CN110021023A - 一种电子布疵点分割方法 - Google Patents

一种电子布疵点分割方法 Download PDF

Info

Publication number
CN110021023A
CN110021023A CN201910164685.6A CN201910164685A CN110021023A CN 110021023 A CN110021023 A CN 110021023A CN 201910164685 A CN201910164685 A CN 201910164685A CN 110021023 A CN110021023 A CN 110021023A
Authority
CN
China
Prior art keywords
image
point
electronics cloth
cluster centre
classification
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.)
Pending
Application number
CN201910164685.6A
Other languages
English (en)
Inventor
景军锋
郑敏
苏泽斌
张缓缓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201910164685.6A priority Critical patent/CN110021023A/zh
Publication of CN110021023A publication Critical patent/CN110021023A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种电子布疵点分割方法，具体步骤如下：首先将待检测的电子布图像换为灰度图像；其次对灰度图像进行ButterWorth滤波处理；再次采用K‑means算法对滤波后的图像进行聚类；最后将经聚类的图像的像素点按聚类的类别进行标记，根据标记结果进行二值化处理，即可分割出织物疵点。本发明的方法使用ButterWorth低通滤波器对电子布图像进行处理，能够在抑制背景纹理的同时，最大限度保留疵点的细节信息，增强背景与疵点区域的对比度。同时，使用K‑means算法对滤波后的图像进行聚类，最终可以将电子布图像聚成为不同类，进而根据标记结果，对图像进行二值化分割，达到电子布疵点的精确定位、准确分割。

