基于二维经验模态分解的双通道织物疵点检测方法
【专利摘要】本发明涉及一种基于二维经验模态分解的双通道织物疵点检测方法，针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后的分解方法得到包含织物纹理信息的IMF1和包含粗糙尺度灰度信息的IMF2+3；对IMF1使用优化的Laws纹理测量提取纹理能量，并进行二值化操作，得到纹理检测通道结果；对IMF2+3进行二值化操作，得到灰度检测通道结果；将纹理检测通道结果和灰度检测通道结果进行融合，得到织物疵点检测结果，结果中数值为255的像素代表无疵区域，数值为0的像素代表疵点区域。本发明解决了二维经验模态分解缺乏适用于织物图像分解的方案的问题，并在此基础上提供了符合人眼工作方式的双通道织物疵点检测方法。
【专利说明】
基于二维经验模态分解的双通道织物疵点检测方法
技术领域
[0001] 本发明属图像分析处理技术领域，涉及一种基于二维经验模态分解的双通道织物 疵点检测方法，应用于纺织品表面质量自动检测与控制领域。
【背景技术】
[0002] 在基于机器视觉和图像处理技术的织物疵点检测方法中，难度最大的问题是对种 类繁多形式各异的织物组织和疵点形式难以实现通用性。现有方法通常是将织物图像视为 单一对象进行检测，而人眼识别不同表现形式的疵点时，主要是具有明显灰度变化的疵点 和仅有纹理变化的疵点时，视觉和逻辑工作模式具有明显差别，因此将织物图像分解为纹 理信息和粗糙尺度上的灰度信息是具有现实基础和应用潜力的方法。但是，目前疵点检测 领域常用的图像分解方法，如小波分解等，并非基于图像自身特征，而是基于固定的尺度， 方向和响应函数，无法自适应性地将图像分解为细节尺度纹理信息和粗糙尺度灰度信息。
[0003] 二维经验模态分解是一种依据图像数据内部本征模式对图像进行分解的工具，但 二维经验模态分解理论研究仍然存在一些问题，在极值点寻找，边界处理，插值和停止准则 等方法上，研究者们提出了不同方案，但缺乏系统性比较，尤其是针对某一具体应用的优化 工作，仅有Bhuiyan等人(2009)比较了不同插值方法的表现，但其研究中使用8邻域极值点 方法，且未做边界处理，并且比较结果过于笼统，因此其成果意义有限。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种基于二维经验模态分解的双通道织物疵 点检测方法。
[0005] 本发明的基于二维经验模态分解的双通道织物疵点检测方法，包括以下步骤：
[0006] (1)针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后 的二维经验模态分解对织物图像进行分解得到三个MF和一个残差;其中頂Fl包含织物纹 理信息，頂F2与頂F3包含粗糙尺度灰度信息，残差包含光照不匀的效果；
[0007] (2)对頂Fl使用优化的Laws纹理测量提取纹理能量，对纹理能量进行二值化操作， 得到纹理信息分割结果，将从MFl得到纹理信息分割结果的处理流程称为纹理检测通道； 对頂F2与頂F3进行融合处理后，对融合信号頂F2+3进行二值化操作，得到灰度信息分割结 果，将从MF2和頂F3得到灰度信息分割结果的处理流程称为灰度检测通道；
[0008] (3)将纹理检测通道和灰度检测通道输出的二值化结果进行融合，得到织物疵点 检测结果，结果中数值为255的像素代表无疵区域，结果中数值为0的像素代表疵点区域；
[0009] 所述的二维经验模态分解优化具体实现：
[0010] 对二维经验模态分解四个主要环节，包括极值点寻找，边界处理，插值和停止准则 进行优化:极值点寻找步骤的优化使用数学形态学测地膨胀算子极值点寻找方法替代8邻 域极值点寻找方法，保证寻找到极值点集包含严格极值点和非严格极值点；边界处理的优 化为对极值点集按照节点密度以图像边界为轴向四个方向进行镜像延拓，并在插值完成后 裁剪延拓区域;插值的优化首先使用三角化分段插值，然后对插值结果进行下采样，最后对 下采样得到的节点集进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结 果的平滑处理;停止准则的优化根据织物图像实验制定，以保证分解实际效果符合双通道 检测方法要求。
[0011] 所述的Laws纹理测量优化具体实现如下：
[0012] 对Laws纹理测量的三个主要环节，包括滤波模板、子窗口尺寸和特征值进行优化， 优化方法为使用不同滤波模板、子窗口尺寸和特征值在多幅织物图像頂Fl上的进行纹理测 量，将纹理能量的二值化结果与人工检测结果对比，确定效果最好的的滤波模板、子窗口尺 寸和特征值组合方案。
