基于低秩稀疏矩陣分解的織物疵點(diǎn)檢測算法研究.pdf

1、織物疵點(diǎn)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(fù)雜的織物圖像中檢測形態(tài)多樣的疵點(diǎn)具有重要的應(yīng)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(diǎn)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(yīng)用，并且在目標(biāo)檢測中達(dá)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(biāo)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(biāo)檢測，織物疵點(diǎn)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(diǎn)檢測的關(guān)鍵步驟。對圖像提取好的特征，并構(gòu)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(diǎn)分布圖采用有效的閾值分割算法，才能準(zhǔn)確和有效的定位出疵點(diǎn)的位置和區(qū)域。為此，本

3、論文提出應(yīng)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(fù)以及基于生物視覺特征提取及低秩表示的織物疵點(diǎn)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(diǎn)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(jìn)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(gòu)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(diǎn)分布圖進(jìn)行分割，從而定位出疵點(diǎn)的區(qū)域和位置。
　　2）提出了應(yīng)用方向梯度直方圖(HOG)和低秩分解的織物疵點(diǎn)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(gòu)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(diǎn)分布圖進(jìn)行分割，從而定

5、位出疵點(diǎn)區(qū)域。
　　3）提出了基于GHOG及低秩分解的模式織物疵點(diǎn)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(diǎn)圖像，本論文提出了一種基于 GHOG和低秩恢復(fù)的模式織物疵點(diǎn)檢測算法。首先，對圖像進(jìn)行Gabor濾波，從而生成相應(yīng)的Gabor特征圖，然后將對應(yīng)的方向上的Gabor特征圖進(jìn)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(jìn)行級聯(lián)生成特征矩陣。對特征矩陣，構(gòu)建低秩分解模型，并

6、利用方向交替方法進(jìn)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(diǎn)分布圖采用最優(yōu)閾值分割算法進(jìn)行分割，從而定位出疵點(diǎn)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(diǎn)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(fù)雜的高級視覺任務(wù)。本文引入一種借鑒人類視覺感知和視網(wǎng)膜表征機(jī)理的特征表示方法。在該特征表示的基礎(chǔ)上，利用KSVD在測試圖像上訓(xùn)練出正?？椢飯D像塊字典。基于學(xué)習(xí)出的字典，建立特征矩陣的低秩