基于小波域特征织物瑕疵检测与识别的研究

论文摘要

织物疵点检测与识别是控制纺织品质量的重要一环。人工离线的检测与识别易受主观因素的影响,基于计算机视觉的疵点检测与识别已成为近年的研究热点之一。织物疵点是奇异信号,小波变换提供了一种多分辨率框架,具有良好的时频局部特征,因此,研究小波域的特征的疵点检测与识别具有理论意义和应用价值。本文立足于织物疵点的小波域特征,研究了小波域疵点图像的自适应去噪、分割、边缘检测及特征提取和识别方法。主要研究工作如下:第一,根据噪声及织物疵点的小波系数分布特点,研究了小波自适应去噪与图像最大熵相结合的织物疵点分割方法。多尺度自适应多阈值去噪后能有效滤除高斯噪声及平稳纹理并保留图像边缘轮廓等主要信息,而图像最大熵分割方法能得到原始图像的最大信息量,将两者结合实现织物疵点的有效分割。仿真实验与最大类间方差分割法对比,验证了该方法的有效性。第二,小波变换只能在三个方向提取边缘,提出了一种基于Contourlet变换的多方向织物疵点边缘检测方法。首先织物疵点图像经Contourlet进行3级分解,并对各方向上高频系数进行去噪处理,然后求取各级不同方向高频子带上的系数模极大值,最后对高频模极大值系数和低频系数进行反变换,并通过直方图统计及去除孤立点的细化方法,得到织物疵点边缘检测结果。仿真实验与基于高斯双小波的边缘检测方法对比,验证了基于Contourlet的织物疵点边缘检测方法能提取到更加丰富、方向连续性较好的疵点边缘。第三,针对小波分解系数的织物疵点特征曲线容易受各层周期性噪声影响的缺点,不能有效提取特征和定位疵点区域,提出了一种基于小波域差值系数的织物疵点特征提取及识别方法。将小波分解后的水平和垂直高频系数与平滑系数相减,从而有效提取特征曲线参数,然后利用支持向量机对提取的特征进行分类识别。对正常、重经、重纬、缺经、缺纬及破洞6类织物疵点图像进行仿真实验,表明该方法不仅能对织物疵点区域进行有效定位和分割,且分类识别率较传统图像灰度特征和小波系数特征分别提高了6.6%和3.3%。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的意义
• 1.2 国内外研究现状
• 1.3 本文的主要研究工作
• 1.4 论文结构
• 第二章 小波变换的基本原理
• 2.1 小波变换的定义
• 2.2 多分辨率分析的基本原理
• 2.3 信号奇异性分析
• 2.3.1 李普西兹指数
• 2.3.2 信号的小波奇异性分析
• 2.4 本章小结
• 第三章 基于小波自适应多阈值和最大熵原理的织物疵点分割
• 3.1 小波系数阈值去噪原理
• 3.2 最大熵分割原理
• 3.3 基于Bayes 自适应多阈值和最大熵的织物疵点分割
• 3.3.1 Bayes 自适应多阈值和最大熵分割算法
• 3.3.2 仿真实验及结果分析
• 3.4 基于Context 模型的自适应多阈值和最大熵的织物疵点分割
• 3.4.1 Context 模型自适应多阈值和最大熵分割算法
• 3.4.2 仿真实验及结果分析
• 3.5 本章小结
• 第四章 基于Contourlet 变换的多方向织物疵点边缘检测
• 4.1 基于高斯函数的双小波边缘检测
• 4.1.1 高斯函数双小波边缘检测原理
• 4.1.2 仿真实验及结果分析
• 4.2 基于Contourlet 变换的多方向疵点边缘检测
• 4.2.1 Contourlet 变换原理
• 4.2.2 多方向疵点边缘检测算法
• 4.2.3 仿真实验及结果分析
• 4.3 本章小结
• 第五章 基于小波域特征的织物疵点分类与识别
• 5.1 基于小波域差值系数的织物疵点特征提取
• 5.1.1 小波域差值系数特征
• 5.1.2 实验步骤及结果分析
• 5.2 基于SVM 算法的织物疵点识别与分类
• 5.2.1 SVM 算法原理
• 5.2.2 织物疵点识别算法步骤
• 5.2.3 仿真结果及分析
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 论文的内容总结
• 6.2 下一步工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文