[0013] 作为优选的技术方案：
[0014] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的织物为位 深度为8位以上的灰度图像。
[0015] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的严格极值 点是指符合8邻域极值点判断规则的极值点；所述的非严格极值点是指常见于织物图像中 但不限于织物图像的连成直线、曲线或区域的多个数值相等但大于周围像素数值的多个连 通的极值点；由于织物纹理的形式，织物图像中存在较多非严格极值点，使用非严格极值点 进行二维经验模态分解会产生丢失重要信息的问题，而使用非严格极值点则可避免该问 题。
[0016] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的测地膨胀 算子寻找极值点寻找方法是:将某IMFl函数记为f (X)，将其减1后进行测地膨胀运算得到 W/W - 1〕，计算极值点集/W -UfW - 1)，其中极值点处保留原值，非极值点处 的值为0，得到的极值点集同时包含严格极值点与非严格极值点，可以保证在该极值点集充 分代表织物图像信息，保证二维经验模态分解的合理性。
[0017] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的边界处理 的优化的具体方法为：统计极值点总数记为Num ext,图像边界长度记为N，则延拓长度 A= 10将距离图像边界长度小于等于A的极值点，以图像边界为轴复制在 对称位置，延拓后的图像面积为(Ν+Α)2,使用延拓后的节点集插值后，裁剪延拓区域，图像 面积还原为N2;该方法的效果为使插值步骤产生的边界效应发生在延拓区域，将延拓区域 裁剪后，避免边界效应，同时延拓区域的大小参考了极值点集的密度，保证了延拓区域中极 值点的数量足够将边界效应限制在延拓区域内部。
[0018] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的插值的优 化的具体方法为：首先对原始节点集进行基于Delaunay三角化的分段三次样条插值;然后 对插值结果进行隔行隔列下采样，不丢弃非采样点，只将其值记为〇;最后以下采样结果中 的非〇点为节点集，进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结果 的平滑处理；由于分段三次样条插值具有较快的计算速度，全局薄板样条在下采样得到的 等距节点集上具有也具有较快的计算速度，所以本发明采用的插值方法在插值结果光滑性 远好于单独使用分段插值的同时，其计算速度远高于直接使用全局插值。
[0019] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的停止准则 的优化是指优化计算单个MF循环次数的控制方法;优化目的是保证各頂F包含信息合理并 避免过多循环产生的副作用；停止准则指标为两次循环结果间的标准差SD，当SD小于0.2 时，循环停止，当前循环输出结果判为MF;使用优化的停止准则的效果为，在其他三个步骤 优化的前提下，实现MFl包含织物纹理信息，頂F2与頂F3包含粗糙尺度灰度变化信息。
[0020] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的优化Laws 纹理方法为:滤波模板使用L5L5与W5W5模板，窗口尺寸为15，特征值选择为窗口内标准差。
[0021] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的融合MF2 与IMF3方法为：f2+3(x，y) = f2(x，y)+f3(x，y)，其中f2(x，y)为IMF2，f3(x，y)为IMF3，f2+3(x， y)为融合頂F2与頂F3的结果頂F2+3。
[0022] L5L5 模板：
[0027] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的二值化操 作为计算图像中所有元素的均值μ与标准差σ，当图像中某一元素的数值介于μ±3σ之间时， 赋值为255 ;反之赋值为0 ;所述的双通道二值化结果融合是指：记纹理检测通道结果为St (x，y)，记灰度检测通结果为SG(x，y)，融合方法为SF(x，y) = ST(x，y)*SG(x，y)/255，SF(x，y) 为融合结果，即为织物疵点检测结果，SF(x，y)中数值为255的像素代表无疵区域，S F(x，y)中 数值为〇的像素代表疵点区域。
