本發(fā)明涉及一種基于層次聚類和Gabor濾波的紡織品瑕疵檢測方法。

背景技術(shù)：

傳統(tǒng)的紡織品瑕疵人工識別準(zhǔn)確率只有60-75％(K.Srinivasan,P.H.Dastoor,P.Radhakrishnaiah,et al..FDAS:a knowledge-based framework for analysis of defects in woven textiles tructures,J.Text.Inst.83(1992)431–448.)，機(jī)器自動識別紡織品瑕疵的方法具有實際應(yīng)用需求。平坦紡織品表面的數(shù)字圖像采樣(以下簡稱紡織品圖像)屬于二維紋理，二維紋理已被證明可根據(jù)17種壁紙群(wallpaper group)定義的圖案排列方法生成(K.Srinivasan,P.H.Dastoor,P.Radhakrishnaiah,et al..FDAS:a knowledge-based framework for analysis of defects in woven textiles tructures,J.Text.Inst.83(1992)431–448.)，用于生成二維紋理的圖案稱為格(lattice)，格的內(nèi)部圖案稱為motif。多數(shù)紡織品瑕疵自動檢測方法只能處理壁紙群中p1類型的紡織品圖像(H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung.Automated fabric defect detection—A review,Image and Vision Computing 29(7)(2011)442–458.)，僅有少數(shù)方法能處理p1類型以外的紡織品圖像，例如基于小波預(yù)處理的基準(zhǔn)圖像差分方法(wavelet-pre-processed golden image subtraction，以下簡稱WGIS，出自文獻(xiàn)：H.Y.T.Ngan,G.K.H.Pang,N.H.C.Yung,et al.,Wavelet based methods on patterned fabric defect detection,PatternRecognit.38(4)(2005)559–576)，共生矩陣方法，布林帶方法(Bollinger bands，以下簡稱BB，出自文獻(xiàn)：H.Y.T.Ngan,G.K.H.Pang,Novelmethodforpatternedfabricinspectionusingbollinger bands,Opt.Eng.45(8)(2006)087202-1–087202-15)，規(guī)則帶方法(regular bands，以下簡稱RB，出自文獻(xiàn)：H.Y.T.Ngan,G.K.H.Pang,Regularityanalysisforpatternedtextureinspection,IEEE Trans.Autom.Sci.Eng.6(1)(2009)131–144)，Elo評估方法(Elo rating method，以下簡稱ER，出自文獻(xiàn)C.S.C.Tsang,H.Y.T.Ngan,G.K.H.Pang,Fabric inspection based on the Elo rating method,Pattern Recognit.51(2016)378–394.)等。盡管這些方法可以處理p1以外的紡織品圖像，但它們的計算方法多是建立在基于人工選擇的類似格的圖案(以下簡稱類格圖案)之上。例如WGIS要求人工選擇類格圖案的尺寸和紋理，BB，RB和ER要求人工定義類格圖案的尺寸。這些先驗知識在一定程度上降低了機(jī)器識別紡織品瑕疵的自動化程度。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：為了克服現(xiàn)有紡織品瑕疵自動檢測方法仍基于人工選擇或人工定義，自動化程度不高的不足，本發(fā)明提供一種基于層次聚類和Gabor濾波的紡織品瑕疵檢測方法，通過結(jié)合基于層次聚類(hierarchical clustering,HC)算法和Gabor濾波器組分析基于照明光源下平坦紡織品表面的數(shù)字圖像像素灰度信息，自動定位紡織品表面瑕疵，本發(fā)明特別適用于自動識別在穩(wěn)定照明光源下采集的紡織品平坦表面的數(shù)字圖像中的紡織品表面瑕疵。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于層次聚類和Gabor濾波的紡織品瑕疵檢測方法，包括以下步驟：

輸入灰度化的紡織品圖像；

類格圖案分割：分割紡織品圖像產(chǎn)生類格圖案，類格圖案滿足：相對于紡織品圖像的行和列，類格圖案按圖像行的方向橫向排列，并按照列的方向縱向排列；在形態(tài)成分分析方法的紡織品圖案卡通成分I_c中，類格圖案具有幾何形狀并與背景像素在灰度上有顯著差異；

特征提取：將類格圖案與Gabor濾波器組的濾波進(jìn)行卷積，對卷積結(jié)果降維得到一維投影并計算其能量和振幅，根據(jù)能量和振幅計算特征向量；計算一維投影之間的車貝雪夫距離，挑選每行類格圖案的典型無瑕疵類格圖案，根據(jù)典型無瑕疵類格圖案的特征向量計算理想特征向量；每個類格圖案特征向量與理想特征向量間的車貝雪夫距離為所提取的特征；和

特征比較：分析特征提取步驟中得到的基于特征向量的車貝雪夫距離直方圖，獲取表示有瑕疵的像素索引集合。

基于層次聚類和Gabor濾波的紡織品瑕疵檢測方法，具體步驟為：

步驟1：輸入灰度化的紡織品圖像，通過形態(tài)學(xué)成分分析方法計算輸入圖像的卡通成分I_c；

步驟2：使用閾值f_c·max(I_c)二值化卡通成分I_c得到二值圖像I_tc；

步驟3：計算二值圖像I_tc中各行背景像素數(shù)的多重集各列背景像素數(shù)的多重集計算各行背景像素數(shù)的多重集和各列背景像素數(shù)的多重集的峰值和

步驟4：分別計算基于步驟(3)中的峰值和的HC算法輪廓系數(shù)，以最大輪廓系數(shù)對應(yīng)的聚類個數(shù)初始化HC算法，并對峰值和分別進(jìn)行聚類，得到的聚類中心構(gòu)成多重集和

步驟5：根據(jù)多重集和計算閾值和分別計算中不小于的峰值所對應(yīng)行索引的間距和中不小于的峰值所對應(yīng)列索引的間距，即用閾值對中的峰值進(jìn)行篩選，只計算不小于的峰值所對應(yīng)的行索引間距，用閾值對中的峰值進(jìn)行篩選，只計算不小于的峰值所對應(yīng)的列索引間距；計算構(gòu)成穩(wěn)定行間距的最長連續(xù)行索引的集合S_h以及構(gòu)成穩(wěn)定列間距的最長連續(xù)列索引的集合S_v；

其中，將中元素按降序排列，從開始，計算其與下一個元素的差的絕對值，若該值不大于DCT尺寸的高，則繼續(xù)計算當(dāng)前元素與下一個元素的差的絕對值并與DCT尺寸的高比較，若不大于則繼續(xù)，若大于則下一個元素為并終止；如果一直沒有出現(xiàn)大于DCT尺寸的高的情況，則即為

