基于視覺注意機制的織物起球等級評價方法與流程
本發(fā)明屬于織物表面評價方法技術(shù)領(lǐng)域，涉及一種基于視覺注意機制的織物起球等級評價方法。
背景技術(shù)：
織物起球不僅影響織物外觀，還會降低織物的穿著體驗，因而，織物起球等級評價是檢驗與控制織物質(zhì)量的重要指標。傳統(tǒng)的對織物起球等級的評價主要是依靠檢驗人員肉眼完成的，這種等級評價效果受到檢驗人員的個人經(jīng)驗、心理因素等主觀因素的影響，因而無法對織物起球等級做出客觀的評價。
目前，隨著計算機、圖像處理技術(shù)的發(fā)展，新的織物起球自動檢測與等級客觀評價算法不斷涌現(xiàn)，織物起球等級客觀評價方法很多，基于機器視覺的織物起球等級客觀評價方法逐漸成為研究的熱點。
在空間域內(nèi)，很多研究者做了大量的研究，并取得了一定的研究成果，但仍存在一定的不足：灰度直方圖統(tǒng)計法，主要是對織物灰度圖像進行灰度直方圖統(tǒng)計，再進行閾值分割，選取起球的面積數(shù)目作為特征參數(shù)，但是當織物紋理較復(fù)雜時，織物上的浮點容易被誤認為是毛球(K onda A，X in L C.Evaluation of Pilling by computer image analysis.Journal of the Textile Machinery Society o f Japan，1990，36(3):9 6-10)；支持向量機客觀評價法，使用支持向量機(SVM)的數(shù)據(jù)挖掘織物起球的性能并作出預(yù)測，但SVM的參數(shù)主要依靠經(jīng)驗來選擇，主觀性較強(Poh Hean Yap,Xungai Wang,Lijing Wang,and Kok-Leong Ong.Prediction of Wool Knitwear Pilling Propensity using Support Vector Machines[J].Textile Research Journal,2010,80(1):77-83)；高斯模板匹配法，運用了二維高斯擬合理論，用實際起球圖像訓(xùn)練起球模板，并用直方圖擬合技術(shù)確定合理的閾值來分割圖像，再提取起球數(shù)目、起球疵點的平均面積、起球的總面積、起球?qū)Ρ榷群兔芏热ビ?xùn)練起球特征，并通過建立相應(yīng)的公式評估起球等級，然而，訓(xùn)練出的起球模板是否是最佳匹配的起球模板，將會直接影響評估效果(Binjie Xin,Jinlian Hu,and Haojin Yan.Objective Evaluation of Fabric Pilling Using Image Analysis Techniques[J].Textile Research Journal,2002,72(12):1057-1064)；立體視覺客觀評估法，采用立體視覺進行立體評估,主要適合于柔軟的粗紗線織物起球等級評價，不適合堅硬的細紗線織物起球等級評價(Bugao Xu,Wurong Yu,and RongWu Wang.Stereovision for three-dimensional measurements of fabric pilling[J].Textile Research Journal,2011,81(20):2168-2179；K im S C，K an g T J.Evaluation of fabric pilling using hybrid imaging methods[J].Fibers and Polymers，2006，7(1):57-61)。