Description

一种电子布疵点分割方法
技术领域
本发明属于纺织工业中织物疵点检测技术领域，具体涉及一种电子布疵点分割方法。
背景技术
玻璃纤维电子布，又称电子布，是由玻璃纤维纱线织造而成的一种工业用品，作为增强材料，被广泛用于航天航空、机械零件等领域。在工业生产过程中，疵点是影响其价格和品级评定的重要因素，也是产品质量把关的关键环节。目前，国内外大多数电子布生产企业主要依靠人工来进行电子布疵点检测。人工检测受主观因素影响比较大，如长时间的视觉疲劳，工作环境等，疵点检出率只有70％左右，并且存在检测速度慢、准确率低、漏检率高等问题，无法满足企业的实际生产需求，因此研究电子布疵点的自动化检测具有良好的应用前景。
近年来，疵点检测已成为数字图像处理和机器视觉领域的研究热点。目前，国内外学者对织物的疵点检测方法大致分为：基于统计的方法，基于频谱的方法和基于模型的方法。Tsai等应用DFT和Hough变换检测纹理明显的织物疵点效果较好，但对与背景频率成分相似的疵点区域，检测效果差。刘洲峰等结合局部统计特征和上下文整体显著性分析获得织物显著图，使用迭代最优阈值分割织物疵点，实时性较差。Liapis等利用离散小波变换在L通道提取灰度特征，在a、b通道提取颜色特征，对彩色图像疵点检测效果较好，处理时间长。Chen等在织物图像上采用多尺度匹配滤波算法，可检测不同尺寸的疵点，但计算量大。
基于以上研究发现，目前织物疵点检测中仍存在以下问题：(1)大多数疵点检测方法都是针对某一特定织物和缺陷类型进行算法设计，通用性较差；(2)随着纺织技术的更新，电子布上出现的疵点越来越小，疵点区域与背景的颜色、纹理差异变小，导致现有的检测方法对疵点定位不准确。
发明内容
本发明的目的是提供一种电子布疵点分割方法，解决了现有技术中的检测方法对电子布上的疵点定位不准确、不能准确分割的问题。
本发明所采用的技术方案是，一种电子布疵点分割方法，具体步骤如下：
步骤1、将待检测的电子布图像转换为灰度图像；
步骤2、对灰度图像进行ButterWorth滤波处理，得到滤波后的图像；
步骤3、采用K-means算法对滤波后的图像中的像素点进行聚类，最终将所有像素点聚类成不同的类别；
步骤4、对步骤3中得到的每一个类别中的所有像素点进行标记，接着对标记后的图像进行二值化处理，即可分割出电子布疵点区域。
本发明的特点还在于，
步骤2的具体过程为：
步骤2.1、令步骤1中得到的灰度图像为f(x,y)，灰度图像的大小为M×N，将灰度图像f(x,y)经傅立叶变换得到图像F(u,v)，使灰度图像f(x,y)的背景位于频域的低频分量中，灰度图像f(x,y)中的噪声和图像细节部分位于频域的高频分量中；
步骤2.2、将经傅立叶变换的图像F(u,v)进行卷积处理后，再进行傅立叶反变换获得滤波后的图像g(x,y)。
步骤2.1中傅立叶变换的公式为：
其中，M,N代表图像的像素大小，μ,ν代表离散变量，并且μ＝0,1,2...,M-1，ν＝0,1,2...,N-1。
步骤2.2中傅立叶反变换的公式为：
g(x,y)＝F-1{H(u,v)F(u,v)}
其中，H(u,v)代表滤波器，表示为n为阶数，取正整数，用来控制衰减速度，D0为截止频率，D(u,v)是点(u,v)距原点的距离。
步骤3的具体过程为：
步骤3.1、随机在滤波后的图像g(x,y)上取k个点，将这k个点的像素值作为k个初始聚类中心点，得到初始聚类中心点集合C＝{c1,c2,...,ck}；
其中，C表示所有初始聚类中心点的集合，k表示聚类中心的个数，c1表示第一个聚类中心点，c2表示第二个聚类中心点，以此类推，ck表示第k个聚类中心点；
步骤3.2、计算图像g(x,y)上的每一个像素点的像素值与C＝{c1,c2,...,ck}中每一个聚类中心点之间的距离，根据欧几里得距离对滤波后的图像g(x,y)中所有像素点进行分类，构成k个集合，每一个集合即代表一个类别；
