技术领域
[0001] 本
发明涉及基于图像处理的布匹疵点检测方法技术领域，具体为一种基于图像处理的布匹疵点检测方法。
背景技术
[0002] 目前，纺织染整行业传统的织物检验方法是采用一人负责一台验布机的人工验布方式，因此适应于各种织物。工人在作业时需完成两项任务：一方面，通过人工视觉检验识别各类织物疵点，并对疵点进行分级；另一方面，将织物疵点信息及时记录在纸质报告单中，待作业完成后交管理员进行手工统计录入计算机存档。
[0003] 人工验布的工作过程是：织物由导布辊带动，经过验布台，工人用目光对验布台上缓慢前进的织物进行检测，往复巡视布面，在巡视中，思想要集中，发现织物疵点，应记录疵点类别和
位置，并按国家标准进行评分。在此过程中，首先是利用人眼来搜索检查布面，存在人眼极易疲劳的弊端，且会损伤验布工人的视
力，是一种冗长乏味、极易影响验布者身心健康的繁重体力劳动；其次人工检测依靠验布工人对国家标准掌握的准确度、工作的熟练程度以及经验的多少。因此，人工验布存在效率低、易漏检和误检、出现差错不容易发现的现象，造成产品
质量问题未及时反馈，交货被索赔等问题。同时，如何实现疵点数据的有效集成，在一定程度上实现疵点数据的信息化管理，规范各类报表数据的来源，提高报表数据的正确性，减少繁重的人工统计操作，提高各个车间的工作效率，从根本上减少人为误操作，加强生产过程的监控，达到疵点数据共享，是目前纺织染整行业面临另一个难题。
[0004] 近年来，国内有部分纺织染整设备公司已经研发出较成熟的疵点信息管理系统，并应用于传统的验布机，取得较好的效果。如佛山市某公司研发的验布机控制管理信息系统，该系统方便验布操作工快速录入布匹疵点信息，帮助用户依据四分制国际标准，出具相关验布报告(疵点分布图、损耗统计、验布明细报告、验布汇总报告、四分制报告等)。同时，
条形码标签方便布料信息管理、减少人工填写标签工作量及人为失误。此外，能够很方便与用户 ERP进行数据交换，实现无缝对接。如杭州某公司研发的布匹检验系统，该系统方便记录处理疵点位置、长度等检验数据，保存数据并提供成品检验分析表，减少繁琐的人工统计工作，同时客户可采用web登录，方便实时查询订单进度，产量信息共享。
[0005] 国内市场出现的验布机信息管理系统，在一定程度上减少了繁重的人工统计操作，使企业的生产管理方式已由原来的手工统计方式逐渐过渡到计算机信息管理系统，进而逐渐过渡到所有信息的网络化管理，达到生产信息在局域网内的共享，提高了信息的集成度，实现了疵点数据的实时性和准确性，有利于各个车间做出及时准确的生产过程监控。然而，该作业方式仍沿用一人负责一台验布机的人工验布方式，尚未解决由
机器视觉替代人工视觉的织物疵点自动检测。
[0006] 相比之下，国外在织物自动检测技术和疵点信息管理系统方面的研究和开发取得一定成就，并成功推向市场，应用于实际生产中。如德国Obdix光
电子技术公司开发的在线织物检测系统、以色列爱微丝(EVS)公司的I-TEX验布系统、比利时BARCO公司的验布系统和瑞士Uster公司用神经网络识别技术的Fabriscan自动验布系统。这些验布系统均采用价格非常昂贵的
硬件来实现，例如BARCO公司验布系统的
图像分析工具采用了价格昂贵的CPU1000，内存128M的中型计算机，以达到高速检测的目的。以上各系统由于价格过于昂贵、维护
费用高、售后服务不及时，使国内企业难以接受。同时，国外织物疵点检测系统对织物品种的适应性和对疵点类别的区分能力均有限。这些系统的适应对象基本为单色、简单组织织物，检测的疵点种类较少，而且有些系统要求图像中疵点边缘非常明显，造成了在实际应用中的局限性较大，故在国内没有市场。
发明内容