眾所周知，織物起球圖像通常包含周期性、非周期性的背景紋理信息、起球信息、光照信息以及噪聲信息，在空間域內(nèi)，這些信息相互糾纏，很難有效分離出起球信息。在變化域中，可以利用傅里葉變換濾除周期性紋理，然后提取織物起球的特征參數(shù)，實現(xiàn)對起球等級的客觀評價(Xu B.Instrumental evaluation of fabric Pillig[J].Joumal o f Textile Institute，1997，8(8):488-500)，然而，傅里葉變換是一種全局性的方法，并不能在空間域提供局部信息，當部分起球信息與周期性紋理信息頻率相同時，這部分周期性紋理信息無法被抑制(Shengqi Guan and Zhaoyuan Gao.Fabric defect image segmentation based on visual attention mechanism of wavelet domain[J].Textile Research Journal,2014,84(10):1018-1033)。另外，小波變換在時域和頻域具有表征信號局部特征能力，非常適合奇異信號的檢測，眾多學(xué)者利用小波多分辨率特性，抑制周期性非奇異紋理信息，實現(xiàn)對織物起球客觀評價(Stuart Palmer and Xungai Wang.Objective Classification of Fabric Pilling Based on the Two-Dimensional Discrete Wavelet Transform[J].Textile Research Journal,2003,73(8):713-720；Junmin Zhang,Xungai Wang,and Stuart Palmer.Performance of an Objective Fabric Pilling Evaluation Method[J].Textile Research Journal,2010,80(16):1648-1657)，然而，織物背景紋理不僅包括周期性紋理，還包括非周期性高頻噪聲，緩變的光照不均、背景紋理的不平度等，如果不將這部分信息從起球信息中分離出來，勢必會影響最終的檢測結(jié)果。
通過上面的分析可以看出，空間域和變換域疵點檢測方法都存在著一定的缺陷，空間域內(nèi)通常很難有效地將周期性背景紋理信息與起球缺陷有效地分離，變換域中也無法將所有背景紋理從織物起球信息中分離出去，在進行織物起球等級評價時，勢必會受到來自背景紋理信息的干擾，進而影響其客觀評價的效果。
而人類視覺系統(tǒng)在長期進化過程中，形成的視覺注意機制，能夠從復(fù)雜背景中迅速發(fā)現(xiàn)目標信息，利用人類的視覺注意機制，能夠抑制背景信息，提高檢測目標的顯著度(Navalpakkam,V.,Itti,L.Modeling the influence of task on attention[J].Vision Research,2005,45(2):205-231)。基于顯著紋理特征的織物疵點檢測方法，利用基于局部紋理的最佳窗口，通過提取與融合粗糙度、對比度和方向生成視覺顯著性特征圖來突出織物疵點區(qū)，但僅從織物疵點特征來提高顯著性，很難提高面積微小、數(shù)目眾多的起球疵點的顯著性，采用Ostu分割法也很難濾除噪聲等信息；基于視覺顯著性的平紋織物疵點檢測方法(管聲啟，高照元，吳寧，徐帥華.基于視覺顯著性的平紋織物疵點檢測[J].紡織學(xué)報,2014,35(4):56-61)，利用小波分解織物起球圖像，對不同圖層的子圖進行中央-周邊操作，將差分子圖融合形成顯著圖，然后，用最大類間方差分割法，進行織物疵點分割，這種方法選擇所有圖層的子圖進行中央-周邊操作，沒有考慮圖層子圖本身的信息，對一些中央圖層與周邊圖層子圖信息差異不大，或差異并不是起球疵點信息的圖層進行中央-周邊操作，不僅會增加計算量，而且起球等小疵點信息顯著度并沒有得到顯著提高，另外，最大類間方差分割法，同樣存在沒法消除起球等小疵點信息里的噪聲的缺陷。
