论文部分内容阅读
织物疵点检测是织物生产和评价系统中的重要环节之一。相比于传统的人工检测方法，基于图像处理技术的织物疵点自动检测方法可以大大提高检测精度和效率。针对现有织物疵点检测方法的不足，研究更为有效的检测方法具有重要的理论意义和实际应用价值。本文深入研究了织物疵点图像预处理、图像分割、特征提取、分类等方法，主要工作如下：首先，提出了一种基于复Contourlet变换、各向异性扩散和混沌粒子群优化的织物疵点图像预处理方法。对织物疵点图像经复Contourlet分解后的低频分量和高频分量分别采用P_Laplace和Catte_PM模型进行扩散，再对低频分量采用经混沌粒子群优化的非完全Beta函数进行增强。实验结果表明，该方法在主观视觉效果和客观定量评价指标方面都有较大的提高，抑制噪声的同时增强了织物图像的纹理细节信息。然后，研究了一种基于PCNN和对称Tsallis交叉熵的织物疵点图像分割方法。利用织物疵点区域与非疵点区域灰度强度的不同，根据PCNN神经元是否点火来分割图像，采用对称Tsallis交叉熵作为图像分割准则。实验结果表明，与Otsu法、PCNN分割方法、基于交叉熵的PCNN分割方法等现有的图像分割方法相比，该方法的分割效果更好。其次，研究了基于复Contourlet变换和PCA的织物疵点特征提取及分类方法。针对经复Contourlet变换后含有样本图像大部分能量的低频分量和包括疵点细节信息的部分高频分量，利用PCA方法得到低维特征空间，并将复Contourlet分解后的测试样本图像分量投影到特征空间中，利用最小欧氏距离法区分不同的织物疵点类型。与PCA方法、小波结合PCA的方法等相比，该方法可以对常见类型的织物疵点进行有效的特征提取和分类。随后，给出了一种基于Log_Gabor小波和Krawtchouk矩不变量的织物疵点检测方法。对织物疵点图像进行Log_Gabor小波变换，得到其纹理特征；利用Krawtchouk矩不变量提取出形状特征；两者结合后进行KFCM聚类，实现了织物疵点的有效检测。与PCNN检测方法、Gabor小波检测方法、Gabor变换结合FCM的检测方法相比，该方法的性能有了较大的改善，是一种行之有效的织物疵点自动检测方法。最后，实现了一种基于LBP、Krawtchouk矩不变量和小波支持向量机的织物疵点检测方法。综合通过LBP提取的织物疵点图像纹理特征和利用Krawtchouk矩不变量获得的形状特征，作为小波支持向量机的输入，进行疵点检测。实验结果表明该方法能有效地检测疵点区域，疵点轮廓更为清晰。