随着全球资源一体化的发展,国际上对于质量检测方法的要求与日俱增.纺织品作为人们日常生活中的必需品,其质量好坏直接影响人们的生活质量.而人们对于高生活质量的追求,使得传统意义上纺织品的实用性、耐用性已经无法满足人们的要求,而时尚性、美观性更加受到人们的关注和追捧.为满足人们对于布匹美观性的要求,防止纺织品中的瑕疵是关键,尤其对于有图案的纺织品,其瑕疵的存在严重影响纺织品的美观性.通过纺织品瑕疵的检测,及时发现纺织品中存在的瑕疵并采取相应措施,从而有效减少纺织品的瑕疵数量,所以纺织品瑕疵的检测对于提高纺织品质量是至关重要的.为了提高纺织品瑕疵检测的效率,纺织品瑕疵检测的方法受到越来越多的关注和研究,由此自动化检验系统应运而生.自动化检验系统不仅提高了纺织品瑕疵检测的速度和准确性,而且降低人工检测成本.由于整个纺织品自动化瑕疵检验系统所涉及到的知识是多层次、多方面的,但纺织品瑕疵检验的算法对于整个检测系统来说尤为重要,所以本文着重对纺织品瑕疵检验的算法进行研究.本文第1章主要介绍了纺织品自动化瑕疵检测系统产生的意义,以及现在常用的纺织品瑕疵检测算法.现今常用的纺织品瑕疵检测算法主要分为三类:基于统计的方法(Statistical Approaches),基于谱分析的方法(Spectral Approaches),基于模板的方法(Model-Based Approaches).应用基于统计的方法来查找纺织品的瑕疵是通过发现纺织品图像上瑕疵的部位,并对这些瑕疵的特征进行统计分析.在这一过程中的重要假设是:统计特征是固定不变的.均匀的纹理图像是一些由基本的纹理基元所构成的,他们具有重复性和位移确定性的规则.那些具有较高周期性的纹理基元,例如纺织品中的纱线,可以利用光谱的特征来进行瑕疵检验.真正的纹理可以建模为随机过程,纹理图像可以被视为图像空间上的概率分布参数的样本观察.这个模型的优点是它可以产生纹理,并且这些相匹配的纹理是可以被观测到的.检测问题的缺陷可以被视为从这个模型中得出的统计问题的统计假设检验.本文第2章和第3章分别讲述了用于纺织品瑕疵检测的改进的LBP方法和多角度多分辨率的Gabor滤波法. Local Binary Patterns(LBP),是较早被用于基于灰度和旋转不变的纹理分类方法.在纺织品的瑕疵检测中,原始的LBP方法由于其可取的值非常多,不便于统计分析,也就是说同一值所含的像素点太少,起不到统计信息的作用.故在纺织品的瑕疵检测中,采用改进的LBP方法.改进的LBP方法不但其复杂度较低而且试验结果良好.Gabor变换属于窗口傅立叶变换,Gabor函数可以用于从不同频域尺度、不同方向上提取相关的特征.另外Gabor函数与人眼的生物作用相仿,所以经常将其用于纹理识别,并取得了较好的效果.多角度多尺度的Gabor算法就是将图像做四层图像金字塔分析,并在每一层上做四个方向的Gabor滤波,最后融合图像得到结果图.本文第4章是对上述算法所做的改进,并将改进的LBP方法和多尺度多角度的Gabor滤波法相结合,从而得到更快捷且效果更好的检测结果.