可以看出，目前基于視注意機制的方法可以用于種類繁多的織物疵點檢測，但并不適合面積較小、對比度低、數(shù)目較多的織物起球圖像檢測，如何有效提高織物起球顯著性以及二值分割方法，直接影響著最終的起球等級客觀評價效果。
技術(shù)實現(xiàn)要素：
本發(fā)明的目的是提供一種基于視覺注意機制的織物起球等級評價方法，能夠快速、準確地對織物起球等級進行客觀評價。
本發(fā)明所采用的技術(shù)方案是，基于視覺注意機制的織物起球等級評價方法，包括以下步驟：
步驟1、采集織物起球圖像；
步驟2、對織物起球圖像進行小波多層分解：
步驟3、確定織物起球圖像的中央層子圖與周邊層子圖；
步驟4、構(gòu)建織物起球顯著圖；
步驟5、獲取織物起球目標；
步驟6、提取織物起球特征；
步驟7、對織物起球等級進行評價。
步驟2中，對織物起球圖像進行小波多層分解的具體步驟為：
選取DB2小波對織物起球圖像進行小波多層靜態(tài)分解：
設(shè)h為低通濾波器，g為高通濾波器，得到小波多層分解后的二維數(shù)字圖像：
其中：LLj-1(k1,k2)表示第j-1層近似子圖，LLj(x,y)、LHj(x,y)、HLj(x,y)、HHj(x,y)分別表示第j層近似子圖、第j層水平細節(jié)子圖、第j層垂直細節(jié)子圖、第j層對角線細節(jié)子圖，k1、k2表示濾波器系數(shù)序號，分別表示低通濾波器不同的濾波器系數(shù)，分別表示高通濾波器不同的濾波器系數(shù)。
步驟3中，確定織物起球圖像的中央層子圖與周邊層子圖的具體步驟為：
分別計算織物起球圖像的近似子圖能量、水平細節(jié)子圖能量、垂直細節(jié)子圖能量、對角線細節(jié)子圖能量：
分別表示第j層近似子圖能量、第j層水平細節(jié)子圖能量、第j層垂直細節(jié)子圖能量、第j層對角線細節(jié)子圖能量；
計算織物起球圖像的細節(jié)子圖能量：
表示第j層細節(jié)子圖能量，表示相加融合；
計算織物起球圖像的細節(jié)子圖能量梯度：
其中，表示第j-1層的細節(jié)子圖能量梯度，表示第j-1層細節(jié)子圖能量，分別表示第j-1層近似子圖能量、第j-1層水平細節(jié)子圖能量、第j-1層垂直細節(jié)子圖能量；
擬合織物起球圖像的細節(jié)子圖能量梯度曲線S；
選擇S中拐點處的細節(jié)子圖能量梯度所在層的后一層作為中央層，選擇中央層的后一層作為周邊層；選擇中央層的近似子圖、水平細節(jié)子圖、垂直細節(jié)子圖作為中央層子圖，選擇周邊層的近似子圖、水平細節(jié)子圖、垂直細節(jié)子圖作為周邊層子圖。
步驟4中，構(gòu)建織物起球顯著圖的具體步驟為：
步驟4.1、對中央層子圖和周邊層子圖進行高斯濾波，消除中央層子圖和周邊層子圖中的噪聲信息，提高起球顯著性；
其中，f(u,v,σ)表示高斯濾波函數(shù)，σ表示二維高斯函數(shù)，u,v分別表示σ的自變量，σ為f(u,v,σ)的標準差，即為f(u,v,σ)的寬度參數(shù)，選擇織物組織的基元尺寸半徑大小作為σ的值；
高斯濾波模板的尺寸選擇為(6σ+1)*(6σ+1)；
步驟4.2、在織物起球圖像的中央層子圖和周邊層子圖之間進行中央-周邊操作：
其中：Θ表示中央-周邊操作，c表示中央尺度，s表示周邊尺度，δs-c表示周邊尺度與中央尺度差，s＝c+δs-c，LL(δs-c)、LH(δs-c)和HL(δs-c)分別表示近似差分子圖、水平細節(jié)差分子圖和垂直細節(jié)差分子圖；
步驟4.3、對近似差分子圖、水平細節(jié)差分子圖、垂直細節(jié)差分子圖進行歸一化處理：
步驟4.4、對歸一化后的近似差分子圖、水平細節(jié)差分子圖和垂直細節(jié)差分子圖進行相加融合，形成織物起球顯著圖：
其中，表示相加融合，fs表示織物起球顯著圖。
步驟5中，獲取織物起球目標的具體步驟為：
統(tǒng)計fs的灰度概率密度分布，形成織物起球顯著圖的灰度直方圖H，以H的輪廓曲線梯度最小處所對應(yīng)的灰度值，作為織物起球分割的閾值δ，對fs進行閾值分割，形成織物起球顯著二值圖：
