发给主任检阅-设计版

用图像处理技术，利用等工具，使得基于图像处理技术的织物疵点检测系统代替传统最后对分割后的图像进行边缘提取。经比较，本研究最终采用的图像分割算法为更能适应Withthedeveloofourcountry'sinformationtechnologyindustry,themarketperformanceoftheplantproductqualityandequipmentcontinuetoputforwardhigherrequirements,particularlyinthefabricofthetestitems,thefabricdefectdetectionisanessentialandcriticalpartof.Theuseofimageprocessingtechnology,theuseof andothertools,isbasedonimageprocessingtechnologytodetectfabricdefectinspectionsystemtoreplacethetraditionalmanualdetectionispossible.Fabricdefectdetectionalgorithmresearchforthetextilefactoryhasveryimportantsignificance.BecauseourschoolisthepredecessorofHenanProvince,ZhengzhouTextileInstitute,sothisresearchinouruniversityacademicalsoimportant.Themainarticleusingimagesegmentationalgorithm,fabricdefectsegmentationprocessingandysis,andsuggestimprovementsimprovedsegmentationapproachonthisbasis.Firstoffabricdefectimagepreprocessing,mainlysmoothimageprocessing,whichincludeshistogramequalization,imagefiltering,imagesharpening.Thentheimagesegmentation,thedefectportionoftheimageandthebackgrounddifferenceincreases.Finally,segmentedimageedgeextraction.Bycomparison,thisstudyfinallyadoptedimagesegmentationalgorithmcanadaptmoredefectsconditioniterativethresholdsegmentation.Aftertheimageedgeextraction,featureextractionanddefectisidentified.Identificationmethodusedinthisstudyistheminimumdistanceidentificationmethodusingthepdistfunctiontocalculatethedistance.Trainingfeaturescharacteristicvaluesoftheinputimageandtheimageofthefourdefectsvalueforcomparison,thedifferencebetweenwhatadefectvalueandtheminimumonwhichhasbeenidentifiedasaInthisstudy,intheprocessofbreakingthroughtheclasstoidentifydefects,sincethesimilarityoftheauthorsarebreakingthroughthematerialanddefectdiagrambackgroundtoo,sobreakingthroughtheidentificationprocesswithscratches,holes,oilalgorithmproceduresAsignificanterrors.Sointheprocessofaccessiontothedefectportionoftheimagecropprogram,itwillbreakthroughaseparateclassofdefectsimageprocessing,willbreakthroughandthencutoutthedefectfeatureextractionrecognition.Aftersuchimprovementsultimayimprovetheaccuracyofrecognition,buttheentirealgorithmismoreperfect.:defectdetection,imagesegmentation,edgedetection,iterativethresholdsegmentation,featureextractionrecognition引 图像预处 平滑增 直均衡 图像滤 sobel算 图像分 结果分 边缘检 全文总 参考文 致 附 课题研究背等缺点，纺织物疵点的检测技术已经成为制约纺织行业进一步发展的“瓶颈。研究的目的及意在全球经济的时代，如何使纺织企业更具竞争力，确保纺织品的质量无织物疵点种类繁多，且新的疵点不断涌现，这都为疵点检测带来了。纺织品疵结合，自动检测和识别各种织物的不同疵点。随着的发展，机器视觉和图20世纪70年代以来，机和检测系统的形式呈现，但主要还是以和专利的形式被。国内外研究后期的时候形成一个研究。、、韩国、、以色列和瑞科的科研成果，了大量的相关文章和研究，纺织物疵点检测的理论水在对图像的识别上已经取得了很好的成果，但少有成自动检测系统出现。国外研究通过对计算机理论、模式识别、自动控制理论的深入研究和综合I-TEX验布系统、Uster公司Fabriscan自动验布系统和比利时BARCO公司的验布（图像增强术。可用直或统计的方法获得，较适用于高反差的以灰度来表征的简单图像的分割系统的工作流本系统的总体结构可以分为三个部分:图像单元（本文只研究图像处理单2.1织物疵点1、断经类疵点:布面上由经纱形成或沿经纱方向呈现的疵点。在经纱循环中，缺2.222.3 2.42.5（（滤波传输和记录过程中会因成像系统传输介质和设备的不完善而导致所以要进行图像复原，尽可能的恢复图像的本来面目。图像分割是把图像中有用的部分（边缘、区域等）从图像的背景中提取出来，为后续的特征提取工作做准备。特征提取是把疵点的内在特征转化为可以用数学语言描述的特征量，从而有效地描述织物疵点特征和性质，为后续的疵点分类做基础。图像识别是将不同类别的疵点图像进行识别并分类。平滑增图像采用的方法主要有：直均衡法、滤波法、算子锐化。直均衡利用直统计的结果，通过使图像的直均衡的方法称为直均衡化，均匀，想办法增加在直统计中所占比例高的像素和其他占的比例少的像间断经类疵点直均衡化效果对比划痕类疵点直均衡化效果对比图3.2划痕类疵点 破洞类疵点直均衡化效果对比油污类疵点直均衡化效果对比 图像滤均值滤波也称为线性滤波，采用的主要方法是邻域平均法。基本原理是用均值（xy该模板由其邻近的若干个像素组成，然后求出模板中所有像素的均值，再把该均值赋予当前像素点（x，yg（x，yg（x，y）=1/m∑f（x，ym3种滤波方法对有噪声的织物疵点图像I1=imread('11.jpg');J=imnoise(I2,'salt&pepper',0.02);title('3*3title('7*7title('7*7说明中值滤波对噪声的抑制效果不明显。这是因为噪声使用随机大小的S（领域S）选择太小时，去噪效果不理想。因此均值领域方法不太适合处理图像噪声。图像的锐这里主要用到了两种常用的微分算子锐化方法：梯度锐化sobel和锐Laplacian。注意：由于锐化使噪声受到比信号还要强的增强，所以要求锐化处sobelSobelSobelPrewitt，SobelLaplacian算子是n维空间中的一个二阶微分算子，定义为梯度（▽f）Iimread('12.jpg');I=rgb2gray(I);H=fspecial('Laplacian');LaplacianlaplacianH=filter2(H,I);H=fspecial('sobel');%应用sobel算子滤波锐化图像sobelH= 3.123.133.143.15Laplacian算子是与方向无关的各向同性边缘检边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍的加强作用。测算子，若只关心边缘点的位置而不顾其周围的实际灰度差，一般选择该算子进行检测。