一種基于小波變換和遺傳算法的織物瑕疵檢測方法
【專利摘要】本發(fā)明涉及一種基于小波變換和遺傳算法的織物瑕疵檢測方法，包括以下步驟：對采集的帶有瑕疵的圖像進行預處理；對預處理后的圖像使用小波分解得到多尺度下的子圖像；對子圖像進行融合以得到最優(yōu)的疵點邊緣信息；對子圖像利用遺傳算法計算出閾值，并采用所述閾值對融合后的圖像進行閾值分割；對經過閾值分割的圖像進行形態(tài)學處理。本發(fā)明處理后的布匹瑕疵分割效果精準，分割速度快，并很好的保留了瑕疵原本的形態(tài)。
【專利說明】
一種基于小波變換和遺傳算法的織物瑕疵檢測方法
技術領域
[0001]本發(fā)明涉及織物瑕疵檢測技術領域，特別是涉及一種基于小波變換和遺傳算法的織物瑕疵檢測方法。
【背景技術】
[0002]織物瑕疵檢測時布料生產過程中不可缺少的一個環(huán)節(jié)，而一直以來在紡織企業(yè)中普遍采用的是人工檢測的方式。這種傳統(tǒng)的驗布方式效率低下，工人勞動強度大，并且檢測準確度得不到保證。由此可見，傳統(tǒng)的人工檢測方式已經難以復合企業(yè)的現代化管理要求。因此，發(fā)展一種織物自動檢測設備對紡織企業(yè)的質量監(jiān)控和節(jié)約人力成本具有重要的經濟意義。
[0003]目前，面向市場的織物瑕疵自動檢測系統(tǒng)還比較少，生產出面向紡織企業(yè)的織物瑕疵檢測系統(tǒng)也只有國外的少數公司，如以色列的EVS公司，瑞士的Barco公司。在織物瑕疵檢測系統(tǒng)中，一般采用的是線陣相機作為圖像傳感器對織物圖像進行采集。但由于在檢測過程中，布匹運動速度快，布匹幅面較大，圖片質量易受工業(yè)環(huán)境的影響，正確地提取出瑕疵區(qū)域稱為布匹檢測中的重點和難點。而織瑕疵的檢測算法是自動檢測系統(tǒng)的核心部分，因此設計出一種精度高、處理速度快的算法是實現在線織物瑕疵檢測的關鍵。

【發(fā)明內容】

[0004]本發(fā)明所要解決的技術問題是提供一種基于小波變換和遺傳算法的織物瑕疵檢測方法，使得布匹瑕疵分割效果精準，分割速度快。
[0005]本發(fā)明解決其技術問題所采用的技術方案是:提供一種基于小波變換和遺傳算法的織物瑕疵檢測方法，包括以下步驟:
[0006](I)對采集的帶有瑕疵的圖像進行預處理；
[0007](2)對預處理后的圖像使用小波分解得到多尺度下的子圖像；
[0008](3)對子圖像進行融合以得到最優(yōu)的疵點邊緣信息；
[0009](4)對子圖像利用遺傳算法計算出閾值，并采用所述閾值對融合后的圖像進行閾值分割；
[0010](5)對經過閾值分割的圖像進行形態(tài)學處理。
[0011]所述步驟(I)具體為:將采集到的帶有瑕疵的圖像先進行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像的質量得到整體改善。
[0012]所述步驟(2)具體為:分別對圖像按行進行高通和低通濾波并進行下采樣，得到兩個輸入圖像一般大小的自圖像，之后對其自圖像按列進行高通和低通濾波并進行下采樣，得至料個輸入圖像四分之一大小的子圖像分別是^+^知八知/辦+匕其中^^是行和列兩個方向上低通濾波的結果，代表下一尺度的概貌信號;0」+111是行方向上低通濾波和列方向上高通濾波的結果，代表垂直方向上的細節(jié)信號在水平方向的概貌;0」+/是行方向上高通濾波和列方向上低通濾波的結果，代表水平方向上的細節(jié)信號在垂直方向上的概貌;Dj+1D是行和列兩個方向上高通濾波的結果，代表對角方向的細節(jié)信號。
[0013]所述步驟(3)具體包括以下子步驟:
