CN105004729B - 一种基于压缩感知的坯布织物疵点检测方法 - Google Patents
一种基于压缩感知的坯布织物疵点检测方法 Download PDFInfo
- Publication number
- CN105004729B CN105004729B CN201510385441.2A CN201510385441A CN105004729B CN 105004729 B CN105004729 B CN 105004729B CN 201510385441 A CN201510385441 A CN 201510385441A CN 105004729 B CN105004729 B CN 105004729B
- Authority
- CN
- China
- Prior art keywords
- image block
- measured value
- fault
- interval
- ref
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种基于压缩感知的坯布织物疵点检测方法,首先,将采集到的大幅面待测坯布织物图像分块,并统计各个图像块的灰度直方图Ht,并采用观测矩阵Φ获取其M×1维的压缩测量值yt;其次,以无疵点参照图像块Xref的正常灰度分布区间为基准,根据Ht的灰度分布信息,对yt进行量化,以消除光照渐变的影响,得到灰度量化后的压缩测量值yt_det;最后,判断待测的图像块Xt中是否含有疵点,并采用基追踪去噪算法对疵点信息进行恢复与定位。采用本发明的方法进行坯布织物疵点检测,可使大幅面坯布疵点在线自动检测所存储和传输的数据量压缩至原来的50%以上,疵点检出率达90%以上;可有效地提高***运行的效率,降低***的成本。
Description
技术领域
本发明属于数字图像目标检测技术领域,具体涉及一种基于压缩感知的坯布织物疵点检测方法。
背景技术
机器视觉和数字图像处理技术的飞速发展为基于机器视觉的自动化疵点检测奠定了重要的基础。尽管织物疵点检测的自动化研究已有三十余年的发展历史,然而,面对国际纺织市场竞争的日趋激烈,企业对坯布疵点检测也提出了新的需求:针对大幅面坯布的疵点检测,要求在检出坯布疵点的同时,能降低数据存储和传输量,提高***运行的效率,降低***的成本。而现有的技术方法难以满足这一新的需求。因此,提高大幅面坯布疵点的检出率和运行效率、降低***的成本已成为坯布疵点自动检测***中不可缺少的一个核心技术。
压缩感知(Compressed Sensing,CS)理论是Donoho等人于2006年正式提出的一种新型的“全息”采样理论。该理论已证明:当信号是稀疏的或在某种变换下可以稀疏表示时,采用满足约束等距性的观测矩阵提取少量的的压缩测量值即可完美地保存原始信号的信息;在信号重构阶段,通过相应的重构算法即可从少量的压缩测量值中恢复出原始信号,这为压缩域的目标检测提供了理论依据。
发明内容
本发明的目的是提供一种基于压缩感知的坯布织物疵点检测方法,能够满足大幅面坯布疵点的检出率,解决现有织物疵点检测技术中因大量的冗余信息导致***运行效率低、成本高的问题。
本发明所采用的技术方案是,一种基于压缩感知的坯布织物疵点检测方法,具体过程为:
步骤1:从采集的坯布织物图像中截取一幅无疵点图像,将其划分为互不重叠的p×q大小的图像块Xi(i=1,2,…n),并统计其正常灰度分布区间,计算出训练图像块Xj灰度量化后的压缩测量值yj,随后计算其压缩测量值的均值ymean;
步骤2:采用极大似然估计法,计算训练图像块Xj的压缩测量值的正态分布参数μnorm和σnorm;
步骤3:将待测坯布织物图像划分成互不重叠的p×q大小的图像块Xt(t=1,2….n),统计其灰度直方图Ht,计算待测图像块Xt灰度量化后的压缩测量值yt_det;
步骤4:将步骤1、2和步骤3所得的ymean、μnorm、σnorm和yt_det的值带入下式,判断待测的图像块Xt中是否含有疵点,
式中,ymean为计算训练图像块Xj灰度量化后的压缩测量值的均值;
μnorm和σnorm为训练图像块Xj灰度量化后的压缩测量值的正态分布参数;
yt_det为待测图像块Xt灰度量化后的压缩测量值;
c为一个正的常数,其取值与检测的精确度有关,根据正态分布数理统计理论中的“3σ”原则,c的取值范围为[2,3];
