基于低秩稀疏矩陣分解的織物疵點檢測算法研究.pdf

1、織物疵點檢測是紡織品質(zhì)量控制系統(tǒng)中一個核心環(huán)節(jié)，直接影響著系統(tǒng)的性能。從紋理復雜的織物圖像中檢測形態(tài)多樣的疵點具有重要的應用價值。該問題的解決也有利于對其它工業(yè)產(chǎn)品表面缺陷檢測提供新的解決思路。
　　現(xiàn)有織物疵點檢測多采用傳統(tǒng)模式識別的方法，如統(tǒng)計分析、頻譜分析等。近年來，受壓縮感知和稀疏表示理論的推動，低秩稀疏矩陣分解模型在圖像處理和模式識別中也獲得廣泛的應用，并且在目標檢測中達到很好地檢測效果。低秩稀疏矩陣分解模型與人類視覺系

2、統(tǒng)的低秩稀疏性相吻合，通過將圖像矩陣分解為低秩陣和稀疏陣，實現(xiàn)目標與背景的有效分離，特別地，對于織物圖像，視覺上具有高度冗余性，相對于自然圖像中的目標檢測，織物疵點檢測能夠更好地符合了低秩稀疏矩陣分解模型。
　　另外，織物圖像的特征提取也是疵點檢測的關鍵步驟。對圖像提取好的特征，并構建合適的低秩稀疏矩陣分解模型，并利用有效的優(yōu)化求解方法和對分解得到的疵點分布圖采用有效的閾值分割算法，才能準確和有效的定位出疵點的位置和區(qū)域。為此，本

3、論文提出應用方向梯度直方圖和低秩分解、基于Gabor濾波器和低秩分解、基于 GHOG和低秩矩陣恢復以及基于生物視覺特征提取及低秩表示的織物疵點檢測算法。所做的工作以及研究成果如下：
　　1）提出基于 Gabor濾波器和低秩分解的織物疵點檢測算法。首先，對織物圖像提取Gabor濾波器特征，再對生成的特征圖進行均勻分塊，并將所有的圖像塊特征組合成特征矩陣。對于生成的特征矩陣，構建合適的低秩分解模型，通過快速近端梯度方法優(yōu)化求解，從而生

4、成低秩矩陣和稀疏矩陣，最后采用最優(yōu)閾值分割算法對由稀疏陣生成的疵點分布圖進行分割，從而定位出疵點的區(qū)域和位置。
　　2）提出了應用方向梯度直方圖(HOG)和低秩分解的織物疵點檢測算法。首先，將織物圖像劃分為大小相同的圖像塊，提取每個圖像塊的HOG特征，并將圖像塊特征組成特征矩陣。針對特征矩陣，構建有效的低秩分解模型，通過增廣拉格朗日方法優(yōu)化求解，生成低秩陣和稀疏陣；最后采用最優(yōu)閾值分割算法對由稀疏陣生成的疵點分布圖進行分割，從而定

5、位出疵點區(qū)域。
　　3）提出了基于GHOG及低秩分解的模式織物疵點檢測算法。對于前兩種檢測算法只能檢測紋理較為簡單的織物疵點圖像，本論文提出了一種基于 GHOG和低秩恢復的模式織物疵點檢測算法。首先，對圖像進行Gabor濾波，從而生成相應的Gabor特征圖，然后將對應的方向上的Gabor特征圖進行均勻分塊，并提取 HOG特征，從而生成最后的GHOG特征，并將所有圖像塊的特征向量進行級聯(lián)生成特征矩陣。對特征矩陣，構建低秩分解模型，并

6、利用方向交替方法進行優(yōu)化求解，產(chǎn)生低秩矩陣和稀疏矩陣，并對由稀疏矩陣產(chǎn)生的疵點分布圖采用最優(yōu)閾值分割算法進行分割，從而定位出疵點的位置。
　　4）提出了基于生物視覺特征提取及低秩表示的織物疵點檢測算法。生物視覺對客觀世界的表征是完備的，能支持各種復雜的高級視覺任務。本文引入一種借鑒人類視覺感知和視網(wǎng)膜表征機理的特征表示方法。在該特征表示的基礎上，利用KSVD在測試圖像上訓練出正?？椢飯D像塊字典。基于學習出的字典，建立特征矩陣的低秩