编织物疵点检测与类型识别 41页

万方数据4．1．2相角变化算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯264．2基于改变的相角变换进行编织物疵点检测⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯274．2．1改进后相角变换⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯274．2．2几类疵点的分割方法介绍⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．284．2．3本文疵点分割过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯324．3编织物常见疵点类型的识别⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯344．3．1实验过程及实验结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯344．3．2实验分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．374．4本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯38第五章总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯395．1研究内容⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯395．2未来工作的展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯40参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．41致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．45II 万方数据第一章引言织物疵点检测是织物生产过程中的一个重要环节，是保证后续生产的重要前提，传统的织物疵点检测方法是由检测人员参照验布标准，寻找布面疵点，疵点检测工作几乎全是由人工目测完成，该类检测方法劳动强度大、检测效率低、检测结果易受验布人员的主观影响，且误检率漏检率高。因人工检测具有一定的主观性，所以即使对于同一批检测材料，不同检测人员会得出不同的检测结果，致使检测结果的客观性和可重复性较差。为了避免此种情况，采用计算机图像处理技术来完成织物疵点自动检测。然而在利用计算机图像处理技术检测识别织物疵点的过程中，编织物疵点特征值的提取是关键。织物表面纹理特征明显，结构性、周期性、方向性和均匀性是可度量的，因此特征作为表征织物图像的一种性质，能够借助数学运算反映出织物表面纹理特性。根据正常编织物纹理特征与有疵点的编织物纹理的区别即可检测出编织物疵点。织物图像是一种典型的纹理图像，织物疵点检测实际上是一个纹理分割和识别的过程，这是因为疵点处的纹理结构不同于正常织物，因此能够把他们检测出来。目前国内、外对编织物的检测主要有三种形式：目前，编织物疵点检测及类型识别大体上只要有三种方法：第一种方法是利用图像本身像素之间的统计关系n卜H1，利用灰度熵、灰度共生矩阵；第二种方法是通过对图像进行变换，在变换域进行分析b卜n¨，如傅立叶变换、小波变换、Gabor滤波器等方法；第三种就是基于构建后的模型进行检测的方法，如高斯一马尔科夫随机场(GMRF)模型的利用‘’引。由于织物疵点种类繁多、形态各异，且各类算法都具有一定的局限性，因此如何有效地对编织物进行疵点检测n副n8¨2司仍然是一个难点。如采取灰度共生矩阵法虽所提取的数据准确可靠，可以较为灵敏地检测出织物疵点，且检测的疵点种类较多。但在构造图像灰度共生矩阵时，因受像素方向、像素距离、图像灰度等 万方数据天津工业大学硕士学位论文级、窗口大小等因素的影响，特征值将会改变，因此检测结果将会有很大差异。此外，灰度共生矩阵维数很大，使得计算量十分繁重，不适于在线高速检测。又如小波变换，虽然小波分析具有多尺度的特点以及时域、频域表征信号局部特征的能力，能在不同尺度和方向上表示织物纹理，这种方法简单有效，灵活性强，漏检率低，适应范围广，并且容易实现，对织物的常见疵点能快速准确的检测。但其缺点是小波变换不提供具体的频率信息，它只是在不同的尺度上提供信号的细节，不能对疵点的位置做准确定位，也难以确定疵点的大小。再如GMRF模型的检测方法，虽然它能够通过其模型参数简洁地表示多种织物，可完成对织物统计特征畸变疵点的在线检测但对于区域面积相对较小的疵点，或类似散弹噪声的杂质，该方法的检测效果不佳。本课题有俩个目的，其一是对编织物疵点检测，其二在检测的基础上对编织物的疵点类型进行分类。着重探究使检测方法不仅实现简单，操作容易，还要达到与以往的编织物疵点检测方法相比，能够解决同时实现点、线、块状的疵点检测，并且要求做到使检测出的疵点形状大小更接近疵点原样。其次实验断经、缺纬、油污、破洞几种疵点类型的分类。第一章，引言：首先说明了本文研究的目标及意义，其次对于本文课题的研究现状进行了简单阐述。第二章，数字图像处理及MATLAB应用程序的简单介绍。第三章，详细阐述了编织物疵点检测三类方法。第四章，基于改进的相角变换进行编织物疵点的检测。第五章，总结与展望：对当前工作的总结，并对下一步需要研究的重点和将来的工作进行展望。2 万方数据第二章数学图像处理及MATLAB应用程序的介绍第二章数字图像处理及WLAB应用程序的介绍2．1数字图象处理2．1．1数字图象处理的简介一幅图像可定义一个二维函数f(x，y)，其中X和Y分别是图像的空间平面的坐标，而在任何一对空间坐标(x，y)处的幅度值f称为图像在该点的强度或灰度。当X、Y和f都是有限的离散数值时，我们称该图像为数字图像。基于计算机恰巧处理的数字信号，所以对于一幅图像来说，我们总是将图像信号转换成数字信号然后在利用计算机对其进行处理的过程，这种借助计算机来处理数字图像的方法就叫做数字图像处理。数字图像处理一般主要应用在俩个领域：其一，数字改善图示信息以便人们解释；其二，为储存、传输和表示而对图像数据进行处理，以便机器自动理解。报纸业是最早应用数字图像处理的行业之一，当时图片第一次通过海缆从伦敦产王纽约。大约到20世纪60年代初期数字图像处理技术渐渐成为一门学科，最先的图像处理是以人的视觉效果为研究对象，通过多种方法对图像进行处理来满足人的视觉效果。图像处理的过程中，质量差的图像是其输入端，改善过的质量好的图像是输出端，图像处理方法的一般处理方法有图像增强、图像编码、图像压缩和图像复原等等。美国加利福尼亚喷气推进实验室在1954首次利用计算机技术改善空间探测器发回的图像，通过对航天探测器徘徊者7号发回的几千张月球照使用几何校正、灰度变换、去除噪声等数字处理方法，成功地绘制出月球表面地图。从20世纪60年代末至20年代70年代末，数字图像处理先后应用于医学成像、地球资源遥感监测和天文监测领域。随后数字图象处理领域一直蓬勃发展，数字图像处理广泛应用于航天航空领、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等众多领域。2．1．2数字图象处理的主要内容数字图像处理瞵儿471的基本内容就是对图像的像素进行处理的过程。图像的像素通常是由像数字摄像机和扫描仪等设备获得的，通过采样和数字化而得到的二 万方数据天津工业大学硕士学位论文维数组的每个元素既是图像的像素，像素必为一整数值，也称灰度值。数字图像处理的目的无外乎通过对图像信息的加工来满足人的视觉心理或者应用需求，因此数字图像处理技术主要包括图像数字化、图像获取、图像灰度变换与滤波、图像编码、图像增强、图像复原与重建、图像分割和图像分析等处理技术。(1)图像获取图像获取就是把一幅模拟如照片的图像转换成为适合计算机或者适合数字设备处理的数字信号的过程。这一过程主要包括图像摄影、光电转换及数字化等几步骤。(2)空间域处理空间域处理主要有俩类构成，即灰度变换和空间滤波。灰度变换实在图像的每个像素上操作，以对比度和阈值处理为其主要目的；而空间滤波涉及到改善性能的操作，例如我们经常使用到的通过对图像中每一个像素的邻域来进行处理进行的滤波的操作。图像反转、对数变换、伽马变换、分段线性变换函数是为灰度变换的最基本的变换函数，平滑线性滤波、统计排序滤波器则是空间域处理的滤波模式。相对于空间域滤波，还存在着频率域滤波，如理想的低通、高通滤波器、布特沃斯低通、高通滤波器等等。