如果待测图像块Xt的压缩测量值yt_det与无疵点的训练图像块学习得到的参数ymean、μnorm和σnorm满足条件:则认为待测图像块Xt含有疵点,即置为1,否则,不含疵点,置为0;
步骤5:若待测的图像块Xt中无疵点,返回,处理其他待测图像块;若含有疵点,则进行疵点定位。
本发明的特征还在于,
步骤1中,训练图像块Xj灰度量化后的压缩测量值的均值ymean的计算过程为:
步骤1.1:随机地选定一个图像块,记作Xref,并统计Xref的灰度直方图Href;
步骤1.2:选取步骤1.1所得Href中小于等于总像素个数1%-2%的灰度级像素个数作为阈值thresh,找出Href中灰度级像素个数大于thresh的所有像素点,并按其灰度级从小到大的顺序排列成一个集合,记为S>thresh,即S>thresh={j|Href(j)>thresh};
步骤1.3:将步骤1.2所得的S>thresh中彼此相邻像素间灰度值两两相减,得集合SUB;将SUB中小于等于2对应的像素位置置为1,大于2的像素位置置为0;
步骤1.4:对步骤1.3中所得SUB中连续出现1的位置区域界定为S>thresh的子区间,若仅得到1个子区间,则将此子区间对应的像素灰度分布范围作为Xref的正常灰度分布区间;否则,选取对应灰度直方图中所含的灰度级像素点个数最多的子区间,将其对应的像素灰度分布范围作为参照图像块Xref的灰度分布区间,记为[g1,g2];
步骤1.5:计算步骤1.2所得S>thresh中所有像素的灰度均值,记为
μnum,即
其中,nj表示S>thresh中j灰度级像素的个数;
步骤1.6:找出步骤1.1所得Href中大于步骤1.5所得μnum的所有灰度级像素,并按灰度级从小到大的顺序排列成一个集合,记为即将所得中彼此相邻像素间灰度值两两相减,得到集合SUMm;将SUMm中小于等于2对应的像素位置置为1,大于2的像素位置置为0;
步骤1.7:将步骤1.6所得SUMm中连续出现1的位置区域界定为的子区间,若仅得到1个子区间,则将此区间对应的像素灰度分布范围作为Xref的主导像素的灰度分布区间,否则,选取对应灰度直方图中所含的灰度级像素点个数最多的子区间,将其对应的像素灰度分布范围作为Xref的主导像素的灰度分布区间,记为[gm1,gm2];
步骤1.8:从Xi(i=1,2,…n)中,随机地选取C幅图像块Xj(j=1,2,...C)作为训练图像块,其中,C的取值不宜低于10幅;分别统计训练图像块Xj的灰度直方图Hj;
步骤1.9:采用观测矩阵Φ,按照公式(1)计算训练图像块Xj的M×1维的压缩测量值yj:
yj=Φxj (1)
其中,xj是由二维图像信号Xj按列优先的顺序排列而成的N×1维的向量,yj为xj在压缩域中M×1维的压缩测量值;
步骤1.10:利用步骤1.1~1.4的方法计算选定的C幅训练图像块Xj的灰度分布区间[gj1,gj2];以参照图像块Xref的灰度分布区间[g1,g2]为基准,根据训练图像块的压缩测量值yj,按照公式(2)计算训练图像块Xj在[gj1,gj2]区间量化后的压缩测量值yj_norm:
其中,φn表示观测矩阵Φ的第n列;
步骤1.11:按照公式(3)计算训练图像块Xj灰度量化后的压缩测量值yj_norm的均值ymean:
步骤3中,待测图像块Xt灰度量化后的压缩测量值yt_det的计算过程为:
步骤3.1:根据待测图像块Xt的灰度直方图Ht,参照步骤1.2~步骤1.4的方法计算待测图像块Xt的灰度分布区间,记为[gt1,gt2];
步骤3.2:以参照图像块Xref的正常灰度分布区间[g1,g2]为基准,根据待测图像块Xt的压缩测量值yt,参照公式(2)计算Xt在[gt1,gt2]区间量化后的压缩测量值yt_det。
步骤5中,疵点定位的过程为:
步骤5.1:根据待测图像块Xt的灰度直方图Ht,利用步骤1.5~1.7的方法计算Xt主导像素的灰度分布区间,记为[gt_m1,gt_m2];以参照图像块Xref主导像素的灰度分布区间[gm1,gm2]为基准,计算Xt在[gt_m1,gt_m2]区间量化后的压缩测量值yt_mdet;
步骤5.2:将步骤5.1所得结果带入公式(4)中滤除yt_mdet中无疵点信息后,得待测图像块Xt中的疵点信息yt_def:
yt_def=yt_mdet-ymean (4)