[0007] 本发明的目的在于提供一种基于图像处理的布匹疵点检测方法，以解决上述背景技术中提出的问题。
[0008] 为实现上述目的，本发明提供如下技术方案：一种基于图像处理的布匹疵点检测方法，该方法包括如下步骤：
[0009] (2)根据现场实际情况采取自适应去噪
算法；
[0010] (2)对去噪后的图像进行锐化增强处理以便增强图像疵点的纹理细节和边缘轮廓，使后续特征值的提取更加可靠；
[0011] (3)利用形态学运算及流通区域标志法对图像的疵点做分割，滤波与流通性增强处理；
[0012] (4)织物特征值提取与归一化；
[0013] (5)织物疵点的识别与分类。
[0014] 优选的，所述的基于图像处理的布匹疵点检测方法，步骤(1)根据现场实际情况采取自适应去噪算法的方法是，对织物
图像采集过程中的噪声来源和噪声特征进行分析，实验并相应采取
空域或频域等算法进行预处理，若椒盐噪声占据主导地位则采取中值滤波，若高斯噪声占据主导地位则采取小波
阈值或者卡尔曼滤波去噪，依据实际效果也可采取三者结合去噪。
[0015] 优选的，所述的基于图像处理的布匹疵点检测方法，步骤(2)包括利用 prwiter算子，sober算子，laplace算子，或者Canny等
边缘检测算子求得瑕点边缘。
[0016] 优选的，所述的基于图像处理的布匹疵点检测方法，步骤(3)利用形态学运算及流通区域标志法对图像的疵点做分割，滤波与流通性增强处理的方法是,
[0017] 采用自相关函数求出标准织物图像经二值化后的图像中的经、纬结构上的重复单元尺寸，并以此尺寸作为检测窗口；
[0018] 使用开运算使疵点图像轮廓平滑，并能去掉毛刺和孤立点，锐化了
角，使用闭运算填平小沟，槽，弥合了孔洞和裂缝，这两种运算分别用于不同的场合，这两种运算不限顺序，依据实际实验效果进行，其目的是希望用
腐蚀运算腐蚀掉织物图像中的标准经纬结构重复结构单元，即所谓的背景，但是在腐蚀背景的同时，也把其中的疵点信息，即所谓的目标得到恢复为目的；
[0019] 采用相关算法实现流通区域的增强与求取
[0020] 按照如下公式求出提取的疵点几何特征并根据特征值判断其形状属性类别[0021] 矩形度：R＝A0/A；A0为区域面积，A为区域最小外接矩形面积，R＝1时，为矩形的概率很大，R＝PI/4时为圆的最大
[0022] 体态比T＝a/b；a b分别为区域最小外接矩形的长和宽，T＝1为正方形或者圆形，T>1为细长图形
[0023] 圆形度是定义与圆形相似程度的量，As为连通域的面积，Ls为连通域的周长，圆形度的计算公式如下
[0024]
[0025] 对于圆形疵点，圆形度取最大值，疵点形状越复杂，则值越小。因此，圆形度可作为疵点形状的复杂度或者粗糙程度的一种度量
[0026] 球状性C＝Ur/Pr，Ur为区域
重心到轮廓点的平均距离，Pr为区域重心到轮廓点的均方差
[0027] 中心矩，可采用OpenCV有专
门的函数求解(p，q)次矩
[0028] 长轴短轴，最小外接矩形的长轴和短轴，具体为利用霍特林变换通过线性变换找到一组最优的单位
[0029]
正交基向量，用该组基向量的线性组合来重新表示原疵点样本.具体算法为：设疵点图像边缘
像素点的个数为k，把疵点的每个边缘坐标点作为一个二维向量Xi＝[ai，bi]T(i＝1，2，…，k).根据所有Xi计算疵点边缘坐标的均值向量mx和协方差矩阵cx[0030]
[0031]
[0032] 由于cx是2×2阶对称矩阵，故
特征向量只有2个，这2个特征向量组成的矩阵可表示为A＝(e1，e2)T，其中e1为最大特征值对应的特征向量，e2为最小特征值对应的特征向量.利用A作运算即可得到一组新的向量：
[0033] Yi＝A(Xi-mx)(i＝1，2，…，K).