(3)图像变换【删图像变换就是对原始数字图像进行某种变换可以是正交变换也可以是符合变换规律的其他变换，比如离散傅里叶变换、离散余弦变换、沃尔什变换、霍特林变换就为正交变换，通过变换图像的特征一般会在在变换域中表现出来，这样一来我们就可以在变换域中对图像进行某种相关处理，以满足一些用空间法无法完成的特殊处理。(4)图像增裂35】在一幅图像中为了能够很好的突出图像中我们感兴趣的信息，同时尽可能多的删除一些我们不需要的信息，从而使我们需要的有用的信息得到增强，我们不需要的无用的信息减弱，最终达到便于目标区分或对象解释的处理过程就称之为图像增强。图像增强的方法很多，目前只要使用的技术包括直方图增强、空间域增强、频域增强、伪彩色增强等几种技术。(5)图像分割图像分割就是按某种要求把图像分割成若干个特定的并且具有独特性质的几个区域，最终提取出感兴趣的目标的过程。图像分割至关重要，它是连接图像处理和图像分析的关键步骤，图像分割方法目前主要有以下几类：基于阈值、区域、边缘以及特定理论的4种分割算法。(6)图像复原4 万方数据第二章数学图像处理及MATLAB应用程序的介绍图像复原是通过去除噪声干扰和模糊等影响，恢复图像的本来面目的图像处理方法。与图像增强不同的是图像复原是一个主观的过程，其方法是试图利用退化现象的某种先验知识即已经知道的知识来复原被退化的图像。因此，复原技术是面向退化模型的，采用相反的过程进行处理的技术。(7)图像压缩编码采用数字化得到的一幅图像通常数据量十分巨大，即最一般的静止的数字图像通常也要由500×500个像素组成。可想而知要是动态的图像，那么其数据量将会大的更多。所以，对于一幅图像来说，怎样在保持信息量的基础上对图像进行有效的压缩，对图像的存储和传输都十分必要。要想达到这一目的，实现有效的编码必不可少。无损压缩和有损压缩是图像的俩种压缩方法。去冗余编码、变换编码、小波变换编码、神经网络编码、模型编码是图像的主要编码形式。(8)图像识另1][3611371图像识别是指对图像进行处理、分析和理解的计算机处理过程，其目的是识别不同模式的对像的处理技术。图像识别是人工智能的一个重要领域，可见其在图像处理中的最要地位。图像的统计识别法、句法结构识别法和模糊识别法是图像识别的3中主要识别方法。统计识别法更侧重于识别图像的特征，通常由Bayes分类器、人工神经网络、支持向量机来完成；句法识别更侧重于图像模式的结构，句法分析以及对应的自动机能完成这一个目的；模糊识别法则更侧重于将通过模糊数学方法引入到图像识别中，通过简化识别系统的结构，来提高系统的实用性和可靠性。(9)图像分析【2l】图像分析是不段的对图像中感兴趣的信息量进行检测测量，以此获得所需的客观信息。图像分析由边缘检测、区域分割、特征抽取等步骤把原来以像素描述为主的图像变成为对目标的比较简洁的描述。从图像中抽取出的一些有用的度量或者有用的数据等信息量，其目的不是为了产生一幅图，而是获得某一种所需的数值结果。在进行图像分析的过程中在不影响图像分析的结果时可以为了方便把图像进行分类归纳，图像分析只是对图像进行的一种特定的描述。因此，对图像模式识别技术和相关图像内容的知识库的掌握和利用是必不可少的，即要学习和掌握关于知识表达方面的人工智能方面的内容。图像分析首先需要对图像进行分割以获得图像的特征，然后把图像进行数字符号化表述。这种表述方法可以帮助我们来判断图像中是否含有某一特定对象，也能对图像内容信息进行详细描述。(10)图像理解图像理解是在图像分析的基础上，进一步对图像中各目标进行性质和相互间 万方数据天津工业大学硕士学位论文的关系的研究，以此来得出对图像内容的理解，进而进一步指导和规划行为。(11)彩色图像处理彩色图像处理分为俩大主要领域，一是全彩色处理；一是伪彩色处理。但是目前，多数数字彩色图像处理的都是伪彩色层面完成的。(12)形态学图像处理形态学图像处理包括腐蚀、膨胀、开操作、闭操作、击中不击中变换等处理方法。2．2编织物疵点检测涉及数宇图像处理方法的分析数字图像的处理方法【16】【36】很多，但是根据对图像使用域的不同，无外乎可以包含两类，即是在空间域处理的方法和在变换域处理的方法。而本文所涉及的编织物疵点检测数字图像处理方法也只包括这俩大类。通俗的来讲，在空间域处理的方法是指直接在时间域对图像进行数字处理，在处理过程中时，一方面可以直接针对图像像素各点的灰度值进行变换处理，另一方面也可以通过模板对图像进行空间域的滤波处理，进行模板的空间域滤波有助于考虑与其相邻像素之间的关系。空间域数字图像处理算法是以平面图像的各个像素组合而成的集合为基本单位，然后直接对这二维函数集合进行适当的处理，主要有包括邻域处理法和点处理法。邻域处理方法处理的是图像像素的任意邻域，如荼毒运算法、拉普拉斯算法、平滑算法和卷积算等等。相对于邻域处理而言点处理法顾名思义是指对图像像素逐一进行处理的方法，如计算面积、周长、体积、重心等。变换域处理法相对于空间域处理方法，首先我们必须明确是不在时间域内对数字图像进行直接处理，而是通过对图像进行各种变换如正交变换下的傅里叶变换，将图像由空间域变换变换到相应的变换域，然后在变换域中对得到的相应变换序列进行数字图像处理，然后按要求把处理完成后的图像通过逆变换返回到空间域，得到相应的处理后图像。对于某些数字图像的处理如滤波、编码等问题，很难在时间域内进行处理，但是通过某种变换在相应的变换域内处理会相当的简单。同时为了解决各种变换算法从空间域到频域或者从频域变换到时间域计算量大，现在出现了很多成熟的快速算法，使我们可以简单的在变换域内对图像进行处理。在对编织物进行疵点检测时，会涉及很多现成的数字图像处理方法，正如上文所说的时间域数字图像处理方法和变换域图像的处理方法，在下一小节中将介绍一下对编织物进行疵点检测时首先都会用到的图像预处理，主要介绍图像的增强包括图形的平滑和图像的锐化以及图像去噪。6 万方数据第二章数学图像处理及MATLAB应用程序的介绍所谓图像预处理[38】就是在对图像进行关键步骤处理前，对图像进行的简单处理，处理之后的图像更有利于图像进行下一关键步骤的处理。图像预处理的概念很宽，包含的内容也是很多，实际上，对于图像格式的转换、图像光照不匀的校正、图像对比度的调整、图像的平滑、图像的锐化和图像去噪等等这些步骤都可以成为图像的预处理。也即对图像进行分割之前的所有的对图像处理的步骤都可称为图像预处理。对图像的预处理目的不外乎是对图像进行增强，也就是按照一定的需要来突出一幅图像中的某些重要的信息，同时，削除或者消弱图像中那些不重要不需要的信息。在图像预处理过程中，图像格式的转换和图像光照的校正都是最基本的图像处理过程，实现简单容易，在这里不详细说明，本章节重点在于详细说明图像的增强的几类方法。图像增强M技术主要包括图像直方图处理、图像平滑处理和图像锐化处理等几种方法，实际应用中为了达到较好的图像增强效果，通常是几种方法结合使用。对于暗图像，直方图的分量多是集中在灰度级的低端，对于亮图像，与暗图像相反，直方图的分量多是集中在灰度级的高端；低对比度的图像往往具有较窄的直方图，且集中要灰度的中间部分，而对于高对比度的图像的直方图分量往往覆盖了很宽的灰度级范围且像素分布比较均匀。直方图拉伸和直方图均衡化是两种很常见的图像对比度增强方法。直方图拉伸的过程是过图像的对比度进行拉伸来调整原来的直方图，意旨提高前景灰度和背景灰度的之间的差异，直方图图像拉伸可以采用线性拉伸，也可以采用非线性拉伸。直方图均衡化的过程是利用累积函数来来对整幅图像的灰度的幅值进行调整以达到扩大对比度的目的。直方图均衡化通常作用是增加图像的局部对比度，尤其是当整幅图像的有用数据的对比度比较接近的情况下使用此方法，效果会比较明显。(一)图像平滑图像平滑：是增强图像的低频成分和主干部分，减弱图像噪声和其它干扰的高频成分，以使图像亮度平滑缓慢的变化，消弱突变梯度，从而改善图像的质量。图像平滑的主要方法有插值方法，线性平滑的方法和卷积的方法等等，一般根据图像噪声的不同会采取不同的平滑方法，如对于含有椒盐噪声的图像，应利用线性平滑的方法。平滑后的图像，一般来说图像整体模糊，也即编织物图像的纹理信息将变得不清楚。(二)图像锐化图像锐化：与图像平滑往往会使图像中的边界和轮廓变的模糊不同，通过对图像的锐化可以使图像的边缘变的更加清晰。图像锐化处理的目的也就是增强使 万方数据天津工业大学硕士学位论文图像的边缘和轮廓线以及图像的细节变量的清晰性。图像平滑一般是使用的是平均或积分运算，所以对图像进行锐化可以采取与图像平滑相反的操作如微分运算等等。从频率域来看，图像模糊的实质就衰减高频分量，所以图像锐化可以采用高通滤波器以通过图像的高频信息量以使图像清晰。