步骤5.3:将步骤5.2所得yt_def和观测矩阵Φ带入公式(5)中,对获取的疵点信息yt_def进行恢复,得到N×1维的信号
其中,λ是一个正的常数,取值范围为[2,4],其取值需考虑信息的恢复精度与计算速度间的权衡;
步骤5.4:将步骤5.3所得的按列优先的顺序排列成与原始图像块同维数的p×q维矩阵Xt_rec,利用公式(6)对Xt_rec进行3×3窗口的中值滤波,得到Xt_f:
Xt_f(i,j)=median{Xt_rec(i-3,j-3),…,Xt_rec(i,j),…Xt_rec(i+3,j+3)} (6)
步骤5.5:利用公式(7)对步骤5.4所得Xt_f进行二值化处理,得疵点的位置及轮廓信息Xt_b,即完成疵点定位:
本发明的有益效果是,
1.本发明利用坯布疵点的空域稀疏性,根据CS理论对坯布图像信息进行压缩,能够将疵点检测***的信息量降至原来的50%-70%之间;
2.本发明根据压缩测量值判别疵点的有无,直接滤除压缩测量值中无疵点信息,仅对含有疵点的信息进行恢复与定位,在保证误检率低于10%的前提下,能够达到90%以上的疵点检出率;
3.本发明利用坯布织物图像灰度分布信息,通过自适应量化方法,可有效地克服不可避免的光照渐变以及疵点区与背景间灰度分布交界处的模糊性带来的不利影响。
附图说明
图1是利用本发明方法在大幅面坯布织物图像上截取的无疵点图像块及其量化结果图;
图2是利用本发明方法在大幅面坯布织物图像上截取的疵点图像块及其量化结果图;
图3是利用本发明方法在大幅面坯布织物图像上截取的无疵点图像块和疵点图像块分别对应的值的分布;
图4是利用本发明方法在大幅面坯布织物图像上截取的含有疵点信息的待测图像块中疵点的恢复及其定位结果图。
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。
本发明方法的原理是:利用坯布中疵点具有稀疏性的特点,首先,将采集到的大幅面待测坯布织物图像划分为互不重叠的p×q大小的图像块Xt,分别统计各个图像块的灰度直方图Ht,并采用观测矩阵Φ获取其M×1维的压缩测量值yt;接着,以无疵点参照图像块Xref的正常灰度分布区间为基准,根据Ht的灰度分布信息,对yt进行量化,以消除光照渐变的影响,得到灰度量化后的压缩测量值yt_det;然后根据对无疵点训练图像块学习得到的参数,判断待测的图像块Xt中是否含有疵点,若无疵点,则返回,重新开始新的待测坯布织物图像的疵点检测,否则,以无疵点参照图像块Xref的主导像素灰度分布区间为基准,根据Ht的主导像素灰度分布信息,对yt进行量化,以消除疵点与无疵点间灰度分布交界处的模糊性,得到灰度量化后的压缩测量值yt_mdet;最后,从yt_mdet中提取疵点信息得到yt_def,根据yt_def和观测矩阵Φ,采用基追踪去噪算法对疵点信息进行恢复与定位。
本发明的坯布织物疵点检测方法的实施可以分为三个阶段:参数学习阶段、疵点判别阶段和疵点定位阶段,具体按照以下步骤实施:
根据压缩感知理论,选用高斯随机矩阵作为观测矩阵。设:Φ表示M×N维的高斯随机矩阵,其中,N=p×q,M≥O(Kdeflog(N/Kdef)),Kdef是依据经验估计的待测织物图像块中最大的疵点所占的像素点个数;服从均值为μnorm、方差为的正态分布。
第一阶段:参数学习阶段
步骤1:从采集的坯布织物图像中截取一幅无疵点图像,并将其划分为互不重叠的p×q大小的图像块Xi(i=1,2,…n),为了保证图像块中疵点的稀疏性,其中p×q≥5×Kdef;
步骤2:选定无疵点的参照图像块xref,计算其正常灰度分布区间[g1,g2]和主导像素的灰度分布区间[gm1,gm2],为消除光照渐变的影响以及疵点区与背景间灰度分布交界处的模糊性提供参照,具体流程如下:
1)从Xi(i=1,2,…n)中,随机地选定一个无疵点图像块作为参照图像块,记作Xref,并统计Xref的灰度直方图Href;
2)滤除灰度直方图Href中各灰度级像素个数占总像素个数1%-2%的像素点,然后,从中计算参照图像块Xref的正常灰度分布区间[g1,g2],具体流程如下:
a.选取Href中小于等于总像素个数1%-2%的灰度级像素个数作为阈值thresh;
b.找出Href中灰度级像素个数大于thresh的所有像素点,并按其灰度级从小到大的顺序排列成一个集合,记为S>thresh,即S>thresh={j|Href(j)>thresh};
