[發明專利]一種基于區域組合特征的印刷圖像缺陷檢測方法

有效

• 申請號: 201310744207.5
• 申請日: 2013-12-30
• 公開（公告）號: CN103745461A
• 公開（公告）日: 2014-04-23
• 發明（設計）人: 陸耀;黃煒;雷凡;喻盧軍;丁建華;秦明
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于區域組合特征的印刷圖像缺陷檢測方法，其特征在于：其分為學習過程和訓練過程兩部分；

所述學習過程具體為：

步驟一、針對印刷樣張圖像進行區域劃分；具體步驟為：

第1.1步：對印刷樣張圖像進行手動區域劃分，即人為指定印刷樣張圖像中的L個關鍵區域，L≥0，將其它區域稱為非關鍵區域；所述關鍵區域中不能出現任何印刷缺陷；所述非關鍵區域允許出現不嚴重的缺陷；

第1.2步：針對印刷樣張圖像中的非關鍵區域，根據印刷圖像的紋理結構、顏色特征及面積將其劃分為K個非關鍵區域，K≥1；

步驟二、在步驟一操作的基礎上，判斷訓練樣本集中的小張印刷圖像在印刷樣張圖像中的所屬區域，將訓練樣本集中的小張印刷圖像分為(L+K)個訓練子集；

步驟三、針對步驟二中所述訓練樣本集中的小張印刷圖像進行特征提取，具體步驟為：

第3.1步：對訓練樣本集中的小張印刷圖像進行紋理特征的提取；具體為：

第3.1.1步：將所述小張印刷圖像轉換為灰度圖像；然后對灰度圖像進行m個尺度和n個方向的Gabor濾波，得到m×n幅Gabor圖像，分別用G_i,_j；其中，5≤m≤10，8≤n≤16，1≤i≤m，1≤j≤n；

第3.1.2步：對每幅Gabor圖像G_i,j分別提取59維局部二值模式特征，用符號表示，fi,jlbp∈R1×59;]]>

第3.1.3步：對每幅Gabor圖像G_i,j分別提取16維灰度共生矩陣特征，用符號表示，fi,jglcm∈R1×16;]]>

第3.1.4步：對每幅Gabor圖像G_i,j分別提取15維灰度梯度共生矩陣特征，用符號表示，fi,jglgcm∈R1×15;]]>

第3.1.5步：將第3.1.2步得到的59維局部二值模式特征第3.1.3步得到的16維灰度共生矩陣特征以及第3.1.4步得到的15維灰度梯度共生矩陣特征進行連接，得到組合紋理特征，用符號表示，fi,jtexture=fi,jlbpfi,jglcmfi,jglgcm;]]>

第3.2步：對訓練樣本集中的小張印刷圖像進行顏色特征的提取；具體為：

第3.2.1步：將訓練樣本集中的小張印刷圖像轉換色相-飽和度-色調顏色空間模型的HSV圖像；

第3.2.2步：使用第3.2.1步中所述HSV圖像生成m個尺度的顏色圖像，即得到m張顏色圖像，分別用C_i表示；

第3.2.3步：對每張顏色圖像Ci提取63維顏色特征，分別用符號表示；

第3.2.4步：為了與紋理特征保持維度一致，擴展每個尺度的顏色特征，得到擴展顏色特征，用符號表示，其中，fi,1color=fi,2color=···=fi,ncolor=fihsv;]]>

第3.3步：對第3.1.5步得到的組合紋理特征和第3.2.4步得到的擴展顏色特征進行連接，得到組合圖像特征，用符號表示，fi,jimg=fi,jtexturefi,jcolor;]]>

經過步驟三的操作，對于訓練樣本集中的一幅小張印刷圖像，可以得到m×n個組合圖像特征；

步驟四、建立WLDA分類器；

WLDA分類器由T個WLDA弱分類器自左向右連接而成，T的值由人為指定，100≤T≤1000；

所述WLDA弱分類器，用符號h(x)表示，其定義如公式（1）所示；

h(x)=1ifw·x>θ-1otherwise---(1)]]>

其中，x為WLDA弱分類器h(x)的輸入向量，即樣本的組合圖像特征；w為最佳投影向量，w可通過公式（2）計算得到；

w=Sweighted-1·(μweighted1-μweighted2)---(2)]]>

其中，S_weighted表示總類內加權離散度矩陣，可通過公式（3）計算得到；表示有缺陷樣本的加權均值向量，可通過公式（4）計算得到；表示無缺陷樣本的加權均值向量，可通過公式（5）計算得到；

Sweighted=(Σp=1N1dp)·Sweighted1+(Σq=1N2dq)·Sweighted2Σp=1N1dp+Σq=1N2dq---(3)]]>

其中，N₁為有缺陷樣本的數量；N₂為無缺陷樣本的數量；d_p為第p個有缺陷樣本的權重；d_q為第q個無缺陷樣本的權重；為有缺陷樣本的加權離散度矩陣，可通過公式（6）計算得到；為無缺陷樣本的加權離散度矩陣，可通過公式（7）計算得到；