[0034] 由此建立一个新的
坐标系：以树叶质心，均值向量m，x为原点，以e 1作为新坐标横轴的方向，e2作为新坐标纵轴的方向.坐标旋转变换后即可得到树叶最小外接矩形的长宽比：
[0035]
[0036] 其中xmax和xmin分别是疵点轮廓横坐标的最大值和最小值；ymax和 ymin分别是疵点轮廓纵坐标的最大值和最小值
[0037] 面积，面积定义为连通域中像素的总数。是对二值化处理之后的连通域的大小进行度量，公式如下：
[0038]
[0039] 周长或边界长，周长是指包围某个连通域的边界轮廓线的长度。周长的计算公式定义如下
[0040]
[0041] 其中Ne边界线上方向码为偶数的像素个数，No为边界线上方向码为奇数的像素个数，
[0042] 根据上述参数，按照厂里具体的品质规范对疵点进行分类，一般会作为阈值使用，判定某个区域的面积在两个阈值之间才判定有效疵点纹理特征提取及分类识别[0043] 在对织物疵点图像进行Mallat小波快速分解
[0044] 小波分解采用正则性、正交性、对称性和紧
支撑性的dbN小波系、coifN 小波系或者symN小波系等小波系作为小波库，
[0045] 分解公式如下：
[0046]
[0047]
[0048]
[0049]
[0051] 其中 与 分别表示图像在垂直方向，
水平方向和对角线方向的细节子图，织物图像是二维
信号，二维小波可用两个一维小波函数的乘积来表示，通过在水平和垂直方向分别应用h,g
滤波器，可将二维离散小波转换为两个一维离散小波，每经过一层分解，二维离散
小波变换可产生四幅子图像，下一级小波变换在前一级低频子图的
基础上进行，依此下去，可得多级小波分解子图，而本方案只做一层小波分解，得到4个四分之一大小的子图像:
[0052] 对图像的行、列均进行低通滤波与向下二抽样，获得低频子图(LL)，对应原始图像的概貌；
[0053] 对行、列分别进行高通和低通滤波，获得水平子图(HL)，反映图像的水平细节；
[0054] 对行、列分别进行低通和高通滤波，获得垂直子图(LH)，反映图像的垂直细节；
[0055] 对行、列均进行高通滤波，获得对角线子图(HH)，反映沿对角线万向的细节，[0056] 织物纹理特征值提取
[0057] 完成对织物图像的小波分解后，就可以从分解后的子图中提取特征值，进而分析得到织物图像是否含有疵点，并确定疵点位置。一般织物都按照织造工艺，由经
纬纱线按照规律相互交织而成，因此都具有比较明显的纹理特性。织物疵点的检测就是基于疵点处的纹理特征不同于无疵点织物的纹理特征来识别疵点的，织物的纹理特性主要有:结构特性、粗糙性、周期性、方向性、连续性等。，本发明采用织物纹理图像的灰度统计特性，通过对比织物纹理特性，判断疵点是否存在。本方案采用如下5个特征，即
能量、方差、极差、嫡、逆差矩，设Hi，j为图像的像素点(i，j)处的灰度值，M为图像的行数，N为图像的列数，H为图像的灰度均值，则五个特征值的定义及计算式如下，
[0058] 能量
[0059] 为反映织物纹理图像整体灰度的强弱，即图像灰度分布的均匀度。本方案采用能量即二阶矩作为第一个特征值，其表达式定义为
[0060]
[0061] 为减少级数，也可采用
[0062]
[0063] 方差
[0064] 为反映织物图像中灰度值分布的离散情况，本方案采用方差作为第二个特征值，表达式定义为
[0065]
[0066] 极差
[0067] 为反映织物图像灰度值大小的差别程度，本方案采用极差作为第三个特征值，表达式定义为
[0068]
[0069]
[0070] 其中Mh表示玮向极差，Mv表示经向极差。
[0071] 熵
[0072] 为反映织物图像纹理的粗糙度和非均匀度，本方案采取熵作为第四个特征值，若纹理密集，则熵值大；纹理稀疏，则熵值小。表达式定义为
[0073]
[0074]
[0075] 其中， Eh表示纬向纹理熵值，Ev 表示经向纹理熵值。
[0076] 逆差矩
[0077] 为表示织物图像纹理的同质性，即反映图像纹理局部变化的程度，本方案采用逆差矩作为第五个特征值，逆差矩小，图像不同纹理区域间变化大。逆差矩大，图像不同纹理区域间变化小，表达式定义为
[0078]