c.令S>thresh中间灰度值两两相减(即后一个像素灰度值减前一个像素灰度值),得到一个结果集合,记为SUB;
d.将SUB中小于等于2对应的像素位置置为1,大于2的像素位置置为0;
e.对连续出现1的位置区域界定为S>thresh的子区间,若仅得到1个子区间,则将此子区间对应的像素灰度分布范围作为Xref的正常灰度分布区间,否则,选取对应灰度直方图中所含的灰度级像素点个数最多的子区间,将其对应的像素灰度分布范围作为Xref的正常灰度分布区间,记为[g1,g2]。
3)计算参照图像块Xref主导像素的灰度分布区间[gm1,gm2],具体流程如下:
a.计算S>thresh中所有像素的灰度均值,记为μnum,即其中,nj表示S>thresh中j灰度级像素的个数;
b.找出Href中大于μnum的所有灰度级像素,并按灰度级从小到大的顺序排列成一个集合,记为即
c.令中彼此相邻像素间灰度值两两相减(即后一个像素灰度值减前一个像素灰度值),得到一个结果集合,记为SUMm;
d.将SUMm中小于等于2对应的像素位置置为1,大于2的像素位置置为0;
e.对连续出现1的位置区域界定为的子区间,若仅得到1个子区间,则将此区间对应的像素灰度分布范围作为Xref的主导像素的灰度分布区间,否则,选取对应灰度直方图中所含的灰度级像素点个数最多的子区间,将其对应的像素灰度分布范围作为Xref的主导像素的灰度分布区间,记为[gm1,gm2]。
步骤3:选取无疵点的训练图像块Xj(j=1,2,...C),分别统计其灰度直方图Hj,并采用观测矩阵Φ获取其M×1维的压缩测量值yj,具体流程如下:
1)从Xi(i=1,2,…n)中,随机地选取C幅无疵点图像块Xj(j=1,2,...C)作为训练图像块,其中,C的取值不宜低于10幅;
2)分别统计训练图像块Xj的灰度直方图Hj;
3)采用观测矩阵Φ,按照公式(1)计算训练图像块Xj的M×1维的压缩测量值yj:
yj=Φxj (1)
其中,xj是由二维图像信号Xj按列优先的顺序排列而成的N×1维的向量,yj为xj在压缩域中M×1维的压缩测量值;
步骤4:分别计算训练图像块Xj(j=1,2,...C)的正常灰度分布区间[gj1,gj2],并以参照图像块Xref的正常灰度分布区间[g1,g2]为基准,计算训练图像块Xj灰度量化后的压缩测量值yj_norm,具体流程如下;
1)参照步骤2中第2)步的方法依次计算选定的C幅训练图像块Xj的正常灰度分布区间[gj1,gj2];
2)以参照图像块Xref的正常灰度分布区间[g1,g2]为基准,根据训练图像块的压缩测量值yj,按照公式(2)计算训练图像块Xj在[gj1,gj2]区间量化后的压缩测量值yj_norm:
其中,φn表示观测矩阵Φ的第n列。
步骤5:按照公式(3)计算训练图像块Xj灰度量化后的压缩测量值yj_norm的均值ymean:
步骤6:采用极大似然估计法,计算训练图像块Xj灰度量化后的压缩测量值的正态分布参数μnorm和σnorm,为后续判别有无疵点提供参照,其计算公式为:
利用本发明方法在大幅面坯布织物图像上截取的无疵点图像块及其量化结果图如图1所示;
第二阶段:疵点判别阶段
步骤7:将采集待测坯布织物图像划分为互不重叠的图像块Xt,统计其灰度直方图Ht,并采用观测矩阵Φ获取其M×1维的压缩测量值yt,具体流程如下:
1)将采集到的待测坯布织物图像划分为互不重叠的p×q大小的图像块Xt(t=1,2,…n),若不能等分,则不足补齐。为了保证图像块中疵点的稀疏性,其中p×q≥5×Kdef;
2)分别统计各个图像块的灰度直方图Ht,并参照公式(1)计算待测图像块Xt的压缩测量值yt;
步骤8:根据待测图像块Xt的灰度直方图Ht,计算待测图像块Xt的灰度分布区间[gt1,gt2],并以参照图像块Xref的正常灰度分布区间[g1,g2]为基准,计算待测图像块Xt灰度量化后的压缩测量值yt_det,具体流程如下:
1)根据待测图像块Xt的灰度直方图Ht,参照步骤2中第2)步的方法计算待测图像块Xt的灰度分布区间,记为[gt1,gt2];
2)以参照图像块Xref的正常灰度分布区间[g1,g2]为基准,根据待测图像块Xt的压缩测量值yt,参照公式(2)计算Xt在[gt1,gt2]区间量化后的压缩测量值yt_det;利用本发明方法在大幅面坯布织物图像上截取的疵点图像块及其量化结果图如图2所示;
