本發(fā)明涉及一種基于類格圖案及其gabor特征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,etal..fdas:aknowledge-basedframeworkforanalysisofdefectsinwoventextilestructures,j.text.inst.83(1992)431–448.),機(jī)器自動(dòng)識別紡織品瑕疵的方法具有實(shí)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(wallpapergroup)定義的圖案排列方法生成(k.srinivasan,p.h.dastoor,p.radhakrishnaiah,etal..fdas:aknowledge-basedframeworkforanalysisofdefectsinwoventextilestructures,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(dòng)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.automatedfabricdefectdetection—areview,imageandvisioncomputing29(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-processedgoldenimagesubtraction,以下簡稱wgis,出自文獻(xiàn):h.y.t.ngan,g.k.h.pang,n.h.c.yung,etal.,waveletbasedmethodsonpatternedfabricdefectdetection,patternrecognit.38(4)(2005)559–576),共生矩陣方法,布林帶方法(bollingerbands,以下簡稱bb,出自文獻(xiàn):h.y.t.ngan,g.k.h.pang,novelmethodforpatternedfabricinspectionusingbollingerbands,opt.eng.45(8)(2006)087202-1–087202-15),規(guī)則帶方法(regularbands,以下簡稱rb,出自文獻(xiàn):h.y.t.ngan,g.k.h.pang,regularityanalysisforpatternedtextureinspection,ieeetrans.autom.sci.eng.6(1)(2009)131–144),elo評估方法(eloratingmethod,以下簡稱er,出自文獻(xiàn)c.s.c.tsang,h.y.t.ngan,g.k.h.pang,fabricinspectionbasedontheeloratingmethod,patternrecognit.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(jì)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(yàn)知識在一定程度上降低了機(jī)器識別紡織品瑕疵的自動(dòng)化程度。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明要解決的技術(shù)問題是:為了解決現(xiàn)有紡織品瑕疵自動(dòng)檢測方法仍基于人工選擇或人工定義,自動(dòng)化程度不高的不足,本發(fā)明提供一種基于類格圖案及其gabor特征的紡織品瑕疵檢測方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種基于類格圖案及其gabor特征的紡織品瑕疵檢測方法,包括以下步驟:
一種基于類格圖案及其gabor特征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;
校準(zhǔn)圖像:使用hough變換確定理想校準(zhǔn)角度,以理想校準(zhǔn)角度旋轉(zhuǎn)圖像得到校準(zhǔn)后圖像;
類格圖案分割:分割校準(zhǔn)后圖像以產(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ic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;
距離計(jì)算: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(jì)算其能量和振幅,根據(jù)能量和振幅計(jì)算特征向量;計(jì)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(jì)算理想特征向量;每個(gè)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
直方圖分析:分析距離計(jì)算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。
具體步驟為:
校準(zhǔn)圖像步驟:使用canny邊緣檢測生成輸入圖像的邊緣圖像,使用hough變換將邊緣圖像投影至參數(shù)空間,獲取參數(shù)空間中的峰值所對應(yīng)直線的斜率,根據(jù)斜率所對應(yīng)角度的負(fù)值旋轉(zhuǎn)輸入圖像并計(jì)算其背景像素的橫向與縱向投影
類格圖案分割步驟:使用形態(tài)學(xué)成分分析方法計(jì)算校準(zhǔn)后圖像的卡通成分ic,使用閾值fc·max(ic)二值化卡通成分ic得到二值圖像itc,分別按行列索引順序排列itc中每行和每列的背景像素?cái)?shù),即橫向與縱向投影
距離計(jì)算步驟:使用gabor濾波器組與類格圖案
直方圖分析步驟:計(jì)算矩陣
本發(fā)明的有益效果是,本發(fā)明的基于類格圖案及其gabor特征的紡織品瑕疵檢測方法,基于各向同性類格圖案分割方法和gabor特征距離計(jì)算方法,能夠從紋理相同但角度各異的紡織品圖像中自動(dòng)分割類格圖案,針對類格圖案的基于gabor特征提取和距離比較進(jìn)行瑕疵識別,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(dòng)定位紡織品表面瑕疵的計(jì)算方法。本發(fā)明特別適用于自動(dòng)識別在穩(wěn)定照明光源下采集的紋理相同但角度各異的紡織品平坦表面的數(shù)字圖像中的紡織品表面瑕疵。
附圖說明
下面結(jié)合附圖和實(shí)施例對本發(fā)明進(jìn)一步說明。
圖1是本發(fā)明的步驟示意圖。
圖2是本發(fā)明的假設(shè)條件展示圖。
圖3是紋理相同但方向各異的紡織品圖像背景像素分布圖。
圖4是圖像校準(zhǔn)的大體流程圖。
圖5是圖像旋轉(zhuǎn)的大體流程圖。
圖6是算法4的基本原理圖。
圖7是計(jì)算sh初始值的基本原理圖。
圖8是投影的概念圖。
圖9是有瑕疵的類格圖案其特征向量與無瑕疵存在不同的示例圖。
圖10是典型類格圖案的計(jì)算示意圖。
圖11是距離矩陣的計(jì)算示意圖。
圖12是本發(fā)明方法對箱形紡織品圖像的處理效果圖:(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13是本發(fā)明方法對星形紡織品圖像的處理效果圖:(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(shí)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.
