CN103955922B - 基于Gabor滤波器的印花织物疵点检测方法 - Google Patents

Abstract

本发明公开的基于Gabor滤波器的印花织物疵点检测方法：建立基本Gabor滤波器，提取Gabor参数；对提取的Gabor参数进行选择、交叉、变异，改Gabor参数，选择目标函数适应度高的参数，经交叉和变异对选择出的适应度高的参数变换产生适应度最高的参数；根据遗传算法选择的Gabor参数方向θ和中心频率u₀，对得到的Gabor参数旋转变换提取有效的无瑕疵印花织物纹理特征信息；对待检测印花织物图像及无瑕疵印花织物图像进行Gabor滤波的卷积操作，提取待检测印花织物纹理背景信息；将待检测及无瑕疵印花织物图像均进行二值化，得到印花织物瑕疵检测结果。本发明的印花织物疵点检测方法能提高检测效率和检测准确度。

Description

基于Gabor滤波器的印花织物疵点检测方法

技术领域

本发明属于纺织品疵点检测方法技术领域，涉及一种基于Gabor滤波器的印花织物疵点检测方法。

背景技术

印花织物上的瑕疵对其销售价格有很大的影响，会导致产品的降价范围在原价格的45％～65％。目前，在实际印花织物检测中，人工检测占据主导地位，但存在检测速度较慢且检测成功率较低的问题，据统计，一般人工的检测速度约为15m/min～20m/min，而人工检测的准确度仅是60％～70％。由于准确率较低，企业大多选择用检测***代替人工进行检测，现有应用最广的检测***是I-TEX检验***，而高的硬件维护导致了I-TEX检验***的应用收到了限制。

在一系列基于印花织物检测算法软件的基础上，印花织物检测方法主要分为三种，分别是：基于统计、模型和光谱的印花织物瑕疵检测方法。基于统计的方法是：将输入图像在一个窗口中的每个像素的每个图像响应中捕获到纹理特征定义为“能量”，Conci andProenca用分形维数的估计(FD)来检查输入印花织物图像的疵点，通过处理图像信息，修改不同的盒子计数，最大限度地减少了计算的复杂性，提高了工作效率；但是，唯一的弱点是探测瑕疵具有高误报率和定位精度差。基于模型方法的优点是可构建相似的纹理以匹配所观察到的纹理，美国德雷克塞尔大学的Cohen，采用高斯马尔可 夫随机提交(GMRF)检测纺织织物，其参数来自无瑕疵印花织物图像并且得到了理想的检测结果，但这种方法也有缺点，如：难以降低输入图像分析的复杂性，无法实现织物的快速检测。基于光谱的方法适合于随机纹理的材料，Tsai and Heish运用相结合的DFT检测方向性的纹理疵点，可保持灰度级图像局部瑕疵，并删除所有的同质性和方向性的纹理方向的信息，然而操纵同质无瑕疵区域相关的频率成分可能会给瑕疵区域的频率成分带来巨大的影响。

许多研究证明，Gabor滤波器在印花物疵点检测领域中广泛使用，在空间域和频域中，具有一个唯一最佳定位和多个方向和尺寸。一般情况下，基于Gabor函数的瑕疵检测方法可以被划分成两类：一类是运用一系列Gabor滤波器表征通道特征，可得出织物疵点的检测结果；另一种方法是选择最佳的Gabor滤波器。

发明内容

本发明的目的在于提供一种基于Gabor滤波器的印花织物疵点检测方法，能提高检测效率和检测准确度。

本发明所采用的技术方案是，基于Gabor滤波器的印花织物疵点检测方法，具体按照以下步骤实施：

步骤1、建立基本Gabor滤波器，提取Gabor参数；

步骤2、利用遗传算法，根据人体基因对经步骤1提取的Gabor参数依次进行选择、交叉、变异，改变经步骤1得到的Gabor参数；然后选择目标函数适应度高的参数，经交叉和变异操作对选择出的适应度高的参数进行变换，产生适应度最高的参数；

步骤3、根据遗传算法选择的Gabor参数的方向θ和中心频率u₀，对经步骤2得到的Gabor参数进行旋转变换，经过旋转变换后，提取出有效的无瑕疵印花织物的纹理特征信息；