步骤3.3、对每一个类别中的所有像素点的像素值分别求平均值，将得到的k个平均值作为k个新的聚类中心点；
步骤3.4、重复步骤3.2和步骤3.3两个步骤直到聚类中心收敛，即聚类中心收敛时的k个聚类中心点与上一次迭代得到的k个聚类中心点偏移量总和小于0.0001，最终将图像g(x,y)中的所有像素点聚类成k个类别。
步骤3.2中欧几里得距离的计算公式为：
其中，g(x,y)表示像素点，ck表示第k个聚类中心点。
步骤3.4中偏移量总和的计算公式为：
其中，E为所有聚类中心的偏移量总和，j表示迭代次数，ci,j表示第i个类别在第j次迭代结束时得到的聚类中心，ci,j-1表示第i个类别在第j-1次迭代结束式得到的聚类中心。
步骤4中滤波后的图像按类别进行标记方法为：将不同类别中的像素点用不同的数字表示，同一个类别中的所有像素点用相同的数字表示。
k的个数为2、3、4或5。
本发明的有益效果是，一种电子布疵点分割方法，使用ButterWorth低通滤波器对电子布图像进行处理，能够在抑制背景纹理的同时，最大限度保留疵点的细节信息，增强背景与疵点区域的对比度。同时，使用K-means算法对滤波后的图像进行聚类，最终可以将电子布图像聚成为不同类，进而根据标记结果，对图像进行二值化分割，达到电子布疵点的精确定位、准确分割。
附图说明
图1是本发明一种电子布疵点分割方法的流程图；
图2(a)是本发明一种电子布疵点分割方法实施例中待检测的电子布污渍缺陷图像，图2(b)为图2(a)进行ButterWorth滤波后的结果图；
图3(a)为图2(a)的傅立叶变换频谱图，图3(b)为图2(b)的傅立叶变换频谱图；
图4(a)为图2(a)的灰度直方图，图4(b)为图2(b)的灰度直方图；
图5为图2(a)的二值分割结果图；
图6(a)为本发明一种电子布疵点分割方法实施例中待检测的电子布断纬缺陷图像，图6(b)为图6(a)ButterWorth滤波处理后得到的图像，图6(c)为图6(a)的二值分割结果；
图7(a)为本发明一种电子布疵点分割方法实施例中待检测的电子布断经缺陷图像，图7(b)为图7(a)ButterWorth滤波处理后得到的图像，图7(c)为图7(a)的二值分割结果。
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。
本发明一种电子布疵点分割方法，如图1所示，具体步骤如下：
步骤1、将待检测的电子布图像转换为灰度图像；
步骤2、对灰度图像进行ButterWorth滤波处理，得到滤波后的图像；
具体过程为：
步骤2.1、令步骤1中得到的灰度图像为f(x,y)，灰度图像的大小为M×N，将灰度图像f(x,y)经傅立叶变换得到图像F(u,v)，使灰度图像f(x,y)的背景位于频域的低频分量中，灰度图像f(x,y)中的噪声和图像细节部分位于频域的高频分量中；
傅立叶变换的公式为：
其中，M,N代表图像的像素大小，μ,ν代表离散变量，并且μ＝0,1,2...,M-1，ν＝0,1,2...,N-1。
步骤2.2、将图像F(u,v)在频域内进行卷积处理后，再进行傅立叶反变换获得滤波后的图像g(x,y)。
傅立叶反变换的公式为：
g(x,y)＝F-1{H(u,v)F(u,v)}
其中，H(u,v)代表滤波器，表示为n为阶数，取正整数，用来控制衰减速度，D0为截止频率，D(u,v)是点(u,v)距原点的距离。
步骤3、采用K-means算法对滤波后图像中的像素点进行聚类，最终将图像中的所以像素点聚成不同的类别；
具体过程为：
步骤3.1、随机在电子布上取k个点，将这k个点的像素值作为k个初始聚类中心点，得到初始聚类中心点集合C＝{c1,c2,...,ck}；