μweighted1=1Σp=1N1dpΣp=1N1dp·xp---(4)]]>

其中，x_p為第p個有缺陷樣本的m×n個組合圖像特征；

μweighted2=1Σp=1N2dpΣp=1N2dp·xp---(5)]]>

其中，x_q為第q個無缺陷樣本的m×n個組合圖像特征；

Sweighted1=Σp=1N1dp·xp·xpTΣp=1N1dp-μweighted1·μweighted1T---(6)]]>

Sweighted2=Σp=1N2dp·xp·xpTΣp=1N2dp-μweighted2·μweighted2T---(7)]]>

步驟五、訓練WLDA分類器；

使用步驟二中所述(L+K)個訓練子集中的圖像分別訓練(L+K)個WLDA分類器；使用每個訓練子集中的圖像訓練一個分類器，該訓練子集中的有缺陷樣本的數量為N₁；無缺陷樣本的數量為N₂；其具體操作步驟如下：

步驟5.1：用符號t表示當前訓練的WLDA弱分類器的編號，并設定t的初始值為1，則第t個WLDA弱分類器用符號h_t(x)表示；用符號w_t,s表示當前訓練的WLDA弱分類器h_t(x)的每張輸入樣本的權值，1≤s≤(N₁+N₂)；當t=1時，w1,s=1N1+N2;]]>

步驟5.2：訓練第t個弱分類器h_t(x)，具體過程如下：

步驟5.2.1：使用公式（8）對WLDA弱分類器h_t(x)的輸入樣本的權值w_t,s進行歸一化處理；

wt,s=wt,sΣs=1N1+N2wt,s---(8)]]>

步驟5.2.2：將訓練樣本集中的每張小張印刷圖像的第一個組合圖像特征輸入到第一個WLDA特征弱分類器中；每張小張印刷圖像的第二個組合圖像特征輸入到第二個WLDA特征弱分類器中；以此類推，每張小張印刷圖像的第m×n個組合圖像特征輸入到第m×n個WLDA特征弱分類器中；所述WLDA特征弱分類器的定義與WLDA弱分類器一樣；

步驟5.2.3：分別使用m×n個WLDA特征弱分類器判別輸入的組合圖像特征是有缺陷樣本還是無缺陷樣本；

步驟5.2.4：根據步驟5.2.3的判別結果，以及樣本預先給定的所屬類別，計算各WLDA特征弱分類器的識別錯誤率，分別用符號ε_i,j表示；

步驟5.2.5：取出各WLDA特征弱分類器識別錯誤率ε_i,j中的最小值，用符號ε_t表示，將該最小值ε_t對應的WLDA特征弱分類器作為第t個WLDA弱分類器h_t(x)，同時用符號l_t記錄各WLDA特征弱分類器識別錯誤率ε_i,j中的最小值ε_t對應的WLDA特征弱分類器的序號，1≤l_t≤m×n；

步驟5.2.6：用符號α_t表示WLDA弱分類器h_t(x)的權值，其值可通過公式（9）計算得到；

αt=log1βt---(9)]]>

其中，βt=ϵt1-ϵt;]]>

步驟5.2.7：使t值自增1，然后判斷t>T是否成立，如果成立，執行步驟5.3；否則，執行步驟5.2.8；

步驟5.2.8：使用公式（10）計算當前的WLDA弱分類器h_t(x)的輸入樣本的權值w_t,s，然后返回到步驟5.2.1；

wt,s=wt-1,s·βt-1et-1,s---(10)]]>

其中，e_t-1,s的值根據WLDA弱分類器h_t-1(x)對第s張輸入樣本的識別結果確定；當識別正確時，e_t-1,s的取值為1；當識別錯誤時，e_t-1,s的取值為0；

步驟5.3：此時得到包含T個WLDA弱分類器的WLDA分類器；

所述訓練過程具體為：

步驟六、判斷測試樣本的小張印刷圖像在印刷樣張圖像中的所屬區域；

步驟七、針對步驟六中所述測試樣本的小張印刷圖像進行特征提取，得到m×n個混合圖像特征，特征提取過程與步驟三中所述訓練樣本集中的小張印刷圖像進行特征提取相同；

步驟八、根據步驟六得到的測試樣本的小張印刷圖像在印刷樣張圖像中的所屬區域，使用該所屬區域對應的WLDA分類器，用符號C(z)表示，判斷測試樣本的小張印刷圖像是有缺陷圖像還是無缺陷圖像；具體為：

步驟8.1：將步驟七得到的測試樣本的小張印刷圖像的m×n個混合圖像特征分別輸入到WLDA分類器C(z)中；

步驟8.2：WLDA分類器C(z)中的每個WLDA弱分類器分別對測試樣本的小張印刷圖像的第l_t個混合圖像特征進行判斷，通過公式（11）得到最后的判斷結果；

C(z)=1Σt=1Tαtht(zlt)≥12Σt=1Tαt-1otherwise---(11)]]>

其中，z表示WLDA分類器C(z)的輸入量，即測試樣本的m×n個組合圖像特征；zl_t表示WLDA分類器C(z)中第t個WLDA弱分類器h_t(x)對測試樣本的第l_t個組合圖像特征；

步驟8.3：當C(z)的值為1時，表示測試樣本的小張印刷圖像為有缺陷圖像；當C(z)的值為-1時，表示測試樣本的小張印刷圖像為無缺陷圖像。