將中元素按降序排列，從開始，計算其與下一個元素的差的絕對值，若該值不大于DCT尺寸的高，則繼續(xù)計算當(dāng)前元素與下一個元素的差的絕對值并與DCT尺寸的寬比較，若不大于則繼續(xù)，若大于則下一個元素為并終止；如果一直沒有出現(xiàn)大于DCT尺寸的寬的情況，則即為

DCT尺寸：形態(tài)學(xué)成分分析方法在圖像局部應(yīng)用離散余弦變換，即首先將圖像劃分為不重疊且具有固定大小的矩形區(qū)域，然后對每個區(qū)域應(yīng)用離散余弦變換，矩形區(qū)域的大小稱為DCT尺寸，單位為像素，區(qū)域內(nèi)一行的像素數(shù)稱為DCT尺寸的寬，一列的像素數(shù)稱為DCT尺寸的高；

步驟6：擴(kuò)展集合S_h和集合S_v以覆蓋圖像的卡通成分I_c的大部分區(qū)域，并計算類格圖案的理想行數(shù)和理想列數(shù)

步驟7：根據(jù)集合S_h和集合S_v將圖像的卡通成分I_c分割為類格圖案(其中，)，使用Gabor濾波器組與類格圖案卷積并計算一維卷積投影G_{i，j|s，θ}，根據(jù)一維卷積投影G_{i，j|s，θ}的能量和振幅構(gòu)建特征向量

其中，i和j分別是類格圖案以類格圖案為單位的行與列索引；

表示尺度參數(shù)，表示角度參數(shù)；

步驟8：計算類格圖案與第i行類格圖案之間基于一維卷積投影G_{i，j|s，θ}的車貝雪夫距離，結(jié)果保存為矩陣的第j行，根據(jù)矩陣計算第i行類格圖案的典型無瑕疵類格圖案

的意思是：對于固定i，s，θ，然后對于特定的j，計算G_{i，j|s，θ}與第i行所有類格圖案一維投影的距離，這些距離保存為的第j行，這一行表示特定的j所對應(yīng)的類格圖案與第i行中其它類格圖案基于一維投影的距離，而整個表示第i行所有類格圖案一維投影之間的距離。

步驟9：計算第i行類格圖案的典型無瑕疵類格圖案與第i行類格圖案之間基于特征向量的車貝雪夫距離，結(jié)果保存為矩陣的第i行，根據(jù)矩陣計算第i行的典型無瑕疵類格圖案的距離之和d_i；

步驟8根據(jù)得到每行類格圖案的步驟9計算所對應(yīng)特征向量的距離，找出整幅圖的理想特征向量步驟9和步驟8的距離計算區(qū)別在于步驟8是計算一維投影的距離，而步驟9則是特征向量之間的距離。

步驟10：根據(jù)距離之和d_i篩選第i行的典型無瑕疵類格圖案基于篩選結(jié)果計算理想特征向量

其中，理想特征向量為S^*的均值；

為每行的典型類格圖案的特征向量，i為類格圖案行索引；

其中表示按i的索引順序進(jìn)行連接；d_i為距離向量d中的第i個元素，表示與所有典型圖案的車貝雪夫距離之和，典型圖案是指每行的典型無瑕疵類格圖案；

步驟11：計算特征向量和理想特征向量的車貝雪夫距離，結(jié)果保存為矩陣中索引為(i，j)的元素其中i為類格圖案行索引，j為類格圖案列索引；

步驟12：計算矩陣的直方圖

步驟13：基于距離閾值d^*和直方圖計算缺口值t′和斷崖值t″，根據(jù)缺口值t′和斷崖值t″近似表示真實閾值t^*；

步驟14：所有對應(yīng)車貝雪夫距離>真實閾值t^*的類格圖案波標(biāo)記為有瑕疵的類格圖案輸出其中i為類格圖案行索引，j為類格圖案列索引。

本發(fā)明的有益效果是，本發(fā)明的基于層次聚類和Gabor濾波的紡織品瑕疵檢測方法，通過結(jié)合基于層次聚類算法和Gabor濾波器組分析基于照明光源下平坦紡織品表面的數(shù)字圖像像素灰度信息，自動定位紡織品表面瑕疵，本發(fā)明特別適用于自動識別在穩(wěn)定照明光源下采集的紡織品平坦表面的數(shù)字圖像中的紡織品表面瑕疵，是一種基于層次聚類算法的從紡織品圖像中自動分割類格圖案的方法，并且針對類格圖案的基于Gabor濾波器組的特征提取與瑕疵識別。

附圖說明

下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明。

圖1是本發(fā)明的基于層次聚類和Gabor濾波的紡織品瑕疵檢測方法的算法流程圖。

圖2是算法1的假設(shè)條件展示圖。

圖3是算法1的概念圖。

圖4是算法4中投影的概念圖。

圖5是有瑕疵的類格圖案與無瑕疵類格圖案在特征向量各元素取值上存在差異的展示圖。

圖6是典型類格圖案的計算過程示意圖。

圖7是距離矩陣的計算過程和瑕疵識別過程示意圖。

圖8是箱形圖像TPR-FPR散點(diǎn)圖：(a)為箱形圖像斷端散點(diǎn)圖；(b)為箱形圖像孔洞散點(diǎn)圖；(c)為箱形圖像網(wǎng)紋散點(diǎn)圖；(d)為箱形圖像粗條紋散點(diǎn)圖；(e)為箱形圖像細(xì)條紋散點(diǎn)圖。

圖9是星形圖像TPR-FPR散點(diǎn)圖：(a)為星形圖像斷端散點(diǎn)圖；(b)為星形圖像孔洞散點(diǎn)圖；(c)為星形圖像網(wǎng)紋散點(diǎn)圖；(d)為星形圖像粗條紋散點(diǎn)圖；(e)為星形圖像細(xì)條紋散點(diǎn)圖。

