本發(fā)明涉及織物疵點(diǎn)檢測(cè)技術(shù)領(lǐng)域,特別是涉及一種基于改進(jìn)閾值分割的織物疵點(diǎn)檢測(cè)方法。
背景技術(shù):
在紡織品生產(chǎn)過程中,產(chǎn)品質(zhì)量檢測(cè)是極其重要的一步。一般織物的疵點(diǎn)類型有破洞、油污、粗緯、跳紗等。傳統(tǒng)織物的疵點(diǎn)檢測(cè)主要靠人工完成。人工檢測(cè)是一項(xiàng)枯燥繁重的勞動(dòng),檢測(cè)速度慢,也易產(chǎn)生漏檢和錯(cuò)檢。目前基于視覺檢測(cè)的織物疵點(diǎn)自動(dòng)檢測(cè)系統(tǒng)已經(jīng)開始出現(xiàn),如國外有瑞士Uster公司生產(chǎn)的Fabriscan自動(dòng)驗(yàn)布機(jī)、以色列Evs公司的I-TEX驗(yàn)布機(jī)、比利時(shí)Barco公司的Cyclops驗(yàn)布機(jī)。這幾類驗(yàn)布機(jī)在硬件結(jié)構(gòu)和軟件準(zhǔn)確率都較為領(lǐng)先,但其價(jià)格極高,檢測(cè)不相同的布匹效果不一。而國內(nèi)有能力研制的公司不多,試驗(yàn)檢測(cè)的成功率不高,檢測(cè)的缺陷類別有限,還沒有達(dá)到滿足面向市場(chǎng)的要求。
因此,生產(chǎn)出系統(tǒng)更穩(wěn)定,檢測(cè)更高速、準(zhǔn)確的織物疵點(diǎn)檢測(cè)系統(tǒng)是當(dāng)今紡織品生產(chǎn)企業(yè)的迫切需求。隨著信息科學(xué)技術(shù)和圖像處理技術(shù)的發(fā)展,以視覺處理為基礎(chǔ)的織物疵點(diǎn)檢測(cè)系統(tǒng)是研究的一個(gè)熱門,而系統(tǒng)的核心則是疵點(diǎn)檢測(cè)算法,重點(diǎn)是做到高速和高精度兩個(gè)要求。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明所要解決的技術(shù)問題是提供一種基于改進(jìn)閾值分割的織物疵點(diǎn)檢測(cè)方法,能夠?qū)Υ命c(diǎn)進(jìn)行更準(zhǔn)確地分割。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:提供一種基于改進(jìn)閾值分割的織物疵點(diǎn)檢測(cè)方法,包括以下步驟:
(1)對(duì)采集圖像進(jìn)行預(yù)處理;
(2)根據(jù)圖像的灰度值設(shè)定初始閾值,將圖像中灰度值不大于初始閾值的像素分為背景,將灰度值大于初始閾值的像素分為疵點(diǎn)目標(biāo);
(3)計(jì)算背景、疵點(diǎn)目標(biāo)和整幅圖像的灰度均值;
(4)根據(jù)得到的灰度均值計(jì)算背景和疵點(diǎn)目標(biāo)的類內(nèi)方差和類間方差;
(5)根據(jù)得到的類內(nèi)方差和類間方差確定最優(yōu)閾值;
(6)根據(jù)得到的最優(yōu)閾值與像素點(diǎn)的像素值進(jìn)行比較確定疵點(diǎn)目標(biāo)。
所述步驟(1)中通過中值濾波的方式對(duì)采集圖像進(jìn)行去噪處理。
所述步驟(5)中最優(yōu)閾值的確定準(zhǔn)則為其中,t*為最優(yōu)閾值,Pi表示灰度為i的像素的頻數(shù),μB(t)為初始閾值下背景的灰度均值,μo(t)為初始閾值下疵點(diǎn)目標(biāo)的灰度均值。
所述步驟(6)中像素點(diǎn)的像素值為該像素及其領(lǐng)域像素灰度值的平均值。
有益效果
由于采用了上述的技術(shù)方案,本發(fā)明與現(xiàn)有技術(shù)相比,具有以下的優(yōu)點(diǎn)和積極效果:本發(fā)明可以準(zhǔn)確進(jìn)行疵點(diǎn)分割,在選取最優(yōu)分割閾值時(shí),考慮織物疵點(diǎn)圖像的直方圖特性,該類圖像的直方圖并沒有明顯的雙峰特性,背景類像素較為分散,原始的Ostu算法不太適用。本發(fā)明的閾值選擇原則在最小類內(nèi)差準(zhǔn)則的基礎(chǔ)上,用類的直方圖灰度區(qū)間將其方差進(jìn)行標(biāo)準(zhǔn)化,在對(duì)每個(gè)像素進(jìn)行分類的時(shí)候,采取相鄰像素去均值代替原始像素,更好地減小噪聲對(duì)分割的影響。
附圖說明
圖1是本發(fā)明的流程圖;
圖2是織物疵點(diǎn)圖像示意圖;
圖3是預(yù)處理后圖像示意圖;
圖4是閾值分割后的二值化圖像示意圖。
具體實(shí)施方式