2.
3.
4.
5.t表示矩陣或向量轉(zhuǎn)置。
6.
7.{ai}表示由索引i確定的由元素ai組成的集合或多重集。
8.|s|表示集合s中的元素個(gè)數(shù)。
9.avg(s):計(jì)算集合或多重集s的均值,s的元素均為實(shí)數(shù)。
10.std(s):計(jì)算集合或多重集s的標(biāo)準(zhǔn)差,s的元素均為實(shí)數(shù)。
11.med(s):計(jì)算集合或多重集s的中位值,s的元素均為實(shí)數(shù)。
12.mod(s):計(jì)算多重集s的眾數(shù),s的元素均為實(shí)數(shù)。
13.max(s)表示找出集合或多重集s的元素最大值,例如max(ic)代表ic中像素的最大灰度值。
14.
15.min(s)表示找出集合或多重集s的元素最小值,例如min(ic)代表ic中像素的最小灰度值。
16.argmaxsf(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。
17.argminsf(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。
18.argmaxsf1(s),f2(s)表示在函數(shù)f1和f2的定義域交集內(nèi)變量s的取值范圍中,使得函數(shù)f1(s)和f2(s)取最大值的s。
19.argmodi({ai})表示對應(yīng)多重集{ai}眾數(shù)mod({ai})的索引。
20.dimx(i)表示二維圖像i的總行數(shù),dimy(i)表示i的總列數(shù)。
21.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
22.紡織品圖像卡通成分ic: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(localdiscretecosinetransform,以下簡稱dct)的形態(tài)成分分析方法(morphologicalcomponentanalysis,以下簡稱mca)所計(jì)算的具有光滑邊緣圖案的圖像稱為卡通成分ic,ic是一幅灰度圖像。
23.閾值系數(shù)fc:用于二值化ic的參數(shù),該參數(shù)由算法3計(jì)算得到。
24.二值化卡通成分itc:使用fc·max(ic)作為閾值二值化ic所得到的二值圖像,其中1表示前景像素,即ic中灰度值不小于閾值的像素,0表示背景像素。itc與ic的行數(shù)和列數(shù)相同。
25.橫向投影
26.縱向投影
27.
28.
29.
30.
31.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(gè)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?cái)?shù)稱為dct尺寸的寬,一列的像素?cái)?shù)稱為dct尺寸的高。
32.
33.
34.k:hc算法的聚類個(gè)數(shù),用于指定hc算法的聚類個(gè)數(shù),
35.s′h:
36.s′v:
37.
38.
39.穩(wěn)定行間距:
40.穩(wěn)定列間距:
41.
42.
43.
44.
45.sh:sh的初始值為產(chǎn)生
46.sv:sv的初始值為產(chǎn)生
47.類格圖案分界:sh中行索引所對應(yīng)的ic中的行與sv中列索引所對應(yīng)的ic中的列。
48.理想行數(shù)
49.理想列數(shù)
50.類格圖案:在itc中,根據(jù)sh中行索引對應(yīng)的行與sv中列索引對應(yīng)的列,將itc分割為矩形區(qū)域,矩形區(qū)域稱為類格圖案,其中sh中行索引對應(yīng)的行與sv中列索引對應(yīng)的列不包含在類格圖案里。
51.maxx(a)表示包含行列索引(x,y)的集合a中,行索引x的最大值。
52.minx(a)表示包含行列索引(x,y)的集合a中,行索引x的最小值
53.maxy(a)表示包含行列索引(x,y)的集合a中,列索引y的最大值。
54.miny(a)表示包含行列索引(x,y)的集合a中,列索引y的最小值。
55.
56.
57.熵閾值ex表示根據(jù)一組類格圖案排列角度為0°的無暇紡織品灰度圖像計(jì)算的
58.熵閾值ey表示根據(jù)一組類格圖案排列角度為0°的無暇紡織品灰度圖像計(jì)算的
59.
60.
