設(shè)計織物疵點檢測-最終版

課題研究研究的目的及意織物疵點種類繁多，且新的疵點不斷涌現(xiàn)，這都為疵點檢測帶來了。紡織品疵結(jié)合，自動檢測和識別各種織物的不同疵點。隨著的發(fā)展，機器視覺和圖機和檢測系統(tǒng)的形式呈現(xiàn)，但主要還是以和專利的形式被。國內(nèi)外研究從20世紀70年代初，國內(nèi)外的研究開始重視織物疵點檢測技術(shù)，到90年代后期的時候形成一個研究。、、韓國、、以色列和瑞科的科研成果，了大量的相關(guān)文章和研究，紡織物疵點檢測的理論水國外研究通過對計算機理論、模式識別、自動控制理論的深入研究和綜合I-TEX驗布系統(tǒng)、Uster公司Fabriscan自動驗布系統(tǒng)和比利時BARCO公司的驗布圖像邊緣檢測。該方法是基于目標與背景之間在灰度或紋理特性上存在系統(tǒng)的工作像處理單元、圖像處理單元、顯示輸出單元。（2-1）織物疵點斷經(jīng)類疵點:布面上由經(jīng)紗形成或沿經(jīng)紗方向呈現(xiàn)的疵點。在經(jīng)紗循環(huán)中，缺少一至數(shù)根經(jīng)紗，使布面正常紋路改變，呈經(jīng)向稀條狀的疵點稱為斷經(jīng)(圖2-2)。2-22-3粗糙（圖2-4。2-42-5要進行圖像復原，盡可能的恢復圖像的本來面目。圖像分割是把圖像中有用的平滑均勻，想辦法增加在直方圖統(tǒng)計中所占比例高的像素和其他占的比例少的像間在中調(diào)用histeq函數(shù)進行實現(xiàn)斷經(jīng)類疵點直方圖均衡化效果對比圖（3-劃痕類疵點直方圖均衡化效果對比圖（3-破洞類疵點直方圖均衡化效果對比圖（3-油污類疵點直方圖均衡化效果對比圖（3-圖像濾聲和椒鹽噪聲，運用編程實現(xiàn)不同濾波方法來去除噪聲作對比。并對其進行窗口可以是線性、方形、圓形、形等。中值濾波可以克服線性濾波器所帶來的（xy（x，yg（x，y=1/mf（x，ymI1=imread('油污11.jpg');J=imnoise(I2,'salt&pepper',0.02);title('3*3的窗口鄰域濾波');斷經(jīng)經(jīng)濾波對比圖像（3-5、3-劃痕濾波對比圖像（3-7、3-破洞濾波對比圖像（3-9、3-油污濾波對比圖像（3-11、3-SS，但是當模板窗口（領(lǐng)域S）選擇太小時，去噪效果不理想。因此均值領(lǐng)域方法不太圖像的這里主要用到了兩種常用的微分算子銳化方法：梯度銳化sobel和拉斯銳化sobel拉斯算子是n維空間中的一個二階微分算子，定義為梯度的散度I=rgb2gray(I);H=fspecial('Laplacian');%應(yīng)用Laplacian算子濾波銳化圖像laplacianH=filter2(H,I);title('laplacian算子銳化圖像');H=fspecial('sobel');%應(yīng)用sobel算子濾波銳化圖像sobelH=filter2(H,I);title('sobel斷經(jīng)疵點銳化圖像（3-3-13斷經(jīng)兩種算子銳化圖像對比劃痕疵點銳化圖像（3-破洞疵點銳化圖像（3-3-15油污疵點銳化圖像（3-Laplacian算子是與方向無關(guān)的各向同性邊緣檢邊緣方向信息丟失，常產(chǎn)生雙Sobel部分合并都會破壞這種一致性。由圖像相似性。區(qū)域的像素一般具有某種相似閾值分割算法灰度閾值分割法是一種最常用的并行區(qū)域技術(shù)，它是圖像分割中應(yīng)用數(shù)量最多的一類。閾值分割算法的關(guān)鍵是確定閾值，如果能確定一個合適的閾值就可準確地將圖像分割開來。閾值確定后，將閾值與像素點的灰度值比較和像素分割可對各像素并行地進行，分割的結(jié)果直接給出圖像區(qū)域。