CN114792318B - 一种基于图像处理的纺织品摩尔纹消除方法及*** - Google Patents
一种基于图像处理的纺织品摩尔纹消除方法及*** Download PDFInfo
- Publication number
- CN114792318B CN114792318B CN202210714388.6A CN202210714388A CN114792318B CN 114792318 B CN114792318 B CN 114792318B CN 202210714388 A CN202210714388 A CN 202210714388A CN 114792318 B CN114792318 B CN 114792318B
- Authority
- CN
- China
- Prior art keywords
- image
- textile
- normal
- normal image
- moire
- 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.)
- Active
Links
- 239000004753 textile Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 title claims abstract description 26
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及纺织品缺陷检测技术领域,具体涉及一种基于图像处理的纺织品摩尔纹消除方法及***。该方法通过多次调焦实现不同程度的摩尔纹消除,获得多张调焦图像。根据调焦结果将纺织品图像进行上采样,获得放大图像。通过放大图像和调焦图像的差异获得第一正常图像。利用第一正常图像的像素信息将存在的摩尔纹信息剔除,获得第二正常图像。将第二正常图像进行下采样恢复尺寸,获得第三正常图像,将第三正常图像进行匹配拼接获得第四正常图像。本发明通过多次调焦实现不同程度的摩尔纹消除,将消除后的图像进行拼接,实现了消除纺织品图像中的摩尔纹。
Description
技术领域
本发明涉及纺织品缺陷检测技术领域,具体涉及一种基于图像处理的纺织品摩尔纹消除方法及***。
背景技术
纺织品在生产过程中需要进行缺陷检测,筛选出合格产品进行下一步工序。对于纺织品缺陷而言,纺织品上的缺陷信息在视觉上特征较为明显,因此可以通过纺织品图像中的信息实现缺陷检测。
在现有技术中常常利用机器学习方法搭建神经网络或者提取纺织品图像中的特征,检测纺织品图像中的缺陷信息。但是纺织品图像中包含丰富的纹理信息,纹理之间组成的空洞上会形成摩尔纹,摩尔纹会降低图像质量,且对图像中的特征进行影响,从而影响缺陷的检测。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的纺织品摩尔纹消除方法及***,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的纺织品摩尔纹消除方法,所述方法包括:
获取纺织品图像;检测所述纺织品图像是否存在摩尔纹区域;
若存在摩尔纹区域,则根据预设调焦步长多次调大相机焦距,获得多张调焦图像;根据所述调焦步长将所述纺织品图像进行上采样操作,获得多张放大图像;所述放大图像与对应的所述调焦图像等大;将所述放大图像与所述调焦图像相减并二值化,获得差异二值图像;将所述差异二值图像与所述放大图像相乘获得第一正常图像;
获得所述第一正常图像中的纹理边缘;以所述纹理边缘构成的连通域作为纹理空洞;以每个所述纹理空洞与最小的所述纹理空洞的面积比值作为参考指标;当所述参考指标大于预设参考阈值时,将最小所述纹理空洞对应的区域剔除,重新选择最小的所述纹理空洞计算参考指标,直至所述参考指标不大于所述参考阈值,获得第二正常图像;
将所述第二正常图像进行下采样操作,获得与纺织品图像等大的第三正常图像;将多张所述第三正常图像进行匹配拼接,获得第四正常图像;所述第四正常图像与所述纺织品图像等大。
进一步地,所述检测所述纺织品图像是否存在摩尔纹区域包括:
将所述纺织品图像输入预先训练好的语义分割网络中,获得所述摩尔纹区域。
进一步地,所述根据所述调焦步长将所述纺织品进行上采样操作包括:
利用拉普拉斯金字塔算法进行所述上采样操作。
进一步地,所述获得所述第一正常图像中的纹理边缘包括:
