一种织物图像瑕疵分类方法

技术领域

本发明属于纺织疵点分类方法技术领域，具体涉及一种织物图像瑕疵分类方法。

背景技术

织物作为日常生活和纺织工业中不可或缺的材料，无论是纱线本身瑕疵，还是机械故障、操作失误，这些干扰因素都不可避免会造成织物的瑕疵问题。织物的瑕疵问题会给企业带来巨大的经济损失，如若不能及时发现这些瑕疵，甚至会影响企业的运营和信誉。军工、航空以及医疗中，也会涉及织物，如果瑕疵产品应用在这些方面将产生无法挽救和不可估量的损失和影响。因此，可靠和精准的图像处理技术在织物疵点中具有重要的经济效益和现实意义。随着图像处理技术的不断发展，图像分类逐步代替传统的人工视觉判断，对于纹理复杂、颜色差异较小的瑕疵，也可以通过一定的算法进行处理，使其能够快速且准确地分类出合格产品和瑕疵产品。

针对织物图像分类算法问题，国内外应用较广的疵点识别分类方法有支持向量机的疵点识别分类、人工神经网络分类、距离度量分类以及模糊推理分类方法。神经网络训练速度慢且容易“过学习”，距离度量分类识别时间长且不具备实时性，模糊推理分类不易实现，而支持向量机能够避开局部最优问题，相对于其它方法性能优越。

但是织物疵点识别分类方法的良好应用，还需要有效的特征提取来保证织物瑕疵分类的高准确率。对于纹理结构复杂，花型繁多，材质多样的织物图像，如何有效的提取特征向量，这是织物图像作为典型的纹理图像分类的关键。

发明内容

本发明的目的在于提供一种织物图像瑕疵分类方法，在原有的特征提取方法上，将两种特征提取进行融合，然后将融合特征通过线性判别分析变换到新的子空间内，最后训练分类器，从而实现织物图像的分类，来减少纹理信息对疵点检测产生的影响，同时提高算法的准确度。

为了实现以上目的，本发明采用以下技术方案：一种织物图像瑕疵分类方法，包括步骤：

S1、将待检测织物图像切割成M×M像素，并将待检测织物图像转化为灰度图像；

S2、对步骤S1中得到的灰度图像通过灰度共生矩阵和梯度方向直方图融合的方法进行特征提取以得到数据集；

S3、对步骤S2中特征提取后得到的数据集采用线性判别分析的方法进行特征选取以生成新的数据集；

S4、将步骤S3中得到的新的数据集输入支持向量机进行测试，以得到待检测织物图像的分类结果。

作为优选方案，步骤S1中将待检测织物图像切割成64×64像素。

作为优选方案，步骤S2中具体包括：

S2.1、通过灰度共生矩阵对所述灰度图像进行特征提取；

S2.2、通过梯度方向直方图对所述灰度图像进行特征提取；

S2.3、将步骤S2.1以及步骤S2.2中提取得到的特征向量进行串联，生成织物图像的特征样本数据集。

作为优选方案，步骤S2.1中通过灰度共生矩阵进行特征提取具体包括以下步骤：

S2.1.1、把灰度图像标记为I,灰度值为L，从灰度图像中灰度为i的点(k，g)处的像素出发，统计与其距离为d＝(m-k，n-g)的点(m，n)且灰度为j的像素同时出现的概率P(i，j，d，θ)，P(i，j，d，θ)的计算公式采用：

P(i,j,d,θ)＝{[(k,g),(m,n)|f(k,g)＝i,f(m,n)＝j]}，

其中i，j＝1，2,...,L；k,g＝1,2,...,64；m，n＝1，2,...,64；d为生成灰度共生矩阵的步长，m-k、n-g为位置偏移量，θ表示考虑的方向角度；

S2.1.2、计算该灰度共生矩阵四个方向角度的对比度、相关性、能量和逆差距的特征值；

S2.1.3、对步骤S2.1.2中得到的特征值进行均值和方差的计算，得到四个均值和四个标准差，

S2.1.4、考虑不同的距离d，提取并计算灰度共生矩阵特征值。

作为优选方案，步骤S2.1.2中，

所述对比度计算公式为：

所述相关性计算公式为：

其中，

所述能量的计算公式为：

所述逆差距的计算公式为：

作为优选方案，步骤S2.1.2中四个方向角度分别为0度、45度、145度和180度；步骤S2.1.4中为考虑10个不同的距离d。

作为优选方案，步骤S2.2中梯度方向直方图进行特征提取具体包括以下步骤：

S2.2.1、对灰度图像通过gamma校正算法进行校正，得到样本图像；

S2.2.2、对样本图像计算其横纵坐标方向的梯度值，并计算每个像素位置的梯度方向值，捕获轮廓信息；

S2.2.3、把样本图像分割成若干个像素的单元，把梯度方向平均划分为9个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行加权投影得到该单元的梯度方向直方图，通过步骤S2.2.2计算得到的梯度值大小作为投影的权值，得到一个9维的特征向量，每相邻的4个单元构成一个块，把一个块内的特征向量串联起来得到36维的特征向量；

