[发明专利]基于颜色相似性和位置聚集性的显著性织物疵点检测方法

说明书

本发明公开的基于颜色相似性和位置聚集性的显著性织物疵点检测方法，包括以下步骤：将输入的图像转化为金字塔图像；对金字塔图像在每一个颜色通道下有重叠的分块，提取所有块的颜色特征并计算颜色值之间的差异度；计算像素块之间的欧氏距离；结合颜色相异性和位置集聚性得到缺陷值；最后，引进多尺度来进一步减少非疵点像素的显著性，对多个尺度的缺陷值求均值，然后融合所有的缺陷图得到最后的缺陷结果图。本发明显著性织物疵点检测方法与已有织物疵点检测方法相比较，不仅能够检测出较微小的疵点，而且对于复杂纹理图像的织物疵点也有很好的检测性能；能够有效地简化算法过程，提升缺陷值的表征性能。

技术领域

本发明属于图像处理与分析方法技术领域，具体涉及一种基于颜色相似性和位置聚集性的显著性织物疵点检测方法。

背景技术

在纺织工业生成中，确保织物的质量是至关重要的。据调查，存在疵点的织物价格会降低45％-65％。目前，织物疵点检测主要依靠人工视觉完成，由于视觉精度的限制和容易疲劳等主观因素的影响，检测的准确率会随着时间的推移而下降；疵点检测过程是一系列简单、枯燥、机械性的动作，长期进行会导致人精神压抑，严重影响检测结果；人工检测的速度为15-20m/min，存在效率低等问题。数据显示，人工视觉的方式只能检测出70％左右的疵点。因此，织物疵点的自动检测是近年来国内外学者共同关注和研究的热门之一。

自动化的机器视觉检测是一种基于图像处理和计算机视觉技术的检测趋势，自20世纪70年代以来，很多研究者将该技术应用在织物疵点检测工作中，织物疵点自动检测系统的应用具有重要的现实意义。首先，不会受工人情绪和身体能力的限制和影响，能够克服长期重复性工作给人工带来的困扰，具有稳定的检测结果；机器视觉系统的检测速度可达100m/min，具有检测效率高，成本低的优点。

经过多年研究，基于机器视觉的织物疵点检测技术取得了重大进展。现有的检测方法被分为5类：基于统计的方法、基于频谱的方法、基于模型的方法、基于稀疏表示的方法、基于深度学习的方法和基于显著性的方法。基于统计的方法主要通过使用不同的统计量来提取织物的统计特征，然后使用获得的特征参数区分疵点区域和非疵点区域，统计的方法能够有效的定位和检测与背景部分差异较大的疵点区域，而对于和背景较相似的疵点区域不能很好的检测；基于频谱的方法是通过频谱图将织物图像转换到频谱域进行分析，这类方法主要基于时频分析和多尺度分析，对于重复性的单一纹理和无图案的织物图像有很好的检测性能，但是检测结果容易受相关参数的影响；模型的方法通常训练一个特定的模型来估计织物的纹理参数，所以检测结果高度依赖所选择的模型参数，而有些复杂的纹理结构很难用合适的模型来描述，另外学习模型参数也很耗时；基于稀疏表示的方法通过训练一个小的字典，然后使用训练的字典和稀疏表示重建一个无疵点的图像，最后分割测试图像和重构的图像的差异来定位疵点区域，但是这类方法在训练过程中需要多次的迭代，会很大程度上增加计算的复杂度；基于深度学习的方法通过建立类似人脑的分层模型结构，对数据进行逐层的特征提取，建立模型，该方法在应用上较依赖于大规模的训练集，所以有限的疵点样本造成深度学习难以建立有效稳定的模型；基于显著性检测的方法不需要任何先验知识，能最大程度上接近于人类及动物的视觉注意机制，能够遵循人类视觉的注意的基本原则，发现图像中感兴趣或者有意义的目标，而对于一幅有疵点的图像，疵点被认为是图像中显著的区域，疵点区域的颜色特征和位置距离与正常区域有根本的不同。因此针对现有的大多数疵点检测的方法存在的检测问题，提出了基于一种使用颜色相似性和位置集聚性的显著性测度进行织物疵点检测的方法。

发明内容

本发明的目的是提供一种基于颜色相似性和位置聚集性的显著性织物疵点检测方法，解决了现有检测方法过程复杂、对复杂纹理检测准确率不高的问题。

本发明所采用的技术方案是，基于颜色相似性和位置聚集性的显著性织物疵点检测方法，包括以下步骤：

步骤1，对输入的RGB织物图像进行颜色特征的提取，得到金字塔状图像；