[發(fā)明專利]一種基于主元分析的圖像分析方法及應(yīng)用于織物瑕疵檢測(cè)的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201110219310.9
• 申請(qǐng)日: 2011-08-02
• 公開(kāi)（公告）號(hào): CN102289677A
• 公開(kāi)（公告）日: 2011-12-21
• 發(fā)明（設(shè)計(jì)）人: 周建;汪軍;李立輕;陳霞
• 申請(qǐng)（專利權(quán)）人: 東華大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/66
• 代理公司: 上海天翔知識(shí)產(chǎn)權(quán)代理有限公司 31224
• 代理人: 呂伴

技術(shù)領(lǐng)域

本發(fā)明屬圖像分析處理領(lǐng)域，應(yīng)用于紡織品表面質(zhì)量自動(dòng)檢測(cè)與控制領(lǐng)域，本發(fā)明涉及一種基于主元分析的圖像分析方法及應(yīng)用于織物瑕疵檢測(cè)的方法。

背景技術(shù)

主元分析(PCA)或Karhunen-Loève(KL)變換作為一種重要的多變量統(tǒng)計(jì)方法，由于其出色的性質(zhì)，被廣泛應(yīng)用模式識(shí)別領(lǐng)域，如人臉識(shí)別、數(shù)據(jù)壓縮。主元分析的基本思想是用線性變換從原有特征得到一組個(gè)數(shù)相同的且互不相關(guān)的新特征，且這些特征中的前幾個(gè)包含了原有特征的主要信息。

在圖像分析領(lǐng)域，主元分析作為一種多變量分析法主要用于多光譜圖像和真彩色圖像的分析，而無(wú)法直接應(yīng)用于灰度圖像的分析。Bharati等人(2000)將灰度圖像在空間上進(jìn)行不同方向的平移和不同角度的旋轉(zhuǎn)操作后產(chǎn)生多幅圖像，然后采用PCA對(duì)所產(chǎn)生的多幅圖像進(jìn)行像素級(jí)的分析，由于方法是在單個(gè)像素點(diǎn)的基礎(chǔ)上進(jìn)行的分析，且需要將圖像進(jìn)行平移和旋轉(zhuǎn)來(lái)獲取滿足主元分析的多幅圖像，涉及的運(yùn)算量非常大。在織物瑕疵進(jìn)行檢測(cè)領(lǐng)域，Ozdemir等人(1996)首先將原始圖像劃分成32×32不重疊的子窗口，將子窗口每列的灰度值視為隨機(jī)向量，然后對(duì)這些隨機(jī)變量的協(xié)方差矩陣做主元分析得到特征值，并提取前三個(gè)最大特征值的和作為區(qū)別正常與瑕疵樣本指標(biāo)。Kumar(2003)對(duì)7×7模板所提取的特征向量，采用PCA進(jìn)行降維后進(jìn)行瑕疵檢測(cè)。Sezer等人(2004)利用PCA對(duì)提取的高維特征向量先進(jìn)行降維然后用獨(dú)立成分分析進(jìn)行瑕疵檢測(cè)。值得注意的是，Kumar(2003)和Sezer等人(2004)只是將PCA看作為一種降維的輔助方法，而Ozdemir等人(1996)雖直接采用了主元分析進(jìn)行瑕疵檢測(cè)，但該方法需要對(duì)每個(gè)樣本都進(jìn)行主元分析，涉及的運(yùn)算量非常大；其次是該方法并沒(méi)有考慮織物紋理的隨機(jī)干擾，檢測(cè)結(jié)果存在較大誤差。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服現(xiàn)有檢測(cè)方法不足，提出了一種基于主元分析的圖像分析方法及應(yīng)用于織物瑕疵檢測(cè)方法。本發(fā)明將圖像直接劃分成一定大小的子窗口，并以一個(gè)窗口為單位而不是在單個(gè)像素上對(duì)圖像進(jìn)行主元分析，可以大大減小計(jì)算量；將子窗口中的灰度值按行和列的方式展開(kāi)，可以更好地刻劃圖像不同方向的特征。對(duì)于織物瑕疵而言，對(duì)有重疊的劃分子窗口所得到的樣本進(jìn)行主元分析，可有效地提取織物的內(nèi)在紋理結(jié)構(gòu)特征；通過(guò)對(duì)原織物樣本分別按行、列方向展開(kāi)后進(jìn)行模板操作，然后再分別進(jìn)行主元分析，不僅充分利用了織物紋理的經(jīng)緯取向特征，而且有利于突出瑕疵和抑制紋理隨機(jī)干擾，提高檢測(cè)準(zhǔn)確率。

本發(fā)明的一種基于主元分析的圖像分析方法，包括訓(xùn)練階段和分析階段兩部分，具體步驟為：

訓(xùn)練階段

1)將無(wú)瑕疵的圖像有重疊地劃分成m行n列大小的子窗口，有重疊的劃分子窗口是為了更好地提取圖像內(nèi)在的結(jié)構(gòu)信息；視每個(gè)子窗口為m行n列的矩陣，將子窗口中的灰度值按行和按列的方式展開(kāi)成兩組m×n維的列向量，并視這兩組m×n維列向量為兩組隨機(jī)向量，記得到相應(yīng)的兩組隨機(jī)向量為x_h和x_v；對(duì)隨機(jī)向量x_h和x_v進(jìn)行模板操作以突出瑕疵和抑制隨機(jī)干擾，將模板操作后隨機(jī)向量x_h和x_v進(jìn)行主元分析，得到相應(yīng)的主元矩陣記為W_H和W_V；

2)將無(wú)瑕疵的圖像連續(xù)無(wú)重疊地劃分成m行n列大小的子窗口；將子窗口中的灰度值按行和按列的方式展開(kāi)成兩組m×n維列向量，記得到相應(yīng)的兩組m×n維列向量記為y_h和y_v；對(duì)y_h和y_v進(jìn)行模板操作以突出瑕疵和抑制隨機(jī)干擾，將相應(yīng)模板操作后的結(jié)果分別右乘到矩陣和矩陣即將f_h和f_v投影到矩陣和矩陣上，得到相應(yīng)兩組新的m×n維的列向量記為y′_h和y′_v；計(jì)算y_h和y′_h，y_v和y′_v的之間的相似度，得到相應(yīng)的兩個(gè)相似度為S_h和S_v，并記S＝S_h+S_v；計(jì)算每所有子窗口的S值，然后計(jì)算S值的累計(jì)分布函數(shù)F(S)，令F(S′)＝α，將此時(shí)α所對(duì)應(yīng)的S′值作為分析用閾值T_α即有T_α＝S′；