[0028] 本发明与现有织物疵点检测技术的主要区别在于将织物图像自适应地分解为纹 理信息和粗糙尺度灰度变化信息后进行双通道检测，并提出了满足自适应分解要求的二维 经验模态分解优化方法。与现有二维经验模态分解技术相比，本发明明确提出了一种适用 于织物疵点检测需求下的织物图像分解的优化方法，并以优化的二维经验模态分解结果为 基础实现了织物疵点检测。
[0029]有益效果
[0030] 1.本发明通过二维经验模态分解将织物图像分解为纹理信息和灰度信息，并使用 不同的检测算法，更加符合人眼检测织物疵点的工作方式，提高了检测自适应性。
[0031] 2.本方法通过对二维经验模态分解进行优化，使其在织物图像上实现了更好的分 解效果，形成针对织物图像的优化方案。
[0032] 3.本发明中织物图像中的光照不匀信息经分解后分离至残差中并舍弃，检测方法 不受光照不匀影响。
【附图说明】
[0033] 图1基于二维经验模态分解的双通道织物疵点检测算法流程图 [0034]图2(a)破洞疵点织物图像
[0035]图2 (b)破洞疵点织物图像的二维经验模态分解分解结果頂F1 [0036]图2 (c)破洞疵点织物图像的二维经验模态分解结果頂F2 [0037]图2 (d)破洞疵点织物图像的二维经验模态分解结果頂F3
[0038]图2(e)破洞疵点织物图像的二维经验模态分解结果残差 [0039]图3 (a)破洞疵点织物图像的融合信号頂F2+3 [0040]图3(b)破洞疵点织物图像的灰度检测通道结果 [00411图4(a)破洞疵点织物图像的纹理能量(L5L5滤波模板）
[0042]图4(b)破洞疵点织物图像的纹理检测通道结果
[0043] 图5破洞疵点织物图像的疵点检测结果
[0044] 图6(a)双炜疵点织物图像
[0045] 图6(b)双炜疵点织物图像的灰度检测通道结果
[0046] 图6(c)双炜疵点织物图像的纹理检测通道结果
[0047] 图6(d)双炜疵点织物图像的疵点检测结果 [0048]图7(a)稀密路疵点织物图像
[0049] 图7(b)稀密路疵点织物图像的灰度检测通道结果
[0050] 图7(c)稀密路疵点织物图像的纹理检测通道结果
[0051] 图7(d)稀密路疵点织物图像的疵点检测结果
【具体实施方式】
[0052]下面结合【具体实施方式】，进一步阐述本发明。应理解，这些实施例仅用于说明本发 明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术 人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限 定的范围。
[0053]本发明的基于二维经验模态分解的双通道织物疵点检测方法，包括以下步骤： [0054] (1)针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后 的二维经验模态分解对织物图像进行分解得到三个MF和一个残差;其中頂Fl包含织物纹 理信息，頂F2与頂F3包含粗糙尺度灰度信息，残差包含光照不匀的效果；
[0055] (2)对頂Fl使用优化的Laws纹理测量提取纹理能量，对纹理能量进行二值化操作， 得到纹理信息分割结果，将从MFl得到纹理信息分割结果的处理流程称为纹理检测通道； 对頂F2与頂F3进行融合处理后，对融合信号頂F2+3进行二值化操作，得到灰度信息分割结 果，将从MF2和頂F3得到灰度信息分割结果的处理流程称为灰度检测通道；
[0056] (3)将纹理检测通道和灰度检测通道输出的二值化结果进行融合，得到织物疵点 检测结果，结果中数值为255的像素代表无疵区域，结果中数值为0的像素代表疵点区域； [0057]所述的二维经验模态分解优化具体实现：
[0058]对二维经验模态分解四个主要环节，包括极值点寻找，边界处理，插值和停止准则 进行优化:极值点寻找步骤的优化使用数学形态学测地膨胀算子极值点寻找方法替代8邻 域极值点寻找方法，保证寻找到极值点集包含严格极值点和非严格极值点；边界处理的优 化为对极值点集按照节点密度以图像边界为轴向四个方向进行镜像延拓，并在插值完成后 裁剪延拓区域;插值的优化首先使用三角化分段插值，然后对插值结果进行下采样，最后对 下采样得到的节点集进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结 果的平滑处理;停止准则的优化根据织物图像实验制定，以保证分解实际效果符合双通道 检测方法要求。