通过密度聚类算法根据不同焦距下对应的预设聚类半径处理所述第一正常图像,获得多个聚类簇;当所述聚类簇之间的连通域达到最小时停止聚类;每个所述聚类簇为所述纹理边缘。
进一步地,所述将多张所述第三正常图像进行匹配拼接包括:
将所述第三正常图像上分割为多个待匹配子区域;将不同所述正常图像上不同位置处的所述待匹配子区域进行匹配,将匹配成功的所述待匹配子区域进行拼接,获得所述第四正常图像。
进一步地,所述将不同所述正常图像上不同位置处的所述待匹配子区域进行匹配包括:
通过归一化互相关算法对两个所述待匹配子区域进行匹配。
进一步地,所述获得第四正常图像后还包括:
利用所述第四正常图像训练缺陷识别网络;将采集的待检测纺织品图像对应的所述第四正常图像输入所述缺陷识别网络,输出缺陷信息。
本发明提出了,一种基于图像处理的纺织品摩尔纹消除***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现任意一项所述一种基于图像处理的纺织品摩尔纹消除方法的步骤。
本发明具有如下有益效果:
本发明实施例在检测出纺织品图像存在摩尔纹区域后,获得多个焦距下纺织品的调焦图像。将焦距调大可以改变图像的景深,从而扩大图像纹理间距,清楚图像纹理产生的摩尔纹。进一步通过差异二值图获得第一正常图像,对第一正常图像中的像素点进行具体分析,排除摩尔纹区域。通过匹配拼接的方法将多张第三正常图像进行匹配拼接,获得质量好,没有摩尔纹影响的第四正常图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像处理的纺织品摩尔纹消除方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的纺织品摩尔纹消除方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的纺织品摩尔纹消除方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的纺织品摩尔纹消除方法流程图,该方法包括:
步骤S1:获取纺织品图像;检测纺织品图像是否存在摩尔纹区域。
将纺织品平铺在检测台上,在纺织品上方部署变焦的相机进行图像采集,获得纺织品图像。相机视角为正俯视视角,且拍摄位置适中,使得后续在调焦过程中可以实现多次调焦,避免在少量调焦次数后纺织品信息就充满整个相机视野。
在本发明实施例中,获得纺织品图像后,为了使得特征信息更加明显,将纺织品图像采用加权灰度化方法进行灰度化处理,然后利用3*3的高斯核对图像进行滑窗去噪,去除图像中的噪声点,使得特征信息明显。
检测纺织品图像是否存在摩尔纹区域。摩尔纹是由纺织品纹理间的空间频率与相机感光元件的空间频率接近形成的纹理,与纺织品本身纹理特征差异较大,因此可以通过语义分割网络识别摩尔纹像素点,判断是否存在摩尔纹区域,语义分割网络具体训练方法包括:
(1)以包含摩尔纹像素点的纺织品图像作为训练图像。在所述训练图像上将摩尔纹像素点标注为1,其他标注为0,获得标注数据。训练图像和标注数据组成训练数据,以百分之八十的训练数据作为训练集,剩下百分之二十作为测试集。
(2)语义分割网络采用编码-解码结构。将训练数据送入语义分割编码器中,提取图像特征,获得特征图。语义分割解码器将特征图进行采样变换后输出语义分割图像。语义分割图像中包含像素点的类别。根据像素点的类别判断是否存在摩尔纹区域。
(3)通过交叉熵损失函数训练语义分割网络。
步骤S2:若存在摩尔纹区域,则根据预设调焦步长多次调大相机焦距,获得多张调焦图像;根据调焦步长将纺织品图像进行上采样操作,获得多张放大图像;将放大图像与调焦图像相减并二值化,获得差异二值图像。
通过预设调焦步长多次增大相机的焦距,可以改变图像的分辨率,将图像景深变小,使得图像中的纺织品纹理间的距离变大,达到消除部分摩尔纹的效果。
因为调焦图像是通过增大相机焦距获得的,因此图像中的纺织品区域比原始纺织品图像的尺寸大。根据调焦步长调整后的焦距可以获得调焦图像的尺寸,通过上采样操作将纺织品图像放大,获得多张放大图像。放大图像与调焦图像大小相等一一对应。
优选的,利用拉普拉斯金字塔算法进行上采样操作,拉普拉斯金字塔算法在对纺织品图像进行上采样时,会在拉普拉斯金字塔中通过相邻层图像的差值图像得到预测残差,通过预测残差值对上采样放大部分进行插值,保证上采样后的放大图像质量和保留图像纹理特征信息。
