织品（帘子布）瑕疵点检测算法
  纺织品的生产过程中总会产生瑕疵点，这些瑕疵点直接影响到织物质量的好坏，从而直接影响到产品的销售以及出口等相关行业。所以验布环节是织物质量控制的一个十分重要的过程。迄今为止，传统的验布工作都是由人工完成的，鉴于验布人员主观意识影响，常常存在有错检、漏检等问题，并且效率比较低。但是随着计算机数字图像处理技术和工业自动化的发展，纺织品生产的自动化成为了必然趋势，基于机器视觉的自动验布系统已经成为大家关注的焦点。
1.引言
目前，国外纺织品的检测已经开始靠硬件完成，但价格非常昂贵。到一种基于PC平台的自动检测算法，可以有效的快速、准确并且低成本的检测织物表面的瑕疵点。
帘子布图像瑕疵点检测算法研究主要有四部分组成，
1)首先是预处理，在对织物图像进行直方图均衡化后，通过对比分析几种平滑锐化算法，选择了用中值滤波对图像进行平滑去噪，用 Top-Hat 算子变换对织物图像进行锐化增强；
2)接着是通过分析对比，选择了灰度直方图法对织物图像是否含有瑕疵点进行快速判断；
3)然后是图像分割，提出了一种基于数学形态学的检测算法，即先利用自相关函数和 FFT 出织物经纬结构的重复单元，以其为依据，用形态学中腐蚀背景和膨胀目标的方法检测图像中的疵点信息，再在传统的形态学处理法之后，再一次采用开运算进一步的消除噪声，从而更加突出疵点；
4)最后通过织物疵点长度L、疵点宽度W、疵点的经纬伸长度R、疵点面积S 及疵点的紧密度C五个特征常量对织物进行特征提取。
通过实验可以结果证明，本文提出的算法都是有效可行的。
1.1 背景
直方图均衡化的基本原理  众所周知，产品的质量关系着企业的存亡。而产品质量的检测是企业生存的一个重要内容。比如纺织物等表面瑕疵点的检测和识别。它是产品质量的一个重要因素，亦是产品材料表面检测的重要环节。瑕疵点检测就是在产品生产完成后，通过肉眼观察，到有瑕疵的地方，然后再经过修复和整理，尽可能的降低瑕疵点数量，从而保证产品的质量。
  如今我国的纺织工业正在飞速发展，其中棉纺、棉布、丝织品、服装等产量居世界第一，数量和种类日益丰富，但生产效率和产品质量没有得到有效的保障。所以我国的自主品牌因为没有创新从而走向国际市场的屈指可数，利润相比其他行业少之又少。我国的纺织行业在我国市场经济的发展和加入WTO之后，面临的竞争压力逐步增大，如何提高产品质量和降低生产成本成为其生存的关键。本课题研究的瑕疵点检测主要应用于纺织领域。
  传统的纺织品检测即人工检测如图 1.1 所示：
  但是人工检测有很多不足的地方，比如检测时所有的标准很难与国外的先进标准接轨以及所用的仪器较为落后，检测的精度较低，这些问题都直接导致了所做的检测结果不被其它国
家认可。关键是在检测产品材料表面特性有关的参数时，还仅仅是只能通过检测人员的感官来进行评定,加上其主观性强，费力费时以及检测结果的重现性差,所以传统的检测方法很难满足大批量产品检测的需求，而且工人长时间的这样专心工作对身体健康也不利。因此人工检验会漏掉一部分瑕疵点。为了提高产品的管理和控制水平，实现瑕疵点的客观评价，降低成本和减轻检验人员的负担，瑕疵点的自动检测和识别系统日益受到国内外专家学者的关注，试图到一种客观、
  快速又准确的自动检验技术来代替人工检测。近三十年来，随着计算机硬件和软件的飞速发展，数字图像处理技术也得到了飞速的发展，并且已经广泛的应用到了图像相关的各个领域,包括纺织行业的诸多方面，使得基于图像处理和微型计算机平台的织物瑕疵点的检测和识别成为可能，并逐渐形成织物瑕疵点自动检测的一个重要的方向。
织物瑕疵点的自动检测如图 1.2 所示：
  织物瑕疵点的自动检测与人工检测相比，优点在于：
  一、检测速度得到很大的提高，相对人工检测高达 5—10 倍，大大节约了人力
成本；
  二、可以检测到几乎所有肉眼可以看到的瑕疵点，检测精度高；
  三、同时可以对检测到的疵点进行分类、定位；
该检测系统可以极高的减少瑕疵点对纺织品质量造成的损害，并且可以提高纺织品的生产效率。因此，自主研发适合我国纺织行业的瑕疵点自动检测系统对提高我国纺织品生产效率和产品质量，进而增强我国纺织品的出口的竞争力有着非常重要的意义。
1.2 国内外织物疵点检测的现状和发展
  采用计算机进行瑕疵点检测的研究开始于上世纪八十年代。如1983年瑞士Zellweger Uster公司推出的用神经网络识别技术开发的自动检测系统;1987年在巴黎工TMA展览会上推出的Uster Viso Tex机型的自动验布系统;1988年Takat用灰度匹配法对织物瑕疵点进行了识别工作。从20世纪90年代到现在，应用图像处理进行织物瑕疵点检测的研究已经达到了一个高潮。美很多地区的专家学者们已经发表了大量相关研究论文，汲取相关工业检测系统的开发经验及数学、计算机等相关学科的最新科研成果，理论水平得到了不断的提高。
  对图像进行处理的研究的途径可分为两种，一种是以直接对图像的灰度值在空间域进行计算为主，抽取特征值；另一种是随着小波分析等理论的发展，先把图像转换到频率域再进行分析的方法。