S2.2.4、用块对样本图像进行扫描，扫描步长为一个单元，并将所有块的特征结合成最终的特征向量供分类所用。

作为优选方案，步骤S2.2.1中进行校正的公式为：I(x,y)＝I(x,y)

步骤S2.2.2中样本图像中像素点(x,y)的水平方向的梯度为G

作为优选方案，步骤S3具体包括以下步骤：

S3.1、计算步骤S2生成的数据集中不同类别数据的d维均值向量；

S3.2、计算类间散射矩阵和类内散射矩阵；

S3.3、计算散射矩阵的特征向量和对应的特征值；

S3.4、将特征向量按特征值大小降序排列，然后选取前k个最大特征值对应的特征向量，组建一个d×k维特征向量矩阵；

S3.5、用该d×k维特征向量矩阵将数据集样本变换到新的子空间，以生成新的数据集。

作为优选方案，步骤S4具体包括以下步骤：

S4.1、选择径向基函数作为核函数，支持向量机待优化的参数包括惩罚系数c和径向基函数自带的一个参数gamma；

S4.2、用交叉验证得到最优参数c和gamma，用训练样本对支持向量机进行训练，得到训练完成的支持向量机；

S4.3、将新的数据集输入训练完成的支持向量机中进行测试，以得到待检测织物图像的分类结果，并得到分类结果的正确率。

本发明的有益效果是：用特征融合方法充分利用了不同特征图中的信息，并利用线性判别分析方法将样本变换到新的子空间，提高了对不同织物纹理的适应性，增强了织物特征选取的有效性，能实现有效准确的织物图像瑕疵分类功能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是一种织物图像瑕疵分类方法的流程图；

图2是待检测的织物破洞类瑕疵图像；

图3是待检测的织物合格图像；

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

参照图1，本实施例提供了一种织物图像瑕疵分类方法，包括步骤：

S1、将待检测织物图像切割成M×M像素，并将待检测织物图像转化为灰度图像；

S2、对步骤S1中得到的灰度图像通过灰度共生矩阵和梯度方向直方图融合的方法进行特征提取以得到数据集；

S3、对步骤S2中特征提取后得到的数据集采用线性判别分析的方法进行特征选取以生成新的数据集；

S4、将步骤S3中得到的新的数据集输入支持向量机进行测试，以得到待检测织物图像的分类结果。

上述灰度共生矩阵即GLCM、梯度方向直方图即HOG、线性判别分析即LDA，支持向量机即SVM分类器。

具体的：

步骤S1中将待检测织物图像切割成64×64像素，待检测织物图像，包含合格织物图像和瑕疵织物图像，瑕疵类型为破洞，破洞类瑕疵图像可参照图2所示，织物合格图像可参照图3所示。

步骤S2中具体包括：

S2.1、通过灰度共生矩阵对所述灰度图像进行特征提取；

S2.2、通过梯度方向直方图对所述灰度图像进行特征提取；

S2.3、将步骤S2.1以及步骤S2.2中提取得到的特征向量进行串联，生成织物图像的特征样本数据集。

步骤S2.1中通过灰度共生矩阵进行特征提取具体包括以下步骤：

S2.1.1、把灰度图像标记为I,灰度值为L，从灰度图像中灰度为i的点(k，g)处的像素出发，统计与其距离为d＝(m-k，n-g)的点(m，n)且灰度为j的像素同时出现的概率P(i，j，d，θ)，P(i，j，d，θ)的计算公式采用：

P(i,j,d,θ)＝{[(k,g),(m,n)|f(k,g)＝i,f(m,n)＝j]}，

其中i，j＝1，2,...,L；k,g＝1,2,...,64；m，n＝1，2,...,64；d为生成灰度共生矩阵的步长，m-k、n-g为位置偏移量，θ表示考虑的方向角度；