[0014](31)從最大尺度開始，令尺度j為最大尺度J，將邊緣圖像&(X，y)中模值與相角均相近的非零像素點進行鏈接，并且設置鏈長閾值，刪除小于鏈長的短鏈，得到尺度j下的單像素寬的邊緣圖像Ej(x，y)；
[0015](32)對于邊緣圖像Ej(X，y)中的每一個邊緣像素點，搜索該點在尺度j-1下對應的像素點為中心的3 X 3鄰域，將鄰域內模值相角均相近的點作為邊緣點添加到邊緣圖像Ej(x，y)中去，將邊緣圖像&(x，y)中模值相近、相角相近的非零像素點進行鏈接，并且設置鏈長閾值，刪除小于鏈長的短鏈，從而得到了尺度j-Ι下的疵點邊緣圖像En(X，y);
[0016](33)若尺度j>l，則返回步驟(32)，若j = l，則得到的邊緣圖像E1(Xj)即為多尺度融合后的疵點邊緣圖像；
[0017]其中，EXx，y)為各個尺度j下的邊緣圖像，其中，j= l，2，3，...，J。
[0018]所述步驟(4)具體包括以下子步驟:
[0019](41)對子圖像進行直方圖計算，得到低分辨率版本的直方圖；
[0020](42)在所述低分辨率版本的直方圖基礎上產生初始種群；
[0021](43)定義適應度函數；
[0022](44)應用學習策略改進字符串的適應值；
[0023](45)比較最優(yōu)字符串和當前字符串，如果最優(yōu)字符串優(yōu)于當前字符串，則用最優(yōu)字符串代替當前字符串；否則，進行選擇、交叉和變異操作來生成下一種群，并返回步驟
(42);
[0024](46)把得到的最佳閾值投射到原始空間得到原始圖像的最佳閾值分割效果。
[0025]有益效果
[0026]由于采用了上述的技術方案，本發(fā)明與現有技術相比，具有以下的優(yōu)點和積極效果:本發(fā)明結合了小波變換和遺傳算法，先用離散小波變換對預處理后的圖像進行分解，提取出圖像的不同維度上的分量，得到較低分辨率的圖像，達到了降維的目的。再使用遺傳算法對小波分解后的近似圖像直方圖進行處理，得到一個閾值，再對原圖像進行閾值分割，將疵點部分與織物背景分隔開。先經過小波分解，在使用遺傳算法，使得相比傳統(tǒng)的遺傳算法，運算速度更快。經過本發(fā)明中的算法處理后的布匹瑕疵分割效果精準，分割速度快，并很好的保留了瑕疵原本的形態(tài)。
【附圖說明】
[0027]圖1是織物瑕疵自動檢測設備示意圖；
[0028]圖2是本發(fā)明的流程圖；
[0029]圖3是采集的織物原圖；
[0030]圖4是經小波分解得到的子圖像；
[0031]圖5是融合后圖像；
[0032]圖6是經閾值處理得到的檢測結果圖。
【具體實施方式】
[0033]下面結合具體實施例，進一步闡述本發(fā)明。應理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應理解，在閱讀了本發(fā)明講授的內容之后，本領域技術人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權利要求書所限定的范圍。
[0034]本發(fā)明的實施方式涉及一種基于小波變換和遺傳算法的織物瑕疵檢測方法，如圖1所示，包括以下步驟:
[0035](I)對采集的帶有瑕疵的圖像進行預處理；
[0036](2)對預處理后的圖像使用小波分解得到多尺度下的子圖像；
[0037](3)對子圖像進行融合以得到最優(yōu)的疵點邊緣信息；
[0038](4)對子圖像利用遺傳算法計算出閾值，并采用所述閾值對融合后的圖像進行閾值分割；
[0039](5)對經過閾值分割的圖像進行形態(tài)學處理。
[0040]具體如下:
[0041 ] 預處理