步骤9:根据步骤5和步骤6中对无疵点的训练图像块Xj(j=1,2,...C)学习得到的参数ymean、μnorm和σnorm,按照公式(6),判断待测的图像块Xt中是否含有疵点:
其中,c为一个正的常数,其取值与检测的精确度有关,根据数理统计理论中的“3σ”原则,c可以取3。在实际应用中,根据检测的精确度与速度间的权衡,c取[2,3]之间为宜;
如果待测图像块Xt_def的压缩测量值yt_det与无疵点的训练图像块学习得到的参数ymean、μnorm和σnorm满足条件:则认为待测图像块Xt_def含有疵点,即置为1,否则,不含疵点,置为0;利用本发明方法在大幅面坯布织物图像上截取的无疵点图像块和疵点图像块分别对应的值的分布如图3所示;
步骤10:若待测的图像块Xt中无疵点,返回,重新进入第二阶段处理其他待测图像块;若含有疵点,则进入第三阶段的处理;
第三阶段:疵点定位阶段
步骤11:根据待测图像块Xt的灰度直方图Ht,计算Xt主导像素的灰度分布区间[gt_m1,gt_m2],并以参照图像块Xref主导像素的灰度分布区间[gm1,gm2]为基准,计算Xt灰度量化后的压缩测量值yt_mdet,具体流程如下:
1)根据待测图像块Xt的灰度直方图Ht,参照步骤2中第3)步的方法计算Xt主导像素的灰度分布区间,记为[gt_m1,gt_m2];
2)以参照图像块Xref主导像素的灰度分布区间[gm1,gm2]为基准,根据待测图像块Xt的压缩测量值yt,参照公式(2)计算Xt在[gt_m1,gt_m2]区间量化后的压缩测量值yt_mdet;
步骤12:按照公式(7),滤除yt_mdet中无疵点信息:
yt_def=yt_mdet-ymean (7)
步骤13:根据提取的疵点信息yt_def和观测矩阵Φ,采用基追踪去噪算法,对疵点信号进行恢复,并通过重构、中值滤波以及二值化处理完成疵点定位,具体流程如下:
1)按照公式(8),对获取的疵点信息yt_def进行恢复,得到N×1维的信号
其中,λ是一个正的常数,取值范围为[2,4],其取值需考虑信息的恢复精度与计算速度间的权衡;
2)将得到的按列优先的顺序排列成与原始图像块同维数的p×q维矩阵Xt_rec;
3)按照公式(9),对Xt_rec进行3×3窗口的中值滤波,得到Xt_f:
Xt_f(i,j)=median{Xt_rec(i-3,j-3),…,Xt_rec(i,j),…Xt_rec(i+3,j+3)} (9)
4)按公式(10),对Xt_f进行二值化处理得到疵点的位置及轮廓信息Xt_b,即完成疵点定位:
利用本发明方法在大幅面坯布织物图像上截取的含有疵点信息的待测图像块中疵点的恢复及其定位结果图如图4所示。
Claims (3)
1.一种基于压缩感知的坯布织物疵点检测方法,其特征在于,具体过程为:
步骤1:从采集的坯布织物图像中截取一幅无疵点图像,将其划分为互不重叠的p×q大小的图像块Xi,其中,i=1,2,…n并统计其正常灰度分布区间,计算出训练图像块Xj灰度量化后的压缩测量值,随后计算训练图像块Xj灰度量化后的压缩测量值的均值ymean;
训练图像块Xj灰度量化后的压缩测量值的均值ymean的计算过程为:
步骤1.1:随机地选定一个图像块,记作Xref,并统计Xref的灰度直方图Href;
步骤1.2:选取步骤1.1所得Href中小于等于总像素个数2%的灰度级像素个数作为阈值thresh,找出Href中灰度级像素个数大于thresh的所有像素点,并按其灰度级从小到大的顺序排列成一个集合,记为S>thresh,即S>thresh={j|Href(j)>thresh};
步骤1.3:将步骤1.2所得的S>thresh中彼此相邻像素间灰度值两两相减,得集合SUB;将SUB中小于等于2对应的像素位置置为1,大于2的像素位置置为0;
步骤1.4:对步骤1.3中所得SUB中连续出现1的位置区域界定为S>thresh的子区间,若仅得到1个子区间,则将此子区间对应的像素灰度分布范围作为Xref的正常灰度分布区间;否则,选取对应灰度直方图中所含的灰度级像素点个数最多的子区间,将其对应的像素灰度分布范围作为参照图像块Xref的正常灰度分布区间,记为[g1,g2];
步骤1.5:计算步骤1.2所得S>thresh中所有像素的灰度均值,记为μnum,
