发给主任检阅的设计版

摘要随着我们国家工业信息化的不断发展，市场对工厂产品的质量和设备的性能不断提出更高的要求，特别是在织物的检测项目中，织物疵点检测是一个必不可少而且非常关键的环节。运用图像处理技术，利用Matlab等工具，使得基于图像处理技术的织物疵点检测系统代替传统的人工检测成为可能。织物疵点检测算法的研究对于纺织工厂具有非常重要的意义。由于我们学校的前身是河南省郑州纺织工学院，所以本课题研究在我校学术上也同样具有重要意义。本文主要利用图像分割算法，对织物疵点进行分割处理分析，并在此基础上提出改进了改进的分割处理方法。首先对织物疵点图像进行预处理，主要是图像的平滑处理，其中包含了直方图均衡化、图像滤波、图像锐化等。然后是图像的分割，将疵点部分图像与背景差别增大。最后对分割后的图像进行边缘提取。经比较，本研究最终采用的图像分割算法为更能适应更多疵点情况的迭代阈值分割算法。在对图像进行边缘提取之后，就是疵点的特征提取和识别。本研究使用的识别方法为最小距离识别法，使用Matlab中的pdist函数来计算距离。将输入的图像的特征值与四种疵点图像的训练特征值作对比，与哪一种疵点特征值差别最小就被判别为哪一种疵点。本研究中，在对断经类疵点进行识别的过程中，由于作者制作的断经素材图背景与疵点的相似度太大，所以用划痕、破洞、油污的算法程序识别断经的过程中有很大误差。于是在程序中加入了疵点图像部分裁剪程序，将对断经类疵点图像进行单独处理，将断经疵点裁剪出来再进行特征提取识别。经过这样的改进最终提高了识别的准确度，也使整个算法更加完善。关键词：疵点检测，图像分割算法，边缘检测，迭代阈值分割，特征提取识别IAbstractWiththedevelopingofourcountry'sinformationtechnologyindustry,themarketperformanceoftheplantproductqualityandequipmentcontinuetoputforwardhigherrequirements,particularlyinthefabricofthetestitems,thefabricdefectdetectionisanessentialandcriticalpartof.Theuseofimageprocessingtechnology,theuseofMatlabandothertools,isbasedonimageprocessingtechnologytodetectfabricdefectinspectionsystemtoreplacethetraditionalmanualdetectionispossible.Fabricdefectdetectionalgorithmresearchforthetextilefactoryhasveryimportantsignificance.BecauseourschoolisthepredecessorofHenanProvince,ZhengzhouTextileInstitute,sothisresearchinouruniversityacademicalsoimportant.Themainarticleusingimagesegmentationalgorithm,fabricdefectsegmentationprocessingandanalysis,andsuggestimprovementsimprovedsegmentationapproachonthisbasis.Firstoffabricdefectimagepreprocessing,mainlysmoothimageprocessing,whichincludeshistogramequalization,imagefiltering,imagesharpening.Thentheimagesegmentation,thedefectportionoftheimageandthebackgrounddifferenceincreases.Finally,segmentedimageedgeextraction.Bycomparison,thisstudyfinallyadoptedimagesegmentationalgorithmcanadaptmoredefectsconditioniterativethresholdsegmentation.Aftertheimageedgeextraction,featureextractionanddefectisidentified.IdentificationmethodusedinthisstudyistheminimumdistanceidentificationmethodusingthepdistMatlabfunctiontocalculatethedistance.Trainingfeaturescharacteristicvaluesoftheinputimageandtheimageofthefourdefectsvalueforcomparison,thedifferencebetweenwhatadefectcharacteristicvalueandtheminimumonwhichhasbeenidentifiedasadefect.Inthisstudy,intheprocessofbreakingthroughtheclasstoidentifydefects,sincethesimilarityoftheauthorsarebreakingthroughthematerialanddefectdiagrambackgroundtoo,sobreakingthroughtheidentificationprocesswithscratches,holes,oilalgorithmproceduresAsignificanterrors.Sointheprocessofaccessiontothedefectportionoftheimagecroppingprogram,itwillbreakthroughaseparateclassofdefectsimageprocessing,willbreakthroughandthencutoutthedefectfeatureextractionrecognition.Aftersuchimprovementsultimatelyimprovetheaccuracyofrecognition,buttheentirealgorithmismoreperfect.Keywords:defectdetection,imagesegmentation,edgedetection,iterativethresholdsegmentation,featureextractionrecognitionII3目录1引言 11.1课题研究背景 11.2研究的目的及意义 11.3国内外研究现状 11.3.1国内研究现状 11.3.2国外研究现状 22主要研究内容 22.1系统的工作流程 32.2织物疵点分类 43图像预处理 63.1平滑图像 63.1.1直方图均衡法 63.1.2图像滤波 中值滤波法 均值滤波法 维纳滤波法 滤波对比图像 结果对比与分析 153.2图像的锐化 15obel算子 16aplacian算子 16

3.2.3两种算子运行结果对比 16

3.2.4结果对比与分析 204图像分割 214.1阈值分割算法介绍 214.1.1灰度阈值分割算法 214.1.2迭代阈值分割算法 214.2结果分析 225边缘检测 245.1图像运行结果 255.2运行结果对比分析 295.2.3相关程序 2946织物疵点图像识别 316.1目标特征提取 316.2特征选取依据 316.3图像特征分析方法 326.4本文所研究疵点的特征 336.5特征提取识别运行结果 357全文总结 39

