一种基于图像投影和奇异值分解的织物瑕疵检测方法
【专利摘要】本发明涉及一种基于图像投影和奇异值分解的织物瑕疵检测方法。在训练阶段首先将无瑕疵织物图像样本有重叠地划分成正方形子窗口；然后将所得子窗口分别沿纵横方向投影，得到联合投影序列；最后对联合投影序列所组成的矩阵实施奇异值分解，提取基向量；在检测阶段，将待检测织物图像样本无重叠地分割划分成正方形子窗口；同时将子窗口沿纵横方向的投影，得到联合投影序列；应用基向量对所得的联合投影序列进行重构，并通过重构误差来判定子窗口是否包含瑕疵。本发明充分利用了织物纹理及瑕疵的经纬取向特征，通过对纵横方向投影所得序列进行分析，不仅大大降低了方法的复杂性，而且对不同织物纹理和瑕疵类型有较强的适应性，尤其是对线性瑕疵。
【专利说明】一种基于图像投影和奇异值分解的织物瑕疵检测方法
【技术领域】
[0001]本发明属图像分析处理领域，本发明涉及一种基于图像投影和奇异值分解的织物瑕疵检测方法，应用于纺织品表面质量自动检测与控制领域。
【背景技术】
[0002]设矩阵A是mXη的矩阵，奇异值分解(SVD)可以把矩阵A分解成U, Σ和V三个矩阵。其中矩阵U是mXn的正交矩阵，矩阵V是ηΧη的正交矩阵，矩阵Σ是mXn的矩阵，其对角线以外的元素全部为零，即矩阵2=diag(0l，σ2,…，(^)为对角矩阵，r为矩阵A的秩，0ι，σ2，为A矩阵的奇异值。矩阵U和V分别称为左奇异矩阵和右奇异矩阵，矩阵Σ的对角线上的元素依次呈递减顺序，即:O1≥σ2≥…≥Qr^O0
[0003]将矩阵Σ的对角元素设定为01;+1=01;+2=*" = (^=0，得到矩阵六在秩1^〈1.)下的
重构其重构误差使用Frobenius范数可表述为:
[0004]
【权利要求】
1.一种基于图像投影和奇异值分解的织物瑕疵检测方法，其特征是包括以下步骤: (1)训练阶段； 将无瑕疵织物图像样本有重叠地划分成正方形子窗口，并将子窗口分别沿纵横方向投影，得到联合投影序列；然后将所得的联合投影序列组成一个矩阵，并对该矩阵实施奇异值分解，提取基向量； (2)检测阶段; 将待检测织物图像样本连续无重叠地分割划分成正方形子窗口，并将子窗口沿纵横方向的投影，得到联合投影序列y;应用(I)中所得的基向量的对y进行重构，得到y的重构y ；计算重构误差五=|卜-jf，并通过重构误差来判定子窗口是否包含瑕疵； 具体实现如下: 在训练阶段，将所述的无瑕疵织物图像样本有重叠地划分成大小为wXw的正方形子窗口，其中8像素< w < 64像素；所述有重叠地划分是指在同一行中，后一个子窗口是前一个子窗口横向平移步长s得到，相邻子窗口之间有重叠部分，所述重叠部分的横向长度为w-s，在相邻行中，下一行的子窗口是上一行的子窗口纵向平移步长s得到，相邻子窗口之间有重叠部分，所述重叠部分的纵向长度为w-s，其中I 将子窗口分别沿纵横方向投影，即计算子窗口中每列和每行的所有像素点灰度值的平均值，得到两个投影序列；然后将所得的两个投影序列相接后得到联合投影序列； 将所有子窗口对应的联合投影 序列作为矩阵的列排列为一个矩阵，并对所得的矩阵实施奇异值分解；提取左奇异矩阵的前k列作为基向量D，即D=W1, d2，-,dk]，其中Clpd2,…，dk为左奇异矩阵的前I到k列的列向量，且有4 在检测阶段，将待检测织物图像样本连续无重叠地划分成大小为wXw的正方形子窗口，其中8像素< w < 64像素；然后按照训练阶段的方法，将子窗口分别沿纵横向投影，得到联合投影序列；应用所述基向量对检测阶段所得的联合投影序列进行重构，并通过计算其所得的重构误差E来判定子窗口是否包含瑕疵。
2.根据权利要求1所述的一种基于图像投影和奇异值分解的织物瑕疵检测方法，其特征在于，所述的织物为位深度为8位的灰度图像。
3.根据权利要求1所述的一种基于图像投影和奇异值分解的织物瑕疵检测方法，其特征在于，所述的重构是指在最小平方误差下所得的重构。
4.根据权利要求1所述的一种基于图像投影和奇异值分解的织物瑕疵检测方法，其特征在于，所述的通过重构误差来判定子窗口是否包含瑕疵是指当重构误差超过预先设定的阈值则认为子窗口包含瑕疵；阈值的确定:首先对无瑕疵织物进行测试，得到其重构误差E的累计分布函数，然后选取对应于其累计分布函数95%的重构误差值作为阈值。
5.根据权利要求1所述的一种基于图像投影和奇异值分解的织物瑕疵检测方法，其特征在于，所述的联合投影序列，是指将沿纵横方向投影所得的两个投影序列，一个在前，另一个在后或一个在后，另一个在前以首尾相接的方式所得的序列。
【文档编号】G06T7/00GK103489182SQ201310401043
【公开日】2014年1月1日 申请日期:2013年9月5日 优先权日:2013年9月5日
【发明者】周建, 汪军, 王钢, 李立轻, 陈霞, 万贤福, 李冠志 申请人:东华大学