即
其中,nj表示S>thresh中j灰度级像素的个数;
步骤1.6:找出步骤1.1所得Href中大于步骤1.5所得μnum的所有灰度级像素,并按灰度级从小到大的顺序排列成一个集合,记为即 将所得中彼此相邻像素间灰度值两两相减,得到集合SUMm;将SUMm中小于等于2对应的像素位置置为1,大于2的像素位置置为0;
步骤1.7:将步骤1.6所得SUMm中连续出现1的位置区域界定为的子区间,若仅得到1个子区间,则将此区间对应的像素灰度分布范围作为Xref的主导像素的灰度分布区间,否则,选取对应灰度直方图中所含的灰度级像素点个数最多的子区间,将其对应的像素灰度分布范围作为Xref的主导像素的灰度分布区间,记为[gm1,gm2];
步骤1.8:从Xi中,随机地选取C幅图像块Xj作为训练图像块,其中,i=1,2,…n,j=1,2,...C,C的取值不宜低于10幅;分别统计训练图像块Xj的灰度直方图Hj;
步骤1.9:采用观测矩阵Φ,按照公式(1)计算训练图像块Xj的M×1维的压缩测量值yj:
yj=Φxj (1)
其中,xj是由二维图像信号Xj按列优先的顺序排列而成的N×1维的向量,yj为xj在压缩域中M×1维的压缩测量值;
步骤1.10:利用步骤1.1~1.4的方法计算选定的C幅训练图像块Xj的灰度分布区间[gj1,gj2];以参照图像块Xref的灰度分布区间[g1,g2]为基准,根据 训练图像块的压缩测量值yj,按照公式(2)计算训练图像块Xj在[gj1,gj2]区间灰度量化后的压缩测量值yj_norm:
其中,φn表示观测矩阵Φ的第n列;
步骤1.11:按照公式(3)计算训练图像块Xj灰度量化后的压缩测量值yj_norm的均值ymean:
步骤2:采用极大似然估计法,计算训练图像块Xj灰度量化后的压缩测量值的正态分布参数μnorm和σnorm;
步骤3:将待测坯布织物图像划分成互不重叠的p×q大小的图像块Xt,其中,,统计其灰度直方图Ht,计算待测图像块Xt灰度量化后的压缩测量值yt_det;
步骤4:将步骤1、2和步骤3所得的ymean、μnorm、σnorm和yt_det的值带入下式,判断待测的图像块Xt中是否含有疵点,
式中,ymean为训练图像块Xj灰度量化后的压缩测量值的均值;
μnorm和σnorm为训练图像块Xj灰度量化后的压缩测量值的正态分布参数;
yt_det为待测图像块Xt灰度量化后的压缩测量值;
c为一个正的常数,其取值与检测的精确度有关,根据正态分布数 理统计理论中的“3σ”原则,c的取值范围为[2,3];
如果待测图像块Xt灰度量化后的压缩测量值yt_det与无疵点的训练图像块学习得到的参数ymean、μnorm和σnorm满足条件:
则认为待测图像块Xt含有疵点,即置为1,否则,不含疵点,置为0;
步骤5:若待测的图像块Xt中无疵点,返回,处理其他待测图像块;若含有疵点,则进行疵点定位。
2.根据权利要求1所述的一种基于压缩感知的坯布织物疵点检测方法,其特征在于,步骤3中,待测图像块Xt灰度量化后的压缩测量值yt_det的计算过程为:
步骤3.1:根据待测图像块Xt的灰度直方图Ht,参照步骤1.2~步骤1.4的方法计算待测图像块Xt的灰度分布区间,记为[gt1,gt2];
步骤3.2:以参照图像块Xref的正常灰度分布区间[g1,g2]为基准,参照公式(1)计算待测图像块Xt的压缩测量值yt后,根据待测图像块Xt的压缩测量值yt,参照公式(2)计算Xt在[gt1,gt2]区间量化后的压缩测量值yt_det。
3.根据权利要求1所述的一种基于压缩感知的坯布织物疵点检测方法,其特征在于,步骤5中,疵点定位的过程为:
步骤5.1:根据待测图像块Xt的灰度直方图Ht,利用步骤1.5~1.7的方法计算Xt主导像素的灰度分布区间,记为[gt_m1,gt_m2];以参照图像块Xref主导像素的灰度分布区间[gm1,gm2]为基准,参照公式(1)计算待测图像块Xt的M×1维的压缩测量值yt后,根据待测图像块Xt的压缩测量值yt,参照公式(2)计算Xt在[gt_m1,gt_m2]区间灰度量化后的压缩测量值yt_mdet;
步骤5.2:将步骤5.1所得结果带入公式(4)中滤除yt_mdet中无疵点信息后,得待测图像块Xt中的疵点信息yt_def:
yt_def=yt_mdet-ymean (4)