具體實施方式

現(xiàn)在結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)的說明。

為使陳述清楚明了，現(xiàn)集中定義本發(fā)明所涉及的部分符號和概念。

1.表示正整數(shù)集合。

2.表示包括零的整數(shù)集合。

3.表示包括零的正實數(shù)集合。

4.表示包括零的實數(shù)集合。

5.T表示矩陣或向量轉(zhuǎn)置。

6.表示比小的最大整數(shù)，例如

7.表示按操作數(shù)順序連接產(chǎn)生向量，例如標(biāo)量v₁＝1和向量對于標(biāo)量s₁＝8，s₂＝1，s₃＝5，對于向量

8.其中

9.Cb(v₁，v₂)表示維數(shù)相同的向量v₁與v₂的車貝雪夫距離(Chebychev distance)。

10.{a_i}表示由索引i確定的由元素a_i組成的集合或多重集。

11.|S|表示集合S中的元素個數(shù)。

12.avg(S)：計算集合或多重集S的均值，S的元素均為實數(shù)。

13.std(S)：計算集合或多重集S的標(biāo)準(zhǔn)差，S的元素均為實數(shù)。

14.med(S)：計算集合或多重集S的中位值，S的元素均為實數(shù)。

15.mod(S)：計算多重集S的眾數(shù)，S的元素均為實數(shù)。

16.max(S)表示找出集合或多重集S的元素最大值，例如max(I_c)代表I_c中像素的最大灰度值。

17.max(s「條件)表示找出符合條件的的最大值。

18.min(S)表示找出集合或多重集S的元素最小值，例如min(I_c)代表I_c中像素的最小灰度值。

19.arg max_s f(s)表示在函數(shù)f的定義域內(nèi)變量s的取值范圍中，使得函數(shù)f(s)取最大值的s。

20.arg min_s f(s)表示在函數(shù)f的定義域內(nèi)變量s的取值范圍中，使得函數(shù)f(s)取最小值的s。

21.arg mod_i({a_i})表示對應(yīng)多重集{a_i}眾數(shù)mod({a_i})的索引。

22.dim_x(I)表示二維圖像I的總行數(shù)，dim_y(I)表示I的總列數(shù)。

23.I(x，y)表示在二維圖像I中具有行列索引(x，y)的像素值。行索引1≤x≤dim_x(I)；列索引1≤y≤dim_y(I)。

24.紡織品圖像卡通成分I_c：對一幅灰度化的紡織品圖像，應(yīng)用基于曲波(curvelet)和離散余弦變換(local discrete cosine transform，以下簡稱DCT)的形態(tài)成分分析方法(morphological component analysis，以下簡稱MCA)所計算的具有光滑邊緣圖案的圖像稱為卡通成分I_c，I_c是一幅灰度圖像。

25.閾值系數(shù)f_c：用于二值化I_c的參數(shù)，該參數(shù)由算法3計算得到。

26.二值化卡通成分I_tc：使用f_c·max(I_c)作為閾值二值化I_c所得到的二值圖像，其中1表示前景像素，即I_c中灰度值不小于閾值的像素，0表示背景像素。I_tc與I_c的行數(shù)和列數(shù)相同。

27.橫向投影是的多重集，其中1≤k≤dim^y(I)，即表示行索引為x的背景像素個數(shù)。

28.縱向投影是的多重集，其中1≤l≤dim_x(I)，即表示列索引為y的背景像素個數(shù)。

29.表示的峰值多重集，中的元素稱為峰值，峰值是指中滿足和的元素其中x表示行索引。

30.表示的峰值多重集，中的元素稱為峰值，峰值是指中滿足和的元素其中y表示列索引。

31.表示對中元素使用HC算法所得到的聚類中心的多重集。

32.表示對中元素使用HC算法所得到的聚類中心的多重集。

33.DCT尺寸：MCA在圖像局部應(yīng)用DCT，即首先將圖像劃分為不重疊且具有固定大小的矩形區(qū)域，然后對每個區(qū)域應(yīng)用DCT，矩形區(qū)域的大小稱為DCT尺寸，單位為像素，區(qū)域內(nèi)一行的像素數(shù)稱為DCT尺寸的寬，一列的像素數(shù)稱為DCT尺寸的高。

34.將中元素按降序排列，從開始，計算其與下一個元素的差的絕對值，若該值不大于DCT尺寸的高，則繼續(xù)計算當(dāng)前元素與下一個元素的差的絕對值并與DCT尺寸的高比較，若不大于則繼續(xù)，若大于則下一個元素為并終止；如果一直沒有出現(xiàn)大于DCT尺寸的高的情況，則將即為

35.將中元素按降序排列，從開始，計算其與下一個元素的差的絕對值，若該值不大于DCT尺寸的高，則繼續(xù)計算當(dāng)前元素與下一個元素的差的絕對值并與DCT尺寸的寬比較，若不大于則繼續(xù)，若大于則下一個元素為并終止；如果一直沒有出現(xiàn)大于DCT尺寸的寬的情況，則將即為

36.K：HC算法的聚類個數(shù)，用于指定HC算法的聚類個數(shù)，

37.S′_h：中不小于的元素的行索引x的集合，S′_h中x按從小到大排列。

38.S′_v：中不小于的元素的列索引y的集合，S′_v中y按從小到大排列。

39.集合S′_h中相鄰兩元素之間后一元素與前一元素差的多重集，即行索引間距的多重集，中行索引間距按產(chǎn)生該間距的x∈S′_h中的較大值從小到大排列。

40.集合S′_v中相鄰兩元素之間后一元素與前一元素差的多重集，即列索引間距的多重集，中列索引間距按產(chǎn)生該間距的y∈S′_v中的較大值從小到大排列。

41.穩(wěn)定行間距：中與之差的絕對值小于的行索引間距。即里的元素是行索引間距，這些行索引間距都與故差，差的絕對值小于的行索引間距稱為穩(wěn)定行間距。

42.穩(wěn)定列間距：中與之差的絕對值小于的列索引間距。即里的元素是列索引間距，這些列索引間距都與做差，差的絕對值小于的列索引間距稱為穩(wěn)定列間距。

43.滿足行索引連續(xù)的穩(wěn)定行間距組成的多重集，中的穩(wěn)定行間距按產(chǎn)生該間距的兩個行索引x∈S′_h中的較大值升序排列，行索引連續(xù)是指中排列順序相鄰的穩(wěn)定行間距所對應(yīng)的行索引x_i∈S′_h中的i值連續(xù)，例如i可以取2，3，4，但不能只取2和4。

44.滿足列索引連續(xù)的穩(wěn)定列間距組成的多重集，中的穩(wěn)定列間距按產(chǎn)生該間距的兩個列索引y∈S′_v中的較大值升序排列，列索引連續(xù)是指中排列順序相鄰的穩(wěn)定列間距所對應(yīng)的y_j∈S′_v的的j值連續(xù)，例如j可以取2，3，4，但不能只取2和4。

45.具有最多元素個數(shù)的

46.具有最多元素個數(shù)的

47.S_h：S_h的初始值為產(chǎn)生中穩(wěn)定行間距所對應(yīng)行索引x∈S′_h的集合，后經(jīng)算法1擴(kuò)展，S_h表示類格圖案分界處像素行索引的集合。