61.cb(v1,v2)表示維數(shù)相同的向量v1與v2的車貝雪夫距離(chebychevdistance)。
假設(shè)紡織品圖像由重復(fù)單個(gè)類格圖案構(gòu)成,如果定義圖像行為水平方向,即角度為0°,若大于零的角度是從圖像的行開始逆時(shí)針旋轉(zhuǎn)得到的角度值,那么類格圖案的重復(fù)過程可由以下步驟完成:1,根據(jù)該角度同向旋轉(zhuǎn)類格圖案;2,沿該方向和該方向的垂直方向重復(fù)(復(fù)制并移動(dòng))旋轉(zhuǎn)過的類格圖案,且保證相鄰類格圖案間距為0。重復(fù)過程中類格圖案的旋轉(zhuǎn)角度稱為排列角度。附圖3所示的紡織品圖像旋轉(zhuǎn)角度與類格圖案的排列角度意義相同。
在以上定義的基礎(chǔ)上,現(xiàn)介紹本發(fā)明的技術(shù)方案。正如附圖說明圖1所示,本發(fā)明方法由四部分構(gòu)成:(1)圖像校準(zhǔn),(2)類格圖案分割,(3)距離計(jì)算和(4)直方圖分析,以下按附圖1中從左至右的順序依次介紹四部分內(nèi)容。
類格圖案分割的功能是自動(dòng)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:本發(fā)明方法假設(shè)經(jīng)校準(zhǔn)的紡織品圖像類格圖案具有如下特點(diǎn):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ic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ic,第三列是ic的三維mesh圖,第四列是二值化卡通成分每行背景像素的個(gè)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(gè)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ic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?cái)?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ic中與背景的差異大,其背景像素分布具有周期性。
(1)圖像校準(zhǔn)
圖像校準(zhǔn)建立在對二值化紡織品圖像卡通成分中背景像素分布的分析上,如附圖3所示。在附圖3中,位于中心的紡織品圖像從0°開始,每隔15°旋轉(zhuǎn)一次,一共旋轉(zhuǎn)了7次(即0°,15°,30°,…),旋轉(zhuǎn)的圖像按順時(shí)針方向圍繞原圖像排列,每幅圖像的橫向投影
對于類格圖案排列角度未知的紡織品圖像i,將i依次旋轉(zhuǎn)θ=1°,2°,3°…360°并計(jì)算相應(yīng)的
上述計(jì)算
雖然圖像旋轉(zhuǎn)可以通過仿射變換完成,但由仿射變換的圖像的邊角部分為空,例如附圖5所示。附圖5中從左往右數(shù)依次排列了5幅圖像,第一幅顯示了類格圖案按37°排列的紡織品圖像i,第二副顯示了應(yīng)用仿射變換旋轉(zhuǎn)負(fù)37°得到的圖像(原始ir),該圖像中出現(xiàn)了留空(像素值為0)的4個(gè)三角形區(qū)域
(2)類格圖案分割
如附圖6所示,對于一幅給定的紡織品圖像,類格圖案分割(算法4)使用mca計(jì)算ic和紋理成分,根據(jù)算法6計(jì)算得到的閾值系數(shù)fc,使用閾值fc·max(ic)二值化ic得到itc。圖6中顯示了ic的mesh圖,ic中的二維圖案在mesh圖中顯示為三維“山峰”,二值化ic相當(dāng)于用一個(gè)灰色平面截?cái)嗌椒?,山峰平面上方的部分所對?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(gè)二值化結(jié)果為itc,即圖6右下方箭頭“使用閾值二值化ic得到itc”所指的圖案。
假設(shè)紡織品圖像至少由4個(gè)類格圖案構(gòu)成,那么itc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(gè)對象則不是類格圖案,應(yīng)從itc中刪除尺寸過大的對象,即:由moore-neighbor跟蹤算法(moore-neighbortracingalgorithm)獲取itc中對象的閉合邊緣。對于每個(gè)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·dimx(itc),或列索引極值之差的絕對值超過0.75·dimy(itc),則從itc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itc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排列相同,那么背景像素在該方向上的分布相似。如附圖6所示,統(tǒng)計(jì)二值化卡通成分每行和每列的背景像素個(gè)數(shù),按行和列的次序分別排列背景像素個(gè)數(shù)即構(gòu)成了背景像素的橫向投影
為獲取這些峰值而過濾其他峰值,對
由于數(shù)據(jù)的隨機(jī)性,
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
其中xi∈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(gè)符合
附圖7顯示了以一副紡織品圖像橫向投影
因?yàn)閟h與sv初始值所對應(yīng)的
擴(kuò)展得到的sh與sv基本覆蓋了紡織品圖像大部分區(qū)域,如附圖6所示。根據(jù)sh與sv分別包含的行與列索引,可以將ic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
對于ik,如果ch(k,l)與cv(k,l)相同,則相應(yīng)索引(k,l)保存在集合
對于每個(gè)
其中ch(k,l)的索引
(3)距離計(jì)算
如附圖8所示,特征提取采用了gabor濾波器組對類格圖案分割生成的
gabor濾波器包含實(shí)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
其中
其中
其中ei,j和ai,j分別表示
由于有瑕疵的類格圖案與無瑕疵類格圖案在gi,j|s,θ與vi,j(其中
對于第i行,存在ns·nθ個(gè)
其中
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(gè)類格圖案的情況,即對于給定的i和不同的s和θ,