步骤5.3:将步骤5.2所得yt_def和观测矩阵Φ带入公式(5)中,对获取的疵点信息yt_def进行恢复,得到N×1维的信号
其中,λ是一个正的常数,取值范围为[2,4],其取值需考虑信息的恢复精度与计算速度间的权衡;
步骤5.4:将步骤5.3所得的按列优先的顺序排列成与原始图像块同维数的p×q维矩阵Xt_rec,利用公式(6)对Xt_rec进行3×3窗口的中值滤波,得到Xt_f:
Xt_f(i,j)=median{Xt_rec(i-3,j-3),…,Xt_rec(i,j),…Xt_rec(i+3,j+3)} (6)
步骤5.5:利用公式(7)对步骤5.4所得Xt_f进行二值化处理,得疵点的位置及轮廓信息Xt_b,即完成疵点定位:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510385441.2A CN105004729B (zh) | 2015-06-30 | 2015-06-30 | 一种基于压缩感知的坯布织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510385441.2A CN105004729B (zh) | 2015-06-30 | 2015-06-30 | 一种基于压缩感知的坯布织物疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105004729A CN105004729A (zh) | 2015-10-28 |
CN105004729B true CN105004729B (zh) | 2017-10-03 |
Family
ID=54377482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510385441.2A Expired - Fee Related CN105004729B (zh) | 2015-06-30 | 2015-06-30 | 一种基于压缩感知的坯布织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105004729B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11282695B2 (en) | 2017-09-26 | 2022-03-22 | Samsung Electronics Co., Ltd. | Systems and methods for wafer map analysis |
CN110706205B (zh) * | 2019-09-07 | 2021-05-14 | 创新奇智(重庆)科技有限公司 | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915562A (zh) * | 2012-09-27 | 2013-02-06 | 天津大学 | 基于压缩感知多视角目标跟踪和3d目标重建***及方法 |
CN104361352A (zh) * | 2014-11-13 | 2015-02-18 | 东北林业大学 | 基于压缩感知的实木板材缺陷分选方法 |
CN104392242A (zh) * | 2014-11-13 | 2015-03-04 | 东北林业大学 | 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2555022B2 (ja) * | 1986-03-28 | 1996-11-20 | 株式会社日立製作所 | 検反機の欠点検出方法 |
-
2015
- 2015-06-30 CN CN201510385441.2A patent/CN105004729B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915562A (zh) * | 2012-09-27 | 2013-02-06 | 天津大学 | 基于压缩感知多视角目标跟踪和3d目标重建***及方法 |
CN104361352A (zh) * | 2014-11-13 | 2015-02-18 | 东北林业大学 | 基于压缩感知的实木板材缺陷分选方法 |