48.S_v：S_v的初始值為產(chǎn)生中穩(wěn)定列間距所對應(yīng)列索引y∈S′_v的集合，后經(jīng)算法1擴(kuò)展，S_v表示類格圖案分界處像素列索引的集合。

49.類格圖案分界：S_h中行索引所對應(yīng)的I_c中的行與S_v中列索引所對應(yīng)的I_c中的列。

50.理想行數(shù)

51.理想列數(shù)

52.類格圖案：在I_c中，根據(jù)S_h中行索引對應(yīng)的行與S_v中列索引對應(yīng)的列，將I_c分割為矩形區(qū)域，矩形區(qū)域稱為類格圖案，其中S_h中行索引對應(yīng)的行與S_v中列索引對應(yīng)的列不包含在類格圖案里。

在以上定義的基礎(chǔ)上，現(xiàn)介紹本發(fā)明的技術(shù)方案。正如附圖1所示，本發(fā)明方法由三部分構(gòu)成：類格圖案分割，特征提取和特征比較，為了方便表述，這里分別定義這三部分的大體步驟為算法1，算法4和算法6，本發(fā)明涉及6個自定義算法(算法1-6)，其他涉及到的方法都是調(diào)用現(xiàn)成的程序，比如MCA，HC之類。以下按圖1中從上至下的順序依次介紹三部分的內(nèi)容。

類格圖案分割的功能是自動分割紡織品圖像產(chǎn)生類格圖案。由于紡織品圖案豐富多樣，相應(yīng)的類格圖案種類繁多。本發(fā)明的類格圖案分割方法建立在對類格圖案的假設(shè)上，即：相對于紡織品圖像的行和列，類格圖案按圖像行的方向橫向排列，并按列的方向縱向排列；在MCA的卡通成分I_c中，類格圖案具有幾何形狀并與背景像素在灰度上有顯著差異。例如附圖2所示的三種情況，圖2中每一行顯示了一種情況，每行第一列是紡織品圖像，第二列是I_c，第三列是I_c的三維Mesh圖，第四列是二值化卡通成分每行背景像素的個數(shù)分布，第四列圖的橫坐標(biāo)是行索引，縱坐標(biāo)是背景像素個數(shù)。圖2中第一行紡織品圖像的類格圖案沒有幾何形狀，這導(dǎo)致了背景像素分布缺乏明顯的周期性；第二行紡織品圖像的類格圖案雖然有幾何形狀，但類格圖案中的形狀與背景在I_c中的差異小，即相應(yīng)的Mesh圖大部分區(qū)域幾乎是平坦的，這導(dǎo)致背景像素數(shù)量過多，背景像素分布缺乏明顯的周期性；第三行紡織品圖像類格圖案具有幾何形狀并在I_c中與背景的差異大，其背景像素分布具有周期性。

如附圖3所示，對于一幅給定的紡織品圖像，類格圖案分割(算法1)使用MCA計算Ic和紋理成分，根據(jù)算法3計算得到的閾值系數(shù)f_c，使用閾值f_c·max(I_c)二值化I_c得到I_tc。圖3中顯示了I_c的Mesh圖，I_c中的二維圖案在Mesh圖中顯示為三維“山峰”，二值化I_c相當(dāng)于用一個灰色平面截斷山峰，山峰平面上方的部分所對應(yīng)的像素保存為1，山峰平面下方的部分所對應(yīng)的像素保存為0，這個二值化結(jié)果為I_tc，即圖3右下角箭頭“使用閾值二值化I_c得到I_tc”所指的圖案。

假設(shè)紡織品圖像至少由4個類格圖案構(gòu)成，那么I_tc中對應(yīng)類格圖案的對象尺寸應(yīng)小于圖像尺寸的一半，因此如果出現(xiàn)了尺寸過大的情況，那么這個對象則不是類格圖案，應(yīng)從I_tc中刪除尺寸過大的對象，即：由Moore-Neighbor跟蹤算法(Moore-Neighbortracing algorithm)獲取I_tc中對象的閉合邊緣。對于每個具有閉合邊緣的對象，找出該對象行列索引的極值，如果該對象行索引極值之差的絕對值超過0.75·dim_x(I_tc)，或列索引極值之差的絕對值超過0.75·dim_y(I_tc)，則從I_tc中刪除該對象，即將尺寸過大的對象的像素置為0。

紡織品圖像類格圖案的幾何形狀被I_tc中的二值對象所描述，類格圖案的豐富多樣導(dǎo)致了二值對象幾何形狀的多樣性，但二值對象之間背景像素的分布受其形狀影響小，即：不同形狀的二值對象，如果其沿相同方向的分布相同，那么背景像素在該方向上的分布相似。如附圖3所示，統(tǒng)計二值化卡通成分每行和每列的背景像素個數(shù)，按行和列的次序分別排列背景像素個數(shù)即構(gòu)成了背景像素的橫向投影和縱向投影和的峰值分別記為多重集和即圖3中橫向投影和縱向投影圖示中靠近標(biāo)簽“橫向投影”和“縱向投影”的深色小點(diǎn)，這些峰值反映了I_tc中類格圖案的分界。為獲取這些峰值而過濾其他峰值，對和分別使用HC算法進(jìn)行聚類，本發(fā)明方法中的HC算法采用常見的基于單關(guān)聯(lián)(Single linkage)的合并層次聚類(Agglomerative Hierarchical Clustering)方式處理數(shù)據(jù)，即：對于給定的一維離散實數(shù)，HC算法計算每兩個數(shù)之間的歐氏距離，距離最小的兩個數(shù)聚為一類；對于沒有歸類的數(shù)，每個數(shù)視為單獨(dú)一類，類與類之間的距離定義為兩類之間歐氏距離最小的兩數(shù)間距離，將距離最小的兩類聚為一類，如此反復(fù)直至所有數(shù)都聚為一類。這個過程可以由樹狀圖(dendrogram)描述，例如附圖3中標(biāo)有“的HC聚類”和“的HC聚類”的圖例顯示了對峰值和的聚類過程樹狀圖，兩幅樹狀圖的橫軸表示峰值，縱軸表示類間距離。在樹狀圖中，HC算法采取自底向上的方式兩兩聚類，被聚為一類的兩類由倒置的“U”型線條連接，最上方的U型線條表示所有峰值最終被聚為一類。對于給定的聚類個數(shù)K，HC算法返回類數(shù)為K時各類的聚類中心(聚類中心定義為該類中所有元素的平均值)，即在圖3的樹狀圖中，用平行于橫軸的直線與U型線條中平行于縱軸的部分相交，交點(diǎn)個數(shù)為K時，自底向上連接到同一交點(diǎn)的峰值視為一類，從而產(chǎn)生K個類。

