專利名稱：一種基于主元分析的圖像分析方法及應(yīng)用于織物瑕疵檢測的方法
技術(shù)領(lǐng)域：
本發(fā)明屬圖像分析處理領(lǐng)域，應(yīng)用于紡織品表面質(zhì)量自動(dòng)檢測與控制領(lǐng)域，本發(fā)明涉及一種基于主元分析的圖像分析方法及應(yīng)用于織物瑕疵檢測的方法。
背景技術(shù)：
主元分析(PCA)或Karhunen-Lc^ve (KL)變換作為一種重要的多變量統(tǒng)計(jì)方法，由于其出色的性質(zhì)，被廣泛應(yīng)用模式識(shí)別領(lǐng)域，如人臉識(shí)別、數(shù)據(jù)壓縮。主元分析的基本思想是用線性變換從原有特征得到一組個(gè)數(shù)相同的且互不相關(guān)的新特征，且這些特征中的前幾個(gè)包含了原有特征的主要信息。在圖像分析領(lǐng)域，主元分析作為一種多變量分析法主要用于多光譜圖像和真彩色圖像的分析，而無法直接應(yīng)用于灰度圖像的分析。Miarati等人Q000)將灰度圖像在空間上進(jìn)行不同方向的平移和不同角度的旋轉(zhuǎn)操作后產(chǎn)生多幅圖像，然后采用PCA對所產(chǎn)生的多幅圖像進(jìn)行像素級(jí)的分析，由于方法是在單個(gè)像素點(diǎn)的基礎(chǔ)上進(jìn)行的分析，且需要將圖像進(jìn)行平移和旋轉(zhuǎn)來獲取滿足主元分析的多幅圖像，涉及的運(yùn)算量非常大。在織物瑕疵進(jìn)行檢測領(lǐng)域，Ozdemir等人(1996)首先將原始圖像劃分成32 X 32不重疊的子窗口，將子窗口每列的灰度值視為隨機(jī)向量，然后對這些隨機(jī)變量的協(xié)方差矩陣做主元分析得到特征值，并提取前三個(gè)最大特征值的和作為區(qū)別正常與瑕疵樣本指標(biāo)。KumaH2003)對7X7 模板所提取的特征向量，采用PCA進(jìn)行降維后進(jìn)行瑕疵檢測。Sezer等人Q004)利用PCA 對提取的高維特征向量先進(jìn)行降維然后用獨(dú)立成分分析進(jìn)行瑕疵檢測。值得注意的是， Kumar (2003)和Sezer等人O004)只是將PCA看作為一種降維的輔助方法，而Ozdemir等人(1996)雖直接采用了主元分析進(jìn)行瑕疵檢測，但該方法需要對每個(gè)樣本都進(jìn)行主元分析，涉及的運(yùn)算量非常大；其次是該方法并沒有考慮織物紋理的隨機(jī)干擾，檢測結(jié)果存在較大誤差。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服現(xiàn)有檢測方法不足，提出了一種基于主元分析的圖像分析方法及應(yīng)用于織物瑕疵檢測方法。本發(fā)明將圖像直接劃分成一定大小的子窗口，并以一個(gè)窗口為單位而不是在單個(gè)像素上對圖像進(jìn)行主元分析，可以大大減小計(jì)算量；將子窗口中的灰度值按行和列的方式展開，可以更好地刻劃圖像不同方向的特征。對于織物瑕疵而言，對有重疊的劃分子窗口所得到的樣本進(jìn)行主元分析，可有效地提取織物的內(nèi)在紋理結(jié)構(gòu)特征；通過對原織物樣本分別按行、列方向展開后進(jìn)行模板操作，然后再分別進(jìn)行主元分析，不僅充分利用了織物紋理的經(jīng)緯取向特征，而且有利于突出瑕疵和抑制紋理隨機(jī)干擾，提高檢測準(zhǔn)確率。本發(fā)明的一種基于主元分析的圖像分析方法，包括訓(xùn)練階段和分析階段兩部分， 具體步驟為