参考文献 40

致谢 42

附录 43中原工学院毕业设计（论文）1引言1.1课题研究背景在工厂的纺织品生产中，纺织物的瑕疵检测是质量控制的一项重要环节，而纺织物疵点检测又是其中的重点。现代社会，在科学技术的推动下，纺织行业的生产效率有了很大幅度的提高，但纺织物疵点检测却依然停留在人工检测阶段。由于人工检测存在着检测效率低、误检率和漏检率高、检验结果受人员主观因素影响太大等缺点，纺织物疵点的检测技术已经成为当今制约纺织行业进一步发展的“瓶颈”。根据我国国情和纺织业的实际情况，研究并开发适合我国纺织工业情况的疵点自动检测系统，对提高纺织品的质量、增强出口竞争力，兼具重要的社会和经济意义。1.2研究的目的及意义在全球经济一体化的时代，如何使纺织企业更具竞争力，确保纺织品的质量无疑是十分重要的因素。检测作为产品质量控制的重要环节，在纺织品生产过程中占有重要地位，其中疵点检测是其关键的部分。然而，织物的颜色和样式多样化，使织物疵点种类繁多，且新的疵点不断涌现，这都为疵点检测带来了困难。纺织品疵点检测迫切需要一种能够代替人类视觉检测的智能化检测系统，能够和机器技术相结合，自动检测和识别各种织物的不同疵点。随着信息技术的发展，机器视觉和图像处理相关课题的研究不断深入，其应用领域也不断拓展。自20世纪70年代以来，人们将机器视觉和图像处理技术应用到纺织品疵点检测和分类工作中。自动织物疵点检测系统具有检测准确率高、客观重复性好、速度快等优点，因此，许多学者经过近40年的艰辛探索，在自动织物疵点检测领域取得了很多研究成果，有一些以样机和商用检测系统的形式呈现，但主要还是以论文和专利的形式被报道。1.3国内外研究现状1.3.1国内研究现状从20世纪70年代初，国内外的研究人员开始重视织物疵点检测技术，到90年代后期的时候形成一个研究高潮。中国、中国台湾、日本、韩国、美国、以色列和瑞士等国家和地区的学者借鉴了其他工业检测系统的研究经验以及数学和计算机等学科的最新科研成果，发表了大量的相关文章和研究论文，纺织物疵点检测的理论水平不断提高，对织物疵点自动检测系统的研究给予了充分的理论支持。-1-2国内高校学者对于织物疵点自动检测也进行了大量的研究，如东华大学、华中科技大学、浙江理工大学、苏州大学等学校的学者对这方面都有比较深入的研究，在对图像的识别上已经取得了很好的成果，但少有成熟的自动检测系统出现。1.3.2国外研究现状国外研究人员通过对计算机理论、模式识别、自动控制理论的深入研究和综合运用，研究出了一些织物疵点检测的商业化产品，例如以色列埃尔博特(EVS)公司的I-TEX验布系统、瑞士Uster公司Fabriscan自动验布系统和比利时BARCO公司的验布系统。但其中真正适用于实际生产并被市场采纳的并不多，市场主要占有者为以色列的EVS公司。因此，织物疵点的自动检测系统研究是近些年来国内外学者共同关注和研究的热门课题之一。2主要研究内容本课题的研究方向是主要针对静态状态下织物疵点的断经、划痕、破洞、油污等瑕疵现象根据技术指标设计出表面缺陷检测的图像信号处理与识别算法。算法分为对图像的预处理、目标点检测、目标合并、特征提取和目标识别与分类统计等步骤。其中用到的主要技术有：（1）、图像的预处理（图像增强）。图像增强处理主要是增强图像中的有用信息，削弱没用的干扰和噪声，以便于观察、识别和进一步地分析和处理。主要方法有直方图均衡、伪彩色增强、灰度窗口等技术。(2)图像阈值分割技术。该方法用不同的门限把灰度级分成许多区域，门限可用直方图或统计的方法获得，较适用于高反差的以灰度来表征的简单图像的分割，不能满足渐变的或以某种纹理来表征不同区域的复杂图像的分割。（3）图像的边缘检测与跟踪技术。该方法基于目标和背景之间在灰度或纹理特性上存在某种不连续性。这种不连续性使得在目标区域和背景区域之间存在边缘，利用边缘检测技术检测出这些边缘从而实现图像分割和目标检出，是目前一种重要的目标检测方法。（4）图像的分割与分析。对图像中的不同对象进行分割、分类、识别和描述。包括图像分割、图像二值化处理与形状分析、纹理分析、目标识别等。2.1系统的工作流程本系统的总体结构可以分为三个部分:图像采集单元（本文只研究图像处理单元）、图像处理单元、显示输出单元。图

2.1

系统工作流程32.2织物疵点分类常见织物的疵点的类型简单分为断经类疵点、划痕类疵点、破洞类疵点、油污类疵点等四大类。1、断经类疵点:布面上由经纱形成或沿经纱方向呈现的疵点。在经纱循环中，缺少一至数根经纱，使布面正常纹路改变，呈经向稀条状的疵点称为断经（缺经）。图

2.2

断经2、划痕类疵点:布面上因画笔产生的划痕等细长的疵点。图2.3划痕3、破洞类疵点:在织物表面同一部位出现经纱、纬纱共断或者并断三根以上的称为破洞，破洞点的外表面比较粗糙。4图

2.4破洞4、油污类疵点:通常为织物表面出现油污，油污的外表面比较圆滑图

2.5

油污563图像预处理图像处理包括图像预处理（图像增强、图形复原）、图像分割、特征提取、图像识别。图像增强（滤波），主要作用去除噪声、锐化边缘和增强对比度等。由于图像在形成、传输和记录过程中会因成像系统、传输介质、和设备的不完善而导致退化，所以要进行图像复原，尽可能的恢复退化图像的本来面目。图像分割是把图像中有用的特征部分（边缘、区域等）从图像的背景中提取出来，为后面的特征提取工作做准备。特征提取是把疵点的内在特征转化为可以用数学语言描述的特征量，从而有效地描述织物疵点特征和性质，为后续的疵点分类做基础。图像识别是将不同类别的疵点图像进行识别并分类。处理过程分为四个步骤：平滑图像、图像分割、边缘检测、目标识别。3.1平滑图像平滑图像主要工作是锐化图像的边缘，目的是加强图像中细节的边缘和轮廓，增强图像边缘及灰度跳变的部分，使图像灰度反差增强，变得更加清晰。平滑图像采用的方法主要有：直方图均衡法、滤波法、算子锐化。3.1.1直方图均衡法利用直方图统计的结果，通过使图像的直方图均衡的方法称为直方图均衡化，可以达到增强图像的显示效果的作用。图像中各种亮度所占的比例大部分分布不均匀，设法增加在直方图统计中所占比例高的像素和其他占的比例少的像素之间的亮度差，可以提高图像的显示效果。（1）断经类疵点直方图均衡化效果对比图图

3.1

断经类疵点直方图直方图均衡化效果（2）划痕类疵点直方图均衡化效果对比图图

3.1

划痕类疵点直方图均衡化效果7（3）破洞类疵点直方图均衡化效果对比图图

3.3

破洞类直方图直方图均衡化效果（4）油污类疵点直方图均衡化效果对比图图

3.4

油污类直方图均衡化效果893.1.2图像滤波为了实现更好的去除噪声，将原图像分别加入高斯白噪声和椒盐噪声，运用Matlab编程实现两种不同滤波方法来去除噪声。并对其进行比较从而选择更好的滤波方法。中值滤波法中值滤波是基于排序统计理论的滤波法，是一种能有效抑制噪声的非线性信号处理技术。其实现原理：将某个像素邻域中的像素按灰度值进行排序，然后选择该序列的中间值作为输出的像素值，让周围像素灰度值的差别比较大的像素改取与周围的像素值接近的值，从而消除孤立的噪声点。中值滤波的原理是用某一像素邻域的灰度中值来代替该像素值。中值滤波的效果主要取决于两个要素：邻域的空间范围和中值计算中有关的像素数。对数字图像进行中值滤波，实质上就是对二维序列的中值滤波。滤波窗口也是二维的，这种窗口可以是线性、方形、圆形、十字形等。中值滤波可以克服线性滤波器所带来的图像处理模糊缺点，而且对滤除脉冲干扰以及图像扫描噪声干扰非常有效。但是对一些点、线、尖顶细节较多的图像不宜采用中值滤波的方法。中值滤波的目的是在保护图像边缘的同时去除噪声。均值滤波法均值滤波也称为线性滤波，采用的主要方法为邻域平均法。基本原理是用均值替代原图像中的各个像素值。就是对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，然后求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点的灰度值g（x，y），即g（x，y）=1/m∑f（x，y），m为该模板中包含当前像素在内的像素的总个数。这样的方法可以使图像平滑，而且速度快，算法简单。但是无法去掉噪声，只能微弱的减弱它。维纳滤波法维纳滤波是从含噪信号中提取整个有用信号的一种滤波方法，基于最小二乘估计，是使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。维纳滤波的缺点：要求输入图像信号和干扰噪声信号是平稳随机且频谱特性已知的，然而在实际应用中受噪声干扰的图像的特性往往不可预知，难以满足维纳滤波的滤10波前提，因此维纳滤波并不能达到其最佳滤波的目的并受到了很大的局限。综合以上三种滤波方法，我分别采用了3种滤波方法对有噪声的织物疵点图像进行滤波分析对比。三种滤波在一个窗口对比的程序如下：I1=imread('油污11.jpg');I2=rgb2gray(I1);J=imnoise(I2,'salt&pepper',0.02);subplot(2,2,1),imshow(I2);title('原图');subplot(2,2,2),imshow(J);title('添加噪声后的图');K1=filter2(fspecial('average',3),J)/255;subplot(2,2,3),imshow(K1);title('3*3的窗口邻域滤波');K2=filter2(fspecial('average',7),J)/255;subplot(2,2,4),imshow(K2);title('7*7的窗口邻域滤波');K3=wiener2(J);subplot(2,2,1),imshow(K3);title('3*3窗口的维纳滤波');K4=wiener2(J,[7,7]);subplot(2,2,2),imshow(K4);title('7*7窗口的维纳滤波');K5=medfilt2(J,[3,3]);subplot(2,2,3);imshow(K5);title('3*3窗口的中值滤波');K6=medfilt2(J,[7,7]);subplot(2,2,4);imshow(K6);title('7*7窗口的中值滤波');滤波对比图像1、断经经滤波对比图像图

3.5

缺经滤波图像：原图；加入噪声后的图像；3*3

邻域滤波；7*7

邻域滤波图

3.6

缺经滤波图像：3*3

维纳滤波；7*7

维纳滤波；3*3

中值滤波；7*7

中值滤波112、划痕滤波对比图像图

3.7

划痕滤波图像：原图；加入噪声后的图像；3*3

邻域滤波；7*7

邻域滤波图

3.8

划痕滤波图像：3*3

维纳滤波；7*7

维纳滤波；3*3

中值滤波；7*7

中值滤波123、破洞滤波对比图像图

3.9

破洞滤波图像：原图；加入噪声后的图像；3*3

邻域滤波；7*7

邻域滤波图

3.10

破洞滤波图像：3*3

维纳滤波；7*7

维纳滤波；3*3

中值滤波；7*7

中值滤波134、油污滤波对比图像图

3.11

油污滤波图像：原图；加入噪声后的图像；3*3

邻域滤波；7*7

邻域滤波图

3.12

油污滤波图像：3*3

维纳滤波；7*7

维纳滤波；3*3

中值滤波；7*7

中值滤波14结果对比与分析根据以上实验结果进行对比分析，可以得出以下结论：（1）对于中值滤波，由图像处理的结果可以看出，它只影响了图像的基本信息，说明中值滤波对高斯噪声的抑制效果不明显。这是因为高斯噪声使用随机大小的幅值污染所有的点。而由图可知，中值滤波对去除“椒盐”噪声可以起到很好的效果，因为椒盐噪声只在画面中的部分点上随机出现。根据中值滤波原理可知，噪声的抑制效果很好，同时画面的轮廓依然比较清晰。由此看来，对于椒盐噪声密度较小时，尤其是孤立噪声点，用中值滤波的效果好。（2）对于均值滤波，由图像处理的结果可以看出，由于该方法将突变点的灰度通过分散在其相邻点中来达到平滑的效果。但是，这种平滑会造成图像的模糊，领域S选取的越大，模糊情况越严重，要想使图像变得清晰，必须选取小的领域S，但是当模板窗口（领域S）选择太小时，去噪效果不理想。因此均值领域方法不太适合处理图像噪声。（3）对于维纳滤波，有图像处理的结果可以看得出，由于维纳滤波对于去除高斯白噪声的效果比较明显，而对于加入的椒盐噪声没有效果所以处理后的图像噪声依然很明显。综上所述，从总的滤波效果来看，选择中值滤波的处理效果较好，所以选择中值滤波。3.2图像的锐化图像锐化，主要影响图像中的低频分量，不影响图像中的高频分量。图像锐化一方面可以增强图像边缘，使模糊的图像变得更加清晰，颜色变得鲜明突出，让图像的质量有所改善，产生更加适合人眼观察和识别的图像；另一方面通过锐化处理后，目标物体的边缘鲜明，以便于提取目标的边缘、对图像进行分割、目标区域识别、区域形状提取等进一步图像处理与分析奠定基础。这里主要用到了两种常用的微分算子锐化方法：梯度锐化sobel和拉普拉斯锐化Laplacian。注意：由于锐化使噪声受到比信号还要强的增强，所以要求锐化处理的图像要有较高的信噪比；否则，锐化后的图像的信噪比更低。16obel算子主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。在边缘检测中，常用的一种模板是Sobel算子。Sobel算子有两个，一个是检测水平边缘的；另一个是检测垂直边缘的。与Prewitt算子相比，Sobel算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，因此效果更好。Sobel算子的MATLAB程序如下：I=imread(‘油污11.jpg’);I=rgb2gray(I);H=fspecial(‘sobel’);sobelH=filter2(H,I);imshow(sobelH);title(‘sobel算子锐化图像’);Laplacian算子拉普拉斯算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽·f）拉式算子是一个刻画图像灰度的二阶商算子，它是点、线、边界提取算子，亦称为边界提取算子。通常图像和对他实施拉式算子后的结果组合后产生一个锐化图像。拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。扩散效应是成像过程中经常发生的现象。Laplacian算子的MATLAB程序如下：I=imread(‘油污11.jpg’);I=rgb2gray(I);H=fspecial(‘laplacian’);laplacianH=filter2(H,I);imshow(LaplacianH);title(‘Laplacian算子锐化图像’);3.2.3两种算子运行结果对比两种算子在一个窗口对比程序：I=imread('油污12.jpg');I=rgb2gray(I);17subplot(211);imshow(I);title('原图像');H=fspecial('Laplacian');%应用Laplacian算子滤波锐化图像laplacianH=filter2(H,I);subplot(223);imshow(laplacianH);title('laplacian算子锐化图像');H=fspecial('sobel');%应用sobel算子滤波锐化图像sobelH= filter2(H,I);subplot(224);imshow(sobelH);title('sobel算子锐化图像');四种类型疵点锐化图像（1）断经疵点锐化图像图

3.12断经两种算子锐化图像对比（2）划痕疵点锐化图像图

3.13

划痕两种算子锐化图像对比18（3）破洞疵点锐化图像图3.14

破洞两种算子锐化图像对比（4）油污疵点锐化图像图

3.15 油污两种算子锐化图像对比19203.2.4结果对比与分析根据以上实验结果进行对比分析，可以得出以下结论：Laplacian算子是与方向无关的各向同性边缘检边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍的加强作用。测算子，若只关心边缘点的位置而不顾其周围的实际灰度差，一般选择该算子进行检测。特点：各同向同性，线性和位移是不变的，对线性和孤立点检测效果好，但边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍的加强作用。Sobel算子在检测边缘的同时减少噪声的影响，可以检测到边缘点，相对于拉普拉斯算子更能清晰地检测到疵点边缘。综上对比，本研究采用Sobel算子进行图像的锐化处理。214图像分割图像分割是一种经典的图像目标检测技术，它按照某种均匀性（或一致性）原则将图像分成多个有意义的部分，且每一部分都符合某种一致性而将任意两个相邻部分合并都会破坏这种一致性。由图像相似性。区域内部的像素一般具有某种相似性，而在区域和边界之间具有某种不连续性。本文采用基于迭代（自动阈值）的图像分割方法。4.1阈值分割算法介绍4.1.1灰度阈值分割算法灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。4.1.2迭代阈值分割算法迭代算法的思想是一种逼近的思想。先求出图像的最大灰度值max和最小灰度值min，让初始阈值设置为最大灰度值和最小灰度值的中间值，然后利用迭代算法将疵点的图像和背景图像分割出来。求出两部分的灰度平均值，算出新的阈值T，T为两部分灰度平均值的中间值。最后在循环中遍历行和列，若灰度值大于等于新的阈值T，则将其设置为1。最后得到了将疵点部分突出的效果，为后面的边缘检测做准备。经过实验对比，迭代阈值分割的对于多种疵点类型的图像分割效果比较好，本算法采用迭代阈值分割法来作为图像分割的方法。4.2结果分析图

4.1

缺经疵点迭代阈值分割结果图

4.2

划痕疵点迭代阈值分割结果22图

4.3

破洞迭代阈值分割结果图

4.4

油污迭代阈值分割结果23245边缘检测图像边缘和图像内容的物理特性之间存在着直接的联系，因此图像的边缘包含了图像大部分的信息。所谓的边缘检测是采取适当的方法来提升图像中各区域的边界，其目的是为了能够较为精确地描述目标区域。边缘检测作为一种特征提取手段，其性能直接关系到后续图像处理的质量。主要是用于提取图片的特征值，以便于图像分割。一般边缘检测的算子有四类：Prewitt算子、Sobel算子、Canny算子和Roberts算子。这里主要采用canny算子、log算子来进行图像边缘检测，通过对比其图像处理的优缺点来选择更好的边缘检测方法。5.1图像运行结果（图

5.1

缺经边缘检测对比Log

算子自动选择的阈值为：0.004725零交叉检测自动选择的阈值为：0.0151Canny

算子自动选择的阈值为：0.08130.2031图

5.2

断纬边缘检测对比图

46白斑边缘检测对比Log

算子自动选择的阈值为：0.002026零交叉检测自动选择的阈值为：0.0148Canny

算子自动选择的阈值为：0.03750.0938图

5.3

破洞边缘检测对比图

48

稀密不均边缘检测对比Log

算子自动选择的阈值为：0.002427零交叉检测自动选择的阈值为：0.0147Canny

算子自动选择的阈值为：0.03130.0781图

5.4

油污边缘检测对比Log

算子自动选择的阈值为：0.002028零交叉检测自动选择的阈值为：0.0127Canny

算子自动选择的阈值为：0.04380.1094295.2运行结果对比分析1、Log算子首先通过高斯函数对图像进行平滑处理，因此对噪声的抑制作用比较明显，但同时也可能将原有的边缘也平滑了，造成某些边缘无法检测到，比外高斯分布因子的选择对图像边缘检测效果有较大的影响，越大，检测到的图像细节越丰富，但抗噪能力下降，从而出现伪边缘，反之则抗噪能力提高，但边缘精度下降，易丢失许多真边缘，因此，对于不同图像应选择不同参数。2、Canny算子也采用高斯函数对图像进行平滑处理，因此具有较强的去噪能力，但同样存在容易平滑掉一些边缘信息，其后所采用的一阶微分算子的方向性较Log算子要好，因此边缘定位精度较高。该算子与其它边缘检测算子的不同之处在于，它使用2种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘相连时才将弱边缘包含在输出图像中，因此这种方法较其它方法而言不容易被噪声“填充”更容易检测出真正的弱边缘。通过仿真实验结果可以看出，该算子在上述几种边缘检测算子当中效果最好。边缘定位准确，连续性较好，虚假边缘少且边缘均具有单像素宽度。所以从图片的效果来看，选择canny算子边缘检测效果比较好。5.2.3相关程序I=imread('破洞12.jpg');I=rgb2gray(I);BW1=edge(I,'log');%以自动阈值选择法对图像进行Log算子检测[BW1,thresh1]=edge(I,'log');%返回当前Log算子边缘检测的阈值disp('Log算子自动选择的阈值为：')disp(thresh1)subplot(331),imshow(I);title('原图像')subplot(332),imshow(BW1);title('自动阈值的Log算子边缘检测')BW1=edge(I,'log',0.005);%以阈值为0.005对图像进行Log算子检测subplot(333),imshow(BW1);title('阈值为0.005的Log算子边缘检测')30h=fspecial('gaussian',5);%设计高斯滤波器[BW2,thresh2]=edge(I,'zerocross',[],h);%返回当前零交叉检测边缘检测的阈值disp('零交叉检测自动选择的阈值为：')disp(thresh2)subplot(334),imshow(I);title('原图像')subplot(335),imshow(BW2);title('自动阈值的零交叉边缘检测')BW2=edge(I,'zerocross',0.03,h);%以阈值为0.03对图像进行零交叉检测subplot(336),imshow(BW2);title('阈值为0.03的零交叉边缘检测')BW3=edge(I,'canny');%以自动阈值选择法对图像进行Canny算子检测[BW3,thresh3]=edge(I,'canny');%返回当前Canny算子边缘检测的阈值disp('Canny算子自动选择的阈值为：')disp(thresh3)subplot(337),imshow(I);title('原图像')subplot(338),imshow(BW3);title('自动阈值的Canny算子边缘检测')BW3=edge(I,'Canny',[0.20.5]);%以阈值为[0.10.5]对图像进行Canny算子检测subplot(339),imshow(BW3);title('阈值为[0.10.5]的Canny算子边缘检测')316织物疵点图像识别6.1目标特征提取模式识别是基于对象模式的目标识别及分类技术，是研究图像或各种物理对象与过程的分类和描述的学科，在视觉领域中称为图像识别。模式识别是上世纪60年代迅速发展起来的一门学科。特别是随着近年来大量科研成果的出现，在很多领域得到了成功的应用。为了有效的实现分类识别，就要对原始图像数据进行变换，得到最能反映分类本质的图像特征。图像特征是指图像的原始特征或属性。每一幅图像都有其本身的特性，其中有些是视觉直接感受到的自然特征，如亮度、边缘、纹理或色彩等；有些是需要通过变换或测量才能得到的人为特征，如谱、直方图等。为了正确的对缺陷图像进行有效识别，需要从图像中提取有效的数据或信息，生成非图像的描述或表示，如数值、符号等，即抽取图像特征。一般地，把原始数据组成的空间叫做“测量空间”，把分类识别赖以进行的空间叫做“特征空间”。通过特征提取，把维数较高的测量空间中表示的模式转化在维数较低的特征空间中表示的模式，从而为图像识别提供数据样本。6.2特征选取依据对于待识别的织物疵点图像（主要是四类疵点），通过相关的处理对其经过分割和边缘提取后，可以得到图像的原始特征。但是原始特征的数量很大，图像样本是处于一个高维空间中，如何从众多的特征中选出一些最有效的特征以达到降低特征空间维数的目的，是特征选择和提取的基本任务。在样本数量不是很多的情况下，用很多特征进行分类器的设计，从计算复杂程度和分类器性能来看都是不合适的。因此研究如何把高维特征空间特征转化到低维空间特征以便有效地识别图像就很关键。例如，通过摄像机把一个物体转换为一个二维灰度阵列。一个1000×1000灰度阵列图像相当于1000×1000维测量空间中的一个点，不便于识别，更重要的是这样一种描述并不能直接反映图像的本质。目前，几乎还没有解析的方法能够指导特征的选择，一般情况下，根据经验和相关理论基础先列出一些可能的特征表，然后用特征排序方法计算不同特征的识别效率。利用结果对表进行删减，以选取最优的特征组合。具体地，选择特征的依据如下：（1）可区别性。对于属于不同类的图像而言，它们的特征应具有明显的32差异。（2）可靠性。对于同类图像，特征值应该比较接近。（3）独立性好。所选择的特征值之间应彼此不相关。需要注意的是，有时相关性很高的特征组合起来可以减少噪声干扰，但它们一般不作为单独的特征使用。（4）数量少。图像识别系统的复杂程度随着系统维数（特征个数）成正比增加。特征数量如果过多，虽然识别的效果会更好一些，但是识别时计算更加耗时，难度更大。6.3图像特征分析方法图像特征分析的方法有很多种，但具体到每幅图像，我们只会根据该幅图像的特有性质而选择其中的一种或者几种方法对其特征进行分析，图像的特征主要有图像的形状特征、图像的征纹理特征、图像的颜色特征等。1）图像的形状特征分析：经过图像预处理和图像分割，我们就可以得到目标区域的大小及边缘信息，从而得到疵点部分的大致形状。通过边界、骨架及区域三种信息就可以来反映图像的目标信息。通常，人们关心的主要是目标信息的形状，而不是其他信息。所以，我们可以把图像的边界或者内部赋值“1”，其他不感兴趣的部分赋值“0”，这样即可形成一幅可以清晰显示出目标形状信息的二值图像。目标信息的特征量有长度、面积、周长、宽度、长宽比等，我们可以通过这些特征量来对疵点进行判别以及为以后的疵点分类提供较好的帮助。2）图像的纹理特征分析：在图像处理分析中，纹理结构的特征分析占据了很大地位。它具有多种特征，主要有局部特性不断重复、图像区域内纹理总体均匀和非随机排列等，常用的纹理特征提取方法也很多，比如模型方法、统计方法、几何方法、信号处理方法及结构方法等。此方法很早就被提出，但因为其中存在的一些问题，在实际工程应用中很小被用到，比如分析大尺寸图像不理想、处理起来耗时等一些问题。3）图像的颜色特征分析：图像的颜色特征分析是图像统计特征分析中最常用的一种，主要RGB和HIS两类彩色坐标系统。前者是面向已经系统的，相对简单，而后者主要是用来描述颜色特征。在颜色特征分析中，我们一般先把RGB空间转换为HIS空间，主要是因为在RGB彩色坐标系中，存在着很多的不足。第一，RGB彩疵点的宽度

W

的色坐标系对不同的色彩不能用准确的数值来表示，进而很难进行定量分析；第二，RGB彩色坐标系对含有较高相关性的图像扩展对比度时，只能扩大图像的明亮程度，而对图像的色调差异的增强没什么效果；第三RGB彩色坐标系不容易控制图像分析的结构。而HIS母性则可以定量的描述图像的颜色特征。通过以上分析，本文选择了通过疵点的形状特征来对图像进行分析，主要有疵点的长度、宽度、面积、长宽对比及疵点的紧密度等。6.4本文所研究疵点的特征本文我们介绍了四种织物疵点的类型，分别是断经、划痕、破洞和油污。根据这些疵点的类型和形状特征，我们选择了五个特征量对其进行分析，分别为疵点的周长、疵点的面积、疵点的面积、疵点的圆度、疵点的矩形度以及疵点的经纬向伸长度、。这些疵点特征值的计算过程如下：1）疵点部分的周长L：周长是采用，计算疵点部分边缘检测后的图像边缘像素点来计算的。2）疵点的宽度W：计算方法和疵点的长度L一样，疵点宽度W则表示为：（4）其中Cjm为第i行上连通的像素点的个数。2）疵点的面积S：不管什么样形状的目标图像区域，我们均可以把它限制于一个矩形方框内，矩形区域的面积为L×W，如图59所示。通过扫描整个矩形区域里的每个像素点，可直接得到灰度值为“1”的像素点的总个数，表示为式6（6）图

6.133区域面积计算计，灰度值为“1”的像在最后的二值化织物图像内，把疵点区域内的各个像素点的灰度值进行统素点的个数即为疵点的面积特征参数S，表示为式子7：（7）3）疵点的圆度（紧密度的倒数）C：疵点的紧密度又称为疵点紧凑度，我们把它定义为L²/4πS。式子中，L34代表疵点区域的周长（即疵点区域轮廓的长度），S代表疵点区域的面积，π是圆周率。从式子中我们可以看到，若疵点区域为一个正圆，其区域周长就为2πR(R为区域圆的半径)，面积为πR²，那么疵点的紧密度就为1，即一个正圆的紧密度为1。非正圆的紧密度相对会比较大些。圆度（紧密度的倒数）：C=4*pi*S/(L*L)。4)矩形度R：反映了一个图形与矩形的相似程度，在本文中就指的是疵点图像与矩形的相似程度。R=S/(H*W)参数H、W分别是疵点的高和宽。S则是疵点的面积。5）疵点的经纬向伸长度E：疵点经纬向伸长度R就是疵点的长宽比，即为前面所求的疵点的长度L和疵点的宽度W的比值，疵点长宽比R表示为：E=L/W （5）参数R能够较好的描述区域类和方向性疵点的特征形状，通常，我们能够认定为：断经疵点图像和经线连续粘并疵点图像的经纬伸长度R值比较大；浆斑疵点图像经纬伸长度R值大约靠近于1；劈缝疵点图像的经纬伸长度R值适中。6.5特征提取识别运行结果1）断经疵点特征提取图

6.235断经疵点检测结果2）划痕疵点特征提取：图

6.336划痕疵点检测结果3）破洞疵点特征提取图

6.437破洞疵点检测结果4）油污疵点特征提取图

6.538油污疵点检测结果397全文总结本研究中，在对断经类疵点进行识别的过程中，由于作者制作的断经素材图背景与疵点的相似度太大，所以用划痕、破洞、油污的算法程序识别断经的过程中有很大误差。提出的优化方案是在对疵点图像进行第一次裁剪后，若图像宽度大于划痕类、破洞类、油污类疵点图像裁剪后宽度的最大值，则被判定为断经图像，然后进入while循环中执行对断经图像专门的裁剪程序，将断经的疵点部分裁剪出来，避开周围的大部分噪点影响，然后进行特征提取。这样能够提高对于和背景差别不是很大的断经疵点检测的准确率。最终算法程序得以完善，能够对本文中的四种疵点：断经、划痕、破洞、油污进行准确的检测识别并输出结果。介于图像素材数量的限制，本算法不能对所有不同纹理的织物进行实验比较，所以没有对本算法的检测准确率进行数据统计。由于在实际的纺织物工厂内的疵点图像，疵点部分与背景部分的灰度值差别是比较大的。特别是断经类疵点，要比本文中作者自己制作的断经疵点容易识别。所以本算法可以做到对工厂织物疵点类型图像进行准确的检测识别。40参考文献[1]李弼程，彭天强，彭波.智能：图像处理技术[M].北京：电子工业出版社,2004.[2]钟钒，周激流，郎方年等.边缘检测滤波尺度自适应选择算法[J].自动化报，2007.[3]章霄，董艳雪，赵文娟等.数字图像处理技术[M].北京：冶金工业出版社,2005.[4]李文羽等.基于机器视觉和图像处理的织物疵点检测研究新进展[J].纺织学报，2014，35（3），158-164[5]步红刚等.基于计算机视觉的织物疵点检测的近期进展[J].东华大学学报，2006，32（3）：128-132[6]O.G.Sezera,1,A.Ercilb,,A.Ertuzunc.《Usingperceptualrelationofregularityandanisotropyinthetexturewithindependentcomponentmodelfordefectdetection》[7]韩其睿,池楠.编织物疵点检测及类型识别[J].计算机工程与应用,2014,(21).DOI:10.3778/j.issn.1002-8331.1401-0393.[8]李春雷,张兆翔,刘洲峰等.基于纹理差异视觉显著性的织物疵点检测算法[J].山东大学学报：工学版,2014,(4).DOI:10.6040/j.issn.1672-3961.2.2013.344.[9]梁金祥,姚桂国,钟晓勇等.织物疵点图像的直方图处理与增强[J].丝绸,2009,(5):35-37.DOI:10.3969/j.issn.1001-7003.2009.05.012.[10]梁金祥（编译）,左保齐（校）,苏州大学纺织与服装工程学院等.基于计算机视觉的织物疵点检测[J].现代丝绸科学与技术,2009,(5):32-36.[11]李立轻,黄秀宝.图像处理用于织物疵点自动检测的研究进展[J].东华大学学报：自然科学版,2002,28(4):118-122.DOI:10.3969/j.issn.1671-0444.2002.04.027.[12]王婧,梁占廷.MATLAB图像处理技术在针织物疵点检测中的应用[J].电脑知识与技术,2009,5(11).DOI:10.3969/j.issn.1009-3044.2009.11.091.[13]陈冬岚,刘京南,余玲玲.几种图像分割阈值选取方法的比较与研究[J].电气技术与自动化,2003,(1):77-80.[14]潘建江．数字图像分割及变形技术研究[D]．浙江大学，2004[15]朱晓荣．数字图像处理及其应用研究[D]．河海大学，2001[16]汪锋，焦国太，杜烨，基于数学形态学的织物疵点检测方法[J].测试技术学报，2007,21（6）：515-518[17]王忆锋，红外图像灰度直方图统计分析的研究[J]，红外，2009,30（4）：14-16[9][18]李立轻，黄秀宝.图像处理用于织物疵点自动检测的研究进展[J].东华大学学报（自然科学版），2002,28（4）：118-112[19]孔令剑，晏雄.神经网络在织物检测中的应用[J].纺织科学研究，2004.[20]章敏晋图像处理和分析[M].北京:清华大学出版社，2003[21]邢亚敬，韩润萍，姜玲.基于优化Gabor滤波器的织物疵点算法[J],北京服装学院学报，2008[23]陈俊杰，谢春萍.基于神经网络在织物疵点识别技术[J].纺织科学报，2006.[24]J.Dorrity.G.Vachtsvanos,W.Jasper.Real-timeFabricDefectdictionandControlinWeaving41Process{C}NationalTextileCenterAnnualReport,1996.[25]王铁林，沈国良.BP算法的数学推导及实现算法[J].辽宁石油化工高等专科学校学报，2009.9.18(3)[26]WarrenJJ.ImageAnalysiofmispicksinwovenfabric[J].TextileResearchJournal,1995,65；683—692.42致谢在此特别感谢徐庆伟导师对我的悉心指导，老师在算法程序的优化上给了我很多不同的思路，让我能够在不同的方法中寻找到能够获得最佳效果的算法。而且老师还在百忙之中抽出时间来对我的论文进行审阅提出修改意见。最终使我圆满完成大学的毕业设计。我在此对徐庆伟导师表示衷心的感谢在这个过程中，我学到了很多本专业方向和其他方向的不同知识点，拓宽了自己的知识面，而且在自主研究的过程中提升了自己的自学能力。在与同组同学进行讨论的过程中，也提升了团队协作能力，看到了了互相学习，互相借鉴的重要性。回顾大学四年的学习生活，老师和同学对于我在学习上的还有生活上的帮助有很多。如今在我完成毕业设计论文之际，谨向电子信息学院的所有导师和同学表示最衷心的感谢！43附录本算法研究完整程序：clc;clearall;closeall;num=0;num=num+1;I1=imread('油污12.jpg');I2=rgb2gray(I1);%灰度转换%I2=histeq(I2);%直方图均衡化[x,y]=size(I2);I=double(I2);z0=max(max(I));z1=min(min(I));T=(z0+z1)/2;TT=0;S0=0;n0=0;S1=0;n1=0;allow=0.5;d=abs(T-TT);%取绝对值count=0;%迭代最佳阈值分割算法while(d>=allow)count=count+1;fori=1:xforj=1:yif(I(i,j)>=T)S0=S0+I(i,j);n0=n0+1;endif(I(i,j)<T)S1=S1+I(i,j);n1=n1+1;endendendT0=S0/n0;T1=S1/n1;44TT=(T0+T1)/2;d=abs(T-TT);T=TT;endSeg=zeros(x,y);fori=1:xforj=1:yif(I(i,j)>=T)Seg(i,j)=1;endendendJJ=Seg;%二值化后的结果%数学形态学操作IM=JJ;bw=~im2bw(IM,graythresh(IM));%取反bw=bwareaopen(bw,100);%去除一定区域内的白点se=strel('disk',1);bw2=imclose(bw,se);%闭操作（包含腐蚀膨胀）%显示图像figure,imshow(I2);title('灰度图');figure,imshow(JJ);title('二值化后的图像');figure,imshow(bw);title('图像取反');figure,imshow(bw2);title('数学形态学闭操作后的图像');%figure,imshow(edge);I5=bwareaopen(bw2,70);%划痕，破洞，油污从二进制图像中移除所有少于320像素的连接对象，消失的是连续的白色像素数量少于70的字符%I5=bwareaopen(I3,1380);%断经从二进制图像中移除所有少于320像素的连接对象，消失的是连续的白色像素数量少于1380的字符figure,imshow(I5);title('从对象中移除小对象');%pause(1);[y,x,z]=size(I5);%y是行数，x是列数，z是维数myI=double(I5);%转成双精度型tic %开始计时Blue_y=zeros(y,1);%zeros(M,N)表示的是M行*N列的全0矩阵fori=1:y45forj=1:xif(myI(i,j,1)==1)%%判断像素Blue_y(i,1)=Blue_y(i,1)+1;%像素点统计endendend[tempMaxY]=max(Blue_y);%Y方向疵点区域确定[tempMaxY]临时变量MaxYPY1=MaxY; %以下为找疵点Y方向最小值while((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;%以下为找疵点Y方向最大值???难道最大值不是MaxY????while((Blue_y(PY2,1)>=5)&&(PY2<y))PY2=PY2+1;end%IY=I(PY1:PY2,:,:);%%%%%%%%%%%%%%%%%X方向%%%%%%%%%Blue_x=zeros(1,x);%进一步确定x方向的疵点区域forj=1:xfori=PY1:PY2 %只需扫描的行if(myI(i,j,1)==1)%判断像素Blue_x(1,j)=Blue_x(1,j)+1;%像素点统计endendendPX1=1;%以下为找疵点X方向最小值while((Blue_x(1,PX1)<5)&&(PX1<x))%%断经为175PX1=PX1+1;endPX2=x;%以下为找疵点X方向最大值while((Blue_x(1,PX2)<5)&&(PX2>PX1))%断经为204PX2=PX2-1;endPY1=PY1;%对疵点区域的校正%PX1=PX1+17;%断经PX1=PX1;%PX2=PX2-86;%断经PX2=PX2-2;46PY2=PY2;dw0=myI(PY1:PY2,PX1:PX2,:);%裁剪图像figure,imshow(dw0);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%判别是否是划痕，破洞，油污，若不是则执行下面的while语句，对图像进行重新裁剪。allow=300;T=PX2-PX1;while(T>allow)closeall;se=[1;1;1];I3=imerode(bw,se);%图像腐蚀figure,imshow(I3);title('腐蚀后图像');%I5=bwareaopen(I3,70);%划痕，破洞，油污：从二进制图像中移除所有少于320像素的连接对象，消失的是连续的白色像素数量少于70的字符（这里不执行这段代码）I5=bwareaopen(I3,4500);%断经：从二进制图像中移除所有少于320像素的连接对象，消失的是连续的白色像素数量少于4500的字符figure,imshow(I5);title('从对象中移除小对象');%pause(1);[y,x,z]=size(I5);%y是行数，x是列数，z是维数myI=double(I5);%转