对图像进行锐化的方法很多，本文主要介绍梯度算子法和二阶倒数算法。梯度算法主要有Roberts梯度算法、Prewitt梯度算法和Sobel梯度算法，二阶导数算法目前主要成熟的算法是Laplacian算法。(1)梯度算法在图像处理中，一阶导数通过梯度来实现，因此用梯度算法来锐化图像相当于对图像进行一阶求导。Robe,s梯度算子是采用对角线方向相邻两像素之差，所以也称为四点差分法。对于数字图像f(i’．i)Robe,s算子的定义如下：R(i，歹)=正面F鬲瓦雨矿而瓦雨万丽公式(1．1)其中对应着俩个方向的模版，即水平方向的模版Gx和垂直方向的模版Gy，如下所示：Gx=口三]q=[二三]Robe,s梯度算子有利于处理含有陡峭的低噪声的图像。Sobel梯度算子就是对当前的对应的行或者是列的值加权后，在进行平均和查分，所以Sobel梯度算子也称为加权平均差分算法。对于数字图像f(i，i)Sobel梯度算子的定义如下：G[力(x，少)】．撕歹瓦万二万再瓦了矛干孑百了i7瓦而公式(1．2)为了计算方便，常把公式简化成如下形式：G[f(x，y)l=lf(i，j)-f(i+l，j+1)l+If(i+1，j)-f(i，jf+1)l公式(1-3)睢靴蚓 万方数据第二章数学图像处理及MATLAB应用程序的介绍匪州Ⅻ对于一幅数字图像厂(x，Y)，Prewitt算子的定义如下：G④=l[艇一1，，一1)+州-—1，，)十。砸一1，歹+1)H厂(f+1，歹—1)+．施+1"，)+．厂U+1，／+1)]公式(1-4)G∽=I[砸一1，歹+1)+／毽，+1)十／U+1，歹+1)卜[厂(f一1"jf一1)+／毽，一1)十／p+1，，一1)]公式(1—5)则P(i，，)=max[G(／)，G(川或P(i，J)=G(f)+G(，)Prewitt梯度同样适用于处理灰度渐变的图像和噪声较多的图像。(2)二阶导数算法对于阶跃状的图像边缘，其二阶导数在图像边缘点处会出现过零交叉，边缘点俩测二阶导数取不同的正负号，所以利用测点可以实现对图像的锐化。目前比较常见的一中方法就是拉普拉斯算法，通俗的讲就是求图像的各点的二阶导数。但是拉普拉斯算子是二阶导数的特点，使用拉普拉斯算子要比使用一阶导数算子用的少。二阶导数的数学定义如下所示：V2厂=窑o"X+害。OV。为了更适合于数字图像处理，通常将该方程表示为离散形式：公式(1-5)V2f=f(i+l，j)+f(i-1，歹)+厂(f，／+1)+厂(f，j-1)-4f(i，／)公式(1-6)其中卷积模版如下所示：vz：I1—4l1拉普拉斯算子是一种线性的运算，具有移不变性各向同性的，对灰度变化敏感，定位精度高，能够检测出绝大部分边缘信息。然而拉普拉斯算子因是二阶微分算9 万方数据天津工业大学硕士学位论文子，所以必然对噪声极其敏感，会产生所谓的双边缘，会丢失边缘的方向信息。(三)图像去噪图像去噪：数字图像m儿4朝在进行数字化的过程和传输过程中往往会受到成像设备和外部环境噪声干扰而产生影响，这样的图像就是我们所说的含噪图像或噪声图像，而通过各种方法减少含噪图像中噪声的影响就称之为图像的去噪。目前，图像去噪的方法有多种方法，均值滤波器、谐波均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器、和小波去噪等方法都是图像去噪的有效方法。对于不同的噪声类型，采取不同的图像去噪方法会达到更好的效果。像含有颗粒噪声的图像易采用邻域平均法的均值滤波器来进行图像的去噪。领域平均法的去噪方法虽然能够有力地抑制噪声，但同时也会由于平均的作用而使图像变得模糊，一般模糊程度与领域半径成正相关。相对于算术均值滤波器，几何均值滤波器所达到的平滑度与其差不多，但在滤波过程中却能够减少图象细节的丢失。谐波均值滤波器通常对含有“盐"噪声的图像进行去噪效果好，但是它不适用于对含有“胡椒”噪声的图像进行去噪。谐波均值滤波器更善于对像高斯噪声那样的噪声进行图像去噪。对于含有脉冲噪声的图像采取逆谐波均值滤波器会取得很好的效果，但是应用这种方法也有一个显著的缺点，那就是在进行对图像去噪的过程中首先必须明确脉冲噪声是暗噪声还是亮噪声，以便于选择适当的滤波器阶数符号。对含有噪声的图象进行图像去噪选取自适应维纳滤波器更合适。自适应维纳滤波器是通过运用图象的局部方差来改变滤波器的输出进行滤波的，一般说来，图像的局部方差越明显，自适应维纳滤波器就越具有的较强的平滑功用。自适应维纳滤波器的滤波功能优于均值滤波器滤波功能，也能够很好的保留包括图像的边缘信息等的高频信息，不过其缺点是计算量相对较大。中值滤波器是～种常用的非线性平滑滤波器，是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值替换，因为一般噪声处的个点值相对于图像本身的各点值都比较大，所以通过取值中值点代替各点值能够消除孤立的噪声点，因而对于图像的椒盐噪声采用中值滤波器方法非常的有效。中值滤波器还有很多的优点，首先在去除噪声的同时能够保持图像的边缘信息，其次在实际运算过程中不需要图象的统计特性，这使此种方法使用起来非常的方便。中值滤波器不适用于处理一些细节多(点、线、尖顶细节较多的图象)的图像。形态学噪声滤除器是将数学形态学的开运算和闭运算结合起来的一种图像去噪方法，先选择结构要素矩阵尺寸大于噪声的尺寸，对图象进行开运算操作，能够将图像背景上的噪声去除。然后对进行完开运算后的图像进行闭运算，这样就能将图象上的噪声去掉。此方法更适用图象中的对象尺寸都比较大，且没有细小的细节的图像。小波去噪将图像信号变换N4,波域，根据噪声和噪声的小波系数在不同尺度上具有不同的10 万方数据第二章数学图像处理及MATLAB应用程序的介绍性质和机理，对含噪图像信号的小波系数进行处理。小波去噪的原理是在最大限度的减少噪声产生的小波系数的同时最大限度的保留图像真实信号的系数。当然本文在对编织物进行疵点检测及类型识别的过程中不可避免的要对图像进行预处理。由于图像预处理相当简单，所以本文中需要对图像进行的预处理步骤本文就不再赘述。2．3mATtAB口们应用程序的简单介绍MATLAB是matrix和laboratory两个词的组合，意为矩阵工厂(矩阵实验室)，是由美国著名的公司mathworks研发适用于现代高科技计算应用软件。它将数据的计算、矩阵分析、数据可视化、非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式，代表了当今国际科学计算软件的先进水平。因为矩阵是MATLAB的基本数据单位，且其指令表达式与数学、工程中常用的指令表达方式十分相似，所以相对于用C，FORTRAN等语言使用MATLAB来解决问题要简捷得多。此外MATLAB同时吸收了像Maple等软件的优点，使MATLAB成为一个功能强大的数学软件。随着姒TLAB的应用与发展，在最新的版本中加入了对C，FORTRAN，C++，JAVA的语言的支持。MATLAB使用方面，不仅可以直接调用MATLAB函数库的程序代码，也可以自己直接进行代码的编写，或者直接下载一些姒TLAB爱好者编写的一些经典的程序。2．3．1MATLAB阳1的特点(一)数值计算和符号计算功能。MAn，AB是以矩阵为数据操作的基本单位，所以使得矩阵运算非常简洁、方便和高效。且lVIATI。AB提供的数值计算函数，不仅丰富而且采用的都是国际通用的数值计算算法。况且MATLAJ3的包括诸多如矩阵、特征向量和快速傅立叶变换等复杂函数，有助于快速解决大数据量的矩阵计算问题、多维数组操作问题、线性方程组问题、微分方程组及偏微分方程的组问题、傅立叶正变幻和反变换问题、数据量的统计分析问题、工程中的优化问题和其他种种数学运算问题以及建模动态仿真问题等等。(二)绘图功能。MAn，AB不仅可以方面绘制包括2d和3d各种图形，也可以通过对图像修饰控制，来增强图像的表现效果。川TLAB提供一种是对图形句柄进行的低层绘图操作，另一种是建立在低层绘图之上的高层绘图。在使用MATLAB 万方数据天津工业大学硕士学位论文的高层绘图时，用户可以不考虑过多的细节，只需一个剧本参数。(，三)汇编语言功能。MATLAB具有程序结构控制，函数调用，数据结构，输出输入等语言功能。新版本的MATLAB语言是在C++语言基础上设计完成的，因此语法特征与C++语言极为相似，更拥有极好的可移植、极强的可拓展性，所以便于简单理解计算机语言的各类人员的使用。(四)动态仿真功能。SIMULINK是MATLAB的一个模拟动态系统的交互程序，用户可进行直观的仿真。(五)扩展功能。所有的MATLAB的核心文件和工具箱文件都是可读可改的源文件，这就有助于用户可通过对源文件的修改以及加入自己所编写的文件构成新的工具箱。(六)良好的用户界面。2．3．