訓(xùn)練階段1)將無瑕疵的圖像有重疊地劃分成m行η列大小的子窗口，有重疊的劃分子窗口是為了更好地提取圖像內(nèi)在的結(jié)構(gòu)信息；視每個(gè)子窗口為m行η列的矩陣，將子窗口中的灰度值按行和按列的方式展開成兩組mXn維的列向量，并視這兩組mXn維列向量為兩組隨機(jī)向量，記得到相應(yīng)的兩組隨機(jī)向量為&和Xv ；對隨機(jī)向量^和Xv進(jìn)行模板操作以突出瑕疵和抑制隨機(jī)干擾，將模板操作后隨機(jī)向量4和Xv進(jìn)行主元分析，得到相應(yīng)的主元矩陣記為Wh和Wv ；2)將無瑕疵的圖像連續(xù)無重疊地劃分成m行η列大小的子窗口 ；將子窗口中的灰度值按行和按列的方式展開成兩組mXn維列向量，記得到相應(yīng)的兩組mXn維列向量記為 yh和yv ；對yh和yv進(jìn)行模板操作以突出瑕疵和抑制隨機(jī)干擾，將相應(yīng)模板操作后的結(jié)果分別右乘到矩陣\^\￥〗和矩陣WVWVT，即將fh和fv投影到矩陣\^\<和矩陣WvWvI，得到相應(yīng)兩組新的mXn維的列向量記為y' h和y' v;計(jì)算yh和y' h，yv*y' v的之間的相似度，得到相應(yīng)的兩個(gè)相似度為&和Sv,并記S = Sh+Sv ；計(jì)算每所有子窗口的S值，然后計(jì)算S值的累計(jì)分布函數(shù)F(S)，令F(S' ) = α，將此時(shí)α所對應(yīng)的S'值作為分析用閾值 Ta 即有 Ta = S'；其中，α為置信水平，從概率理論上講表示一個(gè)犯錯(cuò)的概率，在本發(fā)明中的α表示一個(gè)誤檢率，即將正常樣本誤判為瑕疵樣本的概率。由于在實(shí)際分析是在基于某一閾值 Ta下進(jìn)行的，不可能對實(shí)際的分析效果進(jìn)行預(yù)測。因此，為了能對實(shí)際的分析效果進(jìn)行一定的預(yù)測，本發(fā)明選擇對不同α (取0 0. 1 下的所對應(yīng)閾值Ta進(jìn)行實(shí)際測試，建立a 與實(shí)際分析效果之間的關(guān)系，進(jìn)而能在以后的實(shí)際分析中通過設(shè)定α來確保實(shí)際的分析效果。分析階段3)將待分析的圖像連續(xù)無重疊地劃分成m行η列大小的子窗口 ；選取一個(gè)子窗口，并將子窗口中的灰度值按行和按列的方式展開成兩組mXη維的列向量，記得到相應(yīng)的兩組mXn維的列向量記為fh和fv;對為fh和&進(jìn)行模板操作以突出瑕疵和抑制隨機(jī)干擾， 將相應(yīng)模板操作后的結(jié)果分別右乘到矩和矩陣WVWVT，得到相應(yīng)兩組新的mXn維的列向量記為f' h和f' “計(jì)算4和廣h，fjPf' v的之間的相似度，得到相應(yīng)的兩個(gè)相似度為Kh和Kv，并記K = Kh+Kv ；如果K小于閾值Ta，則認(rèn)為該樣本為瑕疵樣本；其中，所述的相似度的衡量指標(biāo)為余弦距離、歐式距離或信噪比，對于無瑕疵樣本的之間的差異很小即相似度很高，而帶瑕疵的樣本之間差異較大，即相似度不高；通常m，η 的選取并無具體的理論依據(jù)，主要依賴于瑕疵本身尺寸與計(jì)算量，如果m、η太小，則涉及的計(jì)算量會(huì)非常大，而如果m、η太大，則不能有效地突出瑕疵信息，導(dǎo)致分析精度降低，本發(fā)明綜合實(shí)際情況和實(shí)驗(yàn)探索認(rèn)為m，η取32X32最佳。