步骤4、分别对待检测印花织物图像及无瑕疵印花织物图像进行Gabor滤波的卷积操作，提取待检测印花织物纹理背景信息；

步骤5、将经步骤4处理的待检测印花织物图像及无瑕疵印花织物图像分别进行二值化处理，得到印花织物瑕疵检测结果。

本发明的特点还在于，

步骤1.1、建立2-D-Gabor滤波函数，具体按照以下方法实施：

建立的2-D-Gabor滤波函数分别给定了正弦波的频率和旋转方向；2-D-Gabor滤波函数是经二维高斯函数调制的，其中涉及到空间域中的三个参数，三个参数分别为(σ_x，σ_y)和方向θ，方向θ以(0，π)范围将x和y旋转到x'和y'值，σ_x为2-D-Gabor滤波函数沿x轴的方差，σ_y为2-D-Gabor滤波函数沿y轴的方差；

将二维空间域的2-D-Gabor滤波函数如下：

经变化后得到的2-D-Gabor滤波函数具体算法如下：

g(x,y)＝g_e(x,y)+jg_o(x,y) (2)；

其中，u₀表示中心频率；

将式(1)作为基础2-D-Gabor滤波函数，式(3)中2-D-Gabor滤波函数的实部作为偶对称Gabor滤波器来检测印花织物的斑点部分；式(4)中2-D-Gabor滤波函数的虚部作为奇对称Gabor滤波器，用于检测印花织物的边缘部分；

步骤1.2、利用步骤1.1建立的2-D-Gabor滤波函数的实部构建Gabor滤波器，具体按照以下方法实施：

将步骤1.1中建立的2-D-Gabor滤波函数的实部用于进行印花织物瑕疵检测，Gabor滤波器的2D-Gabor滤波函数具体如下算法实施：

σ_y＝λσ_x (5)；

其中，T₁和T₂分别是沿x轴和y轴的转换参数，λ是x轴和y轴之间的方差比，2-D-Gabor滤波函数是通过旋转和缩放基本Gabor函数得到的；

步骤1.3、提取Gabor参数：

从经步骤1.2构造的Gabor滤波器中提取Gabor参数，提取的Gabor参数为：ω,T₁,T₂,λ,θ,u₀。

步骤2具体按照以下步骤实施：

步骤2.1、对经步骤1提取出的Gabor参数进行编码：

遗传算法中，每个遗传算法Gabor参数的个体由48位二进制代码组成；48个'0'表示最小的二进制代码参数个体；48个'1'表示最大的二进制代码参数个体；群体表示所有参数个体的集合；

步骤2.2、构造目标函数E：

遗传算法中的目标函数E是评估Gabor参数的标准，将2-D-Gabor滤波函数与标准印花织物差的最小值来评估Gabor参数，用于确定最优的Gabor参数；

最优的Gabor滤波器拥有与无瑕疵印花织物图像的灰度水平分布最相似的包络，符合印花织物纹理特征信息，为了构造出一个最优的Gabor滤波器，目标函数E具体如下算法实施：

上式中，IM是输入的无瑕疵印花织物图像，ω是Gabor系数用来协调无瑕疵印花织物图像的灰度值IM(x，y)和2-D-Gabor函数实部的结果之间的相关性；

在优化的过程中，方差比被限制在[1.0，2.0]；径向频率具有良好的实验结果的范围是[1.9，5.7]；Gabor滤波器的高斯包络窗口的大小为1；基于Gabor 函数的平衡性，方向θ的范围是[0，π]；

步骤2.3、选择Gabor参数个体。

步骤2.3具体按照以下步骤实施：

步骤2.3.1、初始群体：

初始的群体是由二进制代码构建的，采用二进制码(0|1)表征Gabor参数ω，T₁，T₂，λ，θ，u₀；

步骤2.3.2、经步骤2.2得到的目标函数E，在初始群体中选择，去除目标函数结果最大的个体，将选择得到的个体作为最优个体；

步骤2.3.3、Gabor参数形成两个个体，两个个体以交叉概率(0，1)和个体长度的乘积确定的交叉位置进行相互交换；

步骤2.3.4、经过步骤2.3.3交叉后的个体，以变异概率(0，0.1)和个体长度的乘积确定的变异位置进行变异，即将个体变异位置的二进制码0变为1，1变为0：

初始种群内100个个体通过交叉和变异操作改变个体，将目标函数E的结果作为选择个体的标准，每执行一次选择步骤，减少20个目标函数最高的参数个体，直到100个参数个体数量变成零，得到目标函数结果最低的参数个体，最后将得到参数个体转换为十进制Gabor参数。