對織物起球顯著二值圖進行濾波，獲得織物起球目標：
其中：δ表示織物起球分割的閾值，[fs(x,y)]表示織物起球顯著二值圖，Si[fs(x,y)]表示織物起球顯著二值圖中的第i個前景目標區(qū)域的面積，mean{Si[fs(x,y)]}表示織物起球顯著二值圖的前景目標區(qū)域的平均面積；
步驟6中，提取織物起球特征的具體步驟為：
從織物起球目標中，采用連通鄰域法統(tǒng)計起球數(shù)目N；
計算起球平均面積Aavg：
計算起球密度pd：
其中，Ai表示第i個起球面積，Ainteresting表示織物起球圖像的面積；
將起球數(shù)目N、起球平均面積Aavg、起球密度pd作為起球特征。
步驟7中，對織物起球等級進行評價的具體步驟為：
步驟7.1：獲取起球標準特征庫
在紡織行業(yè)起球數(shù)據(jù)庫中的1～5級起球標準圖像中，每個等級隨機選取若干幅起球標準圖像，按照步驟6提取起球標準圖像的起球特征，組成1～5級起球標準特征庫A；
步驟7.2：獲取待測織物的起球特征
按照步驟1～步驟6，提取待測織物的起球特征；
步驟7.3：起球等級評價
將待測織物的起球特征分別與A中的起球特征進行比較，如果待測織物的起球特征符合A中某級的起球特征，即可判斷待測織物的起球等級為該級。
本發(fā)明的有益效果是：
(1)由于構(gòu)建織物起球顯著之前，采用小波多層靜態(tài)分解，得到織物起球圖像的細節(jié)子圖能量梯度曲線，準確確定織物起球圖像的中央層子圖與周邊層子圖，再進行中央-周邊操作，提高了起球目標顯著性、減少了計算量；
(2)在獲取織物起球目標時，以織物起球顯著圖的灰度直方圖的輪廓曲線梯度最小處所對應(yīng)的灰度值，作為織物起球分割的閾值，能夠有效分割出起球信息；同時，以分割出的各前景目標區(qū)域的平均面積作為濾波閾值，有效濾除噪聲信息，提取織物起球特征，進而快速、準確地對織物起球等級進行客觀評價。
附圖說明
圖1是基于視覺注意機制的織物起球等級評價方法的流程圖；
圖2是小波4層靜態(tài)分解中第一層的近似子圖；
圖3是小波4層靜態(tài)分解中第二層的近似子圖；
圖4是小波4層靜態(tài)分解中第三層的近似子圖；
圖5是小波4層靜態(tài)分解中第四層的近似子圖；
圖6是小波4層靜態(tài)分解中第一層的水平細節(jié)子圖；
圖7是小波4層靜態(tài)分解中第二層的水平細節(jié)子圖；
圖8是小波4層靜態(tài)分解中第三層的水平細節(jié)子圖；
圖9是小波4層靜態(tài)分解中第四層的水平細節(jié)子圖；
圖10是小波4層靜態(tài)分解中第一層的垂直細節(jié)子圖；
圖11是小波4層靜態(tài)分解中第二層的垂直細節(jié)子圖；
圖12是小波4層靜態(tài)分解中第三層的垂直細節(jié)子圖；
圖13是小波4層靜態(tài)分解中第四層的垂直細節(jié)子圖；
圖14是小波4層靜態(tài)分解中第一層的對角線細節(jié)子圖；
圖15是小波4層靜態(tài)分解中第二層的對角線細節(jié)子圖；
圖16是小波4層靜態(tài)分解中第三層的對角線細節(jié)子圖；
圖17是小波4層靜態(tài)分解中第四層的對角線細節(jié)子圖；
圖18是織物起球圖像的細節(jié)子圖能量梯度曲線圖；
圖19是織物起球圖像的近似差分子圖；
圖20是織物起球圖像的水平細節(jié)差分子圖；
圖21是織物起球圖像的垂直細節(jié)差分子圖；
圖22是織物起球顯著圖的二維視圖；
圖23是織物起球顯著圖的三維視圖；
圖24是織物起球顯著二值圖；
圖25是前景目標面積分布示意圖；
圖26是織物起球目標示意圖；
圖27客觀評價和主觀評價起球等級評價用時比較圖；
圖28客觀評價起球等級的準確率圖；
圖29主觀評價起球等級的準確率圖；