其中，C表示所有聚类中心的集合，k表示聚类中心的个数，c1表示第一个聚类中心点，c2表示第二个聚类中心点，以此类推，ck表示第k个聚类中心点，k的个数可以为2、3、4或5；
步骤3.2、计算图像g(x,y)的每一个像素点的像素值与C＝{c1,c2,...,ck}中每一个聚类中心点的像素值之间的距离，根据欧几里得距离将图像g(x,y)中距离每一个聚类中心点距离最近的像素点分到一类，构成k个集合，每一个集合即代表一个类别；
欧几里得距离的计算公式为：
其中，g(x,y)表示像素点，ck表示第k个聚类中心点。
步骤3.3、对每一个类别的所有像素点的像素值分别求平均值，将k个平均值作为k个新的聚类中心；
步骤3.4、重复步骤3.2和步骤3.3两个步骤直到聚类中心收敛，即聚类中心收敛时的k个聚类中心点的像素点的像素值与上一次迭代得到的k个聚类中心点的像素值的偏移量总和小于0.0001，最终将图像g(x,y)中的所有像素点聚类成k个类别。
偏移量总和的计算公式为：
其中，E为所有聚类中心的偏移量总和，j表示迭代次数，ci,j表示第i个类别在第j次迭代结束时得到的聚类中心，ci,j-1表示第i个类别在第j-1次迭代结束式得到的聚类中心。
步骤4、根据步骤3得到的聚类结果，对滤波后的图像中的像素点按类别进行标记，接着对标记后的图像进行二值化处理，即可分割出电子布疵点区域。
标记方法为：将不同类别中的像素点用不同的数字表示，同一个类别中的所有像素点用相同的数字表示。
下面以电子布的污渍缺陷为例对本发明的方法进行详细说明：
一种基于ButterWorth滤波和K-means算法的电子布疵点检测算法，具体按照以下步骤实施：
步骤1、将待检测的电子布图像尺寸缩放至256像素*256像素，并将彩色图像转换为灰度图像，图像统一为.jpg格式。
步骤2、电子布背景纹理信息与疵点区域在颜色特征上具有一定的相似性，若直接使用K-means算法对电子布图像进行聚类处理，纹理信息会严重干扰疵点检测效果，不能有效区分疵点与背景区域。因此需要对步骤1后得到的电子布图像进行ButterWorth滤波处理；
具体步骤为：令步骤1中得到的灰度图像为f(x,y)，图像大小为256像素*256像素，将灰度图像f(x,y)经傅立叶变换得到图像F(u,v)，使灰度图像f(x,y)的背景位于频域的低频分量中，灰度图像f(x,y)中的噪声和图像细节部分位于频域的高频分量中；
傅里叶变换公式为公式(1)：
其中，M,N代表图像的像素大小，μ,ν代表离散变量，并且μ＝0,1,2...,M-1，ν＝0,1,2...,N-1。
将图像F(u,v)在频域内进行卷积处理后，再进行如公式(2)的傅立叶反变换获得滤波后的图像g(x,y)，经过傅立叶反变换可以达到平滑图像的目的。
g(x,y)＝F-1{H(u,v)F(u,v)}(2)
其中，H(u,v)代表滤波器，在诸多滤波器中，ButerWorth低通滤波器“振铃”现象微弱，能够增强图像细节信息，所以采用ButerWorth低通滤波器。ButterWorth低通滤波器(BLPF)的传递函数H(u,v)如式(3)所示。
其中，n为阶数，取正整数，用来控制衰减速度，D0为截止频率，D(u,v)是点(u,v)距原点的距离；
针对电子布污渍缺陷样本，本实施例中选取阶数n为2，截止频率D0为50。
步骤3、采用K-means算法对滤波后的图像进行聚类，K-means算法的基本思想是随机初始化给定若干个个聚类中心点，按照欧几里得距离把图像g(x,y)中的所有像素点进行分类；然后按平均法重新计算各个类别的平均值，从而确定新的聚类中心点；不断迭代直到聚类中心的移动距离小于0.0001。
具体步骤如下：
针对本实施例中选取的电子布污渍缺陷样本，本实施例中随机在电子布上取2个点，将这2个点的像素值作为2个初始聚类中心点，得到初始聚类中心点集合C＝{c1,c2}；