步骤3中通过遗传算法得到的Gabor参数，具体按如下算法实施：

上式中，参数θ_ga和参数u_0ga分别是从遗传算法中得到的Gabor参数，遗传算法中，Gabor滤波器的中心频率θ_ga和方向选取范围分别1.9的倍数和以 π/6的倍数增加，经转换后得到的方向θ和中心频率u₀构造出的Gabor滤波器用于提取无瑕疵印花织物纹理背景信息；其余由遗传算法得到的Gabor参数直接运用在最优的Gabor滤波器中。

步骤4中的Gabor滤波的卷积操作方法具体如下：

2-D-Gabor滤波器的滤波图像振幅响应按照如下算法实施：

I(x,y)是输入印花织物图像，输出的图像I_i(x,y)是一个过滤后的印花织物图像，*代表的卷积运算，ge(x,y)和g_o(x,y)分别表示2-D-Gabor滤波函数的实部和虚部；

2-D-Gabor滤波函数的实部作为印花织物图像滤波器，实现印花织物图像滤波按如下算法实施：

步骤5.1、在对待检测印花织物图像及无瑕疵印花织物图像进行二值化之前，运用中值滤波器平滑滤波后的待检测印花织物图像及无瑕疵印花织物图像产生的噪声；

步骤5.2、经步骤5.1去噪声处理后，分别将得到的待检测印花织物图像及无瑕疵印花织物图像进行二值化处理，对无瑕疵印花织物进行阈值测定，确定阈值范围，对待检测印花织物有瑕疵的部分进行瑕疵分割；

阈值测定方法，具体按照以下方法实施：

(1)选择无瑕疵印花织物图像经过步骤4得到滤波结果B(x,y)的中心窗口W；

(2)分别计算中心窗口W的最高灰度值和最低灰度值，将最高灰度值作为阈值λ_max，将最低灰度值作为阈值λ_min，具体按照如下算法实施：

印花织物瑕疵分割方法，具体按照以下方法实施：

待检测的印花织物经过步骤4得到滤波后的图像B(x,y),根据得到的分割阈值λ_max和分割阈值λ_min进行分割，得到二值图像D(x，y)，具体按照以下算法获得：

若待检测印花织物图像的灰度值在经步骤5.1得到的阈值范围之内，则赋值为0，即为正常织物区域；

若待检测印花织物图像的灰度值在经步骤5.1得到的阈值范围之外，则赋值为255，即为瑕疵织物区域。

本发明的有益效果在于：

(1)本发明基于Gabor滤波器的印花织物疵点检测方法避免了Gabor参数的局限性，使构造的Gabor滤波器与印花织物背景信息最匹配；

(2)本发明基于Gabor滤波器的印花织物疵点检测方法中，Gabor参数用二进制进行编码，提高Gabor参数的精度，使构造的Gabor滤波器具有良好的纹理信息的提取能力；

(3)本发明基于Gabor滤波器的印花织物疵点检测方法中，目标函数通过标准无瑕疵印花织物来匹配Gabor滤波器，取得Gabor参数构造的Gabor 滤波器与印花织物灰度包络最接近，使构造的Gabor滤波器能提取出最有效的待检测印花织物；

(4)本发明基于Gabor滤波器的印花织物疵点检测方法中，在训练阶段计算得到最优的Gabor参数ω，T₁，T₂，λ，θ，u₀，由Gabor参数ω，T₁，T₂，λ，θ，u₀构造的最佳的Gabor滤波器能检测对应待检测印花织物的各种瑕疵；在检测阶段，印花织物疵点检测的高速性使其投入现代技术产业提供了可能性。

附图说明

图1是本发明基于印花图像处理的疵点自动检测方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于Gabor滤波器的印花织物疵点检测方法，如图1所示，具体按照以下步骤实施：

步骤1、建立基本Gabor滤波器，提取Gabor参数：

步骤1.1、建立2-D-Gabor滤波函数，具体按照以下方法实施：

建立2-D-Gabor滤波函数，2-D-Gabor滤波函数是一个复杂的指数函数，分别给定了正弦波的频率和旋转的方向；2-D-Gabor滤波函数是经二维高斯函数调制的，其中涉及到空间域中的三个参数，三个参数分别为(σ_x，σ_y)和方向θ，方向θ以(0，π)范围将x和y旋转到x'和y'值，σ_x为2-D-Gabor滤波函数沿x轴的方差，σ_y为2-D-Gabor滤波函数沿y轴的方差；