對和的聚類首先根據(jù)基于歐氏距離的輪廓系數(shù)估計最優(yōu)聚類個數(shù)K，以具有最大輪廓系數(shù)的K初始化HC算法并對扣聚類，即：計算K為的HC算法對分類的輪廓系數(shù)，用對應(yīng)最大輪廓系數(shù)的K初始化HC算法并對進(jìn)行分類，分類所得的聚類中心保存為多重集計算K為的HC算法對分類的輪廓系數(shù)，用對應(yīng)最大輪廓系數(shù)的K初始化HC算法并對進(jìn)行分類，分類所得的聚類中心保存為多重集由于數(shù)據(jù)的隨機(jī)性，和有可能包含多個相近的聚類中心，這些相近聚類中心中的最小值被分別選為閾值和即：將降序排列，從開始，計算前后兩元素之差的絕對值，差大于DCT尺寸高的的第一個元素為類似地，將降序排列，從開始，計算前后兩元素之差的絕對值，差大于DCT尺寸寬的的第一個元素為中不小于的峰值按所對應(yīng)的行索引，記為S′_h；中不小于的峰值按所對應(yīng)的列索引，記為S′_v。

由于瑕疵等因素的干擾，S′_h和S′_v中的行列索引不一定準(zhǔn)確反映類格圖案的分界。因此，需要評估S′_h中是否存在具有穩(wěn)定行間距的行索引，以及S′_v中是否存在具有穩(wěn)定列間距的列索引，這些行列索引作為類格圖案的分界以分割類格圖案。對于S′_h，將S′_h中元素做升序排列，行索引間距的多重集定義為具有行索引連續(xù)的穩(wěn)定行間距的多重集定義如下。

其中x_i∈S′_h，i為數(shù)值連續(xù)的正整數(shù)，例如i可以取2，3，4，但不能只取2和4。由于可能存在多個符合定義的連續(xù)間距，所以可能存在多個其中具有最多元素個數(shù)的(記作)所對應(yīng)的行索引作為類格圖案分界集合S_h的初始值，其定義如下。

類似地，可以計算和S_v的初始值，定義如下。

因為S_h與S_v初始值所對應(yīng)的和分別包含穩(wěn)定行間距和穩(wěn)定列間距，因此與中位值定義為理想行數(shù)和理想列數(shù)S_h與S_v的初始值示例見附圖3，如圖3所示，紡織品圖像僅部分區(qū)域被S_h和S_v的初始值同時覆蓋，即圖3標(biāo)有“S_h和S_v的初始值”圖示中的網(wǎng)格，只有豎直直線的區(qū)域僅有S_v覆蓋。S_h和S_v的擴(kuò)展基于和進(jìn)行。由于S_h中的行索引按升序排列，從min(S_h)開始，以步長向I_tc行索引最小值1移動，即計算檢查是否存在滿足如果存在x′，則將x′添加進(jìn)S_h，否則將x添加進(jìn)S_h并保持S_h中元素升序排列，再次計算并重復(fù)上述步驟；類似地，從max(S_h)開始，以步長向I_tc行索引最大值dim_x(I_c)移動，即計算檢查是否存在滿足如果存在x′，則將x′添加進(jìn)S_h，否則將x添加進(jìn)S_h，再次計算并重復(fù)上述步驟。對S_v以步長做類似擴(kuò)展，詳見算法1。

擴(kuò)展得到的S_h與S_v基本覆蓋了紡織品圖像大部分區(qū)域，如附圖3所示。根據(jù)S_h與S_v分別包含的行與列索引，可以將I_c按這些索引所在的行與列進(jìn)行分割，分割所得的區(qū)域定義為類格圖案，其定義如下。

其中1≤i≤|S_h|-1且1≤j≤|S_v|-1，因此I_c分割出(|S_h|-1)·(|S_v|-1)個而i和j分別是以類格圖案為單位的行與列索引。類格圖案分割的一個重要參數(shù)是f_c，如圖3所示，I_c的二值化是基于閾值f_c·max(I_c)完成，而該閾值取決于f_c。如果存在多個無瑕疵紡織品圖像，對于每幅圖像應(yīng)用基于不同f_c取值的算法1能得到多個和計算所得的和的直方圖，其中出現(xiàn)次數(shù)最多的和及其對應(yīng)的f_c取值對確定f_c的最終取值具有參考意義。假設(shè)存在n個無瑕疵紡織品圖像I₁，I₂...I_n和m個f_c的可選值c₁，c₂…c_m，令和分別表示輸入為I_k，k＝1，2...n且f_c＝c_l，l＝1，2...m的算法1計算得到的和對于每個I_k都存在m個和m個在關(guān)于I_k的多重集和多重集中出現(xiàn)次數(shù)最多元素所對應(yīng)的f_c取值分別記為c_h(k，l)和定義如下。

對于I_k，如果c_h(k，l)與相同，則相應(yīng)索引(k，l)保存在集合中，的定義如下。

對于每個即對于I_k，如果至少存在一個l′使得成立，則與med({c_l})距離最近的c_h(k，l′)參與f_c的計算，f_c的定義如下。

其中c_h(k，l)的索引表示取符合定義中的k值。至此，類格圖案分割及相關(guān)算法(算法1和2)的描述結(jié)束。下面介紹特征提取部分(算法3)的內(nèi)容，如圖1所示，特征提取采用了Gabor濾波器組對類格圖案分割生成的1≤i≤|S_h|-1且1≤j≤|S_v|-1進(jìn)行卷積，卷積結(jié)果通過投影方法降維，計算降維結(jié)果的能量和振幅，組合能量和振幅構(gòu)造特征向量，最終產(chǎn)生特征向量距離矩陣，矩陣中的元素即為算法3提取的特征。

Gabor濾波器包含實部和虛部，本發(fā)明僅采用了Gabor濾波器的虛數(shù)部分，其定義如下。

其中表示尺度參數(shù)，表示角度參數(shù)，如果s取值的個數(shù)記作θ的取值個數(shù)記作可構(gòu)成n_s·n_θ個Gabor濾波器，這些濾波器的集合稱為Gabor濾波器組。每個分別與n_s·n_θ個Gabor濾波器進(jìn)行卷積，可產(chǎn)生n_s·n_θ個卷積結(jié)果，將這些卷積結(jié)果旋轉(zhuǎn)-θ，然后按行累加，即可將二維卷積結(jié)果變?yōu)橐痪S，達(dá)到降維目的。令G_i，j(x|s，θ)表示行索引為x的行投影，其定義如下。