其中，C表示所有聚类中心的集合，c1表示第一个聚类中心点，c2表示第二个聚类中心点，本实施例中随机初始值为c1＝252,c2＝254。
接着，计算图像g(x,y)的每一个像素点的像素值与C＝{c1,c2}中每一个聚类中心点的像素值之间的距离，根据欧几里得距离将图像g(x,y)中距离每一个聚类中心点距离最近的像素点分到一类，构成2个集合，每一个集合即代表一个类别；
假如电子布污渍缺陷图像如下图所示，图中数字代表该点的像素值，以(1,1)坐标的像素值为例，欧几里得距离的计算公式如式(4)所示：
120 123 126
150 153 156
250 253 256
D1＝||120-252||＝132
D2＝||120-254||＝134
D＝min{D1,D2}＝min{132,134}＝132
则坐标(1,1)点的像素值距离聚类中c1的距离小于c2，因此将该像素点归到c1的类别中，依次类推，遍历计算图像g(x,y)中的每一个像素点与两个聚类中心的距离，将它们归到距离最近的类中即可。
对每一个类别的所有像素点的像素值求平均值，将平均值作为新的聚类中心；
最后，重复步骤3.2和步骤3.3两个步骤直到聚类中心收敛，即聚类中心收敛时的聚类中心与上一个聚类中心的偏移量总和小于0.0001，最终将图像g(x,y)中的所有像素点聚类成2个类别。
假设电子布污渍缺陷样本迭代8次可得到聚类中心收敛，则如式(5)所示，偏移量总和的计算公式为：
E＝d(c1,8-c1,7)+d(c2,8-c2,7) (5)
其中，E为所有聚类中心的偏移量总和，c1,8表示第1个类别在第8次迭代结束时得到的聚类中心，c1,7表示第1个类别在第7次迭代结束式得到的聚类中心；c2,8表示第2个类别在第8次迭代结束时得到的聚类中心，表示第2个类别在第7次迭代结束式得到的聚类中心。
步骤4、步骤3处理后的图像，被标记为两个类别，其中一类别为背景，该聚类中心为220；另一类别为疵点，该聚类中心为121；将背景区域标记为1，疵点区域标记为2，根据聚类的标记结果进行二值化处理，如公式(6)所示，可以精确分割出织物疵点；
式中，G(x,y)表示二值化输出图像，(x,y)为像素坐标，k代表像素标记的类别；
即完成了污渍缺陷中织物疵点的精确分割。
本发明的说明书附图中，图2(a)为实施例中待检测电子布的原图，图2(b)为图2(a)经傅立叶反变换得到的图像；图3(a)为图2(a)的傅立叶变换频谱图，图3(b)为图2(b)的傅立叶变换频谱图，在一幅频谱图中，中心点对应的是高频分量，四个角对应的是低频分量，对比图3(a)、(b)两幅图可以看出，经过ButterWorth滤波处理后的图像频谱图，四个角的低频分量被消除，即表示在时域中，抑制了电子布图像的背景纹理。图4(a)为图2(a)的灰度直方图，图4(b)为图2(b)的灰度直方图，通过对比两幅灰度直方图可得到：ButterWorth滤波器处理后的图像呈现双峰性，说明滤波后的电子布图像所包含的背景和疵点区域在灰度值上有一定差异，可以通过K-means聚类实现疵点分割。
断纬缺陷图像和断经缺陷图像的分割方法与断经缺陷图像的分割方法和污渍缺陷的过程一样：
说明书附图的6(a)为电子布的断纬缺陷图像，图6(b)为图6(a)ButterWorth滤波处理后得到的图像，图6(c)为图6(a)的二值化处理结果图；
图7(a)为电子布的断经缺陷图像，图7(b)为图6(a)ButterWorth滤波处理后得到的图像，图7(c)为图7(a)的二值化处理结果图；
通过以上结果可以看出：本发明的方法中使用ButterWorth低通滤波器对电子布图像进行处理，能够在抑制背景纹理的同时，最大限度保留疵点的细节信息，增强背景与疵点区域的对比度。同时，使用K-means算法对滤波后的图像进行聚类，最终可以将电子布图像聚成为不同类，进而根据标记结果，对图像进行二值化处理，达到电子布疵点的精确定位、准确分割。

