设计织物疵点检测-中期报告

图像预处 平滑图 滤波 边缘检 图像分 基于迭代（自动阈值）的图像分割原理介绍 迭代算法的实 结果分 目标特征提 特征选取依 图像特征分析方 本文所研究疵点的特征分 特征提取整体程 特征提取运行结 7参考文 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疑是十分重要的因素。检测作为产品质量控制的重要环节，在纺织品生产过程中占有重要地位其中疵点检测是其关键的部分然而织物的颜色和样式多样化使织物疵点种类繁多，且新的疵点不断涌现，这都为疵点检测带来了。纺织品疵点检测迫切需要一种能够代替人类视觉检测的智能化检测系统，能够和机器人技术相结合，自动检测和识别各种织物的疵点。随着的发展，机器视觉和图像处理相关课题的研究不断深入，其应用领域也不断拓展。自20世纪70年代以来，人们将机器视觉和图像处理技术应用到纺织品疵点检测和分类工作中。应用自动织物疵点检测系统具有检测准确率高、客观重复性好、速度快等优点，因此，许多学者经过近40年的艰辛探索，在自动织物疵点检测领域取得了许多研究成果，有一些以样机和 检测系统的形式呈现，但主要是以 和专利的形式被 。自20世纪70年代初，国内外的研究开始注重织物疵点检测技术，到90年代后期形成了一个研究。、韩国、、、以色列和等学科的科研成果，了大量的相关文章和研究，使织物疵点检测的理论国内对于织物疵点自动检测进行了大量的研究，如东华大学、华技大学、上已经取得了很好的成果，但鲜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运用，推出了织物疵点检测的商业化产品，如以色列(EVS)公司的I-TEX验布系统Uster公司Fabriscan自动验布系统和比利时BARCO公司的验布系统。但真正适用于实际生产并被市场接纳的并不多，市场主要占有者为以色列的EVS、、图像预处理（图像增强技术、边缘检测与技术。该方法基于目标和背景之间在灰度或纹理特性上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1织物疵点分22345（（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意义的特征部分（边缘、区域等）从图像的背景中提取出来，为后面的特征提取做准备。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，从而有直方图均匀，设法增加在直方图统计中所占比例高的像素和其他占的比例少的像间的亮

7滤波为了实现更好的去除噪声，将原图像分别加入白噪声和椒盐噪声，运用编程实现两种不同滤波方法来去除噪声。并对其进行比较从而选择更好的中值滤波是线性、方形、圆形、形等。中值滤波可以克服线性滤波器所带来的图像处均值滤波均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。其基本原理是用（xy该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前（xy（xy（xy=1/m∑f（x，y维纳滤波维纳滤波是从含噪信号中提取整个有用信号的一种滤波方法，基于最小二乘估计，根据局部方差来调整滤波器效果。对于去除噪声效果明显。然而在实际应用中受噪声干扰的图像的特性往往不可预知，难以满足维纳滤波的滤波前提，因此维纳滤波并不能达到其最佳滤波的目的并受到了很大的局限。3种滤波方法对有噪声的织物疵点图像J=imnoise(I2,'salt&title('3*3title('7*7title('7*71234结果对比与分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SS，但是当模板窗口（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对于维纳滤波，有图像处理的结果可以看得出，由于维纳滤波对于去除中值滤波的程I=im2double(imread('油污.bmpI= %彩像转化为灰度图I1=imnoise(I,'salt&pepper'); %加椒盐噪声，默认密度0.05I2=medfilt2(I1); %二维中值滤波，使用默认3X3矩阵I3= %加白噪声，默认0均值0.01噪声方I4=medfilt2(I3); subplot(2,2,4),imshow(I4);title('白噪声中值滤波均值滤波的程Iimread('油污.bmpJimnoise(I,'salt&pepper',0.02);%添加椒盐噪声K1=filter2(fspecial('average',3),J)/2553×3subplot(223),imshow(K1)title('3×3K2=filter2(fspecial('average',7),J)/2557×7subplot(224),imshow(K2)title('7×7维纳滤波程J=imnoise(I2,'salt&pepper',0.02);%添加椒盐噪声title('7*7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sobel算SobelSobelPrewitt，SobelSobel算子的程序如下：imshow(sobelH);title(‘sobelLaplacian算算子是n 空间中的一个二阶微分算子，定义为梯度Laplacian算子的程序如下：imshow(LaplacianH);title(‘LaplacianIimread('2.bmp');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= 18192021结果对比与分Laplacian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22LogLog23LogLogLogLog25LogLog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相关程Iimread('破洞.bmp');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基于迭代（自动阈值）的图像分割原理介绍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。采用灰度阈值对图像进行分割是图像分割的基本方法之一。通过设定灰度阈值，把图像的像素点按灰度等级进行分类，把图像分割成若干子图像。在实际应用中，最常见的一种分割方法是将图像分割成高灰度区和低灰度区两部分，组成一幅二值图像。该分割方法按式一对图像进行操作。 其中，T为预先设定的灰度阈值，IJ为输出图像。基于灰度阈值对图像进行分割的基本条件是式（1）中阈值T的选择。虽然采用人工方法往往可以获得较理想的阈值，但在很多情况下，需要计算机自动完成阈值的选择，这样就要求有合适的算法对图像的灰度直方图进行分析，选择合适的阈值。在实际中常采用迭代法或Ostu法对阈值进行自动计算，本文仅介绍迭代算法。迭代算法的基本思想是：首先设定一个阈值的估计值；采用一定的算法反复对该估计值进行修正，保证每次修正后的结果都优于前一次；当进行一定次数的修正之后，结果趋于收敛，即相邻两次的结果的差异较小，当该差异小到可接受范围时，表明一个理想的阈值已经求出。最后利用该阈值按式（1）对图像进行操作，即完成了图像的自动阈值分割。迭代算法的实现根据5.3.1节中介绍的迭代算法思想，采用如下语句实现利用迭代算法找出用于图像分割的阈值。I=imread('油污2.bmp'); %图像的数据类型为无符号整型，必须转换为双精度实型才能计算z0=max(max(double));%求出图像中最大的灰度 %求出图像中最小的灰度S0=0;n0=0;S1=0; %新旧阈值允许接近程度d=abs(T-TT);%d为图像中间灰度TTT的接近程 %记录训练次数%迭代最佳阈值分割算法while(d>=allow)%当接近程度大于等于allow0.5fori=1:x%循环图像的行值forj=1:y%循环图像的列值if(double(i,j)>=T)%判断i,j点像素值是否大于等于中间灰度