其中和為Gabor濾波器系數(shù)的索引，表示Gabor濾波器系數(shù)索引的取值范圍，Gabor濾波器系數(shù)可排列為行數(shù)和列數(shù)均為(2·S_G+1)的矩陣。對于將其卷積結(jié)果的各行投影G_i，j(x|s，θ)按x升序排列則得到一維的卷積投影G_{i，j|s，θ}，其定義如下。

其中表示按x升序排列的連接，連接方式與定義7相同。附圖4以單個類格圖案為例顯示了本發(fā)明計算G_{i，j|s，θ}的階段性結(jié)果，其中Gabor濾波器的s＝1，θ取值為0°，45°，90°和135°，因此n_s＝1，n_θ＝4。對于紡織品圖像中的每個類格圖案都會產(chǎn)生n_s·n_θ＝4個G_{i，j|s，θ}，計算每個G_{i，j|s，θ}的能量和振幅，并按s和θ的取值順序連接構(gòu)造的特征向量(其中1≤i≤|S_h|-1，1≤j≤|S_v|-1)，其定義如下。

其中E_i，j和Ai，j分別表示的能量和振幅。若E_{i，j|s，θ}表示G_{i，j|s，θ}的能量，則E_{i，j|s，θ}＝∑_x G_i，j(x|s，θ)²為G_{i，j|s，θ}中所有元素的平方和，其中x為G_{i，j|s，θ}的元素索引，那么其中表示按先s后θ的順序連接。本發(fā)明中類似地，定義A_{i，j|s，θ}表示G_{i，j|s，θ}的振幅，則A_{i，j|s，θ}＝∑_x|G_i，j(x|s，θ)|為G_{i，j|s，θ}中所有元素的絕對值之和，其中x為G_{i，j|s，θ}的元素索引，那么本發(fā)明中對于含瑕疵的紡織品圖像，如果瑕疵出現(xiàn)在部分類格圖案中，那么有瑕疵的類格圖案與無瑕疵類格圖案在特征向量各元素取值上存在差異。例如附圖5所示，圖5顯示了一幅有瑕疵紡織品圖像的部分特征向量。圖5中，紡織品圖像由算法1分割產(chǎn)生14×11的類格圖案，即中1≤i≤14，1≤j≤11，其中加粗邊框顯示的和包含瑕疵。圖5顯示了第7行類格圖案的G_{i，j|s，θ}，標(biāo)有“G_7，j|s，θ”的圖示中，從左向右所示的4列分別是G_7，j|1，_0°，G_{7，j|1，45°}，G_{7，j|1，90°}和G_{7，j|1，135°}，從上到下所示的11行分別對應(yīng)可以觀察到加粗顯示的G_{7，2|s，θ}和G_{7，3|s，θ}(其中s＝1，θ為0°，45°，90°和135°)與其他G_{7，j|s，θ}(其中j≠2或3)存在差異。圖5中標(biāo)有的圖示，從上到下分別是可以觀察到加粗顯示的和與其他(其中j≠2或3)存在差異。

由于有瑕疵的類格圖案與無瑕疵類格圖案在G_{i，j|s，θ}與(其中1≤i≤|S_h|-1，1≤j≤|S_v|-1)兩者上差異大，而無瑕疵類格圖案之間在G_{i，j|s，θ}與兩者上差異小，本發(fā)明通過分析類格圖案在G_{i，j|s，θ}上的差異，找出差異小的類格圖案，在這些類格圖案的基礎(chǔ)上構(gòu)建理想特征向量并比較與的差距，在一定程度上區(qū)別有瑕疵和無瑕疵的類格圖案。本發(fā)明將構(gòu)建的問題轉(zhuǎn)換為找出每行的典型無瑕疵類格圖案，基于每行的典型類格圖案的特征向量構(gòu)建對于每行類格圖案，計算每個類格圖案與其所在行中所有類格圖案關(guān)于卷積投影的車貝雪夫距離(Chebychev distance)，即對于給定的i，s和θ，對于每個(其中1≤j≤|S_v|-1)的取值，計算Cb(G_{i，j|s，θ}，G_{i，1|s，θ})，Cb(G_{i，j|s，θ}，G_{i，2|s，θ})...Cb(G_{i，j|s，θ}，G_{i，|Sv|-1|s，θ})，并按此計算順序排列成一行，一共有行，再將這些行按j的取值大小從上到下排列，構(gòu)成如下關(guān)于第i行的距離矩陣

對于第i行，存在n_s·n_θ個對于本發(fā)明的每行類格圖案，則需計算和附圖6顯示了典型類格圖案的計算結(jié)果，圖中標(biāo)有“G_{7，j|s，θ}”的圖例是圖5中標(biāo)有“G_{7，j|s，θ}”圖例的簡化，表示的都是圖5所示的第7行的卷積投影G_{7，j|s，θ}。根據(jù)G_{7，j|s，θ}計算得到的和以重疊方式顯示為圖6中標(biāo)有的圖例，(其中s＝1，θ為0°，45°，90°和135°)中的每個元素以一個色塊的形式顯示，色塊越亮則元素值越大，色塊越暗則元素值越小，所有關(guān)于車貝雪夫距離的矩陣在附圖中都以這種方式圖形化。的第j行表示與第i行中所有類格圖案卷積投影的車貝雪夫距離，由于對角線元素表示與它自己卷積投影的車貝雪夫距離，所以對角線上的元素恒為0。移除該的對角線得到矩陣的定義如下。

的第j行表示與第i行中除外的其他類格圖案卷積投影的車貝雪夫距離。計算每行的標(biāo)準(zhǔn)差，具有最小標(biāo)準(zhǔn)差的行的行索引j′對應(yīng)的類格圖案定義為第i行類格圖案關(guān)于s和θ的典型無瑕疵類格圖案，記作j′的定義如下。

其中表示中的第j行。對于第i行類格圖案，如果存在多個對應(yīng)相同s和θ的則任取其中一個作為唯一的關(guān)于s和θ的典型無瑕疵類格圖案。對于不同的s和θ，的索引j′有可能相同，即不同的s和θ的典型無瑕疵類格圖案是同一個類格圖案，重合次數(shù)最多的類格圖案定義為第i行的典型無瑕疵類格圖案，記作其定義如下。

對于第i行類格圖案，如果沒有出現(xiàn)不同的s和θ的典型無瑕疵類格圖案是同一個類格圖案的情況，即對于給定的i和不同的s和θ，或立，則任取中的一個。在某些情況下不一定能代表第i行的無瑕疵類格圖案，例如一行中瑕疵類格圖案較多或瑕疵不明顯時，有可能是有瑕疵類格圖案中的一個。附圖6顯示了這種情況，圖中標(biāo)有“各行的典型圖案”的圖例以白色邊框的形式顯示1≤i≤14，其中第7行(即i＝7)整行以加粗邊框形式突出顯示，可以觀察到是第7行中有瑕疵的類格圖案。為了排除有瑕疵的(其中1≤i≤|S_h|)，可計算特征向量之間的車貝雪夫距離，即對于每個計算并將距離排列為如下所示的矩陣