特点：各同向同性，线性和位移是对噪声有双倍的加强作用。Sobel算子在检测边缘的同时减少噪声的影响，可以检测到边缘点，相对于拉综上对比，本研究采用Sobel部分合并都会破坏这种一致性。由图像相似性。区域的像素一般具有某种相似阈值分割算法介灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。迭代算法的思想是一种近的思想先求出图像的最大灰度值max和最小灰度值min，让初始阈值设置为最大灰度值和最小灰度值的中间值，然后利用迭代算法将疵点的图像和背景图像分割出来。求出两部分的灰度平均值，算出新的阈值T，T为两部分灰度平均值的中间值。最后在循环中遍历行和列，若灰度值大于等于新的阈值T，则将图像像素灰度值设置为1，其余部分设置为0。最后得到了将疵点部分突出的效果，为后面的边缘检测做准备。结果分4.1断经疵点迭代阈值分割结果4.2划痕疵点迭代阈值分割结果4.3破洞迭代阈值分割结果4.4油污迭代阈值分割结果图像边缘和图像内容的物理特性之间存在着直接的联系，因此图像的边缘包含了图像大部分的信息。所谓的边缘检测是采取适当的方法来提升图像中各区域的边界其目的是为了能够较为精确地描述目标区域边缘检测作为一种特征提取其性能直接关系到后续图像处理的质量。主要是用于提取的特征值，以便于图像分割。一般边缘检测的算子有四类：Prewitt算子、Sobel算子、Canny算子和Robertscannylog图像运行5.1LogLogLogLogLogLog5.4LogLog运行结果对比分1Log算子首先通过函数对图像进行平滑处理因此对噪声的抑制作用较明显，但同时也可能将原有的边缘也平滑了，造成某些边缘无法检测到，比外高斯分布因子的选择对图像边缘检测效果有较大的影响，越丰富，但抗噪能力下降，从而出现伪边缘，反之则抗噪能力提高，但边缘精度下降，易丢失许多真边缘，因此，对于不同图像应选择不同参数。2Canny算子也采用函数对图像进行平滑处理因此具有较强的去噪能力但同样存在容易平滑掉一些边缘信息，其后所采用的一阶微分算子的方向性较Log算子要好，因此边缘定位精度较高。该算子与其它边缘检测算子的不同之处在于，2所以从的效果来看，选择canny算子边缘检测效果比较好Iimread('12.jpg');BW1=Log[BW1,thresh1]=LogBW1=edge(I,'log',0.005);0.005Logtitle('0.005Log%设计滤波[BW2,thresh2]=%返回当前零交叉检测边缘检测的阈值BW2=0.03title('0.03BW3=edge(I,'canny');Canny[BW3,thresh3]=Cannydisp('CannyBW3=edge(I,'Canny',[0.20.5]);%以阈值为[0.10.5]Cannytitle('阈值为[0.10.5]Canny目标特征模式识别是基于对象模式的目标识别及分类技术，是研究图像或各种物理对象与过程的分类和描述的学科，在视觉领域中称为图像识别。模式识别是上世纪60年代迅速发展起来的一门学科。特别是随着近年来大量科研成果的出现，在很多领域得到了成功的应用。为了有效的实现分类识别，就要对原始图像数据进行变换，得到最能反映分类本质的图像特征。图像特征是指图像的原始特征或属性。每一幅图像都有其本身的特性，其中有些是视觉直接感受到的自然特征，如亮度、边缘、纹理或色彩等；有些是需要通过变换或测量才能得到的人为特征，如谱、直等。为了正确的对缺陷图像进行有效识别，需要从图像中提取有效的数据或信息，生成非图像的描述或表示，如数值、符号等，即抽取图像特征。一般地，把原始数据组成的空提取，把维数较高的测量空间中表示的模式转化在维数较低的特征空间中表示的模式，从而为图像识别提供数据样本。特征选取对于待识别的织物疵点图像（主要是四类疵点，通过相关的处理对其经过分割和边缘提取后，可以得到图像的原始特征。但是原始特征的数量很大，图像样本是处于一个空间中，如何从众多的特征中选出一些最有效的特征以达到降低特征空间维数的目的，是特征选择和提取的基本任务。在样本数量不是很多的情况下，用很多特征进行分类器的设计，从计算复杂程度和分类器性能来看都是不合适的。因此研究如何把特征空间特征转化到低特征以便有效地识别图像就很关键。例如，通过机把一个物体转换为一个二维灰度阵列。一个1000×1000灰度阵列图像相当于1000×1000维测量空间中的一个点，不便于识别，更重要的是这样一种描述并不能直接反映图像的本质。