S0=S0+double(i,j);%大于等于中间灰度值T的像素值S1

if(double(i,j)<T)%判断i,j点像素值是否小于中间灰度值TS1=S1+double(i,j);%小于中间灰度值T的像素值累加

T0=S0/n0;%T0为大于等于中间灰度值T的平均像素值T1=S1/n1;%T1为小于中间灰度值T的平均像素值TT=(T0+T1)/2;%TT为平均像素值的中间灰度值d=abs(T-TT);%d为图像中间灰度T与TT的接近程度 %T为训练出的最佳阈值fori=1:xfor %阈值分割图像

title('原图像');str=['迭代分割：阈值结果分析26断经疵点迭代阈值分割结果27断纬疵点迭代阈值分割结果图 破洞迭代阈值分割结29油污迭代阈值分割结果在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。目标特征提取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、直方图等。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。特征选取依据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256×256灰度阵列图像相当于256×256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。图像特征分析方法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，而后者主要是用来描述颜色特征。在颜色特征分析中，我们一般先把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彩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征分析本文我们介绍了四种织物疵点的类型，分别是断经、断纬、破洞和油污。根据这些疵点的类型和形状特征，我们选择了六个特征量对其进行分析，分别为疵点的长度、疵点的宽度、疵点的经纬向伸长度、疵点的面积、疵点的紧密度及疵点的矩形度。这些疵点特征值的计算过程如下：疵点的长度我们定义疵点的长度为在其垂直方向上具有最多的像素点个数来表示。织物图像在经过分割之后，转变为二值化图像，在目标区域上的点(i，j)的像素灰度值x(i,j)用式1表示:由于疵点在其水平方向和垂直方向上一般都具有明显的方向性特征，因此可以选用像素点（i,j）处的四连通邻域（图58） 经纬方向上的边缘疵点的长度L

图30通邻域上式中的m表示为第j列上连通的像素点的个数。因为疵点的外观形状并不都是矩形，因此我们就需要计算出疵点区域的主轴长度，在此我们定义主轴长度为疵点区域（连通的）上像素最多的那一行。本文不管是纬向疵点还是经向疵点，长度L和宽度W均为垂直方向列或水平方向行上的最大像素点的个数。疵点的宽度疵点的宽度W的计算方法和疵点的长度LW则表示为：Cjmi行上连通的像素点的个数。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。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 （6）31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：疵点的紧密度（圆度的倒数）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：即一个图形与圆形的相似程度。6)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。特征提取整体程序clearall;closeall;I1=imread('油污%I2=imcrop(I1,[0,0,245,245]);%裁剪图像（我运行程序之前已经自行裁剪，这一步预留着为需要时）S0=0;n0=0;S1=0;%迭代最佳阈值分割算法forfor

fori=1:xfor

JJ=Seg;%二值化后的结果%数学形态学操作bw=~im2bw(IM,graythresh(IM));%取反bw=bwareaopen(bw,100)%显示图像BW=bwperim(bw2,8);%取疵点的边缘（下面算周长）%检测垂直方向连续读的周长像素点 %记录垂直方向连续周长像素点的个数fori=1:xforif((P2-P1)==1)%判断是否为垂直方向连续周长像素点的个数

%检测水平方向连续读的周长像素点%记录垂直方向连续周长像素点的个数forforif((P2-P1)==1)%判断是否为垂直方向连续周长像素点的个数

%计算周长像素点的总数 %计算奇数码的链码数目 %计算缺陷目标的高 %图象I经矩阵转置后，计算宽度 %计算周长%四个形态特征值计算 %计算缺陷目标的面积 %计算圆度（紧密度） %计算矩形度 %计算伸长度特征提取运行结果断经疵点特征提取3234图36图38H（高度)=249L（长度）=4.16.6e+003W（宽度）=E（伸长度）=0.9920S（面积）6.1514e+004C（圆度）=R（矩形度）=H（高度)=179L（长度）=1.4166e+004W（宽度）=E（伸长度）=S（面积）=C（圆度）=R（矩形度）=H（L（长度W（宽度E（伸长度=S（面积）C（圆度）R（矩形度=H（高度)=L（长度）=W（宽度）=E（