S2.1.2、计算该灰度共生矩阵四个方向角度的对比度、相关性、能量和逆差距的特征值，即可形成4×4的特征向量；

S2.1.3、对步骤S2.1.2中得到的特征值进行均值和方差的计算，得到四个均值和四个标准差，即1×8的特征向量；

S2.1.4、考虑不同的距离d，提取并计算灰度共生矩阵特征值。

本实施例中步骤S2.1.2中四个方向角度分别为0度、45度、145度和180度；步骤S2.1.4中为考虑10个不同的距离d，在前述步骤的基础上进一步考虑10个不同的距离d即可得到维度为1×80＝80的特征向量，由此便可获取通过灰度共生矩阵进行特征提取得到的特征描述。

另外，步骤S2.1.2中，

所述对比度计算公式为：

对比度(Contrast)，体现矩阵的值的分布，反映了图像的清晰度和纹理强弱。值越大则代表纹理效果越明显。

所述相关性计算公式为：

其中，

相关性(Correlation)，体现灰度共生矩阵在行或列方向上的相似程度，纹理指向方向相关性大的方向。

所述能量的计算公式为：

能量(Energy)，是灰度共生矩阵各元素的平方和，主要反映纹理粗细程度和灰度分布均匀程度，值越大，纹理越粗。

所述逆差距的计算公式为：

逆差距(Homogemeity)，度量织物图像灰度均衡性。

步骤S2.2中梯度方向直方图进行特征提取具体包括以下步骤：

S2.2.1、对灰度图像通过gamma校正算法进行校正，得到样本图像；

S2.2.2、对样本图像计算其横纵坐标方向的梯度值，并计算每个像素位置的梯度方向值，捕获轮廓信息；

S2.2.3、把样本图像分割成若干个像素的单元，把梯度方向平均划分为9个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行加权投影得到该单元的梯度方向直方图，通过步骤S2.2.2计算得到的梯度值大小作为投影的权值，得到一个9维的特征向量，每相邻的4个单元构成一个块，把一个块内的特征向量串联起来得到36维的特征向量；

S2.2.4、用块对样本图像进行扫描，扫描步长为一个单元，并将所有块的特征结合成最终的特征向量供分类所用。

图像尺寸是64×64，每个单元是8×8，每个块包括2×2个单元，即为16×16，步长为1，共有7×7＝49个块，因此最终得到的特征向量的维度是：49×(2×2×9)＝1764，这是通过梯度方向直方图进行特征提取得到的特征描述。

另外，步骤S2.2.1中进行校正的公式为：I(x,y)＝I(x,y)

步骤S2.2.2中样本图像中像素点(x,y)的水平方向的梯度为G

步骤S3具体包括以下步骤：

S3.1、计算步骤S2生成的数据集中不同类别数据的d维均值向量；

S3.2、计算类间散射矩阵和类内散射矩阵；

具体实施中，将经过步骤S2生成的带标签的样本数据集，载入线性判别分析模型中，主要思想是通过Fisher准则求得最佳投影向量，然后原始数据集经过投影向量，使得不同类别之间的距离最大，同一类别间的距离最小。

Fisher准则公式为：

其中S

步骤S2生成样本总数为N的数据集X，类别总数为C，U

同时定义类内散射矩阵和类间散射矩阵分别为：

S3.3、计算散射矩阵的特征向量和对应的特征值；

具体实施中，将Fisher准则公式进行如下变换，s.t.||V

d(V)＝V

S

通过上述计算公式得到散射矩阵的特征向量V和对应的特征值Λ。

S3.4、将特征向量按特征值大小降序排列，然后选取前k个最大特征值对应的特征向量，组建一个d×k维特征向量矩阵H；

S3.5、用该d×k维特征向量矩阵H将数据集样本变换到新的子空间，以生成新的数据集。

步骤S2中生成的数据集X为N×d维矩阵，Y为变换到子空间后的N×k维样本，即Y＝X×H。

步骤S4具体包括以下步骤：

S4.1、选择径向基函数作为核函数，支持向量机待优化的参数包括惩罚系数c和径向基函数自带的一个参数gamma；

径向基函数的公式为：

其中，x为空间中的任一点，z为核函数的中心，σ为函数的宽度参数。

σ和gamma的关系为：

S4.2、用交叉验证得到最优参数c和gamma，用训练样本对支持向量机进行训练，得到训练完成的支持向量机；

S4.3、将新的数据集输入训练完成的支持向量机中进行测试，以得到待检测织物图像的分类结果，并得到分类结果的正确率。

本实施例用特征融合方法充分利用了不同特征图中的信息，并利用线性判别分析方法将样本变换到新的子空间，提高了对不同织物纹理的适应性，增强了织物特征选取的有效性，能实现有效准确的织物图像瑕疵分类功能。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。