将二维空间域的2-D-Gabor滤波函数表示为：

将公式(1)变化后得到的2-D-Gabor滤波函数具体算法如下：

g(x,y)＝g_e(x,y)+jg_o(x,y) (2)；

其中，u₀表示中心频率；

将公式(1)作为建立的基础2-D-Gabor滤波函数，公式(3)所示的2-D-Gabor滤波函数的实部作为偶对称Gabor滤波器来检测印花织物的斑点部分；公式(4)所示的2-D-Gabor滤波函数的虚部作为奇对称Gabor滤波器，用于检测印花织物的边缘部分；

步骤1.2、利用步骤1.1建立的2-D-Gabor滤波函数的实部构建Gabor滤波器，具体按照以下方法实施：

将步骤1.1中建立的2-D-Gabor滤波函数的实部用于进行印花织物瑕疵检测，只运用2-D-Gabor滤波函数的实部来提取印花织物特征的主要的原因在于：2-D-Gabor滤波函数的虚部不仅需要大量的计算，而且也对于瑕疵检 测的效果没有明显的提高，故Gabor滤波器的2D-Gabor滤波函数具体如下算法实施：

σ_y＝λσ_x (5)；

其中，T₁和T₂分别是沿x轴和y轴的转换参数，λ是x轴和y轴之间的方差比，2-D-Gabor滤波函数是通过旋转和缩放基本Gabor函数得到的，具体的方向和大小对印花织物疵点有强大影响力，所以在任意的方向和大小中搜索最佳Gabor滤波器是最重要的；

步骤1.3、提取Gabor参数：

从经步骤1.2构造的Gabor滤波器中提取Gabor参数，提取的Gabor参数为：ω,T₁,T₂,λ,θ,u₀；

Gabor参数ω,T₁,T₂,λ,θ,u₀，决定Gabor滤波器的形状，Gabor滤波器的中心坐标和Gabor滤波器的包络窗口，从而决定Gabor滤波器的滤波性能，是构造Gabor滤波器的重要参数。

步骤2、利用遗传算法，根据人体基因对经步骤1提取的Gabor参数依次进行选择、交叉、变异，改变经步骤1得到的Gabor参数；然后选择目标函数适应度高的参数，经交叉和变异操作对选择出的适应度高的参数进行变换，产生适应度最高的参数：

步骤2.1、对经步骤1提取出的Gabor参数进行编码：

遗传算法中，每个遗传算法Gabor参数的个体由48位二进制代码组成；48个'0'表示最小的二进制代码参数个体；48个'1'表示最大的二进制代码参数个体；群体表示所有参数个体的集合；

步骤2.2、构造目标函数E：

遗传算法中的目标函数E是评估Gabor参数的标准，将2-D-Gabor滤波函数与标准印花织物差的最小值来评估Gabor参数，这样能够使Gabor滤波器的包络与印花织物的信息分布趋于最接近，用于确定最优的Gabor参数，最终达到有效提取印花织物纹理特征信息的目的；

最优的Gabor滤波器拥有与无瑕疵印花织物图像的灰度水平分布最相似的包络，以符合印花织物纹理特征信息，为了构造出一个最优的Gabor滤波器，目标函数E具体如下算法实施：

式(6)中，IM是输入的无瑕疵印花织物图像，ω是Gabor系数用来协调无瑕疵印花织物图像的灰度值IM(x，y)和2-D-Gabor函数实部的结果之间的相关性；

在优化的过程中，方差比被限制在[1.0，2.0]；径向频率具有良好的实验结果的范围是[1.9，5.7]；Gabor滤波器的高斯包络窗口的大小为1；基于Gabor函数的平衡性，方向θ通常范围是[0，π]；

步骤2.3、选择Gabor参数个体，具体按照以下步骤实施：

步骤2.3.1、初始群体：

初始的群体是由二进制代码构建的，采用二进制码(0|1)表征Gabor参数ω，T₁，T₂，λ，θ，u₀，使得选择、交叉、变异操作方便；

步骤2.3.2、经步骤2.2得到的目标函数E，在初始群体中选择，去除目标函数结果最大的个体，将选择得到的个体作为最优个体；

步骤2.3.3、Gabor参数形成两个个体，两个个体以交叉概率(0，1)和个体长度的乘积确定的交叉位置进行相互交换；

步骤2.3.4、经过步骤2.3.3交叉后的个体，以变异概率(0，0.1)和个体长度的乘积确定的变异位置进行变异，即将个体变异位置的二进制码0变为1，1变为0：

初始种群内100个个体通过交叉和变异操作改变个体，将目标函数E的结果作为选择个体的标准，每执行一次选择步骤，减少20个目标函数最高的参数个体，直到100个参数个体数量变成零，得到目标函数结果最低的参数个体，最后将得到参数个体转换为十进制Gabor参数。