Claims (9)

1.一种电子布疵点分割方法，其特征在于，具体步骤如下：
步骤1、将待检测的电子布图像转换为灰度图像；
步骤2、对灰度图像进行ButterWorth滤波处理，得到滤波后的图像；
步骤3、采用K-means算法对滤波后的图像中的像素点进行聚类，最终将所有像素点聚类成不同的类别；
步骤4、对步骤3中得到的每一个类别中的所有像素点进行标记，接着对标记后的图像进行二值化处理，即可分割出电子布疵点区域。
2.根据权利要求1所述的一种电子布疵点分割方法，其特征在于，所述步骤2的具体过程为：
步骤2.1、令步骤1中得到的灰度图像为f(x,y)，灰度图像的大小为M×N，将灰度图像f(x,y)经傅立叶变换得到图像F(u,v)，使灰度图像f(x,y)的背景位于频域的低频分量中，灰度图像f(x,y)中的噪声和图像细节部分位于频域的高频分量中；
步骤2.2、将经傅立叶变换的图像F(u,v)进行卷积处理后，再进行傅立叶反变换获得滤波后的图像g(x,y)。
3.根据权利要求2所述的一种电子布疵点分割方法，其特征在于，所述步骤2.1中傅立叶变换的公式为：
其中，M,N代表图像的像素大小，μ,ν代表离散变量，并且μ＝0,1,2...,M-1，ν＝0,1,2...,N-1。
4.根据权利要求2或3所述的一种电子布疵点分割方法，其特征在于所述步骤2.2中傅立叶反变换的公式为：
g(x,y)＝F-1{H(u,v)F(u,v)}
其中，H(u,v)代表滤波器，表示为n为阶数，取正整数，用来控制衰减速度，D0为截止频率，D(u,v)是点(u,v)距原点的距离。
5.根据权利要求1所述的一种电子布疵点分割方法，其特征在于，所述步骤3的具体过程为：
步骤3.1、随机在滤波后的图像g(x,y)上取k个点，将这k个点的像素值作为k个初始聚类中心点，得到初始聚类中心点集合C＝{c1,c2,...,ck}；
其中，C表示所有初始聚类中心点的集合，k表示聚类中心的个数，c1表示第一个聚类中心点，c2表示第二个聚类中心点，以此类推，ck表示第k个聚类中心点；
步骤3.2、计算图像g(x,y)上的每一个像素点的像素值与C＝{c1,c2,...,ck}中每一个聚类中心点之间的距离，根据欧几里得距离对滤波后的图像g(x,y)中所有像素点进行分类，构成k个集合，每一个集合即代表一个类别；
步骤3.3、对每一个类别中的所有像素点的像素值分别求平均值，将得到的k个平均值作为k个新的聚类中心点；
步骤3.4、重复步骤3.2和步骤3.3两个步骤直到聚类中心收敛，即聚类中心收敛时的k个聚类中心点与上一次迭代得到的k个聚类中心点偏移量总和小于0.0001，最终将图像g(x,y)中的所有像素点聚类成k个类别。
6.根据权利要求5所述的一种电子布疵点分割方法，其特征在于，所述步骤3.2中欧几里得距离的计算公式为：
其中，g(x,y)表示像素点，ck表示第k个聚类中心点。
7.根据权利要求5所述的一种电子布疵点分割方法，其特征在于，所述步骤3.4中偏移量总和的计算公式为：
其中，E为所有聚类中心的偏移量总和，j表示迭代次数，ci,j表示第i个类别在第j次迭代结束时得到的聚类中心，ci,j-1表示第i个类别在第j-1次迭代结束式得到的聚类中心。
8.根据权利要求1所述的一种电子布疵点分割方法，其特征在于，所述步骤4中滤波后的图像按类别进行标记方法为：将不同类别中的像素点用不同的数字表示，同一个类别中的所有像素点用相同的数字表示。
9.根据权利要求5或6或7所述的一种电子布疵点分割方法，其特征在于，所述k的个数为2、3、4或5。
CN201910164685.6A 2019-03-05 2019-03-05 一种电子布疵点分割方法 Pending CN110021023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910164685.6A CN110021023A (zh) 2019-03-05 2019-03-05 一种电子布疵点分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910164685.6A CN110021023A (zh) 2019-03-05 2019-03-05 一种电子布疵点分割方法