将放大图像与对应的调焦图像相减,并进行二值化处理,获得差异二值图像。在本发明实施例中,二值化处理包括:将图像相减后获得差异图像,将差异图像中不为0的点标注为0,差异图像中为0的像素点标注为1。即标注为0的像素点表示纺织品图像中的摩尔纹区域,标注为1的像素点表示纺织品图像中的正常区域。将差异二值图像与放大图像相乘获得第一正常图像。
步骤S3:获得第一正常图像中的纹理边缘;以纹理边缘构成的连通域作为纹理空洞;以每个纹理空洞与最小的纹理空洞的面积比值作为参考指标;当参考指标大于预设参考阈值时,将最小纹理空洞对应的区域剔除,重新选择最小的纹理空洞计算参考指标,直至参考指标不大于参考阈值,获得第二正常图像。
因为第一正常图像中的正常区域可能仍然存在消除不了的摩尔纹信息,因此需要对第一正常图像进行继续验证,检测是否存在摩尔纹图像并进行剔除。第一正常图像的验证过程需要根据图像特征精细化检测,因此语义分割网络不在适用,需要根据第一正常图像中的纹理边缘信息进行分析,具体包括:
通过密度聚类算法根据不同焦距下对应的预设聚类半径处理处理第一正常图像,获得多个聚类簇。聚类簇表示了纹理像素点的集合,纹理像素点组成的纹理边缘组成的连通域为纹理空洞,为了保证得到的纹理空洞不含有相邻纹理的边缘,当聚类簇之间的连通域达到最小时停止聚类。每个聚类簇为纹理边缘,纹理边缘构成的连通域为纹理空洞。
在本发明实施例中,以第一正常图像的中心点为初始点进行密度聚类。聚类半径初始设置为1,根据不同焦距进行对应设置,每调大一次焦距,对应的第一正常区域图像的聚类半径都乘上1.5进行调整。
在包含摩尔纹的纺织品图像中,摩尔纹区域会将纹理空洞进行填充或者覆盖,使得检测出来的纹理空洞较小。因此以每个纹理空洞与最小的纹理空洞的面积比值作为参考指标,当参考指标大于预设参考阈值时说明当前最小的纹理空洞区域被摩尔纹像素进行了覆盖,将该区域剔除,即将像素值置为0。重新选择最小的纹理空洞计算参考指标,直至参考指标不大于所述参考阈值,获得第二正常图像。需要说明的是,因为第一正常图像中包含摩尔纹信息的区域相较正常区域的信息较少,因此在经过有限的多次参考指标的计算后即可结束计算过程。第二正常图像中包含纺织品的正常区域像素信息,和像素值为0的区域信息。
步骤S4:将第二正常图像进行下采样操作,获得与纺织品图像等大的第三正常图像;将多张第三正常图像进行匹配拼接,获得第四正常图像。
将多张调焦图像对应的多张第二正常图像进行下采样操作,恢复图像尺寸,获得第三正常图像。下采样操作同样通过拉普拉斯金字塔算法进行操作,恢复了第二正常图像的尺寸,使得第三正常图像与纺织品图像等大,进一步还将第二正常图像中缺失的信息进行上采样操作类似的插值算法处理,保证了图像的质量。
多张第三正常图像对应了不同焦距下的调焦图像,因此对摩尔纹的去除程度也不相同,因此需要结合所有第三正常图像进行匹配拼接,获得最终质量好且都为正常区域的第四正常图像,具体包括:
将第三正常图像分割为多个待匹配子区域;将不同第三正常图像上不同位置处的待匹配子区域进行匹配,将匹配成功的待匹配子区域进行拼接,获得第四正常图像。在本发明实施例中,待匹配子区域的尺寸大小设置为3*3。
优选的,匹配算法利用归一化互相关算法对两个所述待匹配子区域进行匹配。归一化互相关算法通过匹配函数计算两个待匹配子区域的匹配度,匹配函数包括:
第四正常图像即为纺织品图像消除摩尔纹后的图像。通过检测第四正常图像的缺陷信息可以准确获得缺陷信息,避免了摩尔纹对检测的影响。优选的,获得第四正常图像后,利用第四正常图像训练缺陷识别网络。将采集的待检测纺织品图像对应的第四正常图像输入缺陷识别网络,输出缺陷信息。缺陷识别网络包括:
(1)将多张第四正常图像作为训练数据。在训练数据上将缺陷像素点标注为1,其他像素点标注为0,获得标注数据。
(2)缺陷识别网络采用编码-解码结构,缺陷识别编码器获取输入数据的特征,通过卷积、池化处理提取缺陷特征图。通过缺陷识别解码器对缺陷特征图反卷积进行采样变换,输出包含缺陷信息的缺陷图像。
(3)采样交叉熵损失函数进行训练。
综上所述,本发明实施例通过多次调焦实现不同程度的摩尔纹消除,获得多张调焦图像。根据调焦结果将纺织品图像进行上采样,获得放大图像。通过放大图像和调焦图像的差异获得第一正常图像。利用第一正常图像的像素信息将存在的摩尔纹信息剔除,获得第二正常图像。将第二正常图像进行下采样恢复尺寸,获得第三正常图像,将第三正常图像进行匹配拼接获得第四正常图像。本发明实施例通过多次调焦实现不同程度的摩尔纹消除,将消除后的图像进行拼接,实现了消除纺织品图像中的摩尔纹。