目前，几乎还没有解析的方法能够指导特征的选择，一般情况下，根据经验和相关理论基础先列出一些可能的特征表，然后用特征排序方法计算不同特征的识别效率。利用结果对表进行删减，以选取最优的特征组合。具体地，选择特征的依据如下：可区别性。对于属于不同类的图像而言，它们的特征应具有明显的差异。可靠性。对于同类图像，特征值应该比较接近。独立性好。所选择的特征值之间应彼此不相关。需要注意的是，有时相关性很高的特征组合起来可以减少噪声干扰，但它们一般单独的特征使用。数量少。图像识别系统的复杂程度随着系统维数（特征个数）成正比增加。特征数量如果过多，虽然识别的效果会更好一些，但是识别时计算更加耗时，难度更大。图像特征分析方图像特征分析的方法有很多种，但具体到每幅图像，我们只会根据该幅图像的特有性质而选择其中的一种或者几种方法对其特征进行分析，图像的特征主要有图像的形状特征、图像的征纹理特征、图像的颜色特征等。图像的形状特征分析：经过图像预处理和图像分割，我们就可以得到目标区域的大小及边缘信息，从而得到疵点部分的大致形状。通过边界、骨架及区域三种信息就可以来反映图像的目标信息。通常，人们关心的主要是目标信息的形状，而不是其他信息。所以，我们可以把图像的边界或者赋值“1，其他不感的部分赋值“0”，这样即可形成一幅可以清晰显示出目标形状信息的二值图像。目标信息的特征量有长度、面积、周长、宽度、长宽比等，我们可以通过这些特征量来对疵点进行判别以及为以后的疵点分类提供较好的帮助。图像的纹理特征分析：在图像处理分析中，纹理结构的特征分析占据了很大地位。它具有多种特征，主要有局部特性不断重复、图像区域内纹理总体均匀和非随机排列等，常用的纹理特征提取方法也很多，比如模型方法、统计方法、几何方法、信号处理方法及结构方法等。此方法很早就被提出，但因为其中存在的一些问题，在实际工程应用中很小被用到，比如分析大尺寸图像不理想、处理起来耗时等一些问题。图像的颜色特征分析：图像的颜色特征分析是图像统计特征分析中最常用的一种，主要RGB和HIS两类彩色坐标系统。前者是面向已经系统的，相对简单，而后者主要是用RGB空间转换为HIS空间，主要是因为在RGB彩色坐标系中，存在着很多的不足。第一，RGB色坐标系对不同的色彩不能用准确的数值来表示，进而很难进行定量分析；第RGB彩色坐标系对含有较高相关性的图像扩展对比度时，只能扩大图像的明亮程度，而对图像的色调差异的增强没什么效果；第三RGB彩色坐标系不容易控制图像分析的结构。而HIS母性则可以定量的描述图像的颜色特征。通过以上分析，本文选择了通过疵点的形状特征来对图像进行分析，主要有疵点的长度、宽度、面积、长宽对比及疵点的紧密度等。本文所研究疵点的特本文我们介绍了四种织物疵点的类型，分别是断经、划痕、破洞和油污。根据这些疵点的类型和形状特征，我们选择了五个特征量对其进行分析，分别为疵点的周长、疵点的面积、疵点的圆度、疵点的矩形度以及疵点的经纬向伸长度。这些疵点特征值的计算过程如下：疵点部分的周长周长是采用计算疵点部分边缘检测后的图像边缘像素点来计算的。疵点的面积不管什么样形状的目标图像区域，我们均可以把它限制于一个矩形方框内，矩形区域的面积为L×W，如图59所示。通过扫描整个矩形区域里的每个像素点，可直接得到灰度值为“1”的像素点的总个数，表示为式6 （1）6.1区域面积计算在最后的二值化织物图像内，把疵点区域内的各个像素点的灰度值进行统计，灰度值为“1”的像素点的个数即为疵点的面积特征参数S，表示为式子7：疵点的圆度（紧密度的倒数）疵点的紧密度又称为疵点紧凑度，我们把它定义为L²/4πSL代表疵点区域的周长（即疵点区域轮廓的长度，S代表疵点区域的面积，π是圆周率。从式子中我们可以看到，若疵点区域为一个正圆，其区域周长就为2πR(R为区域圆的半径)，面积为πR²，那么疵点的紧密度就为1，即一个正圆的紧密度为1。非正圆的紧密度相对会比较大些。圆度（紧密度的倒数：C=4*pi*S/(L*L) 4)矩形度反映了一个图形与矩形的相似程度，在本文中就指的是疵点图像与矩形的相似程度。 H、W分别是疵点的高和宽。S则是疵点的面积。5）疵点的经纬向伸长度疵点经纬向伸长度R就是疵点的长宽比，即为前面所求的疵点的长度和疵点的宽度W的比值，疵点长宽比R表示为： 参数R能够较好的描述区域类和方向性疵点的特征形状，通常，我们能够认定为：断经疵点图像和经线连续粘并疵点图像的经纬伸长度R值比较大；浆斑疵点图像经纬伸长度R值大约靠近于1；劈缝疵点图像的经纬伸长度R值适中。