[0059] 所述的Laws纹理测量优化具体实现如下：
[0060]对Laws纹理测量的三个主要环节，包括滤波模板、子窗口尺寸和特征值进行优化， 优化方法为使用不同滤波模板、子窗口尺寸和特征值在多幅织物图像頂Fl上的进行纹理测 量，将纹理能量的二值化结果与人工检测结果对比，确定效果最好的滤波模板、子窗口尺寸 和特征值组合方案。
[0061 ]如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的织物为位 深度为8位以上的灰度图像。
[0062] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的严格极值 点是指符合8邻域极值点判断规则的极值点；所述的非严格极值点是指常见于织物图像中 但不限于织物图像的连成直线、曲线或区域的多个数值相等但大于周围像素数值的多个连 通的极值点。
[0063] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的测地膨胀 算子极值点寻找方法是：将某IMFl函数记为f (X)，将其减1后进行测地膨胀运算得到 - 1〕，计算极值点集/Xx) _7Ce"(/(x) - 1)，其中极值点处保留原值，非极值点处 的值为〇，得到的极值点集同时包含严格极值点与非严格极值点。
[0064]如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的边界处理 的优化的具体方法为：统计极值点总数记为Numext,图像边界长度记为N，则延拓长度 4= 10+iiV/v^^j，将距离图像边界长度小于等于A的极值点，以图像边界为轴复制在 对称位置，延拓后的图像面积为(N+A)2,使用延拓后的节点集插值后，裁剪延拓区域，图像 面积还原为N2;该方法的效果为使插值步骤产生的边界效应发生在延拓区域，将延拓区域 裁剪后，避免边界效应。
[0065] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的插值的优 化的具体方法为：首先对原始节点集进行基于Delaunay三角化的分段三次样条插值;然后 对插值结果进行隔行隔列下采样，不丢弃非采样点，只将其值记为〇;最后以下采样结果中 的非〇点为节点集，进行基于径向基函数的全局薄板样条插值，实现对三角化分段插值结果 的平滑处理。
[0066] 如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的停止准则 的优化是指优化计算单个MF循环次数的控制方法;优化目的是保证各頂F包含信息合理并 避免过多循环产生的副作用；停止准则指标为两次循环结果间的标准差SD，当SD小于0.2 时，循环停止，当前循环输出结果判为MF;使用优化的停止准则的效果为，在其他三个步骤 优化的前提下，实现MFl包含织物纹理信息，頂F2与頂F3包含粗糙尺度灰度变化信息。 [0067]如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的优化Laws 纹理方法为:滤波模板使用L5L5与W5W5模板，窗口尺寸为15，特征值选择为窗口内标准差。 [0068]如上所述的基于二维经验模态分解的双通道织物疵点检测方法，所述的融合MF2 与IMF3方法为：f2+3(x，y) = f2(x，y)+f3(x，y)，其中f2(x，y)为IMF2，f3(x，y)为IMF3，f2+3(x， y)为融合頂F2与頂F3的结果頂F2+3。 「nrw?1 τ .
L0073」如上所还的基亍二维经验模态分觯的双通道织物疵点检测万法，所还的二值化探 作为计算图像中所有元素的均值μ与标准差σ，当图像中某一元素的数值介于μ±3σ之间时， 赋值为255 ;反之赋值为0 ;所述的双通道二值化结果融合是指：记纹理检测通道结果为St (x，y)，记灰度检测通结果为SG(x，y)，融合方法为SF(x，y) = ST(x，y)*SG(x，y)/255，SF(x，y) 为融合结果，即为织物疵点检测结果，SF(x，y)中数值为255的像素代表无疵区域，S F(x，y)中 数值为〇的像素代表疵点区域。
[0074] 实施例1
[0075] (1)对一幅破洞疵点织物图像（图2(a))使用包含测地膨胀算子极值点寻找、镜像 延拓边界处理、分段插值后全局薄板样条插值和SD <0.2停止准则的优化的二维经验模态 分解，得到MFl (图2(b))、頂F2(图2(c))、頂F3(图2(d))和残差（图2(e));