迭代算法的思想是一種近的思想。先求出圖像的最大灰度值max和最小灰度值min，讓初始閾值設(shè)置為最大灰度值和最小灰度值的中間值，然后利用迭代算法將疵點的圖像和背景圖像分割出來。求出兩部分的灰度平均值，算出新的閾值T，T為兩部分灰度平均值的中間值。最后在循環(huán)中遍歷行和列，若灰度值大于等于新的閾值T，則將圖像像素灰度值設(shè)置為1，其余部分設(shè)置為0。最后得到了將疵點部分突出的效果，為后面的邊緣檢測做準備。結(jié)果分

4-1斷經(jīng)疵點迭代閾值分割結(jié)果4-24-3破洞疵點迭代閾值分割結(jié)果4-4性能直接關(guān)系到后續(xù)圖像處理的質(zhì)量。主要是用于提取的特征值，以便于圖像分割。一般邊緣檢測的算子有四類：Prewitt算子、Sobel算子、Canny算子和Roberts算子。圖像運行5-15-25-4運行結(jié)果對比分、Log算子首先通過高斯函數(shù)對圖像進行平滑處理，因此對噪聲的抑制、Canny算子也采用高斯函數(shù)對圖像進行平滑處理，因此具有較強的去性較Log算子要好，因此邊緣定位精度較高。該算子與其它邊緣檢測算子的不同之處在于，它使用2種不同的閾值分別檢測強邊緣和弱邊緣，并且僅當弱邊緣相連時才將弱邊緣包含在輸出圖像中，因此這種方法較其它方法而言不容易被噪聲“填充”BW1=[BW1,thresh1]=LogBW1=edge(I,'log',0.005);[BW2,thresh2]=%返回當前零交叉檢測邊緣檢測的閾值disp(thresh2)subplot(334),imshow(I);BW2=BW3=edge(I,'canny');[BW3,thresh3]=%返回當前Canny算子邊緣檢測的閾值disp('Canny算子自動選擇的閾值為：')BW3=edge(I,'Canny',[0.20.5]);[0.10.5]Canny目標特征模式識別是基于對象模式的目標識別及分類技術(shù)，是研究圖像或各種物理對象與過程的分類和描述的學科，在視覺領(lǐng)域中稱為圖像識別。模式識別是上世紀60年代迅速發(fā)展起來的一門學科。特別是隨著近年來大量科研成果的出現(xiàn)，在很多領(lǐng)域得到了成功的應(yīng)用。為了有效的實現(xiàn)分類識別，就要對原始圖像數(shù)據(jù)進行變換，得到最能反映分類本質(zhì)的圖像特征。圖像特征是指圖像的原始特征或?qū)傩?。每一幅圖像都有其本身的特性，其中有些是視覺直接感受到的自然特征，如亮度、邊緣、紋理或色彩等；有些是需要通過變換或測量才能得到的人為特征，如譜、直方圖等。為了正確的對缺陷圖像進行有效識別，需要從圖像中提取有效的數(shù)據(jù)或信息，生成非圖像的描述或表示，如數(shù)值、符號等，即抽取圖像特征。一般地，把原始數(shù)據(jù)組成的空間叫做“測量空間”，把分類識別賴以進行的空間叫做“特征空間”。通過特征提取，把維數(shù)較高的測量空間中表示的模式轉(zhuǎn)化在維數(shù)較低的特征空間中表示的模式，從而為圖像識別提供數(shù)據(jù)樣本[40]。特征選取對于待識別的織物疵點圖像（主要是四類疵點，通過相關(guān)的處理對其經(jīng)過分割和邊緣提取后，可以得到圖像的原始特征。但是原始特征的數(shù)量很大，圖像樣本是處于一個空間中，如何從眾多的特征中選出一些最有效的特征以達到降低特征空間維數(shù)的目的，是特征選擇和提取的基本任務(wù)。在樣本數(shù)量不是很多的情況下，用很多特征進行分類器的設(shè)計，從計算復雜程度和分類器性能來看都是不合適的。因此研究如何把特征空間特征轉(zhuǎn)化到低特征以便有效地識別圖像就很關(guān)鍵。