步骤3、根据遗传算法选择的Gabor参数的方向θ和中心频率u₀，对经步骤2得到的Gabor参数进行旋转变换，经过特定的旋转变换后，提取出有效的无瑕疵印花织物的纹理特征信息：

通过遗传算法得到的Gabor参数，具体按如下算法实施：

操作的目的在于适应印花织物纹理特征信息，实现瑕疵检测；

式(7)中，参数θ_ga和参数u_0ga分别是从遗传算法中得到的Gabor参数，遗传算法中，Gabor滤波器的中心频率θ_ga和方向选取范围分别1.9的倍数和 以π/6的倍数增加，经公式(7)的转换得到的方向θ和中心频率u₀构造出的Gabor滤波器用于提取无瑕疵印花织物纹理背景信息；其余由遗传算法得到的Gabor参数直接运用在最优的Gabor滤波器中。

步骤4、分别对待检测印花织物图像及无瑕疵印花织物图像进行Gabor滤波的卷积操作，提取待检测印花织物纹理背景信息，Gabor滤波的卷积操作方法具体如下：

2-D-Gabor滤波器的滤波图像振幅响应按照如下算法实施：

I(x,y)是输入印花织物图像，输出的图像I_i(x,y)是一个过滤后的印花织物图像，*代表的卷积运算，ge(x,y)和g_o(x,y)分别表示2-D-Gabor滤波函数的实部和虚部；

在本发明中，2-D-Gabor滤波函数的实部作为印花织物图像滤波器，实现印花织物图像滤波按如下算法实施：

步骤5、将经步骤4处理的待检测印花织物图像及无瑕疵印花织物图像分别进行二值化处理，得到印花织物瑕疵检测结果；

步骤5.1、在对待检测印花织物图像及无瑕疵印花织物图像进行二值化之前，为了减轻各种噪声，运用中值滤波器平滑滤波后的待检测印花织物图像及无瑕疵印花织物图像产生的噪声；

步骤5.2、经步骤5.1去噪声处理后，分别将得到的待检测印花织物图像及无瑕疵印花织物图像进行二值化处理，对无瑕疵印花织物进行阈值测定， 确定阈值范围，对待检测印花织物有瑕疵的部分进行瑕疵分割；

无瑕疵印花织物图像经过步骤4处理后得到滤波结果B(x,y)，将滤波结果的最大值和最小值分别作为最大阈值和最小阈值，形成一个阈值范围；

阈值测定方法，具体按照以下方法实施：

(1)选择无瑕疵印花织物图像经过步骤4得到滤波结果B(x,y)的中心窗口W；

(2)分别计算中心窗口W的最高灰度值和最低灰度值，将最高灰度值作为阈值λ_max，将最低灰度值作为阈值λ_min，具体按照如下算法实施：

印花织物瑕疵分割方法，具体按照以下方法实施：

待检测的印花织物经过步骤4得到滤波后的图像B(x,y),根据得到的分割阈值λ_max和分割阈值λ_min进行分割，得到二值图像D(x，y)，具体按照以下算法获得：

若待检测印花织物图像的灰度值在经步骤5.1得到的阈值范围之内，则赋值为0，即为正常织物区域；

若待检测印花织物图像的灰度值在经步骤5.1得到的阈值范围之外，则赋值为255，即为瑕疵织物区域。

在印花织物疵点检测的结果中，误报警(FA)即二进制结果图像的白色区域包含相应的织物图像中的缺陷区域，并包含远离有瑕疵的其他的白色区域占据所有试验结果的5％。

在检测印花织物和坯布织物中，织物瑕疵正确检测率达到95％。

本发明的基于Gabor滤波器的印花织物疵点检测方法的原理及优势：

本发明基于Gabor滤波器的印花织物疵点检测方法运用选定的参数构建出最优Gabor滤波器来解决疵点检测的问题，在目标函数中，无瑕疵印花织物图像监督Gabor滤波器，遗传算法达到目标函数的最小值，从而找到合适的参数来生成最优的Gabor滤波器；利用最优的Gabor滤波器提取纹理特征，从而检测得到印花织物疵点，Gabor滤波器的性能依赖于参数，而参数是基于遗传算法的自动选择，在这种想法的基础上，提出了织物瑕疵检测的新方法。