[0076] (2)将頂F2与MF3融合得到頂F2+3(图3(a))后，使用μ±3σ阈值方法对其进行二值 化操作得到灰度检测通道结果(图3(b));
[0077] (3)对頂Fl使用L5L5模板和W5W5模板进行Laws纹理测量，得到纹理能量（图4(a)为 使用L5L5模板的纹理测量得到的纹理能量结果），分别对L5L5模板纹理能量结果和W5W5模 板纹理能量结果使用μ±3〇阈值方法进行二值化操作，得到两个二值化结果，合并两个二值 化结果得到纹理检测通道结果（图4(b));
[0078] (4)融合灰度检测通道结果和纹理检测通道结果，记纹理检测通道结果为St(x， 7)，记灰度检测通结果为3&(1，7)，融合方法为3「(1，7) = 31'(1，7)*3&(1，7)/255,5「(1，7)，得 到破洞疵点织物图像的最终检测结果（图5)，SF(x，y)中数值为255的像素代表无疵区域，Sf (x，y)中数值为〇的像素代表疵点区域;整体检测流程如图1所示。
[0079] 实施例2
[0080] (1)对一幅双炜疵点织物图像（图6(a))使用包含测地膨胀算子极值点寻找、镜像 延拓边界处理、分段插值后全局薄板样条插值和SD <0.2停止准则的优化的二维经验模态 分解，得到頂Fl、頂F2、頂F3和残差；
[0081 ] (2)将頂F2与頂F3融合得到MF2+3后，使用μ ± 3〇阈值方法对其进行二值化操作得 到灰度检测通道结果(图6(b));
[0082] (3)对IMFl使用L5L5模板和W5W5模板进行Laws纹理测量，得到纹理能量，分别对 L5L5模板纹理能量结果和W5W5模板纹理能量结果使用μ±3σ阈值方法进行二值化操作，得 到两个二值化结果，合并两个二值化结果得到纹理检测通道结果(图6 (c));
[0083] (4)融合灰度检测通道结果和纹理检测通道结果，记纹理检测通道结果为St(x， 7)，记灰度检测通结果为3&(1，7)，融合方法为3「(1，7) = 31'(1，7)*3&(1，7)/255,5「(1，7)，得 到双炜疵点织物图像的最终检测结果（图6(d))，SF(x，y)中数值为255的像素代表无疵区 域，S F(x，y)中数值为0的像素代表疵点区域;整体检测流程如图1所示。
[0084] 实施例3
[0085] (1)对一幅稀密路疵点织物图像（图7(a))使用包含测地膨胀算子极值点寻找、镜 像延拓边界处理、分段插值后全局薄板样条插值和SD <0.2停止准则的优化的二维经验模 态分解，得到頂Fl、頂F2、頂F3和残差；
[0086] (2)将頂F2与頂F3融合得到MF2+3后，使用μ ± 3σ阈值方法对其进行二值化操作得 到灰度检测通道结果(图7(b));
[0087] (3)对IMFl使用L5L5模板和W5W5模板进行Laws纹理测量，得到纹理能量，分别对 L5L5模板纹理能量结果和W5W5模板纹理能量结果使用μ±3σ阈值方法进行二值化操作，得 到两个二值化结果，合并两个二值化结果得到纹理检测通道结果(图7 (c));
[0088] (4)融合灰度检测通道结果和纹理检测通道结果，记纹理检测通道结果为St(x， 7)，记灰度检测通结果为3&(1，7)，融合方法为3「(1，7) = 31'(1，7)*3&(1，7)/255,5「(1，7)，得 到双炜疵点织物图像的最终检测结果（图7(d))，SF(x，y)中数值为255的像素代表无疵区 域，S F(x，y)中数值为0的像素代表疵点区域;整体检测流程如图1所示。
【主权项】
1. 基于二维经验模态分解的双通道织物疵点检测方法，其特征是包括W下步骤： (1) 针对织物图像特征优化二维经验模态分解中各步骤方法与参数，使用优化后的二 维经验模态分解对织物图像进行分解得到Ξ个IMF和一个残差;其中IMF1包含织物纹理信 息，IMF2与IMF3包含粗糖尺度灰度信息，残差包含光照不匀的效果； (2) 对IMF1使用优化的Laws纹理测量提取纹理能量，对纹理能量进行二值化操作，得到 纹理信息分割结果，将从IMF1得到纹理信息分割结果的处理流程称为纹理检测通道；对 IMF2与IMF3进行融合处理后，对融合信号IMF化3进行二值化操作，得到灰度信息分割结果， 将从IMF2和IMF3得到灰度信息分割结果的处理流程称为灰度检测通道； (3) 将纹理检测通道和灰度检测通道输出的二值化结果进行融合，得到织物疵点检测 结果，结果中数值为255的像素代表无疵区域，结果中数值为0的像素代表疵点区域； 所述的二维经验模态分解优化具体实现： 