例如，通過機把一個物體轉(zhuǎn)換為一個二維灰度陣列。一個1000×1000灰度陣列圖像相當于1000×1000維測量空間中的一個點，不便于識別，更重要的是這樣一種描述并不能直接反映圖像的本質(zhì)。目前，幾乎還沒有解析的方法能夠指導特征的選擇，一般情況下，根據(jù)經(jīng)驗和相關(guān)理論基礎(chǔ)先列出一些可能的特征表，然后用特征排序方法計算不同特征的識別效率。利用結(jié)果對表進行刪減，以選取最優(yōu)的特征組合。具體地，選擇特征的依據(jù)如下：可區(qū)別性。對于屬于不同類的圖像而言，它們的特征應(yīng)具有明顯的可靠性。對于同類圖像，特征值應(yīng)該比較接近。獨立性好。所選擇的特征值之間應(yīng)彼此不相關(guān)。需要注意的是，有時相關(guān)性很高的特征組合起來可以減少噪聲干擾，但它們一般單獨的特征使用。數(shù)量少。圖像識別系統(tǒng)的復雜程度隨著系統(tǒng)維數(shù)（特征個數(shù)）成正比增加。特征數(shù)量如果過多，雖然識別的效果會更好一些，但是識別時計算更加耗時，難度更大[40]。圖像特征分析方圖像特征分析的方法有很多種，但具體到每幅圖像，只會根據(jù)該幅圖像的特有性質(zhì)而選擇其中的一種或者幾種方法對其特征進行分析，圖像的特征主要有圖像的形狀特征、圖像的征紋理特征、圖像的顏色特征等。圖像的形狀特征分析：經(jīng)過圖像預處理和圖像分割，就可以得到目標區(qū)域的大小及邊緣信息，從而得到疵點部分的大致形狀。通過邊界、骨架及區(qū)域三種信息就可以來反映圖像的目標信息。通常，人們關(guān)心的主要是目標信息的形狀，而不是其他信息。所以，可以把圖像的邊界或者賦值“1”，其他不感的部分賦值“0”，這樣即可形成一幅可以清晰顯示出目標形狀信息的二值圖像。目標信息的特征量有長度、面積、周長、寬度、長寬比等，可以通過這些特征量來對疵點進行判別以及為以后的疵點分類提供較好的幫助。圖像的紋理特征分析：在圖像處理分析中，紋理結(jié)構(gòu)的特征分析占據(jù)了很大地位。它具有多種特征，主要有局部特性不斷重復、圖像區(qū)域內(nèi)紋理總體均勻和非隨機排列等，常用的紋理特征提取方法也很多，比如模型方法、統(tǒng)計方法、幾何方法、信號處理方法及結(jié)構(gòu)方法等。此方法很早就被提出，但因為其中存在的一些問題，在實際工程應(yīng)用中很小被用到，比如分析大尺寸圖像不理想、處理起來耗時等一些問題。圖像的顏色特征分析：圖像的顏色特征分析是圖像統(tǒng)計特征分析中最常用的一種，主要RGB和HIS兩類彩色坐標系統(tǒng)。前者是面向已經(jīng)系統(tǒng)的，相對簡單，而后者主要是用來描述顏色特征。在顏色特征分析中，一般先把RGB空間轉(zhuǎn)換為HIS空間，主要是因為在RGB彩色坐標系中，存在著很多的不足。第一，RGB彩色坐標系對不同的色彩不能用準確的數(shù)值來表示，進而很難進行定量分析；第二，RGB彩色坐標系對含有較高相關(guān)性的圖像擴展對比度時，只能擴大圖像的明亮程度，而對圖像的色調(diào)差異的增強沒什么效果；第三RGB彩色坐標系不容易控制圖像分析的結(jié)構(gòu)。而HIS母性則可以定量的描述圖像的顏色特征。通過以上分析，本文選擇了通過疵點的形狀特征來對圖像進行分析，主要有疵點的周長、疵點的面積、疵點的圓度、疵點的矩形度以及疵點的經(jīng)緯向伸長度等。本文所研究疵點的本文介紹了四種織物疵點的類型，分別是斷經(jīng)、劃痕、破洞和油污。根據(jù)這些疵點的類型和形狀特征，選擇了五個特征量對其進行分析，分別為疵點的周長、疵點的面積、疵點的圓度、疵點的矩形度以及疵點的經(jīng)緯向伸長度。