[0042]將采集到的圖像先進行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像的質量得到整體改善，便于進行下一步的處理。
[0043]小波分解
[0044]在織物中，絕大部分的疵點都具有一定的方向性，如斷經、缺瑋、雙經等，一些區(qū)域類的疵點如油污、破洞等，則是在經瑋兩個方向上均產生了不規(guī)則紋理。對含有疵點的圖像進行小波分解后，水平方向的細節(jié)子圖和垂直方向的細節(jié)子圖中會出現小波系數的局部極大值，在灰度上表現為灰度的奇異點。由于小波分解具有方向性，因此可利用小波分解得到的水平和垂直細節(jié)子圖像表示織物水平和垂直方向上的紋理信息。小波變換還具有稀疏性，這些極大值較之分解前更為突出，更加有利于疵點的檢測。
[0045]圖像的小波分解是分別對圖像在水平和垂直方向上進行一維離散小波變換。先分別對圖像按行進行高通和低通濾波并進行下采樣，得到兩個輸入圖像一般大小的自圖像，之后對其自圖像按列進行高通和低通濾波并進行下采樣，得到4個輸入圖像四分之一大小的子圖像分別是、+1，Dj+1H，Dj+1v，Dj+1D。其中，Ap1是行和列兩個方向上低通濾波的結果，代表下一尺度的概貌信號;Dj+1H是行方向上低通濾波和列方向上高通濾波的結果，代表垂直方向上的細節(jié)信號在水平方向的概貌;Dj+1v是行方向上高通濾波和列方向上低通濾波的結果，代表水平方向上的細節(jié)信號在垂直方向上的概貌;0」+^是行和列兩個方向上高通濾波的結果，代表對角方向的細節(jié)信號。
[0046]子圖像融合
[0047]經小波分解后的得到多尺度下的織物瑕疵邊緣信息，以一定的規(guī)則對個尺度下的邊緣子圖像進行融合，可得到最優(yōu)的疵點邊緣信息。本發(fā)明中運用的是邊緣聚焦方法，步驟如下:
[0048](I)從最大尺度開始，令j = J，將E」(X，y)中模值與相角均相近的非零像素點進行鏈接，并且設置鏈長閾值，刪除小于鏈長的短鏈，得到尺度j下的單像素寬的邊緣圖像Ej(x，y)；
[0049](2)獲得尺度j下的邊緣圖像后，對于Ej(x，y)中的每一個邊緣像素點，搜索該點在尺度j-1下對應的像素點為中心的3X3鄰域，將鄰域內模值相角均相近的點作為邊緣點添加到Ej(X，y)中去，將Ej(X，y)中模值相近、相角相近的非零像素點進行鏈接，并且設置鏈長閾值，刪除小于鏈長的短鏈，從而尺度j-Ι下的疵點邊緣圖像En(X，y);
[0050](3)令j = j-1，若j>l，則進入步驟(2)，若j = l，則得到的Ei(x，y)S卩為多尺度融合后的疵點邊緣圖像。
[0051]其中，EXx，y)為各個尺度j下的邊緣圖像，其中，j= l，2，3，...，J。
[0052]利用遺傳算法進行閾值分割
[0053]簡單的閾值分割很容易受到噪聲、目標區(qū)域不規(guī)則的因素的影響，而分割的理想程度由閾值覺得，所以閾值的選取的研究對圖像分割來說至關重要。而運用標準的遺傳算法對瑕疵圖像進行分割，會有收斂速度慢，計算時間長的缺點。本算法中的分割算法屬于一種多級閾值方法。先利用小波變換將從不同尺度將圖像分解成近似信號與細節(jié)信號，再對得到的近似信號進行二階小波變換，分解為下一級別的近似信號和細節(jié)信號。結合小波變換的遺傳算法流程如下:
[0054](I)經過小波變換的圖像維度已經降低，對該圖像進行直方圖計算，得到低分辨率版本的直方圖；
[0055](2)在此低分辨率版本的直方圖基礎上產生初始種群；
[0056](3)定義適應度函數；
[0057](4)應用學習策略改進字符串的適應值；