圖30加入σ為0.01的高斯噪聲后客觀評價起球等級的準確率圖；
圖31加入σ為0.01的高斯噪聲后主觀評價起球等級的準確率圖；
圖32加入σ為0.03的高斯噪聲后客觀評價起球等級的準確率圖；
圖33加入σ為0.03的高斯噪聲后主觀評價起球等級的準確率圖。
具體實施方式
下面結(jié)合附圖和具體實施方式對本發(fā)明進行詳細說明。
如圖1所示，基于視覺注意機制的織物起球等級評價方法，包括以下步驟：
步驟1、采集織物起球圖像；
步驟2、對織物起球圖像進行小波多層分解：
步驟3、確定織物起球圖像的中央層子圖與周邊層子圖；
步驟4、構(gòu)建織物起球顯著圖；
步驟5、獲取織物起球目標；
步驟6、提取織物起球特征；
步驟7、對織物起球等級進行評價。
步驟2中，對織物起球圖像進行小波多層分解的具體步驟為：
選取DB2小波對織物起球圖像進行小波多層靜態(tài)分解：
為了實現(xiàn)織物起球圖像中的周期性紋理信息與起球信息分離，必須選擇合適的小波對織物起球圖像進行多層分解；織物起球信息屬于正常信號的奇異點，即奇異信號，檢測奇異信號必須選擇具有有利于奇異點定位的緊支性、有利于起球局域化分析的震蕩性和快速衰減性、有利于數(shù)值計算正交性的小波，且小波的支集長度越短越有利于起球信息的定位和計算量的減??；DB2小波不僅具有緊支性、良好的振蕩性和快速衰減性、正交性，而且支集長度最短，因此，選擇DB2小波對織物起球圖像進行小波多層靜態(tài)分解；
小波多層靜態(tài)分解層數(shù)確定原則：采用DB2小波每分解一層時，計算當層細節(jié)子圖能量占當層各子圖總能量的比重，當某層細節(jié)子圖能量占當層各子圖總能量的比重最大時，該層所在層數(shù)即為最大分解層數(shù)；
以選取DB2小波對織物起球圖像進行小波4層靜態(tài)分解為例：
設(shè)h為低通濾波器，g為高通濾波器，得到小波4層靜態(tài)分解后的二維數(shù)字圖像：
其中：LLj-1(k1,k2)表示第j-1層近似子圖，LLj(x,y)、LHj(x,y)、HLj(x,y)、HHj(x,y)分別表示第j層近似子圖、第j層水平細節(jié)子圖、第j層垂直細節(jié)子圖、第j層對角線細節(jié)子圖，k1、k2表示濾波器系數(shù)序號，分別表示低通濾波器不同的濾波器系數(shù)，分別表示高通濾波器不同的濾波器系數(shù)。
織物起球圖像小波4層靜態(tài)分解的效果如圖2～圖17所示；
步驟3中，確定織物起球圖像的中央層子圖與周邊層子圖的具體步驟為：
分別計算織物起球圖像的近似子圖能量、水平細節(jié)子圖能量、垂直細節(jié)子圖能量、對角線細節(jié)子圖能量：
分別表示第j層近似子圖能量、第j層水平細節(jié)子圖能量、第j層垂直細節(jié)子圖能量、第j層對角線細節(jié)子圖能量；
計算織物起球圖像的細節(jié)子圖能量：
表示第j層細節(jié)子圖能量，表示表示相加融合；
織物起球圖像的細節(jié)子圖能量包含水平細節(jié)子圖能量與垂直細節(jié)子圖能量之和，對角線細節(jié)子圖以噪聲信息為主，細節(jié)子圖能量不包含對角線細節(jié)子圖能量；
計算織物起球圖像的細節(jié)子圖能量梯度：
其中，表示第j-1層的細節(jié)子圖能量梯度，表示第j-1層細節(jié)子圖能量，分別表示第j-1層近似子圖能量、第j-1層水平細節(jié)子圖能量、第j-1層垂直細節(jié)子圖能量；
擬合織物起球圖像的細節(jié)子圖能量梯度曲線S，如圖18所示；
選擇S中拐點處的細節(jié)子圖能量梯度所在層的后一層作為中央層，選擇中央層的后一層作為周邊層；選擇中央層的近似子圖、水平細節(jié)子圖、垂直細節(jié)子圖作為中央層子圖，選擇周邊層的近似子圖、水平細節(jié)子圖、垂直細節(jié)子圖作為周邊層子圖。