附圖6顯示了圖中標(biāo)有的圖例顯示了根據(jù)標(biāo)有“各行的典型圖案”圖例中(其中1≤i≤14)所計算的其中有瑕疵的在中所對應(yīng)的第7行色塊比其他行要亮，同時第7列色塊比其他列要亮。中的第i行和第i列都表示與紡織品圖像中所有典型圖案特征向量的車貝雪夫距離，的對角線元素為因此，如果對應(yīng)的是有瑕疵的相比較沒有瑕疵的典型圖案在中所對應(yīng)的行和列，對應(yīng)的第i行和第i列中除對角線以外元素的值較大，例如圖6中明亮的第7行和第7列，按行累加中的元素，則可以量化中關(guān)于(其中1≤i≤|S_h|-1)的車貝雪夫距離的大小情況，即計算如下定義的距離向量d。

其中1≤i′≤|S_h|-1，表示按i的索引順序進(jìn)行連接，連接方式與定義7相同。距離向量d中的第i個元素d_i表示與所有典型圖案的車貝雪夫距離之和。只有滿足條件avg(d)-std(d)＜d_i＜avg(d)+std(d)的可以參與理想特征向量的計算，滿足該條件的組成的多重集S^*定義如下。

定義為S^*的均值，即以作為標(biāo)準(zhǔn)，通過計算紡織品圖像中類格圖案特征向量與的車貝雪夫距離并分析的分布，識別有瑕疵的類格圖案。將作為一個矩陣第i行和第j列的元素，得到距離矩陣其定義如下。

附圖7顯示了以為標(biāo)準(zhǔn)計算的簡略過程，標(biāo)有“紡織品圖像中所有類格圖案的特征向量的圖例以圖形的形式象征性地顯示以特征向量表示的紡織品圖像的類格圖案，標(biāo)有“理想特征向量的圖例圖形化表示了這兩幅圖例之間用標(biāo)有“比較”的箭頭連接，該箭頭簡略表示的計算方法。圖7中標(biāo)有“距離矩陣”的圖例圖形化顯示了該圖例被標(biāo)有“等價”的箭頭與標(biāo)有“的Mesh圖”的圖例相連，即以三維圖形的形式顯示了的值，這兩個圖例中，有瑕疵的類格圖案對應(yīng)的和與其他相比具有較大的值，即Mesh圖中的最高峰。

至此，特征提取及相關(guān)算法(算法3)的描述結(jié)束。下面介紹特征比較(算法5和6)的內(nèi)容，如附圖7所示，中有瑕疵類格圖案對應(yīng)的和的值很大，在的直方圖，即標(biāo)有“中元素分布的直方圖”的圖例中，和所對應(yīng)的分布用加粗邊框突出顯示，其分布位于直方圖的最右邊。圖7中標(biāo)有“有瑕疵的類格圖案”的圖例顯示了對應(yīng)和的和因此，有瑕疵的類格圖案所對應(yīng)的往往靠近直方圖中最大值分布的最右端區(qū)域，分離直方圖中有瑕疵和無瑕疵類格圖案所對應(yīng)的可以轉(zhuǎn)化為基于閾值的判斷問題，即選擇距離閾值d^*，比較與d^*，對應(yīng)且符合一定條件的類格圖案被標(biāo)記為有瑕疵的類格圖案。本發(fā)明中d^*取一組無瑕疵紡織品圖像最大值的平均值，計算過程由算法5描述。

結(jié)合距離閾值d^*與的直方圖可以分析直方圖中的分布情況，從而確定有瑕疵的類格圖案。由于d^*是基于一組無瑕疵紡織品圖像的閾值，對于一幅特定的紡織品圖像，d^*與準(zhǔn)確分離該圖像中有瑕疵和無瑕疵類格圖案的真實閾值t^*可能存在差異。本發(fā)明方法選擇缺口值t′和斷崖值t″為t^*的近似值。令t表示的橫軸刻度，即的取值范圍，h(t)表示的縱軸刻度，即取值為t的的個數(shù)，t′表示d^*＜t時h(t)的“第一個缺口”，t″表示d^*＜t時h(t)的“第一個斷崖”，其定義如下。

實際情況中，t′和t″并不一定存在，因此當(dāng)t′存在時，則用t′近似t^*，如果t′不存在而t″存在，則使用t″近似t^*，如果t′和t″都不存在，則定義t^*為d^*。所有對應(yīng)的類格圖案被標(biāo)記為有瑕疵的類格圖案計算過程由算法6描述。

本發(fā)明方法的瑕疵檢測效果評估中使用了香港大學(xué)電氣和電子工程系工業(yè)自動化實驗室提供的106幅像素大小為256×256的24位彩色紡織品圖像，在實驗中這些圖像被轉(zhuǎn)換為8位的灰度圖像。106幅圖像包括兩種圖案：箱形圖像和星形圖像，其中箱形圖像包括26幅無瑕疵和30幅有瑕疵圖像；星形圖像包括25幅無瑕疵和25幅有瑕疵圖像。兩種圖案的有瑕疵圖像包括5種瑕疵類型：斷端(broken end)，孔洞(hole)，網(wǎng)紋(netting multiple)，粗條紋(thick bar)和細(xì)條紋(thin bar)，每種瑕疵類型的具體數(shù)量詳見表1與表2的第一列。所有瑕疵圖像都有相同大小的瑕疵基準(zhǔn)圖(ground-truth image)，瑕疵基準(zhǔn)圖為2值圖像，其中1表示瑕疵，0表示背景。用于比較的算法包括WGIS，BB，RB和ER。用于評估的指標(biāo)包括真陽性(true positive，以下簡稱TP)，假陽性(positiverate，以下簡稱FPR)，真陽性率(truepositiverate，以下簡稱TPR)，假陽性率(positiverate，以下簡稱FPR)，陽性預(yù)測值(positivepredictivevalue，以下簡稱PPV)和陰性預(yù)測值negativepredictivevalue，以下簡稱NPV)。

TPR衡量瑕疵基準(zhǔn)圖中表示瑕疵的像素被算法正確標(biāo)定為瑕疵的比例，F(xiàn)PR衡量瑕疵基準(zhǔn)圖中表示背景的像素被算法錯誤標(biāo)定為瑕疵的比例，PPV衡量算法輸出的瑕疵中瑕疵基準(zhǔn)圖中的瑕疵所占比例，NPV衡量算法輸出的背景中瑕疵基準(zhǔn)圖中的背景所占比例。對于TPR，PPV和NPV，指標(biāo)值越大越好，對于FPR則越小越好。