[0058](5)比較最優(yōu)字符串和當前字符串，如果最優(yōu)字符串優(yōu)于當前字符串，則用最優(yōu)字符串代替當前字符串。否則，進行選擇、交叉和變異操作來生成下一種群，轉到步驟2;
[0059](6)把得到的最佳閾值投射到原始空間得到原始圖像的最佳閾值分割效果。
[0060]形態(tài)學處理
[0061]對經過閾值分割的圖像進行腐蝕、膨脹的形態(tài)學處理。在瑕疵的區(qū)域之間會存在空隙，通過腐蝕、膨脹等的形態(tài)學方法可出去圖像中的噪聲，并使得瑕疵區(qū)域變得連通。
[0062]本方法可以應用于如圖2所示的織物瑕疵自動檢測系統(tǒng)中，該系統(tǒng)包括帶檢測布匹模塊I，照明裝置模塊2，布匹傳送裝置模塊3，拍攝裝置模塊4，旋轉編碼器模塊5，圖像采集裝置模塊6，上位機處理與現實裝置模塊7。照明裝置模塊2為織物圖像的采集提供良好的光線條件，提高了織物圖像的質量，有利于下一步的圖像處理。布匹傳送裝置模塊3為布匹傳送裝置，使得線陣相機與布匹形成勻速的相對運動，布匹傳送裝置模塊3包括退布滾軸、送布滾軸、電機及其驅動、電機控制器。拍攝裝置模塊4為CCD線陣相機，在工業(yè)中用于拍攝圖像。旋轉編碼器模塊5主要功能是為相機提供主定時脈沖。圖像采集裝置模塊6為圖像采集卡，使得每個相機獲得的數據被圖像采集卡轉換為數字圖像。上位機處理與現實裝置模塊7為上位機處理與顯示裝置，將采集到的圖片進行處理與分析結果輸出。
[0063]本發(fā)明專利數字圖像處理的算法原理如下:
[0064]本發(fā)明先對采集的布匹瑕疵圖像進行預處理，再使用離散小波變換對圖像進行分解，提取出不同維度上的分量。再使用遺傳算法對小波分解后的近似圖像直方圖進行處理，得到一個閾值，使用該閾值對圖像進行閾值分割，最后得到瑕疵與背景圖像分割開來的圖像。
[0065]本實施例主要分為以下的步驟:
[0066](I)對采集的帶有瑕疵的圖像進行預處理:將采集到的圖像先進行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像(見圖3)的質量得到整體改善，便于進行下一步的處理；
[0067](2)使用小波分解得到多尺度下的子圖像:圖像的小波分解是分別對圖像在水平和垂直方向上進行一維離散小波變換。先分別對圖像按行進行高通和低通濾波并進行下采樣，得到兩個輸入圖像一般大小的自圖像，之后對其自圖像按列進行高通和低通濾波并進行下采樣，得到4個輸入圖像四分之一大小的子圖像。經小波分解得到的子圖像如圖4所示。
[0068](3)對步驟(2)得到的子圖像進行融合:經小波分解后的得到多尺度下的織物瑕疵邊緣信息，以一定的規(guī)則對個尺度下的邊緣子圖像進行融合，可得到最優(yōu)的疵點邊緣信息。融合后得到的圖像如圖5所示。
[0069](4)根據步驟(2)得到的子圖像利用遺傳算法計算出閾值，并用該閾值對步驟(3)得到的融合圖像進行閾值分割，經閾值處理得到的檢測結果如圖6所示。
[0070](5)進行形態(tài)學處理:在瑕疵的區(qū)域之間會存在空隙，通過腐蝕、膨脹等的形態(tài)學方法可出去圖像中的噪聲，并使得瑕疵區(qū)域變得連通。
[0071]不難發(fā)現，本發(fā)明結合了小波變換和遺傳算法，先用離散小波變換對預處理后的圖像進行分解，提取出圖像的不同維度上的分量，得到較低分辨率的圖像，達到了降維的目的。再使用遺傳算法對小波分解后的近似圖像直方圖進行處理，得到一個閾值，再對原圖像進行閾值分割，將疵點部分與織物背景分隔開。先經過小波分解，在使用遺傳算法，使得相比傳統(tǒng)的遺傳算法，運算速度更快。經過本發(fā)明中的算法處理后的布匹瑕疵分割效果精準，分割速度快，并很好的保留了瑕疵原本的形態(tài)。