CN104392242A (zh) * | 2014-11-13 | 2015-03-04 | 东北林业大学 | 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法 |
Non-Patent Citations (2)
Title |
---|
Online Fabric Defect Inspection Using Smart Visual Sensors;Yundong Li et al.;《Sensors》;20130409;第13卷(第4期);4659-4673 * |
侯远韶.基于二维稀疏表示和向量范数优化的织物疵点有监督分类研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2014,(第7期), * |
Also Published As
Publication number | Publication date |
---|---|
CN105004729A (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chakma et al. | Image-based air quality analysis using deep convolutional neural network | |
CN105163121B (zh) | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN104573111B (zh) | 一种监控视频中的行人数据结构化存储及预检索方法 | |
CN110503063B (zh) | 基于沙漏卷积自动编码神经网络的跌倒检测方法 | |
CN108563975B (zh) | 一种基于深度学习的高密度人群人数估计方法 | |
CN109993269B (zh) | 基于注意力机制的单张图像人群计数方法 | |
CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN102332153A (zh) | 基于核回归的图像压缩感知重构方法 | |
CN111612718A (zh) | 一种引入注意力机制的人脸图像修复方法 | |
CN104198498A (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
CN111079539A (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
CN110399908A (zh) | 基于事件型相机的分类方法和装置、存储介质、电子装置 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN105004729B (zh) | 一种基于压缩感知的坯布织物疵点检测方法 | |
CN107251053A (zh) | 一种降低有损压缩图像的压缩失真的方法及装置 | |
CN113139489A (zh) | 基于背景提取和多尺度融合网络的人群计数方法及*** | |
CN1564600A (zh) | 动态场景下的运动物体检测方法 | |
CN112308087A (zh) | 基于动态视觉传感器的一体化成像识别***和方法 | |
CN115375672A (zh) | 一种基于改进型YOLOv4算法的煤矸检测方法 | |
Kalaivani et al. | Identifying the quality of tomatoes in image processing using matlab | |
CN111539434B (zh) | 基于相似度的红外弱小目标检测方法 | |
CN112270289A (zh) | 一种基于图卷积注意力网络的智能监测方法 | |
CN116434223A (zh) | 一种水果伤损检测的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171003 Termination date: 20180630 |
|
CF01 | Termination of patent right due to non-payment of annual fee |