2MATLAB在图像处理中的应用MATLAB支持诸如．BMP、．JPEG、．GIF、．TIFF、．PNG等各种格式的图像处理。MATLAB数字图像处理具有以下几类处理函数：图像的显示函数、图像文件输入函数、图像的输出函数、图像几何操作函数、图像像素值及统计函数、图像分析函数、图像增强函数、线性滤波函数、二维线性滤波器设计函数、图像变换函数、Z值图像操作函数、及图像类型和类型转换等函数。下面简单介绍本文用到的最基本的MATLAB的图像处理函数。(一)图像文件的读写和显示。Imread为图像的读入函数；imwrite为图像的读写函数；image、imshow为图像的显示函数。(二)简单的图像处理运算。MATLAB的图像应用软件为我们提供了诸如图像的加减等线性的图像运算函数以及图像的卷积、相关、滤波等非线性图像运算函数。conv2(A，B)就可以实现图像A和B的卷积。(三)图像的变换运算。MATLAB的图像应用软件也为我们提供了诸如离散傅立叶变换(DFT)函数、快速傅立叶变换(FFT)函数、离散余弦变换(DCT)函数及其反变换函数，连续小波变换(CWT)醒i数、和离散小波变换(DWT函数)及其反变换函数。(四)图像的分析增强运算。MATLAB有直方图均衡graydispro函数和滤波filter函数等多种适于图像分析增强的函数。(五)图像的数学形态学处理。例如腐蚀(Erode)函数、膨胀(Dilate)数，开(Open)函数、闭(Close)函数、厚化(Thicken)函数、薄化(Thin)函数等都是图像的数学形态学处理函数。12 万方数据第三章编织物疵点检测方式介绍第三章编织物疵点检测方法介绍编织物∞明H21是由经纬两组纱线按照一定的组织规律交织而成，不仅经、纬向均具有一定的周期性，而且有的编织物表面还具有明显方向性，如斜纹编织物。而一般的编织物的纹理有三个主要的视觉特性：周期特性、方向特性和随机特性。在这三个主要的编织物视觉特性中，可以根据编织物的周期特性和方向特性这俩个纹理特性来对编织物图像进行识别。所以本文主要利用编织物纹理特性，基于其纹理规律，研究出一种利用编织物纹理特性来对编织物进行疵点检测算法，经大量实验分析，本文方法对各种疵点尤其是常见的四种疵点类型检测效果明显优异，明显扩大了编织物疵点检测方法的适用范围。正常无疵点的织物图像每个纹理基元内的像素灰度值分布有一定的特征规律，因此图像的所有的纹理基元一定有较高的相似度，而一旦编织物图像含有疵点，不管是何种类型的疵点，一定会打破图像含有疵点的那一纹理基元内的灰度值分布特征规律，因此我们可以利用编织物纹理特征规律来检测疵点。所以将随机纹理或几何纹理的空间结构差异转化为特征灰度值差异，然后通过一些数学模型来描述图像的纹理信息，如图像区域的平滑、稀疏、规则性等。3．1利用图像本身像素之间的统计关系对编织物疵点特征进行提取3．1．1基于图像灰度直方图的特征提取灰度直方图是表示图像灰度级与其频数或图像灰度级与其频率间关系的图形，能够反映图像的亮度在各个灰度级上出现的概率。把图像的灰度值量化成L个灰度级，令i=O-L．1，第i个灰度级的像素总数量为N(i)，把整幅图的像素总书记为M，那么灰度级为i出现的概率为：p(i)：N(i)／M，i=O～L．1。通常以i做横坐标，P(i)为纵坐标，这就是灰度直方图，通过灰度直方图可方便的计算均值、方差、峰值等有效表示织物纹理特征的信息量。3。1．2灰度共生矩阵灰度共生矩阵被定义为从图像灰度i的像素(x，y)出发，统计与其相距为 万方数据天津工业大学硕士学位论文d，灰度并且为J的像元(X+D。，Y+DY)，同时出现的概率，X和Y是图像中像素的坐标，D。和D，是偏移量。这种方法通过计算图像中的有一定距离和一定方向的2个像素之间的灰度相关性，进而对图像的所有像素调查统计，反映图像灰度关于方向、变化幅度和相邻间隔的综合信息。通过提取相应的能反映矩阵状况的特征参数，如有角二阶矩、对比度、相关、熵、方差、逆差矩，来直接的描述编织物的纹理状况。3．2在变换域b妇134¨删进行分析来实现编织物的疵点检测3．2．1傅立叶变换及意义定义f(t)是t的周期函数，如果t满足狄里赫莱条件：在一个周期内具有有限个间断点，且在这些间断点上，函数是有限值；在一个周期内具有有限个极值点；绝对可积。则有下图①式成立。称为积分运算f(t)的傅立叶变换，②式的积分运算叫做F(∞)的傅立叶逆变换。F((‘))叫做f(t)的像函数，f(t)叫做F(∞)的像原函数。F(∞)是f(t)的像。f(t)是F((^))原像。②傅立叶逆变换№}_彤《瑚《脚砌玉公扪m饨)-r1酬2赳只∥呦u公式(3-2)傅立叶变换算法广泛的应用于诸如图像处理、视频识别、医学成像、天文研究等众多领域中，其本质是所有的连续的信号都可以通过一次一次的信号叠加而得到，而所用的叠加信号正是最简单的正弦信号，并且所叠加的信号通常是各频率不相同的。傅立叶变换根据最初提供的信号，通过高等数学累加和的算法一步步求出提供的信号所含有的各个正弦信号的频率大小、振幅大小和相位大小。傅立叶反变换基本上与正变换方法操作方法一致，也是一种累加和操作处理方法，因此通过反变换也可以得到其时间域的信号。总之，当在时域里很难处理某些信号时，经过傅立叶变换可以转换到频域去，在频率里对其处理相对来说会比较容易，针对信号的频率信息，我们可以方便的实现这些频域信号进行处理、加工，14 万方数据第三章编织物疵点检测方法介绍当然如果有需求还可以通过最后利用傅立叶反变换求得其时域信号。下面介绍一种基于傅立叶变换而对编织物疵点图像检测的方法。3．2．2傅立叶变换瞳41编织物疵点检测此方法基于通过傅立叶变换其正常编织物与有疵点的编织物频谱不同分布，来设计能够抑制正常纹理频谱信息频域滤波器，然后通过傅立叶反变换来重构灰度图像，继而把灰度图像分割成若干子窗口，将子窗口方差作为特征值与设定的阈值进行比较，来判剐是否存在疵点。此方法的关键步骤在于设计编织物正常纹理频谱滤波器，而通过实验发现，具有周期特性的纹理结构(主要由纱线经纬交织重复排列而形成的纹理)和具有方向性纹理结构(主要由纱线交织而形成的明显方向性的纹路)的正常编织物频谱分布能量不同。具有周期特性的纹理结构的正常编织物的频谱分量是以图像中心成分散状分布，而且在距离中心一定距离成环状的能量集中区；然而具有方向性纹理结构的正常编织物频谱能量分布不仅具有明显的方向性，而且主要能量的分布方向与空间域图像纹路方向正交。通过实验分析对于周期特性的纹理结构的正常编织物来说，其反映纹理结构周期性质的在圆环内的高频部分。因此要过滤掉或者消除正常的编织物纹理周期性的特征，只要滤波器能够过滤掉圆环内的高频部分即满足滤波效果。其频域滤波器设计如下：公式(3．3)其中矽为纹理结构周期特性的主要频谱能量地带，盯为阈值。而相对于具有方向性纹理结构的正常编织物频谱不仅有通过频谱中心的方向性能量地带，还具有距离中心距离的圆环内的能量地带，并且两个能量地带的能量强度不同，因此要设计符合具有方向性纹理结构的正常编织物的频域滤器需要同时做到俩点，既要抑制因纱线周期性交织形成的频谱信息，也要抑制方向性纹路形成的频谱信息，需要注意的一点是不同的能量地带区应采用不同的阈值滤波，方向性滤波器的设计如下：公式(3．4)其中仃为周期性纹理频谱能量集中区，万占为设定的阈值。所以具有方向性纹理结构的正常编织物频率滤波器为：G(u，v)=W(u，v)UH(u，v)。有了频率滤波器就万>一<，：7列№地刈删∈，：V)∽∽mL=吩0H万>一O，b表示沿x轴的平移，函数上的横线表示取共轴。而吵(功是一个小波母函数，并且必须满足以下可容许性条件：i1w(x)l__2凼<∞^16公式(3．7) 万方数据第三章编织物疵点检测方法介绍其中R为实数集。二维信号f(x，Y)的连续小波变换H53为：哆(口，以，屯)=，，m，Y)—g,,A,b，—(x,y)dxdy公式(3-8)其中y(x，Y)是二维小波母函数，a是反映基函数的伸缩尺度，b。和b，则表示在两个维度上的平移。y(x，Y)的计算公式如下所示：‰∽加忑1少睁，孚)公和-9)(2)离散小波变换：在实际应用中，计算机处理的是数字信号，所以需要将连续小波及其变换离散化，当然也必须保证离散的过程中不能丢失信号的信息。尺度和位移的离散方法通常是在离散点上进行取值，尺度按幂级数进行离散化，位移则进行均匀离散取值，以便能够覆盖整个时间轴。根据取样定理为了不丢失信息，则采样间隔必须满足Nyquist采样定理。这样一维小波基函数则可以表示为：』％，女(x)=22y(2√x一七)，，，七∈Z公式(3-10)信号f(x)的离散小波变换变为：wr，(j，七)=，m汤公式(3-11)月要保证每个函数都具有离散小波变换，且变换后的离散小波函数能够表征信号的全部信息，还能够保证用离散小波变换系数重建原函数，小波变换需满足以下条件：制降；№‰)1=-<811fll2公式(3．