本发明的基于印花图像处理的疵点自动检测方法包括训练部分和瑕疵检测部分，Escofet使用了多尺度和多方向的Gabor滤波器进行织物疵点检测，这证明大量Gabor滤波器提取的特征可以描述织物纹理特征。上述方法的缺点是，使用大量的滤波器会导致巨大的计算负担，从而阻止实时有效实施；本发明的基于印花图像处理的疵点自动检测方法与Escofet的方法相比，实现瑕疵检测计算量小和花型织物的成功瑕疵检测。

实施例：

首先输入无瑕疵印花织物图像，100参数个体代入目标函数，每次去除目标函数最高的20个体，然后对个体进行交叉，变异，再代入目标函数，进行选择，交叉变异，直至参数个体变为0，保存目标函数最小参数个体； 将得到的参数个体转换为十进制数，然后将中心频率和方向进行转换，将得到的参数代入Gabor滤波器，先对无瑕疵印花织物图像进行滤波，取得滤波后中心窗口的最大灰度值和最小灰度值，将最大灰度值和最小灰度值作为最大阈值和最小阈值，再对待测的印花织物图像进行滤波，根据得到的阈值，对待测图像二值化，得到印花织物疵点检测结果。

Claims (5)

1.基于Gabor滤波器的印花织物疵点检测方法，其特征在于，具体按照以下步骤实施：

步骤1、建立基本Gabor滤波器，提取Gabor参数，具体按照以下步骤实施：

步骤1.1、建立2-D-Gabor滤波函数，具体按照以下方法实施：

2-D-Gabor滤波函数分别给定了正弦波的频率和旋转的方向；2-D-Gabor滤波函数是经二维高斯函数调制的，其中涉及到空间域中的三个参数，三个参数分别为(σ_x，σ_y)和方向θ，方向θ以(0，π)范围将x和y旋转到x'和y'值，σ_x为2-D-Gabor滤波函数沿x轴的方差，σ_y为2-D-Gabor滤波函数沿y轴的方差；

将二维空间域的2-D-Gabor滤波函数表示为：

$g(x,y)=\frac{1}{2{\mathrm{\π\σ}}_x{\mathrm{\σ}}_y}\exp \left\{-\frac{1}{2}\[{\left(\frac{x^{\′}}{{\mathrm{\σ}}_x}\right)}^2+{\left(\frac{y^{\′}}{{\mathrm{\σ}}_y}\right)}^2\]\right\}\exp \left(j2{\mathrm{\πu}}_0{x}^{\′}\right)---\left(1\right);$

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\θ}& -\sin \mathrm{\θ}\\ sin\mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right];$

将公式(1)变化后得到的2-D-Gabor滤波函数具体算法如下：

g(x,y)＝g_e(x,y)+jg_o(x,y) (2)；

$g_e(x,y)=\exp \left\{-\frac{1}{2}\[{\left(\frac{x^{\′}}{{\mathrm{\σ}}_x}\right)}^2+{\left(\frac{y^{\′}}{{\mathrm{\σ}}_y}\right)}^2\]\right\}cos\left(2{\mathrm{\πu}}_0{x}^{\′}\right)---\left(3\right);$

$g_o(x,y)=\exp \left\{-\frac{1}{2}\[{\left(\frac{x^{\′}}{{\mathrm{\σ}}_x}\right)}^2+{\left(\frac{y^{\′}}{{\mathrm{\σ}}_y}\right)}^2\]\right\}\sin \left(2{\mathrm{\πu}}_0{x}^{\′}\right)---\left(4\right);$

其中，u₀表示中心频率；

将式(1)作为建立的基础2-D-Gabor滤波函数，式(3)所示的2-D-Gabor滤波函数的实部作为偶对称Gabor滤波器来检测印花织物的斑点部分；式(4)所示的2-D-Gabor滤波函数的虚部作为奇对称Gabor滤波器，用于检测印花织物的边缘部分；