【主權項】
1.一種基于小波變換和遺傳算法的織物瑕疵檢測方法，其特征在于，包括以下步驟: (1)對采集的帶有瑕疵的圖像進行預處理； (2)對預處理后的圖像使用小波分解得到多尺度下的子圖像； (3)對子圖像進行融合以得到最優(yōu)的疵點邊緣信息； (4)對子圖像利用遺傳算法計算出閾值，并采用所述閾值對融合后的圖像進行閾值分割； (5)對經過閾值分割的圖像進行形態(tài)學處理。2.根據權利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測方法，其特征在于，所述步驟(I)具體為:將采集到的帶有瑕疵的圖像先進行灰度化處理，再使用直方圖均值化和中值濾波使得原圖像的質量得到整體改善。3.根據權利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測方法，其特征在于，所述步驟(2)具體為:分別對圖像按行進行高通和低通濾波并進行下采樣，得到兩個輸入圖像一般大小的自圖像，之后對其自圖像按列進行高通和低通濾波并進行下采樣，得到4個輸入圖像四分之一大小的子圖像分別是Aj+1，Dj+1H，Dj+1v，Dj+1D;其中，Aj+1是行和列兩個方向上低通濾波的結果，代表下一尺度的概貌信號;Dj+1H是行方向上低通濾波和列方向上高通濾波的結果，代表垂直方向上的細節(jié)信號在水平方向的概貌;Dj+1v是行方向上高通濾波和列方向上低通濾波的結果，代表水平方向上的細節(jié)信號在垂直方向上的概貌;Dj+1D是行和列兩個方向上高通濾波的結果，代表對角方向的細節(jié)信號。4.根據權利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測方法，其特征在于，所述步驟(3)具體包括以下子步驟: (31)從最大尺度開始，令尺度j為最大尺度J，將邊緣圖像Ej(X，y)中模值與相角均相近的非零像素點進行鏈接，并且設置鏈長閾值，刪除小于鏈長的短鏈，得到尺度j下的單像素寬的邊緣圖像Ej(x，y)； (32)對于邊緣圖像Ej(X，y)中的每一個邊緣像素點，搜索該點在尺度j-1下對應的像素點為中心的3X3鄰域，將鄰域內模值相角均相近的點作為邊緣點添加到邊緣圖像E」(X，y)中去，將邊緣圖像E」(X，y)中模值相近、相角相近的非零像素點進行鏈接，并且設置鏈長閾值，刪除小于鏈長的短鏈，從而得到了尺度j-Ι下的疵點邊緣圖像En(X，y); (33)若尺度j>l，則返回步驟(32)，若j= l，則得到的邊緣圖像E1(Xd)即為多尺度融合后的疵點邊緣圖像； 其中，Ej(x，y)為各個尺度j下的邊緣圖像，其中，j = 1,2,3，...，J。5.根據權利要求1所述的基于小波變換和遺傳算法的織物瑕疵檢測方法，其特征在于， 所述步驟(4)包括以下子步驟: (41)對子圖像進行直方圖計算，得到低分辨率版本的直方圖； (42)在所述低分辨率版本的直方圖基礎上產生初始種群； (43)定義適應度函數； (44)應用學習策略改進字符串的適應值； (45)比較最優(yōu)字符串和當前字符串，如果最優(yōu)字符串優(yōu)于當前字符串，則用最優(yōu)字符串代替當前字符串；否則，進行選擇、交叉和變異操作來生成下一種群，并返回步驟(42); (46)把得到的最佳閾值投射到原始空間得到原始圖像的最佳閾值分割效果。
【文檔編號】G06T7/00GK105931246SQ201610292018
【公開日】2016年9月7日
【申請日】2016年5月5日
【發(fā)明人】周武能, 李倩倩
【申請人】東華大學