特征提取识别运行结断经疵点特征提取6.2断经疵点检测结果6.3划痕疵点检测结果6.4破洞疵点检测结果6.5油污疵点检测结果优化方案是在对疵点图像进行第一次裁剪后，若图像宽度大于划痕类、循环中执行对断经图像专门的裁剪程序，将断经的疵点部分裁剪出来，避开周围的大部分噪点影响，然后进行特征提取。这样能够提高对于和背景差别不是很大的断经疵点检测的准确率。最终算法程序得以完善，能够对本文中的四种疵点：断经、划痕、破洞、油污进行准确的检测识别并输出结果。[1]，，.智能：图像处理技术[M].：电子工业,2004.[3]，，等.数字图像处理技术[M].：冶金工业（3，158-，2006，32（3128-O.GSezera,1,A.Ercilb,A.Ertuzunc.《Usingperceptualrelationofregularityandanisotropyinthetexturewithindependentcomponentmodelfordefectdetection》睿,.编织物疵点检测及类型识别[J].计算机工程与应用,2014,(21).李,,等.基于纹理差异视觉显著性的织物疵点检测算法[J].山东大学学报：工学版,2014,(4).:10.6040/j.issn.1672-3961.2.2013.344.,,等.织物疵点图像的直处理与增强[J].丝绸,(5):35-37.:10.3969/j.issn.1001-（编译）,（校）,苏州大学纺织与服装等.基于计算机视觉的织物,.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):118-122.:10.3969/j.issn.1671-0444.2002.04.027.,.图像处理技术在针织物疵点检测中的应用[J].电脑知识与技术,2009,5(11).:10.3969/j.issn.1009-3044.2009.11.091.,刘京南,余.几种图像分割阈值的比较与研究[J.电气技术与自动化,2003,(1:77-80.．数字图像分割及变形技术研究[D]．数字图像处理及其应用研究[D]焦国太基于数学形态学的织物疵点检测方法[J].测试技术学报2007,2（6515-，209,30（：14-J].纺织科学研究图像处理和分析[M].:[23]，.基于神经网络在织物疵点识别技术[J].纺织科学报，2006.[24]J.Dorrity.G.Vachtsvanos,W.Jasper.Real-timeFabricDefectdictionandControlinWeaving[25]，.BP算法的数学推导及实现算法[J].辽宁石油化工高等专科学校学报[26]WarrenJJ.Image ysiofmispicksinwovenfabric[J].TextileResearchJournal,1995,65；在此特别感谢导师对悉心指导，老师在算法程序的优化佳效果的算法。而且老师还在百忙之中抽出时间来对进行审提出修改意见。最终使我完成大学的毕业设计。我在此对导师表示衷心的感谢拓宽了自己的知识面而且在自主研究的过程中提升了自己的能力。在与同组同学进行讨论的过程中，也提升了团队协作能力，看到了互相学习，互相借鉴的重要性。上的帮助有很多。如今在我完成毕业设计之际，谨向电子信息学院的所有导师和同学表示最衷心的感谢！clearall;closeall;I1=imread(12.jpg');%I2=histeq(I2);%直均衡化S0=0;S1=0;forfor

fori=1:xfor

figure,imshow(bw2);title(I5=bwareaopen(bw2,70);320象，的是连续的白色像素数量少于70的字符%I5=bwareaopen(I3,1380);%断经从二进制图像中移除所有少于320像素的连接对象，的1380[y,x,z]=size(I5);%y，x，zmyI=double(I5);% Blue_y=zeros(y,1);%zeros(M,N)M*N0forforif(myI(i,j,1)==1)Blue_y(i,1)=Blue_y(i,1)+1;%[tempMaxY]=max(Blue_y);%YtempMaxY]MaxYPY1=MaxY;%以下为找疵点Ywhile((Blue_y(PY1,1)>=5)&&(PY1>1))PY2=MaxY;Ywhile((Blue_y(PY2,1)>=5)&&(PY2<y))%XBlue_x=zeros(1,x);%xforfori=PY1:PY2if(