12)其中A，B分别为上下界，O为平稳Gaussian噪声 万方数据第三章编织物疵点检测方法介绍序列，{w，)是独立等分布Gaussian噪声序列，M代表图像大小，m和n为水平和垂直方向的像素数：Re(朋，刀)表示图像的天度数，进而所需的噪声序列{e(s))可通过下式产生：巴，=(M／2)。∑v。。exp{-√一12万(聊，+行，)／M)，q，，是水平和垂直方向的零均值平稳Gaussian噪声序列。将其表示成矩阵向量形式：Y=F1A--1尼，公式中Y为模拟纹理图像，F为Fourier变换。以上几个公式给出了满足GMRF模型的纹理合成算法即Y便是满足给定GMRF型的计算机模拟纹理图像。3．3．2GMRF纹理模型的仿真实验及疵点检测首先通过无疵点的编织物进行GMRF模型建模，确定标准织物即正常纹理模型阶数和参数，然后根据正常织物的GMRF模型参数和待检织物GMRF模型参数的充分统计量，计算距离统计量，根据该距离统计量值的大小判断待检织物中是否含有统计特征畸变疵点，当距离统计量大于一定的阈值时，认为布面发生了统计特征畸变。其距离统计量的计算公式如下：d2F(即)=[丁(即一E口(】，))】r×D留(y))-1[r(y)一E{丁(即)]公式(3．19)公式中：d2{T(Y))为距离统计量，T(Y)为充分统计量，E{T(Y))为充分统计量的期望值，D{T(Y))为充分统计量的方差。实验证明，基于GMRF模型构造的距离统计量能够非常敏感地检测出织物表面存在的畸变疵点，但是对于区域面积相对较小的疵点如断纱、粗纱等，距离统计量的敏感性将受NffIJ弱，尤其对于有些细小的杂质，GMRF模型甚至会将它们归结为散弹噪声，而不会使GMRF模型参数发生任何变化，从而能不出有效的检测，其次窗口大小也会影响检测的差异。 万方数据天津工业大学硕士学位论文 万方数据第四章基于改进的相角变换进行编织物疵点的检测编织物n71是由经线和纬线按着一定的排列方式组合编织起来的，因此编织物表现出结构性、周期性、方向性和均匀性等一系列的明显的纹理特征。编织物主要有四种疵点缺陷即断经、缺纬、破洞、油污。(1)断经：经面上某段或通批缺少一段或两根经丝，呈现一细条织点不连续的空路。(2)缺纬：绸面纬向全幅或一段缺少一根或几根纬丝，呈现纬向组纤不连续的稀弄。(3)破洞：在布面同一部位出现经、纬纱共断或并断三根以上的称破洞，破洞点的外表面比较粗糙。(4)油污：通常为布面上出现油污，有时也会出现在一根经纬线上，油污的外表面比较圆滑。本文以以上四种编织物疵点类型为研究对象，利用改进的相角变换算法对编织物疵点进行特征提取，并在此基础上利用马氏距离对编织物二值化以实现疵点检测，最后利用几何数学原理实现对编织物疵点的分类。4．1相角变换4．1．1相角变化的重要性在以往的重要的文献中，包括Oppenheim和Lim等很多人都曾经证实过在信号中其相角的重要性。我们知道，通过对信号进行傅立叶变换得到的幅度谱和相位谱，其对于信号来说起着不同的作用。相对于信号的幅度谱，信号的相位谱中保留了信号的很多重要的特性。下面通过图4．1来证实这一结论，其中图一第一张图片是原图，图一第二张即中间的那张是通过幅频特性重建的图像，图一的第三章即最右边的那张是通过相频特性重建的图像。通过对比，我们可以发现，通过幅频特性重建的图像与原图相比相似性很低，几乎看不出原始图像的轮廓，而通过相频特性重建的图像与原始图像比较相似，能够看出图像的大体轮廓。并且，我们可以得知，通过相频特性重建的图像既保留了图像轮廓边缘信息，同时也消除了图像所具有的周期性和规律性。 万方数据天津工业大学硕士学位论文图4-1通过幅频特性、相频特性重建图像的对比如我前文所提到的，编织物表面图像呈现为一种周期性纹理的特征，纤维束与织物轴向方向成一夹角交叉分布，随着纤维束的相互交织，在横向与纵向方向形成一种周期性变化，而编织物疵点是区别于图像本身规律的异常突变现象。并且，相角变换算法具有删除图像在任意尺度上的任何规律图案，同时保留不规则图案的特点。所以讲相角变换引入到编织物疵点检测及类型识别中会起到巨大作用，通过相角变换可以略去大部分有规律的图案，只保留个别的单一的或者是一小部分无规律的图案，即可以保留编织物图像的疵点特征。因此，本文将以相角变换方法做为本文研究的最基本最首要的一步进而来探索更好更优的编织物疵点检测及类型识别算法。那么接下来本文首先介绍最初的相角变换算法，然后采取有效的措施对其进行改进，最后对其进行利用以实现本文目的。4．1．2相角变化算法相角变换n3m帕算法很简单，第一步是对图像进行傅立叶变换。记F(U，y)为f(x，Y)的二维傅立叶变换，则：，(阢矿)=M(U,V)exp{fip(矾y)>公式(4—1)其中M(U，V)是幅度，认U，V)是相角。相角变换算法的第二步是修正傅立叶变换，其公式如下：丽=而1两FⅣ，功公式(4—2)即F(U，V)为最终的相角变换结果。 万方数据第四章基于改进的相角变换进行编织物疵点的检测4．2基于改变的相角变换进行编织物疵点检测4．2．1改进后相角变换对上节通过相角变换得到的F(U，y)进行傅立叶反变换，并进行二值化处理，我们可以得到编织物疵点图，如图4-2所示。图4-2二值化处理后的图像所以本节的主要目的是对相角变化进行改进，即利用改进的相角变换算法对现有的有疵点的编织物图像进行预处理，然后在通过选取合适的阈值对预处理后的编织物图像进行二值化图像实现编织物疵点检测。下文讨论如何实现对相角变换进行的改进。对数函数：把函数Y=log。x叫做对数函数，其中a>O且a≠1。当a>l时，对数函数在定义域上为单调增函数；当Ol，底数一样，真数越大，函数值越大。因为对编织物图像进行傅立叶变换后，频率内所显示的内容就是能量的多少，对于编织物疵点图像而言，疵点处的像素处因是不规则的点就是变化快的点，其频率能量必然大于图像其它处的频率能量，为了加强疵点处与图像其它处频率能量的区别，为此设想在对相角变换进行改进时，用于对数来改进相角变换。通过大量的实验，我们发现以对数的形式修正M(u，V)能得到更好的实验效果。所以相角变换的修正形式如下所示：丽=丽1肥功公式(4-3) 万方数据天津工业大学硕士学位论文然后求得公式(4-3)傅立叶反变换，为了方面书写称此时求得的傅立叶反变换图为伪缺陷图I。其中log是以e为底数的对数。所以有了伪缺陷图I我们就可以进行下一步操作，计算出一切感兴趣的统计量。4．2．2几类疵点的分割方法介绍前文已经介绍过图像分割啪1的作用和目的，此处不在赘述，接下来详细的介绍图像分割基于阈值、区域、边缘以及特定理论的4种图像分割算法。当然疵点分割最重要最关键的一步是阈值的选取，所以下文也将详细的介绍一下阈值处理方法。(一)基于阈值的图像分割m1方法基于灰度阈值分割方法，是当今一种很常用的并行区域技术，在4类图像分割方法是其应用最广最多的一类。阈值分割方法，简单上来说就是，对于一幅输入的图像f(x，y)，要使满足输出的要求，就必须确定一个数值，使这幅图像的每一点的像素值会因为大于这个数值而做一种处理，同时又会因为小于这个数值而做另一种处理，那么这个数值就是所谓的阈值。例如如下公式f(x,y，=协凳皇12毳2公式(4．4)其中，122即为阈值，对于这幅图像来说，所做的处理就是二值化，满足要求的像素被赋予1，不满足要求的像素即背景被赋予0。由此我们可以确定，阈值分割算法的关键是确定阈值。确定一个非常合适的阈值就可以按照要求，准确地将图像按要求分割开来。当然阈值确定后，我们需要将阈值与图像的每一个像素点的灰度值逐一的进行比较，而且在进行像素分割时，为了提高速度和效率，可通过计算机对各像素进行并行地操作来实现图像的分割，图像分割的最终结果是直接给出图像区域。显而易见，基于阈值的图像分割的优点不仅计算简单，而且运算效率必定较高较快。因此，在重视运算效率的用于硬件实验的应用场合中，基于阈值的图像分割方法必定很受欢迎。随着基于阈值的图像分割方法的应用，逐步形成了包括全局阈值、自适应阈值、最佳阈值、多变量阈值等等很多方法。全局阈值分割方法最简单，直接将整幅图像使用同一个阈值做分割处理，此种方法适用于背景和前景有明显对比的图像。所以此阈值只能根据整幅图像来确定的，并且这种方法只能考虑像素本身的灰度值，不能考虑整幅图的空间特征，因而此方法很容易受噪音的影响，对噪声很敏感。常用的全局阈值选取方法包括 万方数据第四章基于改进的相角变换进行编织物疵点的检测最大熵自动阈值法、有利用图像灰度直方图的峰谷法、最大类间方差法和最小误差法等等。但是我们知道在许多情况下，在一幅图像当中，物体和背景的对比度往往各处不是一样的，因此，这时我们就很难用一个统一的阈值来将图像的物体与背景分开。