数，即为纹理部分经局部离散余弦变换后的系数，a_t^opt为最优稀疏系数；

采用瑕疵字典T_d对I_d进行稀疏表示建模，T_d使用的是曲波变换：

式中，a_d表示I_d的稀疏系数，即为瑕疵部分经曲波变换后的系数，a_d^opt为最优稀疏系数；

忽略噪声部分和误差部分，织物图像基于稀疏表示的图像分解模型为：

步骤3.2、采用凸松弛法中的基追踪去噪算法，对织物图像基于稀疏表示的图像分解模型进行凸优化：

式中，ε表示残差项，取决于噪声能量和稀疏表示信号的模型误差；

步骤3.3、增加总变差正则化处罚项，对织物图像的基于稀疏表示的图像分解模型进行校正：