這些疵點特征值的計算過程如下：疵點部分的周長周長是采用計算疵點部分邊緣檢測后的圖像邊緣像素點來計算的。疵點的面積不管什么樣形狀的目標圖像區(qū)域，均可以把它限制于一個矩形方框內(nèi)，矩形區(qū)域的面積為L×W，如圖6-1所示。通過掃描整個矩形區(qū)域里的每個像素點，可直接得到灰度值為“1”的像素點的總個數(shù)，表示為：6-1區(qū)域面積計算在最后的二值化織物圖像內(nèi)，把疵點區(qū)域內(nèi)的各個像素點的灰度值進行統(tǒng)計，灰度值為“1”的像素點的個數(shù)即為疵點的面積特征參數(shù)S，表示為：(3）疵點的圓度（緊密度的倒數(shù)疵點的緊密度又稱為疵點緊湊度，把它定義為L2/4πS。式子中，L代表疵點區(qū)域的周長（即疵點區(qū)域輪廓的長度，Sπ是圓周率。從式子中可以看到，若疵點區(qū)域為一個正圓，其區(qū)域周長就為2πR(R為區(qū)域圓的半徑)，面積為πR2，那么疵點的緊密度就為1，即一個正圓的緊密度為1。非正圓的緊密度相對會比較大些。圓度（緊密度的倒數(shù)：C=4*pi*S/(L*L(4)矩形度反映了一個圖形與矩形的相似程度，在本文中就指的是疵點圖像與矩形的相似程度。H、WS則是疵點的面積。(5）疵點的經(jīng)緯向伸長度疵點經(jīng)緯向伸長度R就是疵點的長寬比，即為前面所求的疵點的長度和疵點的寬度W的比值，疵點長寬比R表示為：參數(shù)R能夠較好的描述區(qū)域類和方向性疵點的特征形狀，通常，能夠認定為：斷經(jīng)疵點圖像和經(jīng)線連續(xù)粘并疵點圖像的經(jīng)緯伸長度R值比較大；漿斑疵點圖像經(jīng)緯伸長度R值大約靠近于1；劈縫疵點圖像的經(jīng)緯伸長度R值適中。特征提取識別運行(1）斷經(jīng)疵點特征提取識別結(jié)果（6-6-2斷經(jīng)疵點檢測結(jié)果(2）劃痕疵點特征提取識別結(jié)果（6-6-3劃痕疵點檢測結(jié)果(3）破洞疵點特征提取識別結(jié)果（6-6-4破洞疵點檢測結(jié)果(4）油污疵點特征提取識別結(jié)果（6-6-5油污疵點檢測結(jié)果[1]，彭天強，.智能：圖像處理技術(shù)[M].：電子工業(yè)[2]鐘釩，周激流，郎方年等.邊緣檢測濾波尺度自適應(yīng)選擇算法[J].自動化[3]，，等.數(shù)字圖像處理技術(shù)[M].：冶金工業(yè)[4]等.基于機器視覺和圖像處理的織物疵點檢測研究新進展[J].紡織學報，2014，35（3[5]步紅剛等.基于計算機視覺的織物疵點檢測的近期進展[J].東華大學學報，2006，32（3[6]O.GSezera,1,AErcilb,AErtuzunc.《Usingperceptualrelationofregularityandanisotropyinthetexturewithindependentcomponentmodelfordefectdetection》韓其睿,池楠.編織物疵點檢測及類型識別[J].計算機工程與應(yīng)用2014,李春雷,,等.基于紋理差異視覺顯著性的織物疵點檢測算法[J].山東大學學報：工學版,2014,(4). ,姚桂國,等.織物疵點圖像的直方圖處理與增強[J].絲綢,2009,(5):35-,黃秀寶.圖像處理用于織物疵點自動檢測的研究進展[J].東華大學學報：自然科學版,2002,28(4):118-122.:10.3969/j.issn.1671-0444.2002.04.027.王婧,. 圖像處理技術(shù)在針織物疵點檢測中的應(yīng)用[J].電腦知識與技術(shù),2009,5(11).:10.3969/j.issn.1009-3044.2009.11.091.,劉京南,余.