[0080] 为通过特征值的差异来判断是否有疵点存在及其类型。本步骤对小波分解后的子图进行窗口分割，以便能够对疵点精确
定位，计算分割后的每个窗口特征值，若存在疵点，则疵点处窗口的特征值异常，本步骤釆用自相关函数法，对图像纹理进行分析，来确定窗口大小，图像在经纬方向的自相关函数定义式为
[0081]
[0082]
[0083] 式中，Hi，j为图像的像素点(i，j)处的灰度值，M为图像的行数，N为图像的列数，C(h，0)和C(v，0)分别表示织物图像纬向自相关函数和经向自相关函数，
[0084] 由上述公式计算出来的函数曲线周期作为反映织物纹理的周期重复。并分别确定织物图像中纬纱和
经纱的重复像素数，从而确定分割检测窗口大小如图：已计算结果等4为例，且M＝128,N＝128，
[0085] 对于纬向即水平方向纹理子图像，将其沿经向划分为大小相同的32个长矩形
块，每块像素4*128，对每个矩形块计算特征值；对于经向即垂直方向纹理子图像，将其沿纬向划分为32块，每块像素128*4。
[0086] 优选的，所述的基于图像处理的布匹疵点检测方法，步骤(4)织物特征值提取与归一化方法，第一步，分别计算每个分割
子窗口内的5个特征值，对这5个特征值按照如下公式进行归一化，
[0087]
[0088] 式中，x为绝对特征值，x为的均值，xmax，xmin分别为无疵点正常织物绝对特征值的最大值和最小值，y为待检织物的相对特征值，这样，经过此线性函数归一化后的相对特征值就全部映射在区间【-1，1】内，
[0089] 以无疵点和飞花疵点为例分别得到如下系列的特征值曲线分布图，其中横坐标为1～32块子窗口序号；
[0090] 观察分析每个窗口内的特征值是否存在异常，若织物的特征值曲线在一个适当的范围内
波动，则认为此织物正常无疵点，若特征值曲线有明显超出范围的波动。
[0091] 优选的，所述的基于图像处理的布匹疵点检测方法，步骤(5)织物疵点的识别与分类方法，第1步，根据识别种类个数，识别特征值个数确定
输入层与
输出层神经元个数[0092] 由此决定纬向能量、纬向方差、纬向极差、纬向嫡值、纬向逆差矩、经向能量、经向方差、经向极差、经向嫡值、经向逆差矩这十个织物疵点特征值作为输入层神经元个数；输出层
节点数在分类网络中取类别数，本方案取输出层神经元数为10，分别代表白杠、杂
纤维、断纱、长残、掉扣、断涤丝、刮线、脏污、飞花这9种织物疵点和无疵点[0093] 第2步，确定隐含层神经元个数
[0094] 参照如下公式确定隐含层神经元个数，
[0095]
[0096] 式中，I为隐含层节点数，n为输入层节点数，m为输出层节点数，a为 1～10之间的调节常数，
[0097] 第3步，依据具体情况选取隐含层与输出层传递函数和学习速率
[0098] 第4步，采用各种bp训练算法对数据进行训练，确定神经网络的权值和偏置值，包括动量BP算法、学习速率可变的BP算法、弹性BP算法、变梯度BP算法、拟
牛顿算法和LM算法等都属于本技术步骤保护范围特征，具体流程如下：
[0099] 第5步训练出神经网络权值与偏置参数后，利用vc++，vb等高级编程语言
固化实现一个具有上述采集，滤波去噪，特征提取与分类识别的高级
计算机程序，作为整个疵点信息管理系统的前端，完成B/S.或C/S系统
软件架构；
[0100] 第6步，将本识别结果与时间，设备号等字段信息通过网络(tcpip， can总线，modbus 485/232)等网络通讯协议传输至某一WEB
服务器分站进入后台
数据库保存，并与企业中心ERP系统融合。
[0101] 与
现有技术相比，本发明的有益效果是：该基于图像处理的布匹疵点检测方法，研发一套基于图像处理和信息集成的织物自动化检验系统，完成织物疵点自动检测、成品评级、质量统计分析、信息共享、集中监控管理等功能，以解决纺织染整行业采用传统人工验布和人工统计时，存在劳动强度大、人工成本高、易漏检误检、验布效果波动大、信息统计繁琐、生产效率低等共性技术难题，达到降低劳动成本、实现企业生产线自动监控和信息集成、满足质量管理需要、提升自动化生产和信息化管理水平的目的。
附图说明
[0102] 图1为本发明无疵点的特征值曲线分布图。