对二维经验模态分解四个主要环节，包括极值点寻找，边界处理，插值和停止准则进行 优化:极值点寻找步骤的优化使用数学形态学测地膨胀算子极值点寻找方法替代8邻域极 值寻找方法，保证寻找到极值点集包含严格极值点和非严格极值点；边界处理的优化为对 极值点集按照节点密度W图像边界为轴向四个方向进行镜像延拓，并在插值完成后裁剪延 拓区域;插值的优化首先使用Ξ角化分段插值，然后对插值结果进行下采样，最后对下采样 得到的节点集进行基于径向基函数的全局薄板样条插值，实现对Ξ角化分段插值结果的平 滑处理;停止准则的优化根据织物图像实验制定，W保证分解实际效果符合双通道检测方 法要求； 所述的Laws纹理测量优化具体实现如下： 对Laws纹理测量的Ξ个主要环节，包括滤波模板、子窗口尺寸和特征值进行优化，优化 方法为使用不同滤波模板、子窗口尺寸和特征值在多幅织物图像IMF1上的进行纹理测量， 将纹理能量的二值化结果与人工检测结果对比，确定效果最好的滤波模板、子窗口尺寸和 特征值组合方案。2. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的织物为位深度为8位W上的灰度图像。3. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的严格极值点是指符合8邻域极值判断规则的极值点;所述的非严格极值点是指 常见于织物图像中但不限于织物图像的连成直线、曲线或区域的多个数值相等但大于周围 像素数值的多个连通的极值点。4. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的测地膨胀算子极值点寻找方法是:将某IMF1函数记为f(x)，将其减1后进行测 地膨胀运算得到-巧，计算极值点集"对-恥。。(/切-1)，其中极值点处保留原 值，非极值点处的值为0,得到的极值点集同时包含严格极值点与非严格极值点。5. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的边界处理的优化的具体方法为：统计极值点总数记为Numext，图像边界长度记 为N，则延拓长度将距离图像边界长度小于等于A的极值点，W图 像边界为轴复制在对称位置，延拓后的图像面积为(N+A)2,使用延拓后的节点集插值后，裁 剪延拓区域，图像面积还原为N2。6. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的插值的优化的具体方法为:首先对原始节点集进行基于Delaunays角化的分 段Ξ次样条插值;然后对插值结果进行隔行隔列下采样，不丢弃非采样点，只将其值记为0; 最后W下采样结果中的非0点为节点集，进行基于径向基函数的全局薄板样条插值。7. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的停止准则的优化是指优化计算单个IMF的循环次数控制方法;停止准则指标为 两次计算结果间的标准差SD，当SD小于0.2时，循环停止，输出结果IMF。8. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的优化Laws纹理方法为:滤波模板使用L5L5与W5W5模板，窗口尺寸为15，特征值 选择为窗口内标准差。9. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的融合IMF2与IMF3方法为:f2+3(x，y) = f2(x，y)+f3(x，y)，其中f2(x，y)为IMF2，f3 (X，y)为 IMF3，f 2+3 (X，y)为融合 IMF2与 IMF3 的结果 IMF化 3。10. 根据权利要求1所述的基于二维经验模态分解的双通道织物疵点检测方法，其特征 在于，所述的二值化操作为计算图像中所有元素的均值μ与标准差0,当图像中某一元素的 数值介于μ± 30之间时，赋值为255;反之赋值为0;所述的双通道二值化结果融合是指:记纹 理检测通道结果为ST(x，y)，记灰度检测通结果为SG(x，y)，融合方法为SF(x，y)=ST(x，y)^G (义，7)/255,5。^，7)为融合结果，即为织物疵点检测结果，5。^，7)中数值为255的像素代表 无疵区域，SF(x，y)中数值为0的像素代表疵点区域。
【文档编号】G06T7/00GK105844657SQ201610264669
【公开日】2016年8月10日
【申请日】2016年4月26日
【发明人】高卫东, 厉征鑫, 周建, 潘如如
【申请人】江南大学