1.2.1 空间域的处理
  起初，大多是直接对图像的灰度值在空间域中进行计算，把一幅图像的灰度图用一个以灰度值组成的矩阵，使用不同的方法对图像进行处理，从而抽取不同的特征量，如灰度匹配法、灰度共生矩阵、灰度统计量法、马尔科夫随机场以及数学形态学等是纹理分析常用的方法。
  1）灰度匹配法：此种算法的主要方法是在检测前，首先应该寻一幅标准的（没有瑕疵点）织物图像作为检测模板，接着拿此模板和待检测的织物图像进行相减，再选用一个低通滤波器对此前得到的相减的结果进行一次低通滤波，最后可以统计出残留图像的灰度分布，从而得到图像的特征值。lewis等人在1994年使用过此方法进行研究，方法简单，效果一般。因为此方法有自身的不足之处，即必须要求待检测的整副图像与模板必须一致，而在实际应用中这是不容易实现的。
2）灰度共生矩阵法：基本原理是通过用图像中的两个像素灰度级联合分布来反映纹理中灰度级空间的相关规律，进而得出纹理特征的二阶统计量。赵海涛等人在 2006 年利用灰度共生矩阵惯性特征可以反映出图像的灰度空间复杂度这一原理，得到了LOG边缘检测算子的最佳空间系数，进而很好的控制了图像中的大部分噪声。
3）灰度统计量法：灰度统计量法是以方差和均值作为特征值，从而对针织物进行识别。
4）马尔可夫随机场法：F.S.Cohen在1991年最先提出了此模型，采用高斯-马尔可夫随机场，对织物瑕疵点进行了研究，通过对比待检测的图像和标准图像的特征值来判断是否存在瑕疵点。
5）数学形态学法：数学形态学诞生于1964年。首先处理的是二值图像。它是一种针对集合的处理过程，将二值图像看成一个集合，并用结构元素进行探测，算法简单，适于并行处理，在对二值图像分割、边缘细化提取、骨架抽取及形状分析等进行处理用处很大。
1.2.2 频率域的处理
随着小波分析理论的发展，加上织物图像频域形式可以更好的反映出图像纹理
的方向性和周期性，故在频域中提取特征值成为了一种有效的方法。在频率域中进
行特征提取的方法主要有傅里叶分析法、Gabor变换法、以及小波分析法等。
1）傅里叶分析法：宋寅卯在2006年采用傅里叶变换的方法,在图像频率域上分析了研究了帘
子布疵点和正常变化对图像频谱带来的不同影响, 得到了一组新的织物图像特征值, 从而对帘子布疵点进行自动识别。实验结果证明该方法是可靠可行的。
2）Gabor变换法：Gabor变换是传统傅里叶分析和小波变换之间的过渡方法，因为Gabor构不成正交基，所以准确的地说Gabor算不上小波。它是一组窄带带通滤波器，可以明显的方向选择和频率选择，在空域和频率域中具有较好的分辨能 可以实现佳联合定位，所以可以用Gabor变换来检测织物的瑕疵点。
3）小波分析法：小波变换是在傅里叶变换的基础上，慢慢进化的一门算法。它完美结合了泛函数、傅里叶分析、数值分析及调和分析，利用平移和伸缩等数学运算对函数进行深入的研究。其中自适应小波能够使得待检测的织物疵点图像的纹理信息得到更好的保留，通过变换，可以更加的突出待检测图像的疵点。
2. 织物图像的预处理
图像预处理是在图像分割和特征提取前对图像进行的操作，主要是为了去除图像中的无关信息，诸如采集图像时带来的噪声和干扰等。这样可以改善图像的质量，提高图像检测的准确
率。图像预处理一般包括图像格式变换、图像对比度调整、图像恢复、图像增强、图像滤波及图像重建等内容。
一般来说，在对织物图像瑕疵点进行检测的时候，主要是为了突出图像中的疵点信息，而不是对图像进行还原，所以本文主要工作室对图像进行增强处理，而忽略了图像的复原等操作。这样既改善织物图像的视觉效果，也便于计算机对图像进行处理。
图像增强一般分为空间域的图像增强和频率域的图像增强。空间域的图像增强方法主要对图像灰度值直接进行分析处理，而频率域的图像增强方法是对图像进行傅里叶正交变换后，接着对其频率域进行处理，然后再反变换到空间域，最后才得到增强后的图像。二者相比，前者要比后者的处理速度快很多，并且简单实用，实时性高。所以在本课题中，图像增强采用了空间域的增强方法。
图像增强主要包括图像的平滑和锐化两种。平滑的目的是消除织物图像的噪声，突出疵点特征，改善织物图像的质量；锐化的目的是图像边缘的处理，经过处理突出图像的边缘特征，便于识别。
2.1直方图修正法
数字图像处理中，用矩阵表示一幅二位数字图像，图像中的灰度值用矩阵中相对应的坐标点来表示，取值一般在 1—255。直方图反映了他的灰度级内容，统计各个像素灰度级出现的概率。在图像采集过程中，由于强光或者弱光等使得采集的图像的像素灰度值集中在某一区域，处理起来比较麻烦。直方图修正就是通过直方图均衡化，改造原图像的直方图，使原来的图像灰度值分布的更加均匀，从而使图像变得更加清晰，得到增强的目的。其基本原理如下：
首先对把原织物图像的灰度进行处理，使其归一化，得到灰度 r 满足0≤r≤1，假设变换后的织物图像的灰度用s表示，则灰度的变换关系为 s=T(r)，这里假设的条件是：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。