正常的織物紋理是一種結(jié)構(gòu)化的周期性的紋理，其信息非常豐富，能量較大，當織物起球圖像的細節(jié)子圖不含周期性紋理信息，僅以起球信息為主時，織物起球圖像的細節(jié)子圖能量會發(fā)生突變，S的拐點即為正常周期性紋理與起球信息的分界點，分界處的前一層主要包含周期性紋理信息，分界處的后一層主要包含起球信息，選擇主要包含起球信息的子圖作為中央層子圖，選擇主要包含非周期性的背景紋理信息的子圖作為周邊層子圖。
如圖18所示，S在出現(xiàn)拐點，說明第2層的細節(jié)子圖主要包含豐富的紋理信息，第3層的細節(jié)子圖主要包含起球信息，第4層的細節(jié)子圖為非周期性的背景紋理信息；因而，在圖4、圖8、圖12、圖16中，LL3、LH3、HL3子圖中主要包含起球近似信息和細節(jié)信息，還有部分緩慢變化的背景紋理信息和光照不均信息，而周期性紋理信息被有效抑制；在圖5、圖9、圖13、圖17中，LL4、LH4、HL4子圖中主要為緩變的織物不平度、光照不均的近似信息和細節(jié)信息；如果在第三層子圖與第四層子圖之間進行中央-周邊差分操作必將抑制緩變的背景信息，有利于起球顯著度的提高；因此，選用第三層的LL3、LH3、HL3子圖作為中央層子圖，選用第四層的LL4、LH4、HL4子圖作為周邊層子圖。
步驟4中，構(gòu)建織物起球顯著圖的具體步驟為：
步驟4.1、對中央層子圖和周邊層子圖進行高斯濾波，消除中央層子圖和周邊層子圖中的噪聲信息，提高起球顯著性；
其中，f(u,v,σ)表示高斯濾波函數(shù)，σ表示二維高斯函數(shù)，u,v分別表示σ的自變量，σ為f(u,v,σ)的標準差，即為f(u,v,σ)的寬度參數(shù)，選擇織物組織的基元尺寸半徑大小作為σ的值；
高斯濾波函數(shù)進行濾波時，必須在一定尺寸的濾波窗口進行，高斯濾波模板尺寸的選擇即為濾波窗口尺寸的選擇；高斯濾波模板尺寸與σ有關(guān)，當高斯濾波模板尺寸大于6σ時濾波作用很小，因此，起球疵點的高斯濾波模板尺寸選擇為(6σ+1)*(6σ+1)；
步驟4.2、在織物起球圖像的中央層子圖和周邊層子圖之間進行中央-周邊操作：
其中：Θ表示中央-周邊操作，c表示中央尺度，s表示周邊尺度，δs-c表示周邊尺度與中央尺度差，s＝c+δs-c，LL(δs-c)、LH(δs-c)和HL(δs-c)分別表示近似差分子圖、水平細節(jié)差分子圖和垂直細節(jié)差分子圖；中央-周邊操作保留了中央層子圖和周邊層子圖的差異信息，從而提高了織物起球圖像的顯著性；
對中央層子圖和周邊層子圖進行中央-周邊操作，得到如圖19所示的近似差分子圖、如圖20所示的水平細節(jié)差分子圖、如圖21所示的垂直細節(jié)差分子圖，能夠看出，各差分子圖分別對應(yīng)的起球近似信息、水平細節(jié)信息以及垂直細節(jié)信息顯著性得到了提高；
步驟4.3、對近似差分子圖、水平細節(jié)差分子圖、垂直細節(jié)差分子圖進行歸一化處理：
步驟4.4、對歸一化后的近似差分子圖、水平細節(jié)差分子圖和垂直細節(jié)差分子圖進行相加融合，形成起球顯著圖：
其中，表示相加融合，fs表示織物起球顯著圖；
fs的二維視圖如圖22所示，能夠看出，織物起球圖像的背景周期紋理、光照不均等被有效抑制；fs的三維視圖如圖23所示，能夠看出，織物起球圖像的起球信息顯著度明顯得到了提高。
步驟5中，獲取織物起球目標的具體步驟為：
統(tǒng)計fs的灰度概率密度分布，形成織物起球顯著圖的灰度直方圖H，以H的輪廓曲線梯度最小處所對應(yīng)的灰度值(即為H的積分面積的95％左右所對應(yīng)的灰度值)，作為織物起球分割的閾值δ，對fs進行閾值分割，形成織物起球顯著二值圖：
以H的積分面積的95％所對應(yīng)的灰度值作為起球分割的閾值δ為例，對fs進行閾值分割：
如圖24所示，形成的織物起球顯著二值圖包含起球、噪聲等前景目標；
前景目標面積分布如圖25所示：噪聲面積較小，而起球面積較大；