所以我们需要根据图像的局部特征来分别采用不同的阈值对图像进行分割。在实际处理过程中我们要注意，要按照具体问题先将图像分成若干个子区域，然后在各个子区域内选择适合此子区域的阈值，为了方便也可以动态地在一定的邻域范围里选择每点处的阈值，来进行图像分割，这时候所选取的阈值我们称之为为自适应阈值。所以，面对具体问题时我们要做到具体分析，更应该通过大量实验来确定阈值的选取才是最为可靠的办法。然而对于一幅特定的图像，利用直方图的来确定阈值也是最可取的，例如对于一幅图像其直方图呈现规律的双峰下，那么就可以把两个峰值的中点值当作确定的最佳阈值。(二)基于区域的图像分割Ⅲ1方法区域生长方法、区域分裂合并方法是两种主要的串行区域技术，它们的分割特点是后一步的分割过程的处理，需要结合前面步骤的结果来进行判断和确定。区域生长：其基本思路就是把具有相似性质的像素统一集合起来以构成一个区域。具体分为俩个步骤，第一步骤首先是在每个需要分割的区域内找到一个种子像素，把这个种子像素作为区域生长的起点，然后把种子像素周围邻域中的与该种子像素有相同或者是相似性质的像素通通合并到此种子像素所在的区域内，当然相同或者相似性质的确定依赖于某种事先确定的生长或相似准则来进行判定和确定。第二步骤是把这些新生成的像素当作新的种子像素来继续进行第一步骤的操作过程，一直到再也没有满足条件的新的像素可以被包括进来。做完第一步骤和第二步骤后，区域生长就长成了。区域生长关键步骤是，要选择一组能够正确代表所需要形成区域的种子像素，还要很好的确定在生长过程中所需要的相似性准则或者相近性的准则，也要制定出能够让生长停止的所需要的条件或者准则。相似性准则可以涵盖灰度级、彩色、纹理和梯度等等特性。单个像素或者是包含了诸多像素的小的区域块都可以作为种子像素。因为生长的条件可以根据不同要求来制定，所以采用不同的生长条件一定会形成不同区域生长的过程。一般来说，区域生长的进行条件通常依靠是图像的局部信息量。区域生长法的优点是计算简单容易，并且对于较均匀的连通的图像目标有比较好的分割效果。区域生长的缺点是首先是种子像素的确定以人为主，需要人为的进行选定，其次对噪声很敏感，所以可能会导致区域内存在空洞。区域生长算法是一种串行算法，如果当图像目标较大时，其分割速度必然较慢，所以在设计此算法时，最好本着尽量提高效率来进行设计。区域分裂合并：与区域生长算法思路是从某个或者某些像素点来出发，在他 万方数据天津工业大学硕士学位论文们的邻域内通过相近准则或相思准则来确定是否被涵盖，进而一步一步的得到整个区域来实现目标提取的过程不同，区域分裂合并可以说是区域生长的逆过程，区域分列合并的思路是首先是以整个图像为基础，按着某种要求把整个图像不断分裂成各个子区域图像，然后再进行前景区域的合并，来达到目标提取的过程。在区域分裂合并中，我们首先假设对于一幅图像，它的前景区域是由一些相互连通的像素组成的，所以，当我们把一幅图像分裂到像素级时，就可以判段该像素是否为前景像素。因而，当把所有像素点或者子区域内都完成判断以后，只要简单的把前景区域或者像素进行一次合并就可得到前景目标。四叉树分解法是区域分裂合并算法最常用的算法。令R表示整个图像的区域，Q代表其逻辑属性。那么基本区域分裂合并算法步骤是：首先对9(灭，)=false的任何区域震i，将其分裂成不重叠相交的四个象限区域；当不可能在进行分裂的时候，对于满足9(R：u足)=TURF．的任意俩个连接区域足和R，进行聚合；当无法在进行聚合时即完成了区域分裂合成过程。和区域生长关相同的是，区域分裂合并准则的设计对区域分裂合并法算法来说也很重要。对于相对复杂图像来说采用区域分裂合并算法其图像分割效果较好，但区域分裂合并算法依然存在着计算复杂计算量大等问题，其次区域分裂合并算法还有可能破坏区域的边界。(三)基于边缘的图像分割m1方法图像分割的另外一种重要途径是利用边缘检测来对图像进行分割，即通过检测出灰度级或者结构具有突变的特殊地方，来划定一个区域的终结地方和另一个区域开始的地方。这种具有突变的特殊不连续的地方就是所谓的边缘。我们都知道，对于一幅图像，图像边界处的灰度一般明显不同存在不连续性，所以利用此特征我们就可以对图像进行分割。众所周知，图像边缘处的像素的灰度值的不连续性可以通过求导数来进行检测。对于一幅图像的阶跃状的边缘，其边缘位置对应的是一阶导数的极值点，或者对应二阶导数的过零点。因此我们可以熟练的利用微分算子来进行边缘检测。微分算子的算法很多，包括一阶微分算子和二阶微分算子，其中一阶微分算子有Roberts算子、Prewitt算子和Sobel算子等等，二阶微分算子也有Laplace算子和Kirsh算子等等。图像的边缘和引入的噪声都在一幅图像里都是间断的像素点，而且图像的边缘和引入的噪声对应频域里的高频信息量，所以单一的采用微分运算不能有效消除噪声的影响。所以，在用微分的方法检测图像的边缘前，我们最好是做到先对图像进行一步平滑的操作，以减少噪声的干扰。Canny算子是具有平滑功能的一阶微分算子，LOG算子是具有平滑功能的一阶微分算子。其中Canny算子是高斯函数的一阶导数，而LOG算子是通过采用Laplacian算子求得的高斯函数的二阶导数，它能使抑制噪声抑制和检测边缘取得较好的平衡。 万方数据第四章基于改进的相角变换进行编织物疵点的检测(四)基于特定理论的图像分割方法至今，图像分割也没有通用的自身理论。但是随着各学科许多新理论和新方法的出现，发展出了许多与一些特定理论和方法相结合的图像分割方法。(1)聚类分析用特征空间聚类法来进行图像分割，首先把图像空间中的像素用对应的特征空间点来进行表示，然后根据它们在特征空间的聚集情况来对特征空间进行首次分割，最后通过映射把它们映射回原图像空间，通过以上几步就得到图像分割的结果。其中，K均值、模糊C均值聚类(FCM)算法是最为常用的聚类算法之一。对于K均值算法第一步骤是要先选K个初始类均值，然后将每个像素归入均值离它最近的类之中，归入之后在计算新的类的均值。第二步骤是通过迭代继续执行前面的步骤，直到新类均值与旧类均值之差小于某一特定阈值。模糊C均值算法是在模糊数学的基础上，对K均值算法进行推广的算法。模糊C均值算法也是通过最优化一个模糊目标函数来实现聚类的。与K均值聚类算法不同，模糊c均值算法并不认为每个像素点只能属于某一个类，而是通过对每个点赋予一个对各个类的一个隶属度，用每个类的隶属度来比较，进而更好地描述边缘像素亦此亦彼的特征，因此模糊C均值算法适用于处理事物内在的不确定性。利用模糊C均值(FCM)算法的非监督模糊聚类标定的特点，来进行图像分割，有利于减少人为因素的干预，而且也较适合存在不确定性和模糊性的特点的图像。但是，传统FCM算法不能考虑空间方面的信息，所以对噪声和不均匀的灰度敏感。另外，需要注意的是模糊C均值(FCM)算法对初始参数非常敏感，所以有时需要人为干预参数的初始化，以达到全局最优解，提高分割速度。(2)模糊集理论模糊集理论因为具有描述事物不确定性的能力，所以很适合处理图像分割问题。随着发展，至今已经有了很多处理图像分割的模糊分割技术，并被广泛应用。图像分割的过程中，模糊技术应用的一个显著特点就是它能与很多现有图像分割方法相结合，能够形成一系列的例如模糊聚类、模糊阈值和模糊边缘检测等集成模糊分割算法。模糊阈值算法首先是利用不一样的S型隶属函数来定义初始的模糊目标，通过优化等过程，最终选择一个合适的具S函数。然后用该函数进一步来增强目标和属于该目标的像素之间的关系，直到得到的S型函数的交叉点，此S型函数的交叉点即为所求的阈值分割所需要的阈值，因此这种方法的难点在于选择合适的隶属函数。以模糊数学为基础得到的模糊集合的图像分割方法，是以隶属图像的信息不全、不准、模糊和矛盾等问题为研究根据。医学图像分析过程中，以模糊数学为根基得到的模糊集合的图像分割方法算法得到大量的使用。薛景浩等人的 万方数据天津工业大学硕士学位论文基于图像间模糊散度的阈值化算法，就是通过模糊集合的方法把分割前后的图像进行了分别表达，并以最小的模糊散度准则为目标，来逐步实现自动提取图像的最优阈值。该算法的优点是不仅针对图像阈值化分割的要求，构造了一种新的模糊隶属度函数，而且还很好的克服了传统S函数带宽对分割效果的不好影响，具有很好的通用性和有效性。另外，能够快速正确地实现对图像的分割，且不需要事先认定分割类数也是其方法的优势。(3)基因编码顾名思义就是把图像背景像素和图像目标像素用不同的基因编码来进行表示，然后进行区域性的划分，以使图像背景和图像目标分离出来。基因编码算法虽然具有处理速度快的优点，算法实现起来比较难是其最大的劣势。(4)小波变换的分割方法小波变换在本文的第二章我已经的对小波变换的特点进行了介绍，小波变换的特点是不仅在时域而且在频域中都拥有非常棒的局部化特性，能够进行多尺度变化，以至对信号在不同尺度上进行恰当的分析。