[发明专利]机织物疵点分割方法

说明书

技术领域

本发明涉及机织物面料质量检测技术领域，尤其涉及一种机织物疵点分割方法。

背景技术

在机织物面料表面疵点检测方法应用中通常需要具有疵点分割步骤，旨在判断材料表面是否具有疵点和显示疵点位置与形状。然而，待分割图像中通常存在噪声的干扰，为避免对正常图像的误判，现有通常直接使用阀值法，如最大类间方差阈值、迭代阈值、遗传算法阈值等，对图像进行二值化时无法精确分割图像中的疵点区域。另一方面，影响分割效果的另一个重要因素是材料表面纹理和图像噪声的干扰，排除干扰的方法通常是使用图像降噪技术。但大多数图像降噪技术对疵点信息和干扰信息具有等效的削弱作用，不利于图像的疵点分割。

发明内容

本发明针对现有技术存在的问题和不足，提供一种机织物疵点分割方法，根据机织物的图像噪声干扰的特点，采用四阶偏微分方程和松弛中值滤波算法混合对疵点图像进行降噪，对图像进行降噪后再进行疵点分割。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供一种机织物疵点分割方法，其特点在于，其包括以下步骤：

S1、获取一表面带有疵点的机织物的疵点图像；

S2、采用四阶偏微分方程算法和松弛中值滤波算法对该疵点图像进行混合降噪；

S3、对降噪后的疵点图像进行二值化处理以获得一二值化图像。

针对疵点信息与干扰信息间的区别，本方案采用对疵点信息具有较好保留效果的图像降噪方法。

四阶偏微分方程降噪方法具有边缘梯度判别功能和在边缘梯度处抑制平滑的作用，然而其对高尖峰噪声平滑效果较差，松弛中值滤波可弥补该缺陷。目前，混合四阶偏微分方程与松弛中值滤波的降噪技术仍未应用于平面材料表面疵点检测的分割步骤中。

较佳地，在步骤S2中，循环依次采用该四阶偏微分方程算法中的四阶拉普拉斯算子和该松弛中值滤波算法对下采样后的疵点图像进行降噪，消除噪声干扰的同时最大化保留疵点区域特征。

较佳地，在步骤S1和S2之间包括：对该疵点图像进行下采样；

在步骤S2和S3之间包括：对该降噪后的疵点图像进行插值处理以获得与原始的疵点图像的尺寸相同的疵点图像；

在步骤S3中，对插值处理后的疵点图像进行二值化处理以获得该二值化图像。

较佳地，在步骤S3中，采用阈值法对该降噪后的疵点图像进行二值化处理。

较佳地，该阈值法进行二值化的操作：计算该降噪后的疵点图像中的所有元素的均值μ与标准差σ，当该降噪后的疵点图像中像素点的灰度数介于μ±3σ之间时，则该像素点赋值为1；否则该像素点赋值为0。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

1、本发明采用四阶偏微分方程算法和松弛中值滤波算法对疵点图像进行混合降噪，对噪声进行有效平滑的同时较好地保留了疵点信息，改善了分割效果；

2、本发明的分割方法可适用于多种类型的机织物表面疵点检测。

附图说明

图1为本发明较佳实施例的机织物疵点分割方法的流程图。

图2为本发明较佳实施例的机织物的疵点图像的示意图。

图3为对图1进行二维经验模态分解所得图像的示意图。

图4为对图2进行混合降噪后所得图像的示意图。

图5为对图3直接进行二值化操作所得结果的示意图。

图6为对图4进行二值化操作所得结果的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例提供一种机织物疵点分割方法，其包括以下步骤：

步骤101、获取一表面带有疵点的机织物的疵点图像；

步骤102、对该疵点图像进行下采样；

步骤103、循环依次采用该四阶偏微分方程算法中的四阶拉普拉斯算子和该松弛中值滤波算法对下采样后的疵点图像进行降噪，消除噪声干扰的同时最大化保留疵点区域特征；

步骤104、对该降噪后的疵点图像进行插值处理以获得与原始的疵点图像的尺寸相同的疵点图像；