下面結(jié)合具體實(shí)施例,進(jìn)一步闡述本發(fā)明。應(yīng)理解,這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解,在閱讀了本發(fā)明講授的內(nèi)容之后,本領(lǐng)域技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改,這些等價(jià)形式同樣落于本申請(qǐng)所附權(quán)利要求書所限定的范圍。
本發(fā)明的實(shí)施方式涉及一種基于改進(jìn)閾值分割的織物疵點(diǎn)檢測(cè)方法,首先對(duì)采集到的物圖像進(jìn)行預(yù)處理,采用中值濾波去除噪聲干擾,然后根據(jù)最優(yōu)閾值準(zhǔn)則確定最優(yōu)閾值,最后用鄰近像素均值與閾值比較,得到分割結(jié)果。如圖1所示,具體包括以下步驟:
(1)對(duì)采集圖像進(jìn)行預(yù)處理
采用的樣本圖像來源是CCD工業(yè)攝像機(jī),圖像類型為灰度圖片,見圖2。在采集圖片過程中,圖像易受光源、光學(xué)系統(tǒng)等影響而有噪聲污染,因此必須對(duì)圖像進(jìn)行預(yù)處理。本實(shí)施方式中預(yù)處理方法采用濾波來改善圖像質(zhì)量,中值濾波對(duì)某些隨機(jī)的噪聲具有很強(qiáng)的降噪能力,且能較好地保留原始的圖像信息。圖3為經(jīng)過終止濾波處理后的圖像。
(2)圖像分類
令一副M行N列的灰度圖像的灰度級(jí)數(shù)為L(zhǎng),其中灰度為i的像素個(gè)數(shù)為ni,灰度為i的像素的頻數(shù)為pi。設(shè)定初始閾值t,將原始圖像中灰度不大于t的像素分為背景B,而把灰度大于t的像素分為疵點(diǎn)目標(biāo)。
(3)計(jì)算兩類像素的灰度均值和整幅圖像的灰度均值
背景B類和疵點(diǎn)目標(biāo)O類中的像素的類內(nèi)灰度均值分別為:
其中,PB(t)為初始閾值下背景B的像素個(gè)數(shù),PO(t)為初始閾值下疵點(diǎn)目標(biāo)O的像素個(gè)數(shù)。
所有像素的平均灰度為:
(4)計(jì)算兩類像素的類內(nèi)方差和類間方差
背景O類和疵點(diǎn)目標(biāo)O類的類內(nèi)方差分別定義為:
令為初始閾值t所分割的兩類的類內(nèi)方差:
令為初始閾值t分割的兩類的類間方差:
(5)最優(yōu)閾值的判定
一般的最佳閾值選取準(zhǔn)則為:
等價(jià)于:
從式(6)和(7)可以看出,最大類間差準(zhǔn)則等價(jià)于最小類內(nèi)差準(zhǔn)則。該準(zhǔn)則適用于直方圖雙峰明顯,目標(biāo)和背景兩類方差差異不大的情況。
本實(shí)施方式中,在最小類內(nèi)差準(zhǔn)則基礎(chǔ)上,用類的直方圖灰度區(qū)間將其方差進(jìn)行標(biāo)準(zhǔn)化,選取最優(yōu)閾值為:
其中,Pi表示灰度為i的像素的頻數(shù),由式(8)可知,當(dāng)取最小值時(shí),閾值取得最佳值。
(6)圖像分割
傳統(tǒng)的閾值分割算法分割過程對(duì)每一個(gè)像素點(diǎn)進(jìn)行分類時(shí),是比較這個(gè)像素點(diǎn)的灰度值和閾值的大小。本發(fā)明在進(jìn)行比較的時(shí)候,考慮這個(gè)像素點(diǎn)和周圍像素點(diǎn)的灰度值,以減少噪聲對(duì)分割的影響。
記某個(gè)像素點(diǎn)為P(i,j),則該像素的鄰域像素為P(i-1,j),P(i,j-1),P(i,j+1),P(i+1,j),取這幾個(gè)像素灰度值的平均值作為新的像素值,即
將得到的新的像素灰度值N(i,j)與最佳閾值進(jìn)行比較,
其中,t*為最佳閾值,若新的像素灰度值N(i,j)不大于閾值t*,則為背景,若大于t*,則為疵點(diǎn)目標(biāo),最終得到如圖4所示的圖像。
不難發(fā)現(xiàn),本發(fā)明可以準(zhǔn)確進(jìn)行疵點(diǎn)分割,在選取最優(yōu)分割閾值時(shí),考慮織物疵點(diǎn)圖像的直方圖特性,該類圖像的直方圖并沒有明顯的雙峰特性,背景類像素較為分散,原始 的Ostu算法不太適用。本發(fā)明的閾值選擇原則在最小類內(nèi)差準(zhǔn)則的基礎(chǔ)上,用類的直方圖灰度區(qū)間將其方差進(jìn)行標(biāo)準(zhǔn)化,在對(duì)每個(gè)像素進(jìn)行分類的時(shí)候,采取相鄰像素去均值代替原始像素,更好地減小噪聲對(duì)分割的影響。