这些特点就造就了小波变换广泛应用在图像的处理过程中。当然图像分割算法也必然要用到小波变换，利于小波变换来进行图像阈值分割主要步骤是首先把图像进行小波变换(用不同层次级的小波系数来表示图像的直方图)，然后在利用特定分割准则和小波系数来选择合适的门限阈值，最后通过与阈值比较，得出图像分割的区域。基于小波变换的阈值图像分割算法整个分割过程可谓是从粗到细，并用尺度变化来进行控制，即分割由粗略的L2(R)子空间上的投影的直方图来首次实现，如果分割不尽如意，就利用直方图在精细的子空间上的小波系数，来重新逐步细化图像分割。以上对图像分割算法进行了详细的介绍，而本文在进行编织物疵点检测及类型识别过程中，对图像进行分割时是采用的基于阈值的图像分割方法，因为经过改进的相角变换得到的伪缺陷图I，其目标与背景有了明显的对比，所以很适合将整幅图像使用同一个阈值做分割处理，即全局阈值分割方法，而且使用全局阈值分割方法具有运算效率既高又快的优势。4．2。3本文疵点分割过程㈣本文依靠图像中要提取的目标与图像背景在灰度特性上的差异，把图像的分割成两类区域，分别为疵点区域和背景区域。本文疵点图像的分割的基本流程是先确定阈值，然后将图像中所有像素值与阈值进行比较，根据比较结果将像素分成两类——疵点或背景。在进行图像疵点分割过程中，不可避免的是要确定最佳的分割准则或者是分割公式，以便于根据阈值进行判断。由于马氏距离是一种有30 万方数据第四章基于改进的相角变换进行编织物疵点的检测效的计算两个未知样本集的相似度的方法，相对于欧氏距离它能考虑到各种特性之间的联系并且是尺度无关的，即独立于测量尺度。所以本文选取马氏距离作为本文图像分割的判断公式，即公式4-5，即把伪缺陷图像素每一点相对于伪缺陷图像分散距离作为阈值判断公式。当然在进行图像疵点分割的过程中，还有一点至关重要，那就是阈值的选取。通过大量的实验，我们发现图像疵点分割阈值会因个个图象而异，并且我们得出这样的一个结论，即是图像疵点分割的阈值选取的都是图像像素最大值O．02’O．2倍的这样的阈值，会取得很好的分割效果。为了方面我们把0．02。0．2称做阈值选取系数。因为伪缺陷图I是保留异点的图像，所以每一像素点相对于图像的分散距离越大越可能不是疵点。所以在进行二值化当中，阈值选取尽可能的小。最后对分割后的图像进行二值化，以突出实验结果。二值化的过程就是，如果公式4-5的结果大于所选取的阈值则把此点像素值赋值255，否则赋值0。因为计算结果虚部相差很小，本文在比较时只用实部结果进行判断。dO，D=1(i-广u)2公式(4．5)其中i是图像I每一点像素值，u是图像I的均值，万2是图像I的方差。增强后的疵点图像由于具有大量的高频噪声，在进行二值分割后，我们使用中值滤波器来去除高频噪声的影响。图4_3和图4-4是本文编织物疵点检测结果，单数位上的是原图，偶是位是对应的检测图。由图4—3，可以看出本文使用的方法检测出的疵点形状能够更好的接近疵点的原样。由图4-4可以看出且本文还能检测出不易察觉的微小的疵点，并且能够同时实现对点类疵点，块类疵点和线类疵点在线检测，且检测效果明显。潮童簿猢溺图4-3原方法和本文方法比较图"_，" 万方数据天津工业大学硕士学位论文图4-4本文织物疵点检测结果4．3编织物常见疵点类型的识别4．3．1实验过程及实验结果目前，人们一般只是着重研究对编织物疵点的检测，而不设计研究对编织物疵点类型的分类识别。本文在基于对编织物疵点检测的基础上，实现对几种常见的编织物疵点类型(油污、破洞、断经、缺纬)进行类型的分类识别。虽然本文的方法有可能不尽善尽美，但是终归是一种新的尝试。在上一节对编织物疵点进行分割的过程中，对于每幅图像进行阈值选取时，阈值选取系数不同。通过观察在本文所做的大量实验中，一般阈值系数选取大于0．7的是油污疵点和缺纬疵点的疵点类型，而阈值选取系数小于0．7的则是断经疵点和破洞疵点的疵点类型，因此我们初步判定可以根据阈值系数的不同把编织物的疵点类型可以分为俩大类，系数选取大于0．7的判定为油污疵点和缺纬疵点的疵点类型，而阈值选取系数小于0．7的则判定为断经疵点和破洞疵点的疵点类型。在进一步对没类疵点进行分析可得知，在断经疵点和油污疵点这类疵点类型中，俩类疵点形状明显有较大不同，一般来说断经疵点的疵点X坐标与y坐标的长度比值很大，大于破洞X坐标与y坐标的长度比值，而在油污疵点和缺纬疵点的疵点类型中，俩类疵点形状也仍然明显有较大不同，一般来说缺纬疵点的疵点X坐标与y坐标的长度比值很小，小于油污疵点X坐标与y坐标的长度比值，因此，可以轻而易举的利用X坐标与y坐标的长度比值来对俩类疵点类型进行进一步判断，通过实验数据得出结论，在断经疵点和油污疵点这类疵点类型中，疵点X坐标与y坐标的长度比值大于1．332 万方数据第四章基于改进的相角变换进行编织物疵点的检测时把疵点断定为断经疵点，疵点X坐标与y坐标的长度比值小于1．3判定为破洞疵点，在油污疵点和缺纬疵点的疵点类型中，疵点X坐标与Y坐标的长度比值小于0．7的判定为缺纬疵点，疵点X坐标与y坐标的长度比值大于0．7N定为油污疵点会得到较准确的疵点分类结果，因此本文编织物疵点类型识别方法就称之为俩阶段判定法。其俩阶段判断法流程图如下：流程图4-1编织物疵点类型识别表4-l是应用本方法对织物疵点检测图(图号为1到17)含有疵点的编织物进行疵点类型分类识别获得的实验数据，包括俩阶段判断法第一步的阈值系数和第二步的X坐标长度与Y坐标长度比值。实验图号阈值系数x坐标长度与Y坐标长度比值1O．15I．346220．11．615430．1521．800040．151．061900．20．987860．10．709770．11．222280．20．973090．21．1333100．020．8984110．060．6684120．080．3597 万方数据天津工业大学硕士学位论文13O．08O．6000140．02O．993015O．021．2222160．040．9053170．020．7777表4-1实验数据表下面是实验的编织物疵点检测图，图号从1到17编织物疵点检测1编织物疵点检测2编织物疵点检测4编织物疵点检测5编织物疵点检测7编织物疵点检测3编织物疵点检测6编织物疵点检测8编织物疵点检测9 万方数据第四章基于改进的相角变换进行编织物疵点的检测编织物疵点检测10一4．3．2实验分析编织物疵点检溺1l露羹编织物疵点榆测14编织物疵点检测15编织物疵点检测17由表可知，图号是1到4实际上都是断经疵点检测图像，而通过本文检测方法择把图号是4的图像误分类为破洞疵点，图号5到9本方法分类结果与实际情况一样是破洞疵点，图lO到13实际上是缺纬疵点，而本方法误把图号10分类为油污疵点，图号14到17分类结果与实际一样。本文只对17幅编织物疵点图进行疵点类型识别，其准确率高达88％。可想而知，如果对大量的编织物疵点图像进行疵点类型分析，在进行二阶段判断法时，首先分析得到更加合适的阈值系数和第二步所需判断的x坐标和y坐标的长度比值，那么准确率一定会大大提高， 万方数据天津工业大学硕士学位论文达到90％以上。4．4本章小结本文详细的论述和实现了编织物疵点检测和类型识别的方法和步骤，首先对图像进行频率变换，利用改进的相角变换对图像进行预处理，然后对编织物疵点图像进行分割以实现编织物疵点检测；基于本文实验所得到阈值系数和根据处理后图像(编织物疵点检测完成的图像)的x坐标和Y坐标的长度比值对编织物疵点类型进行二阶段判断法。本文对编织物进行疵点识别取得了一定的成功，不但方法实现简单，而且编织物疵点检测出的效果特别是形状大小很接近实际。此方法可通于用点、线、块状的几种疵点检测，还能检测出不易察觉的小疵点。另外，使用本方法对编织物常见的四种疵点类型(油污、破洞、断经、缺纬)的分类准确可靠。36 万方数据第五章总结与展望5．1回顾与总结在纺织行业中，只有具备较高的产品质量才能赢得市场、获得成功。织物疵点是影响织物质量的主要因素，疵点检测的目的就是在织物生产过程中及时发现已经存在的疵点。传统的织物疵点检测方法是由检测人员参照验布标准，寻找布面疵点，疵点检测工作几乎全是由人工目测完成，该类检测方法劳动强度大、检测效率低、检测结果易受验布人员的主观影响，且误检率漏检率高。因人工检测具有一定的主观性，所以即使对于同一批检测材料，不同检测人员会得出不同的检测结果，致使检测结果的客观性和可重复性较差。为了避免此种情况，采用计算机图像处理技术来完成织物疵点自动检测。然而在利用计算机图像处理技术检测识别织物疵点的过程中，编织物疵点特征值的提取是关键。织物表面纹理特征明显，结构性、周期性、方向性和均匀性是可度量的，因此特征作为表征织物图像的一种性质，能够借助数学运算反映出织物表面纹理特性。