[0103] 图2为本发明飞花疵点的特征值曲线分布图。
[0104] 图3为本发明bp训练算法对数据进行训练
流程图。
[0105] 图4为本发明纵向和径向自相关函数曲线图。
[0106] 图5为本发明步骤(3)中具体分解框图示意图。
具体实施方式
[0107] 下面将结合本发明
实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1，本发明提供一种技术方案：
[0108] 实施例1：
[0109] 一种基于图像处理的布匹疵点检测方法，该方法包括如下步骤：
[0110] (3)根据现场实际情况采取自适应去噪算法；
[0111] (2)对去噪后的图像进行锐化增强处理以便增强图像疵点的纹理细节和边缘轮廓，使后续特征值的提取更加可靠；
[0112] (3)利用形态学运算及流通区域标志法对图像的疵点做分割，滤波与流通性增强处理；
[0113] (4)织物特征值提取与归一化；
[0114] (5)织物疵点的识别与分类。
[0115] 实施例2：
[0116] 根据实施例1所述的基于图像处理的布匹疵点检测方法，步骤(1)根据现场实际情况采取自适应去噪算法的方法是，对织物图像采集过程中的噪声来源和噪声特征进行分析，实验并相应采取空域或频域等算法进行预处理，若椒盐噪声占据主导地位则采取中值滤波，若高斯噪声占据主导地位则采取小波阈值或者卡尔曼滤波去噪，依据实际效果也可采取三者结合去噪。
[0117] 实施例3：
[0118] 根据实施例1或2所述的基于图像处理的布匹疵点检测方法，步骤(2) 包括利用prwiter算子，sober算子，laplace算子，或者Canny等边缘检测算子求得瑕点边缘。
[0119] 实施例4：
[0120] 根据实施例1或2或3所述的基于图像处理的布匹疵点检测方法，步骤 (3)利用形态学运算及流通区域标志法对图像的疵点做分割，滤波与流通性增强处理的方法是,[0121] 采用自相关函数求出标准织物图像经二值化后的图像中的经、纬结构上的重复单元尺寸，并以此尺寸作为检测窗口；
[0122] 使用开运算使疵点图像轮廓平滑，并能去掉毛刺和孤立点，锐化了角，使用闭运算填平小沟，槽，弥合了孔洞和裂缝，这两种运算分别用于不同的场合，这两种运算不限顺序，依据实际实验效果进行，其目的是希望用腐蚀运算腐蚀掉织物图像中的标准经纬结构重复结构单元，即所谓的背景，但是在腐蚀背景的同时，也把其中的疵点信息，即所谓的目标得到恢复为目的；
[0123] 采用相关算法实现流通区域的增强与求取
[0124] 按照如下公式求出提取的疵点几何特征并根据特征值判断其形状属性类别[0125] 矩形度：R＝A0/A；A0为区域面积，A为区域最小外接矩形面积，R＝1时，为矩形的概率很大，R＝PI/4时为圆的最大
[0126] 体态比T＝a/b；a b分别为区域最小外接矩形的长和宽，T＝1为正方形或者圆形，T>1为细长图形
[0127] 圆形度是定义与圆形相似程度的量，As为连通域的面积，Ls为连通域的周长，圆形度的计算公式如下
[0128]
[0129] 对于圆形疵点，圆形度取最大值，疵点形状越复杂，则值越小。因此，圆形度可作为疵点形状的复杂度或者粗糙程度的一种度量
[0130] 球状性C＝Ur/Pr，Ur为区域重心到轮廓点的平均距离，Pr为区域重心到轮廓点的均方差
[0131] 中心矩，可采用OpenCV有专门的函数求解(p，q)次矩
[0132] 长轴短轴，最小外接矩形的长轴和短轴，具体为利用霍特林变换通过线性变换找到一组最优的单位正交基向量，用该组基向量的线性组合来重新表示原疵点样本.具体算法为：设疵点图像边缘像素点的个数为k，把疵点的每个边缘坐标点作为一个二维向量Xi＝[ai，bi]T(i＝1，2，…，k).根据所有Xi计算疵点边缘坐标的均值向量mx和协方差矩阵cx[0133]
[0134]
[0135] 由于cx是2×2阶对称矩阵，故特征向量只有2个，这2个特征向量组成的矩阵可表示为A＝(e1，e2)T，其中e1为最大特征值对应的特征向量，e2为最小特征值对应的特征向量.利用A作运算即可得到一组新的向量：
[0136] Yi＝A(Xi-mx)(i＝1，2，…，K).