附圖10顯示了
其中
v*定義為s*的均值,即v*=avg(s*)。以v*作為標(biāo)準(zhǔn),通過計(jì)算紡織品圖像中類格圖案特征向量vi,j與v*的車貝雪夫距離
附圖11顯示了以v*為標(biāo)準(zhǔn)計(jì)算
至此,特征提取及相關(guān)算法(算法7)的描述結(jié)束。下面介紹特征比較(算法9和6)的內(nèi)容,如附圖11所示,
(4)直方圖分析
結(jié)合距離閾值d*與
實(shí)際情況中,t′和t″并不一定存在,因此當(dāng)t′存在時(shí),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)
本發(fā)明方法的瑕疵檢測效果評估以香港大學(xué)電氣和電子工程系工業(yè)自動(dòng)化實(shí)驗(yàn)室提供的106幅像素大小為256×256的24位彩色紡織品圖像為基礎(chǔ),對每個(gè)有暇紡織品圖像使用仿射變換以隨機(jī)角度生成10幅旋轉(zhuǎn)圖像,然后刪除存在嚴(yán)重偽影的圖像,最終得到490張類格圖案按隨機(jī)方向排列的有暇紡織品圖像和未經(jīng)旋轉(zhuǎn)的51張無暇紡織品圖像,在實(shí)驗(yàn)中這些圖像(490+51=541幅)被轉(zhuǎn)換為8位的灰度圖像。541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251幅有瑕疵圖像;星形圖像包括25幅無瑕疵和239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(brokenend),孔洞(hole),網(wǎng)紋(nettingmultiple),粗條紋(thickbar)和細(xì)條紋(thinbar),每種瑕疵類型的具體數(shù)量詳見表1與表2的第一列。所有瑕疵圖像都有大小相同且類格圖案排列方向相同的瑕疵基準(zhǔn)圖(ground-truthimage),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(truepositive,以下簡稱tp),假陽性(falsepositive,以下簡稱fp),真陽性率(truepositiverate,以下簡稱tpr),假陽性率(falsepositiverate,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,fpr衡量瑕疵基準(zhǔn)圖中表示背景的像素被算法錯(cuò)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,etal.,patternedfabricinspectionandvisualizationbythemethodofimagedecomposition,ieeetrans.autom.sci.eng.11(3)(2014)943–947)中找到。實(shí)驗(yàn)硬件平臺為含處理器intelcoretmi7-3610qm230-ghz和8.00gb內(nèi)存的筆記本電腦,軟件為windows10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(rowband)和列帶(columnband)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(jì)算評價(jià)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。由于本發(fā)明方法對圖像進(jìn)行了校準(zhǔn),根據(jù)校準(zhǔn)角度將瑕疵基準(zhǔn)圖也進(jìn)行了相應(yīng)校準(zhǔn),以達(dá)到瑕疵基準(zhǔn)圖旋轉(zhuǎn)方向與校準(zhǔn)角度相同的目的。對于箱形圖像,本發(fā)明方法的參數(shù)fc為0.5,d*為1826.9,ex和ey均為5;對于星形圖像,本發(fā)明方法的參數(shù)fc為0.488,d*為2056.9,ex和ey均為6。
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,fpr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wgis相近,但tpr比wgis低。本發(fā)明方法的tpr在斷端,孔洞和網(wǎng)紋類型達(dá)到最大值。
表1
表2羅列了星形圖像的檢測結(jié)果,對于除粗條紋以外的瑕疵類型,本發(fā)明方法的tpr平均值均達(dá)到最優(yōu)。在標(biāo)有“概況”的最后五行中,本發(fā)明方法的總體tpr平均值為最優(yōu)。
表2
圖12和圖13是評估涉及的各算法tpr和fpr的散點(diǎn)圖(scatterplot),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(jì)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49幅圖像,則圖12和圖13中標(biāo)有“箱形圖像斷端”的圖例中,每個(gè)算法在tpr-fpr坐標(biāo)系中都有49個(gè)以tpr和fpr為坐標(biāo)值的點(diǎn),每個(gè)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(gè)別算法的坐標(biāo)點(diǎn)少于圖像個(gè)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12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)明方法的在斷端,孔洞,網(wǎng)紋和粗條紋的檢測效果較好,即對應(yīng)本發(fā)明檢測結(jié)果的點(diǎn)接近坐標(biāo)系左上角,wgis雖然有較高的tpr但fpr很高。對于星形圖像,即圖13所示,本發(fā)明方的tpr-fpr點(diǎn)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(shí)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(xiàng)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(xiàng)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。