本发明还提出了一种基于图像处理的纺织品摩尔纹消除***,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于图像处理的纺织品摩尔纹消除方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像处理的纺织品摩尔纹消除方法,其特征在于,所述方法包括:
获取纺织品图像;检测所述纺织品图像是否存在摩尔纹区域;
若存在摩尔纹区域,则根据预设调焦步长多次调大相机焦距,获得多张调焦图像;根据所述调焦步长将所述纺织品图像进行上采样操作,获得多张放大图像;所述放大图像与对应的所述调焦图像等大;将所述放大图像与所述调焦图像相减并二值化,获得差异二值图像;将所述差异二值图像与所述放大图像相乘获得第一正常图像;
获得所述第一正常图像中的纹理边缘;以所述纹理边缘构成的连通域作为纹理空洞;以每个所述纹理空洞与最小的所述纹理空洞的面积比值作为参考指标;当所述参考指标大于预设参考阈值时,将最小所述纹理空洞对应的区域剔除,重新选择最小的所述纹理空洞计算参考指标,直至所述参考指标不大于所述参考阈值,获得第二正常图像;
将所述第二正常图像进行下采样操作,获得与纺织品图像等大的第三正常图像;将多张所述第三正常图像进行匹配拼接,获得第四正常图像;所述第四正常图像与所述纺织品图像等大;所述上采样操作和所述下采样操作均利用拉普拉斯金字塔算法进行操作。
2.根据权利要求1所述的一种基于图像处理的纺织品摩尔纹消除方法,其特征在于,所述检测所述纺织品图像是否存在摩尔纹区域包括:
将所述纺织品图像输入预先训练好的语义分割网络中,获得所述摩尔纹区域。
3.根据权利要求1所述的一种基于图像处理的纺织品摩尔纹消除方法,其特征在于,所述获得所述第一正常图像中的纹理边缘包括:
通过密度聚类算法根据不同焦距下对应的预设聚类半径处理所述第一正常图像,获得多个聚类簇;当所述聚类簇之间的连通域达到最小时停止聚类;每个所述聚类簇为所述纹理边缘。
4.根据权利要求1所述的一种基于图像处理的纺织品摩尔纹消除方法,其特征在于,所述将多张所述第三正常图像进行匹配拼接包括:
将所述第三正常图像分割为多个待匹配子区域;将不同所述第三正常图像上不同位置处的所述待匹配子区域进行匹配,将匹配成功的所述待匹配子区域进行拼接,获得所述第四正常图像。
5.根据权利要求4所述的一种基于图像处理的纺织品摩尔纹消除方法,其特征在于,所述将不同所述第三正常图像上不同位置处的所述待匹配子区域进行匹配包括:
通过归一化互相关算法对两个所述待匹配子区域进行匹配。
6.根据权利要求1所述的一种基于图像处理的纺织品摩尔纹消除方法,其特征在于,所述获得第四正常图像后还包括:
利用所述第四正常图像训练缺陷识别网络;将采集的待检测纺织品图像对应的所述第四正常图像输入所述缺陷识别网络,输出缺陷信息。
7.一种基于图像处理的纺织品摩尔纹消除***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714388.6A CN114792318B (zh) | 2022-06-23 | 2022-06-23 | 一种基于图像处理的纺织品摩尔纹消除方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714388.6A CN114792318B (zh) | 2022-06-23 | 2022-06-23 | 一种基于图像处理的纺织品摩尔纹消除方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114792318A CN114792318A (zh) | 2022-07-26 |
CN114792318B true CN114792318B (zh) | 2022-09-02 |
Family