[0137] 由此建立一个新的坐标系：以树叶质心，均值向量m，x为原点，以e 1作为新坐标横轴的方向，e2作为新坐标纵轴的方向.坐标旋转变换后即可得到树叶最小外接矩形的长宽比：
[0138]
[0139] 其中xmax和xmin分别是疵点轮廓横坐标的最大值和最小值；ymax和 ymin分别是疵点轮廓纵坐标的最大值和最小值
[0140] 面积，面积定义为连通域中像素的总数。是对二值化处理之后的连通域的大小进行度量，公式如下：
[0141]
[0142] 周长或边界长，周长是指包围某个连通域的边界轮廓线的长度。周长的计算公式定义如下
[0143]
[0144] 其中Ne边界线上方向码为偶数的像素个数，No为边界线上方向码为奇数的像素个数，
[0145] 根据上述参数，按照厂里具体的品质规范对疵点进行分类，一般会作为阈值使用，判定某个区域的面积在两个阈值之间才判定有效疵点纹理特征提取及分类识别[0146] 在对织物疵点图像进行Mallat小波快速分解
[0147] 小波分解采用正则性、正交性、对称性和紧支撑性的dbN小波系、coifN 小波系或者symN小波系等小波系作为小波库，
[0148] 分解公式如下：
[0149]
[0150]
[0151]
[0152]
[0153] 具体分解框图如附图5：
[0154] 其中 与 分别表示图像在垂直方向，水平方向和对角线方向的细节子图，织物图像是二维信号，二维小波可用两个一维小波函数的乘积来表示，通过在水平和垂直方向分别应用h,g滤波器，可将二维离散小波转换为两个一维离散小波，每经过一层分解，二维
离散小波变换可产生四幅子图像，下一级小波变换在前一级低频子图的基础上进行，依此下去，可得多级小波分解子图，而本方案只做一层小波分解，得到4个四分之一大小的子图像:
[0155] 对图像的行、列均进行低通滤波与向下二抽样，获得低频子图(LL)，对应原始图像的概貌；
[0156] 对行、列分别进行高通和低通滤波，获得水平子图(HL)，反映图像的水平细节；
[0157] 对行、列分别进行低通和高通滤波，获得垂直子图(LH)，反映图像的垂直细节；
[0158] 对行、列均进行高通滤波，获得对角线子图(HH)，反映沿对角线万向的细节。
[0159] 织物纹理特征值提取
[0160] 完成对织物图像的小波分解后，就可以从分解后的子图中提取特征值，进而分析得到织物图像是否含有疵点，并确定疵点位置。一般织物都按照织造工艺，由经纬
纱线按照规律相互交织而成，因此都具有比较明显的纹理特性。织物疵点的检测就是基于疵点处的纹理特征不同于无疵点织物的纹理特征来识别疵点的，织物的纹理特性主要有:结构特性、粗糙性、周期性、方向性、连续性等。，本发明采用织物纹理图像的灰度统计特性，通过对比织物纹理特性，判断疵点是否存在。本方案采用如下5个特征，即能量、方差、极差、嫡、逆差矩，设Hi，j为图像的像素点(i，j)处的灰度值，M为图像的行数，N为图像的列数，H为图像的灰度均值，则五个特征值的定义及计算式如下，
[0161] 能量
[0162] 为反映织物纹理图像整体灰度的强弱，即图像灰度分布的均匀度。本方案采用能量即二阶矩作为第一个特征值，其表达式定义为
[0163]
[0164] 为减少级数，也可采用
[0165]
[0166] 方差
[0167] 为反映织物图像中灰度值分布的离散情况，本方案采用方差作为第二个特征值，表达式定义为
[0168]
[0169] 极差
[0170] 为反映织物图像灰度值大小的差别程度，本方案采用极差作为第三个特征值，表达式定义为
[0171]
[0172]
[0173] 其中Mh表示玮向极差，Mv表示经向极差。
[0174] 熵
[0175] 为反映织物图像纹理的粗糙度和非均匀度，本方案采取熵作为第四个特征值，若纹理密集，则熵值大；纹理稀疏，则熵值小。表达式定义为
[0176]
[0177]
[0178] 其中， Eh表示纬向纹理熵值，Ev 表示经向纹理熵值。
[0179] 逆差矩