幾種圖像分割閾值的比較與研究[J].電氣技術(shù)與自動．數(shù)字圖像分割及變形技術(shù)研究 ．浙江大學．數(shù)字圖像處理及其應(yīng)用研究 ．河海大學，焦國太，杜燁，基于數(shù)學形態(tài)學的織物疵點檢測方法[J].測試技術(shù)學報，2007,21（6，紅外圖像灰度直方圖統(tǒng)計分析的研究[J]，紅外，2009,30（4：14-，黃秀寶.圖像處理用于織物疵點自動檢測的研究進展[].東華大學學報（自然科學2022（48.圖像處理和分析[M].:，2003，，.基于優(yōu)化Gabor濾波器的織物疵點算法[J],服裝學院學報[23]，謝春萍 基于神經(jīng)網(wǎng)絡(luò)在織物疵點識別技術(shù)[J].紡織科學報Process{C}NationalTextileCenterAnnualReport,1996.[25]，沈國良 算法的數(shù)學推導及實現(xiàn)算法[J].遼寧石油化工高等?？茖W校學報WarrenJJ.Image ysiofmispicksinwovenfabric[J].TextileResearchJournal,1995,65；周帥,,才.基于變換的織物疵點圖像特征提取[J].青島大學學報：工程技術(shù)版,2013,(2):53-59. .基于閾值分割的織物疵點檢測方法研究與實現(xiàn)[D].河北科技大學李,,王莉.幾種圖像消噪處理算法在織物疵點檢測中的應(yīng)用[J].南通紡織職業(yè)技術(shù)學院學報,2012,12(2):14-16. ,.織物疵點特征提取主要算法比較[J].毛紡科技,2011,39(1):57-劉建立,.織物疵點圖像消噪方法的比較[J].紡織學報,2007,28(11):128-卿湘運,段紅,魏俊民.基于局部熵的織物疵點檢測與識別的研究[J].紡織學報,2004, ,黃秀寶.用于疵點檢測的織物自適應(yīng)正交的實現(xiàn)[J].東華大學學報：自然科學版,2002,28(2):77-81. 徐增波,貢玉南,黃秀寶.基于二維連續(xù)變換的織物疵點檢測[J].東華大學學報：自然科學版,2000,26(2):10-13.:10.3969/j.issn.1671-0444.2000.02.003.徐增波,貢玉南,黃秀寶.Wold紋理模型和分形理論的織物疵點檢測[J].東華大學學報：自然科學版,2000,26(1):6-9.:10.3969/j.issn.1671-0444.2000.01.002.高水平.織物疵點檢測的圖像處理技術(shù)[D].青島大學,2005..弱小目標檢測前算法研究[D].杭州電子科技大學,2010.藺毅.非標準輪廓曲線提取與數(shù)控加工程序生成的研究[D].大學,.EMCCD圖像處理系統(tǒng)及應(yīng)用技術(shù)研究[D].中學,郭振鐸,,,等.玻璃缺陷特征提取[J].中原工學院學報,2010,21(2):35-在此特別感謝導師對悉心指導，老師在算法程序的優(yōu)化上給了我很師還在百忙之中抽出時間來對進行審閱提出修改意見。最終使我完成己的知識面，而且在自主研究的過程中提升了自己的能力。在與同組同學進很多。如今在我完成畢業(yè)設(shè)計之際，謹向電子信息學院的所有導師和同學表示clearall;closeall;S0=0;S1=0;forfor

fori=1:xfor

接對象，的是連續(xù)的白色像素數(shù)量少于70的字符失的是連續(xù)的白色像素數(shù)量少于1380的字符 forforif(myI(i,j,1)==1)PY1=MaxY;%以下為找疵點Y方向最小值while((Blue_y(PY1,1)>=5)&&(PY1>1))while((Blue_y(PY2,1)>=5)&