ID=82463123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714388.6A Active CN114792318B (zh) | 2022-06-23 | 2022-06-23 | 一种基于图像处理的纺织品摩尔纹消除方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792318B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009171196A (ja) * | 2008-01-16 | 2009-07-30 | Olympus Imaging Corp | 画像処理装置、画像処理方法及び画像処理プログラム |
CN109696788B (zh) * | 2019-01-08 | 2021-12-14 | 武汉精立电子技术有限公司 | 一种基于显示面板的快速自动对焦方法 |
CN113643289B (zh) * | 2021-10-13 | 2022-02-11 | 海门市芳华纺织有限公司 | 基于图像处理的织物表面缺陷检测方法和*** |
-
2022
- 2022-06-23 CN CN202210714388.6A patent/CN114792318B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114792318A (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN105701477B (zh) | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 | |
CN107945111B (zh) | 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和***及介质 | |
JP5706647B2 (ja) | 情報処理装置、およびその処理方法 | |
CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及*** | |
CN114926436A (zh) | 一种用于周期性花纹织物的缺陷检测方法 | |
Thanikkal et al. | Advanced plant leaf classification through image enhancement and canny edge detection | |
Thajeel et al. | A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern. | |
Flenner et al. | Resampling forgery detection using deep learning and a-contrario analysis | |
CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN114359591A (zh) | 一种融合边缘特征的自适应图像匹配算法 | |
Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及*** | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN114792318B (zh) | 一种基于图像处理的纺织品摩尔纹消除方法及*** | |
Ralló et al. | Wavelet based techniques for textile inspection | |
Hu et al. | Fabric defect detection via un-decimated wavelet decomposition and gumbel distribution model | |
CN116523911B (zh) | 一种建筑垃圾再生骨料生产监控*** | |
CN114581448B (zh) | 图像检测方法、装置、终端设备以及存储介质 | |
Lyasheva et al. | Image Borders Detection Based on the Weight Model Analysis and the Morphological Gradient Operation | |
CN117067112B (zh) | 一种水切割机及其控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |