基于相似性定位和超像素分割的织物疵点检测

发布时间：2022-01-16 06:51

　　为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部均值差分的灰度相似性检测参量和结构相似性检测参量结合,构建可测量更多类型周期性纹理织物图像的相似性度量函数,通过阈值化增强图像分块的相似性测量值实现疵点在显著图中的粗定位;最后对显著图粗定位图像分块进行超像素细分割及其二值化处理,并借助连通域分析剔除孤立点,获得完整的疵点轮廓。结果表明,本方法与常规3种方法相比,对周期性纹理织物图像的疵点检测准确率更高,且提取出的疵点轮廓更精确。 

【文章来源】：纺织学报. 2020,41(10)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

测试图像及各方法的疵点检测结果

本文提出的检测方法包括基于图像增强和FT显著性估计[16]的预处理、基于相似性度量函数的疵点粗定位和基于SLIC[17]的疵点细分割3大步骤，流程框图如图2所示。可知:以虚箭头表示的辅助流程需先计算增强图像中各图像分块之间的相似性测量值，然后在显著图中实现疵点粗定位;以实箭头表示的主流程先对待检测图像进行将数增强，然后采用显著性检测得到其对应的显著图，再借助辅助流程实现疵点粗定位，进而对粗定位图像分块进行超像素细分割和二值化处理，并采用连通域分析剔除孤立点，最后得到检测结果。2.2 检测步骤

图3示出使用SSIM方法和本文提出的相似性度量函数对周期性纹理织物图像中的疵点进行相似性粗定位结果。可知，2种方法对具有明显周期性复杂纹理织物图像中的疵点均表现出了较好的定位效果，而SSIM对灰度信息不敏感，因此难以准确定位出简单纹理织物图像中疵点的大致位置，而本文提出的相似性度量函数中由于加入了基于归一化局部均值差分的灰度相似性检测参量，可实现对更多类型周期性纹理织物图像中的疵点进行相似性粗定位。图4示出式(10)中α取不同值时本文方法对织物图像中疵点的相似性粗定位结果。可知，当α取0.8时能更准确地定位出疵点大致位置，因此本文方法中α取0.8。

【参考文献】：
期刊论文
[1]基于深度学习的织物缺陷在线检测算法[J]. 王理顺,钟勇,李振东,贺宜龙.  计算机应用. 2019(07)
[2]基于改进局部自适应对比法的织物疵点检测[J]. 杜帅,李岳阳,王孟涛,罗海驰,蒋高明.  纺织学报. 2019(02)
[3]应用Canny算子的织物疵点检测改进算法[J]. 胡克满,罗少龙,胡海燕.  纺织学报. 2019(01)
[4]基于卷积神经网络的单色布匹瑕疵快速检测算法[J]. 吴志洋,卓勇,李军,冯勇建,韩冰冰,廖生辉.  计算机辅助设计与图形学学报. 2018(12)
[5]基于视觉显著性的太阳能电池片表面缺陷检测[J]. 钱晓亮,张鹤庆,张焕龙,贺振东,杨存祥.  仪器仪表学报. 2017(07)
[6]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良.  纺织学报. 2017(02)
[7]图案布匹瑕疵的在线视觉检测[J]. 王明景,白瑞林,何薇,吉峰.  光电工程. 2014(06)
[8]基于机器视觉和图像处理的织物疵点检测研究新进展[J]. 李文羽,程隆棣.  纺织学报. 2014(03)
[9]基于纹理周期性分析的织物疵点检测方法[J]. 祝双武,郝重阳.  计算机工程与应用. 2012(21)



本文编号：3592153