步骤1.2、将步骤1.1建立的2-D-Gabor滤波函数的实部构建Gabor滤波器，具体按照以下方法实施：

将步骤1.1中建立的2-D-Gabor滤波函数的实部用于进行印花织物瑕疵检测，Gabor滤波器的2D-Gabor滤波函数具体如下算法实施：

$g_e(x,y)=\exp \left\{-\frac{1}{2}\[{\left(\frac{x^{\′}}{{\mathrm{\σ}}_x}\right)}^2+{\left(\frac{y^{\′}}{{\mathrm{\σ}}_y}\right)}^2\]\right\}cos\left(2{\mathrm{\πu}}_0{x}^{\′}\right)$

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\θ}& -sin\mathrm{\θ}\\ sin\mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]\left[\begin{array}{c}x-T_1\\ y-T_2\end{array}\right];$

σ_y＝λσ_x (5)；

其中，T₁和T₂是分别沿x轴和y轴的转换参数，λ是x轴和y轴之间的方差比，2-D-Gabor滤波函数是通过旋转和缩放基本Gabor函数得到的；

步骤1.3、提取Gabor参数：

从经步骤1.2构造的Gabor滤波器中提取Gabor参数，提取的Gabor参数为：ω,T₁,T₂,λ,θ,u₀；

步骤2、利用遗传算法，根据人体基因对经步骤1提取的Gabor参数依次进行选择、交叉、变异，改变经步骤1得到的Gabor参数；然后选择目标函数适应度高的参数，经交叉和变异操作对选择出的适应度高的参数进行变换，产生适应度最高的参数，具体按照以下步骤实施：

步骤2.1、对经步骤1提取出的Gabor参数进行编码：

遗传算法中，每个遗传算法Gabor参数的个体由48位二进制代码组成；48个'0'表示最小的二进制代码参数个体；48个'1'表示最大的二进制代码参数个体；群体表示所有参数个体的集合；

步骤2.2、构造目标函数E：

遗传算法中的目标函数E是评估Gabor参数的标准，将2-D-Gabor滤波函数与标准印花织物差的最小值来评估Gabor参数，用于确定最优的Gabor参数；

最优的Gabor滤波器拥有与无瑕疵印花织物图像的灰度水平分布最相似的包络，符合印花织物纹理特征信息，为了构造出一个最优的Gabor滤波器，目标函数E具体如下算法实施：

$E=\underset{\mathrm{\ω},T_1,T_2,\mathrm{\λ},\mathrm{\θ},u_0}{\min }\[\underset{x,y}{\Σ}{\left(IM\left(x,y\right)-{\mathrm{\ωg}}_e\left(x,y\right)\right)}^2\]---\left(6\right);$

上式中，IM是输入的无瑕疵印花织物图像，ω是Gabor系数用来协调无瑕疵印花织物图像的灰度值IM(x，y)和2-D-Gabor函数实部的结果之间的相关性；

在优化的过程中，方差比被限制在[1.0，2.0]；径向频率具有良好的实验结果的范围是[1.9，5.7]；Gabor滤波器的高斯包络窗口的大小为1；基于Gabor函数的平衡性，方向θ的范围是[0，π]；

步骤2.3、选择Gabor参数个体；

步骤3、根据遗传算法选择的Gabor参数的方向θ和中心频率u₀，对经步骤2得到的Gabor参数进行旋转变换，经过旋转变换后，提取有效的无瑕疵印花织物的纹理特征信息；

步骤4、分别对待检测印花织物图像及无瑕疵印花织物图像进行Gabor滤波的卷积操作，提取待检测印花织物纹理背景信息；

步骤5、将经步骤4处理的待检测印花织物图像及无瑕疵印花织物图像分别进行二值化处理，得到印花织物瑕疵检测结果。

2.根据权利要求1所述的基于Gabor滤波器的印花织物疵点检测方法，其特征在于，所述步骤2.3具体按照以下步骤实施：

步骤2.3.1、初始群体：

初始的群体是由二进制代码构建的，采用二进制码(0|1)表征Gabor参数ω，T₁，T₂，λ，θ，u₀；

步骤2.3.2、经步骤2.2得到的目标函数E，在初始群体中选择，去除目标函数结果最大的个体，将选择得到的个体作为最优个体；

步骤2.3.3、Gabor参数形成两个个体，两个个体以交叉概率(0，1)和个体长度的乘积确定的交叉位置进行相互交换；

步骤2.3.4、经过步骤2.3.3交叉后的个体，以变异概率(0，0.1)和个体长度的乘积确定的变异位置进行变异，即将个体变异位置的二进制码0变为1，1变为0：

初始种群内100个个体通过交叉和变异操作改变个体，将目标函数E的结果作为选择个体的标准，每执行一次选择步骤，减少20个目标函数最高的参数个体，直到100个参数个体数量变成零，得到目标函数结果最低的参数个体，最后将得到参数个体转换为十进制Gabor参数。