對織物起球顯著二值圖進行濾波，獲得織物起球目標：
其中：δ表示織物起球分割的閾值，[fs(x,y)]表示織物起球顯著二值圖，Si[fs(x,y)]表示織物起球顯著二值圖中的第i個前景目標區(qū)域的面積，mean{Si[fs(x,y)]}表示織物起球顯著二值圖的前景目標區(qū)域的平均面積；
如圖26所示，獲得的織物起球目標中的大量噪聲被有效抑制，織物起球目標清晰。
步驟6中，提取織物起球特征的具體步驟為：
從織物起球目標中，采用連通鄰域法統(tǒng)計起球數(shù)目N；
以采用八連通鄰域法統(tǒng)計起球數(shù)目N為例：
計算起球平均面積Aavg：
計算起球密度pd：
其中，Ai表示第i個起球面積，Ainteresting表示織物起球圖像的面積；
將起球數(shù)目N、起球平均面積Aavg、起球密度pd作為起球特征；
步驟7中，對織物起球等級進行評價的具體步驟為：
步驟7.1:獲取起球標準特征庫
在紡織行業(yè)起球數(shù)據(jù)庫中的1～5級起球標準圖像中，每個等級隨機選取100幅起球標準圖像，按照步驟6提取起球標準圖像的起球特征，組成1～5級起球標準特征庫A；
步驟7.2：獲取待測織物的起球特征
按照步驟1～步驟6，提取待測織物的起球特征；
步驟7.3:起球等級評價
將待測織物的起球特征分別與A中的起球特征進行比較，如果待測織物的起球特征符合A中某級的起球特征，即可判斷待測織物的起球等級為該級。
如圖27所示，客觀評價采用基于視覺注意機制的織物起球等級評價方法，主觀評價采用人工主觀評價，分別統(tǒng)計采用兩種方法評價對每個進行起球等級評價平均用時；從A中每個等級隨機選取20幅起球標準圖像，總共100幅起球標準圖像，作為測試圖像，從圖27中看出，客觀評價對各個等級進行起球等級評價用時均小于主觀評價進行起球等級評價用時，說明基于視覺注意機制的織物起球等級評價方法具有更快的起球等級評價速度。
如圖28、圖29所示，客觀評價采用基于視覺注意機制的織物起球等級評價方法，主觀評價采用3名檢驗人員進行人工評價，當3名檢驗人員評價結(jié)果不一致時，采用少數(shù)服從多數(shù)原則進行評價結(jié)果認定，如果結(jié)果互不一致，裁定此次主觀評價無效,對選取的100幅測試圖像進行評價，根據(jù)圖28能夠看出，客觀評價，96幅測試圖像得到正確的等級評價，起球等級評價準確率為96％；根據(jù)圖29能夠看出，主觀評價，90幅測試圖像得到正確的等級評價，起球等級評價準確率為90％；說明，基于視覺注意機制的織物起球等級評價方法的準確率高于人工主觀評價的準確率。
如圖30、圖31、圖32、圖33所示，在測試圖像中添加均值μ＝0，標準差σ分別為0.01，0.03的高斯噪聲之后，客觀評價與主觀評價準確率對比；從起球等級評價結(jié)果看：客觀評價，起球等級評價準確率達到93％以上，具有較強抗噪聲能力；主觀評價，起球等級評價準確率分別為88％和83％，準確率遠低于客觀評價；說明，基于視覺注意機制的織物起球等級評價方法的準確率高于人工主觀評價的準確率。
人類視覺系統(tǒng)在數(shù)據(jù)驅(qū)動下，準確找到中央圖層與周邊圖層也能減少計算量，通過具有差異信息的中央圖層與周邊圖層之間的中央-周邊操作，從而提高檢測目標的顯著性，在此基礎(chǔ)上形成顯著圖，有利于快速而準確地檢測目標；另外，視覺系統(tǒng)往往利用目標本身特點形成目標興趣區(qū)，也有利于準確地檢測目標。通過上述方式，本發(fā)明基于視覺注意機制的織物起球等級評價方法，把視覺注意機制引入到織物起球等級客觀評價中，通過準確選擇中央層子圖與周邊層子圖并在它們之間進行中央-周邊操作，能夠提高起球目標的顯著性、減少計算量；另外，對織物起球顯著圖進行閾值分割和濾波，能夠有效提取起球目標；在此基礎(chǔ)上，提取織物起球特征，進而快速、準確地對織物起球等級進行客觀評價。
- 還沒有人留言評論。精彩留言會獲得點贊！