[0180] 为表示织物图像纹理的同质性，即反映图像纹理局部变化的程度，本方案采用逆差矩作为第五个特征值，逆差矩小，图像不同纹理区域间变化大。逆差矩大，图像不同纹理区域间变化小，表达式定义为
[0181]
[0182] 织物图像分割窗口的确定
[0183] 为通过特征值的差异来判断是否有疵点存在及其类型。本步骤对小波分解后的子图进行窗口分割，以便能够对疵点精确定位，计算分割后的每个窗口特征值，若存在疵点，则疵点处窗口的特征值异常，本步骤釆用自相关函数法，对图像纹理进行分析，来确定窗口大小，图像在经纬方向的自相关函数定义式为
[0184]
[0185]
[0186] 式中，Hi，j为图像的像素点(i，j)处的灰度值，M为图像的行数，N为图像的列数，C(h，0)和C(v，0)分别表示织物图像纬向自相关函数和经向自相关函数，
[0187] 由上述公式计算出来的函数曲线周期作为反映织物纹理的周期重复。并分别确定织物图像中纬纱和经纱的重复像素数，从而确定分割检测窗口大小如图：已计算结果等4为例，且M＝128,N＝128，
[0188] 对于纬向即水平方向纹理子图像，将其沿经向划分为大小相同的32个长矩形块，每块像素4*128，对每个矩形块计算特征值；对于经向即垂直方向纹理子图像，将其沿纬向划分为32块，每块像素128*4。
[0189] 实施例5：
[0190] 根据实施例1或2或3或4所述的基于图像处理的布匹疵点检测方法，步骤(4)织物特征值提取与归一化方法，第一步，分别计算每个分割子窗口内的5个特征值，对这5个特征值按照如下公式进行归一化，
[0191]
[0192] 式中，x为绝对特征值，x为的均值，xmax，xmin分别为无疵点正常织物绝对特征值的最大值和最小值，y为待检织物的相对特征值，这样，经过此线性函数归一化后的相对特征值就全部映射在区间【-1，1】内，
[0193] 以无疵点和飞花疵点为例分别得到如下系列的特征值曲线分布图，其中横坐标为1～32块子窗口序号；
[0194] 观察分析每个窗口内的特征值是否存在异常，若织物的特征值曲线在一个适当的范围内波动，则认为此织物正常无疵点，若特征值曲线有明显超出范围的波动。
[0195] 实施例6：
[0196] 根据实施例1或2或3或4或5所述的基于图像处理的布匹疵点检测方法，步骤(5)织物疵点的识别与分类方法，第1步，根据识别种类个数，识别特征值个数确定输入层与输出层神经元个数
[0197] 由此决定纬向能量、纬向方差、纬向极差、纬向嫡值、纬向逆差矩、经向能量、经向方差、经向极差、经向嫡值、经向逆差矩这十个织物疵点特征值作为输入层神经元个数；输出层节点数在分类网络中取类别数，本方案取输出层神经元数为10，分别代表白杠、杂纤维、断纱、长残、掉扣、断涤丝、刮线、脏污、飞花这9种织物疵点和无疵点[0198] 第2步，确定隐含层神经元个数
[0199] 参照如下公式确定隐含层神经元个数，
[0200]
[0201] 式中，I为隐含层节点数，n为输入层节点数，m为输出层节点数，a为 1～10之间的调节常数，
[0202] 第3步，依据具体情况选取隐含层与输出层传递函数和学习速率
[0203] 第4步，采用各种bp训练算法对数据进行训练，确定神经网络的权值和偏置值，包括动量BP算法、学习速率可变的BP算法、弹性BP算法、变梯度BP算法、拟牛顿算法和LM算法等都属于本技术步骤保护范围特征，具体流程如下：
[0204] 第5步训练出神经网络权值与偏置参数后，利用vc++，vb等高级编程语言固化实现一个具有上述采集，滤波去噪，特征提取与分类识别的高级计算机程序，作为整个疵点信息管理系统的前端，完成B/S.或C/S
系统软件架构；
[0205] 第6步，将本识别结果与时间，设备号等字段信息通过网络(tcpip，can 总线，modbus 485/232)等网络通讯协议传输至某一WEB服务器分站进入后台数据库保存，并与企业中心ERP系统融合。
[0206] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、
修改、替换和变型，本发明的范围由所附
权利要求及其等同物限定。