3.根据权利要求1所述的基于Gabor滤波器的印花织物疵点检测方法，其特征在于，所述步骤3中通过遗传算法得到的Gabor参数，具体按如下算法实施：

$\left\{\begin{array}{c}\mathrm{\θ}={\mathrm{\θ}}_{ga}-\frac{5}{6}\mathrm{\π}\\ u_0=u_{0ga}-1.9\end{array}\right.---\left(7\right);$

上式中，参数θ_ga和参数u_0ga分别是从遗传算法中得到的Gabor参数，遗传算法中，Gabor滤波器的中心频率θ_ga和方向选取范围分别1.9的倍数和以π/6的倍数增加，经转换后得到的方向θ和中心频率u₀构造出的Gabor滤波器用于提取无瑕疵印花织物纹理背景信息；其余由遗传算法得到的Gabor参数直接运用在最优的Gabor滤波器中。

4.根据权利要求1所述的基于Gabor滤波器的印花织物疵点检测方法，其特征在于，所述步骤4中的Gabor滤波的卷积操作方法具体如下：

2-D-Gabor滤波器的滤波图像振幅响应按照如下算法实施：

$I_i(x,y)={\{{\[g_e(x,y)*I(x,y)\]}^2+{\[g_o(x,y)*I(x,y)\]}^2\}}^{\frac{1}{2}}---\left(8\right);$

I(x,y)是输入印花织物图像，输出的图像I_i(x,y)是一个过滤后的印花织物图像，*代表的卷积运算，g_e(x,y)和g_o(x,y)分别表示2-D-Gabor滤波函数的实部和虚部；

2-D-Gabor滤波函数的实部作为印花织物图像滤波器，实现印花织物图像滤波按如下算法实施：

$I_i(x,y)={\left\{{\[g_e(x,y)*I(x,y)\]}^2\right\}}^{\frac{1}{2}}---\left(9\right).$

5.根据权利要求1所述的基于Gabor滤波器的印花织物疵点检测方法，其特征在于，所述步骤5具体按照以下步骤实施：

步骤5.1、在对待检测印花织物图像及无瑕疵印花织物图像进行二值化之前，运用中值滤波器平滑滤波后的待检测印花织物图像及无瑕疵印花织物图像产生的噪声；

步骤5.2、经步骤5.1去噪声处理后，分别将得到的待检测印花织物图像及无瑕疵印花织物图像进行二值化处理，对无瑕疵印花织物进行阈值测定，确定阈值范围，对待检测印花织物有瑕疵的部分进行瑕疵分割；

阈值测定方法，具体按照以下方法实施：

(1)选择无瑕疵印花织物图像经过步骤4得到滤波结果B(x,y)的中心窗口W；

(2)分别计算中心窗口W的最高灰度值和最低灰度值，将最高灰度值作为阈值λ_max，将最低灰度值作为阈值λ_min，具体按照如下算法实施：

$\left\{\begin{array}{c}{\mathrm{\λ}}_{max}=\underset{x,y\∈W}{max}\left|B(x,y)\right|\\ {\mathrm{\λ}}_{min}=\underset{x,y\∈W}{\min }\left|B(x,y)\right|\end{array}\right.---\left(10\right);$

印花织物瑕疵分割方法，具体按照以下方法实施：

待检测的印花织物经过步骤4得到滤波后的图像B(x,y),根据得到的分割阈值λ_max和分割阈值λ_min进行分割，得到二值图像D(x，y)，具体按照以下算法获得：

$D(x,y)=\left\{\begin{array}{cc}255& B(x,y)>{\mathrm{\&lambda;}}_{max}orB(x,y)<{\mathrm{\&lambda;}}_{\min }\\ 0& B(x,y)\&le;{\mathrm{\&lambda;}}_{maxorB(x,y)\&GreaterEqual;{\mathrm{\&lambda;}}_{\min }}\end{array}\right.---\left(11\right);$

若待检测印花织物图像的灰度值在经步骤5.1得到的阈值范围之内，则赋值为0，即为正常织物区域；

若待检测印花织物图像的灰度值在经步骤5.1得到的阈值范围之外，则赋值为255，即为瑕疵织物区域。