Publications (1)

Publication Number Publication Date
CN110021023A true CN110021023A (zh) 2019-07-16

Family

ID=67189237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910164685.6A Pending CN110021023A (zh) 2019-03-05 2019-03-05 一种电子布疵点分割方法

Country Status (1)

Country Link
CN (1) CN110021023A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751661A (zh) * 2019-10-28 2020-02-04 南京泓图人工智能技术研究院有限公司 一种基于聚类算法的面部黄褐斑区域自动分割方法
CN113012103A (zh) * 2021-02-07 2021-06-22 电子科技大学 一种大口径望远镜镜片表面疵病定量检测方法
CN113706521A (zh) * 2021-09-08 2021-11-26 常州市新创智能科技有限公司 碳纤维表面毛团检测方法、装置、存储介质和电子设备
CN113920112A (zh) * 2021-11-18 2022-01-11 杭州云图智检科技有限公司 一种基于独立分类型特征提取的织物瑕疵检测方法
CN114022415A (zh) * 2021-10-15 2022-02-08 成都博视广达科技有限责任公司 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法
CN115047070A (zh) * 2022-08-11 2022-09-13 江苏恒力化纤股份有限公司 一种基于摩擦振动信号的织物表面疵点检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780464A (zh) * 2016-12-15 2017-05-31 东华大学 一种基于改进阈值分割的织物疵点检测方法
CN109035195A (zh) * 2018-05-08 2018-12-18 武汉纺织大学 一种织物疵点检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780464A (zh) * 2016-12-15 2017-05-31 东华大学 一种基于改进阈值分割的织物疵点检测方法
CN109035195A (zh) * 2018-05-08 2018-12-18 武汉纺织大学 一种织物疵点检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ICE星空: ""Butterworth低通滤波器"", 《HTTPS://BLOG.CSDN.NET/LYN_B/ARTICLE/DETAILS/84928805》 *
张缓缓 等: ""k-means聚类算法在织物疵点检测中的应用"", 《毛纺科技》 *
王为农等, "北京：中国商业出版社" *
王延年等: ""一种改进的印刷丝网布疵点快速检测算法"", 《理论与方法》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751661A (zh) * 2019-10-28 2020-02-04 南京泓图人工智能技术研究院有限公司 一种基于聚类算法的面部黄褐斑区域自动分割方法
CN113012103A (zh) * 2021-02-07 2021-06-22 电子科技大学 一种大口径望远镜镜片表面疵病定量检测方法
CN113706521A (zh) * 2021-09-08 2021-11-26 常州市新创智能科技有限公司 碳纤维表面毛团检测方法、装置、存储介质和电子设备
CN114022415A (zh) * 2021-10-15 2022-02-08 成都博视广达科技有限责任公司 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法
CN113920112A (zh) * 2021-11-18 2022-01-11 杭州云图智检科技有限公司 一种基于独立分类型特征提取的织物瑕疵检测方法
CN115047070A (zh) * 2022-08-11 2022-09-13 江苏恒力化纤股份有限公司 一种基于摩擦振动信号的织物表面疵点检测方法
CN115047070B (zh) * 2022-08-11 2022-12-20 江苏恒力化纤股份有限公司 一种基于摩擦振动信号的织物表面疵点检测方法

Similar Documents

Publication Publication Date Title
CN110021023A (zh) 一种电子布疵点分割方法
CN107292310B (zh) 一种圆形指针式表盘视觉定位及自动读数方法
CN104574353B (zh) 基于视觉显著性的表面缺陷判定方法
CN110837768B (zh) 一种面向珍稀动物保护的在线检测与识别方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测***及方法
CN108648168A (zh) Ic晶圆表面缺陷检测方法
CN114723704B (zh) 一种基于图像处理的纺织品质量评估方法
CN103955940B (zh) 一种基于x射线背散射图像的人体隐藏物的检测方法
CN110230978A (zh) 一种耐火砖几何尺寸测量方法
CN108376403B (zh) 基于霍夫圆变换的网格菌落图像分割方法
CN113554080A (zh) 一种基于机器视觉的无纺布瑕疵检测分类方法及***
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN109886937B (zh) 基于超像素分割图像识别的绝缘子缺陷检测方法
CN109685766A (zh) 一种基于区域融合特征的布匹瑕疵检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测***
CN110245593A (zh) 一种基于图像相似度的手势图像关键帧提取方法
CN105760877A (zh) 一种基于灰度共生矩阵模型的羊毛羊绒识别算法
CN115331119B (zh) 一种固体废弃物识别方法
CN109191430A (zh) 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法
Bhargava et al. An adaptive method for edge preserving denoising
CN111091134A (zh) 一种基于多特征融合的色纺织物组织结构识别的方法
CN108537787A (zh) 一种人脸图像的质量判定方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN108399614B (zh) 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190716

RJ01 Rejection of invention patent application after publication