相關(guān)數(shù)學(xué)定義可以在文獻(xiàn)(M.K.Ng，H.Y.T.Ngan，X.Yuan，，et al.，Patternedfabricinspectionandvisualizationbythemethodofimagedecomposition，IEEETrans.Autom.Sci.Eng.11(3)(2014)943-947)中找到。實驗硬件平臺為含處理器Intel Core^TMi7-3610QM 230-GHz和8.00GB內(nèi)存的筆記本電腦，軟件為Windows 8.1和Maltab8.4。

BB和RB輸出二值圖像(其中1表示瑕疵，0表示背景)，雖然大小與輸入圖像一致，但輸出圖像中靠近邊緣的狹長區(qū)域未被處理，這些區(qū)域的像素值被設(shè)為0。ER和WGIS雖然也輸出二值圖像(其中1表示瑕疵，0表示背景)，但尺寸比輸入圖像小，因此其處理結(jié)果用最近鄰插值將尺寸轉(zhuǎn)換為輸入圖像尺寸。經(jīng)過處理后的BB，RB，ER和WGIS的輸出圖像可以通過邏輯運(yùn)算直接與瑕疵基準(zhǔn)圖進(jìn)行比較。這四種算法都要求人工輸入?yún)?shù)，其中ER和WGIS要求輸入一幅圖案模版。對于WGIS，圖案模版從無瑕疵圖像按名稱排序的第一幅圖像的左上角截取，箱形圖像的圖案模版的像素大小為27×25，星形圖像的圖案模版的像素大小為22×18。對于ER，圖案模版像素大小恒為28×26，表示比賽次數(shù)的參數(shù)設(shè)為15。對于RB，規(guī)則帶像素大小恒為25。對于BB，行帶(row band)和列帶(column band)的像素大小分別為15和25，標(biāo)準(zhǔn)差數(shù)量為2。

由于本發(fā)明方法并不輸出二值圖像，而是輸出以行列索引形式表示的瑕疵區(qū)域，因此輸出結(jié)果不能直接與瑕疵基準(zhǔn)圖比較。為計算評價指標(biāo)，評估過程中采取生成二值圖像的方法將瑕疵區(qū)域集合轉(zhuǎn)換為二值圖像(其中1表示瑕疵，0表示背景)，具體方法是將瑕疵基準(zhǔn)圖中被瑕疵區(qū)域覆蓋的部分拷貝到一幅像素全為0且大小與瑕疵圖相同的二值圖像的相同位置，所合成的二值圖像作為本發(fā)明方法參與評估的輸出。對于箱形圖像，本發(fā)明方法的參數(shù)f_c為0.4722，d^*為3415；對于星形圖像，本發(fā)明方法的參數(shù)f_c為0.5，d^*為2184。

表1和表2顯示了參與評估的幾種算法的檢測結(jié)果，其中每行(除標(biāo)有“概況”的最后五行)都表示一種算法在特定瑕疵種類上的指標(biāo)平均值，第一列表示瑕疵類型(除標(biāo)有“概況”的最后五行)，其中括號中的數(shù)字表示該類型的紡織品圖像數(shù)量，第二列表示算法標(biāo)識為瑕疵的像素平均數(shù)量，第三列至第六列表示TPR平均值，F(xiàn)PR平均值，PPV平均值和NPV平均值(平均值或平均數(shù)量是算法對特定瑕疵類型的所有圖像檢測結(jié)果的平均值)，最后一列顯示了算法名稱，各列中的最優(yōu)值以加粗字體形式顯示。表1和表2標(biāo)有“概況”的最后五行分別表示對箱形圖像和星形圖像所有紡織品圖像的指標(biāo)平均值。表1顯示了箱形圖像的檢測結(jié)果，本發(fā)明方法的總體表現(xiàn)與RB相近，但TPR比RB和WGIS低。本發(fā)明方法的TPR在斷端類型達(dá)到最大值。

表1

表2羅列了星形圖像的檢測結(jié)果，本發(fā)明方法的TPR平均值在孔洞，網(wǎng)紋和細(xì)條紋均達(dá)到最優(yōu)，F(xiàn)PR平均值在除細(xì)條紋和斷端外的所有瑕疵類型中均為最優(yōu)，PPV平均值和NPV平均值在所有瑕疵類型中均為最優(yōu)。在標(biāo)有“概況”的最后五行中，本發(fā)明方法的總體TPR平均值，F(xiàn)PR平均值，PPV平均值和NPV平均值均為最優(yōu)。

表2

圖8和圖9是評估涉及的各算法TPR和FPR的散點(diǎn)圖(scatter plot)，兩幅圖都顯示了根據(jù)不同瑕疵類型每幅紡織品圖像檢測結(jié)果計算的TPR和FPR組成的坐標(biāo)點(diǎn)，例如箱形圖像的瑕疵類型斷端有5幅圖像，則圖8和圖9中標(biāo)有“箱形圖像斷端”的圖例中，每個算法在TPR-FPR坐標(biāo)系中都有5個以TPR和FPR為坐標(biāo)值的點(diǎn)，每個點(diǎn)的TPR和FPR坐標(biāo)分別表示算法對1幅瑕疵類型為斷端的箱形圖像檢測結(jié)果的TPR和FPR指標(biāo)值。有些散點(diǎn)圖中存在個別算法的坐標(biāo)點(diǎn)少于圖像個數(shù)的情況，這是由于有些圖像未被該算法識別為含瑕疵的圖像，因此不存在相應(yīng)的指標(biāo)值。TPR和FPR的理想值分別是1.00和0.00，對應(yīng)TPR-FPR坐標(biāo)系的左上角。圖8顯示了箱形圖像各算法檢測結(jié)果的TPR和FPR值，其中本發(fā)明方法的TPR較低，WGIS雖然有較高的TPR但FPR很高。對于星形圖像，即圖9所示，本發(fā)明方的TPR-FPR點(diǎn)非常接近坐標(biāo)系左上角，說明本發(fā)明方法具有較好的星形圖像檢測效果。

以上述依據(jù)本發(fā)明的理想實施例為啟示，通過上述的說明內(nèi)容，相關(guān)工作人員完全可以在不偏離本項發(fā)明技術(shù)思想的范圍內(nèi)，進(jìn)行多樣的變更以及修改。本項發(fā)明的技術(shù)性范圍并不局限于說明書上的內(nèi)容，必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。