根据正常编织物纹理特征与有疵点的编织物纹理的区别即可检测出编织物疵点。相角变换算法能够删除图像在任意尺度上的任何规律图案，同时保留不规则图案，这就为我们进行编织物疵点检测提供了重要的依据。然而面对编织物疵点检测而言只简单的相角变换并不能体现相角变换的最大优势，所以本文意在通过改进相角变换算法以突出相角变换的最大优势，尽可能最多的消除有规则的信息量，尽可能准确的保留不规则的信息量。对编织物疵点信息的提取就相当于尽可能准确的保留不规则的信息量，并在此基础上利用马氏距离对编织物二值化以实现疵点检测，最后本文意在结合编织物疵点阈值与最简单的几何数学原理基础上来实现对几种常见的编织物疵点类型的分类识别。本文采取的方法不仅实现简单容易，而且能够很好的检测出编织物疵点，且编织物疵点结果更为接近疵点原样。此方法可通于用点、线、块状的几种疵点检测，还能检测出不易察觉的小疵点。另外，使用本方法对编织物常见的四种疵点类型(油污、破洞、断经、缺纬)的分类准确可靠。 万方数据天津工业大学硕士学位论文5．2未来工作的展望本文利用相角变换的特性，并且基于改进的相角变换，结合特定的阈值系数实现了对编织物疵点检测，又结合利用阈值系数与伪缺陷图像形状特点实现了对常见的四种编织物疵点类型的识别，没有涉及到所有的编织物疵点种类，因此，本文的下一步的研究重点是其它类型的疵点进行识别，并寻找一个通用的方法以适合所有编织物疵点类型的识别。另外本文中在对编织物疵点类型进行分类的过程中不能实现百分百的正确分辨率，所以接下来可以考虑对编织物疵点分类方法进行改进，以提高分辨的正确率。 万方数据参考文献[1]苑丽红，付丽，杨勇，等．灰度共生矩阵提取纹理特征的实验结果分析[J]．计算机应用，2009，29(4)：1019—1021．[2]赵训明，邓中民，冉友廷．基于加权局部熵的织物疵点检测[J]．棉纺织技术，2012，10(40)：20-23．[3]祝双武，郝重阳．基于纹理周期性分析的织物疵点检测方法[J]．计算机工程与应用，2012，48(21)：163-166．[4]王锋，焦国太，杜烨．基于数学形态学的织物疵点检测方法[J]．测试技术学报，2007，6(21)：515-518．[5]周帅，张风生，李富才．基于小波变换的织物疵点图像特征提取[J]．青岛大学学报，2013，2(28)：53-59．[6]情湘运，段红，魏俊民，王璐娟．一种新的基于小波分析与神经网络织物疵点检测与识别方法[J]．仪器仪表学报，2005，6(26)：618-622．[7]韩润萍，孙苏蓉，姜玲．基于Gabor滤波器组的织物疵点检测方法[J]．计算机工程与应用，2007。7(43)：21卜214．[8]ArivazhaganS．andGanesanL．(2003)，TextureC1assificationusingWaveletTransform，PatternRecognitionLetters，V01．24，Nos．9一i0，PP．1513—1521．[9]杨晓波．基于自适应离散小波变换的混合特征畸变织物疵点识别[J]．纺织学报，2013，1：133-137．[10]祝双武，郝重阳．基于离散小波变换的织物瑕疵点检测方法[J]．计算机工程与应用，2011．22)：1671—1815．[11]沈建强，耿兆丰．基于小波变换的织物纹理方向检测方法[J]．计算机工程，2007，33(6)：182—184．[12]杨晓波．基于Gt班RF模型的统计特征畸变织物疵点识别[J]．纺织学报，2013，4(34)：137-142．[13]A．V．OppenheimandJ．S．Lim．Theimportanceofphaseinsignals[C]．IEEEProceedings，69：529—541，1981．[14]D．AigerandH．Talbot，Thephaseonlytransformforunsupervisedsurfacedefectdetection，inproc．ofIEEEConferenceonComputerVisionandPatternRecognition(CVPR)[C]．2010，PP．295—302．[15]努尔顿，左保齐，丝织物疵点智能化判别，丝绸，2003，4(10)：34—36[16]李立轻，黄秀宝，图像处理用于织物疵点自动检测的研究进展[J]．东华大学学报(自然科学版)，2002，28(4)：118—121[17]纺织品机织物疵点术语，中华人民共和国纺织行业标准，FZ01018．9239 万方数据天津工业大学硕士学位论文[18]YoshioShimizu，Expertsystemtoinspectfabricdefectsbypatternrecognition，Sen---Gakkaishi，2000，46(1)：460-469[19IFSCohen，ZFan，SAttaliAlltomatedinspectionoftextileusingtexturalmodels，IEEETransactiononPa_tternAnalysisandMachineIntelligence[C]．2001，13(8)：803-808[20]SarSardy，LamyamiIbrahim，YoshizumiYsauda，Anapplicationofvisionsystemfortheidentificationanddefectdetectiononwovenfabricsbyusingartificialneuralnetwork，Proceedinesof1993internationaliointconferenceonneuralnetworks，1999，3：2141—2144[213JYFZhang，RRbresee，FabricdefectdetectionandclassificationusingimageanalysiS，TextileResearchJournal，2000，65(1)：卜9[22]I—ShouTsai，蛐ng-ChuanFlu，Automaticinspectionoffabricdefectsusinganartificialneuralnetworktechnique，TextileResearchJournal，1996，66(7)：472-482[233SRajasekaran，Trainning—freecounterpropagationneuralforpaRemrecognitionoffabricdef-ectS，TextileResearchJournal，1997，67(6)：401—405[24]Chi—hoChan，GranthamK．HPang，FabricdefectdetectionbyFourieranalysiS，IEEETransactionsonIndustryApplications，2000，36(5)：1267—1276[253MCHu．ISTsai，Theinspeaionoffabricdefectsbyusingwavelettransform，JournaloftextileInstitute，2003，91(3)：420-433[263HSad--Sarrsf，JSGoddard，Visionsystemforonloomfabricinspection，IEEETransactionsonIndustryApplications[C]．2002，35(6)：1252-1259[27]彭玉华，小波变换与工程应用[M]．北京：科学出版社，2007年1月[28]马云芳，王小华，基于小波理论的织物纹理特征提取[J]．杭州电子工业学院学报，2002，22(6)：85-88[29]蔡汉添，小波变换域中图像噪声平滑技术，光学技术，1998，6[30]李辉，蒋秀明等，Matlab语言在数字图像中值滤波中的应用研究[J]．天津工业大学学报，2003，22(1)：7-88[31]陈武凡等，小波分析及其在图象处理中的应用[M]．北京：科学出版社，2002：1～120，152-193[323徐增波，贡玉南，黄秀宝，基于二维连续小波变换的织物疵点检测[J]．中国纺织大学学报，2000，26(2)：10-13[33]屈萍鸽，刘曙光，张慧，小波分析在织物缺陷检测中的应用[J]．纺织高校基础科学学报，2004，17(4)：164-167[34]李立轻，黄秀宝，用于疵点检测的织物自适应正交小波的实现[J]．东华大学学报，2002，28(2)：77-81[35]丁雪荣，宋广礼，计算机图像处理技术在纺织品测试中的应用[J]．计算机应用，2005，33(6)：59—6l