作為優(yōu)選的技術(shù)方案如上所述的一種基于主元分析的圖像分析方法，所述的有重疊地劃分是指行方向相鄰兩個(gè)子窗口起始位置之間的水平位置相距1 [η/2]個(gè)像素([]表示取整)，列方向相鄰兩個(gè)子窗口連續(xù)無重疊的劃分方式所得到；或者列方向相鄰兩個(gè)子窗口起始位置之間的垂直位置相距1 [m/2]個(gè)像素，行方向相鄰兩個(gè)子窗口連續(xù)無重疊的劃分方式所得到。如上所述的一種基于主元分析的圖像分析方法，所述的圖像為位深度為8位灰度圖像。如上所述的一種基于主元分析的圖像分析方法，所述的模板操作是指采用長度為 3的一維模板
權(quán)利要求
1.一種基于主元分析的圖像分析方法，其特征是包括訓(xùn)練階段和分析階段兩部分，具體步驟為訓(xùn)練階段1)將無瑕疵的圖像有重疊地劃分成m行η列大小的子窗口；將子窗口中的灰度值按行和按列的方式展開成兩組mX η維的列向量，并視這兩組mX η維列向量為兩組隨機(jī)向量，記得到相應(yīng)的兩組隨機(jī)向量為4和Xv ；對隨機(jī)向量4和Xv進(jìn)行模板操作，將模板操作后隨機(jī)向量％和Xv進(jìn)行主元分析，得到相應(yīng)的主元矩陣記為Wh和Wv ；2)將無瑕疵的圖像連續(xù)無重疊地劃分成m行η列大小的子窗口；將子窗口中的灰度值按行和按列的方式展開成兩組mXn維列向量，記得到相應(yīng)的兩組mXn維列向量記為yh和 yv ；對yjPyv進(jìn)行模板操作，將相應(yīng)模板操作后的結(jié)果分別右乘矩和矩陣WVWVT， 得到相應(yīng)兩組新的mXn維的列向量記為y' h和y' v;計(jì)算yh和y' h，yv*y' v的之間的相似度，得到相應(yīng)的兩個(gè)相似度為&和Sv,并記S = Sh+Sv ；計(jì)算所有子窗口的S值，然后計(jì)算S值的累計(jì)分布函數(shù)F(S)，令F(S' ) = α, α為置信水平，將此時(shí)α所對應(yīng)的S' 值作為分析用閾值Ta即有Ta =S'；分析階段3)將待分析的圖像連續(xù)無重疊地劃分成m行η列大小的子窗口；選取一個(gè)子窗口，并將子窗口中的灰度值按行和按列的方式展開成兩組mXn維的列向量，記得到相應(yīng)的兩組 mXn維的列向量記為fh和fv ；對為fh和fv進(jìn)行模板操作，將相應(yīng)模板操作后的結(jié)果分別右乘到矩陣\^\<和矩陣WVWVT，得到相應(yīng)兩組新的mXn維的列向量記為f' JPf' v ；計(jì)算 fh和f' h，fv和f' ν的之間的相似度，得到相應(yīng)的兩個(gè)相似度為Kh和Kv，并記K = Kh+Kv ； 如果K小于閾值Ta，則認(rèn)為該樣本為瑕疵樣本；其中，所述的相似度的衡量指標(biāo)為余弦距離、歐式距離或信噪比；mXn優(yōu)選32X32。
2.根據(jù)權(quán)利要求1所述的一種基于主元分析的圖像分析方法，其特征在于，所述的有重疊地劃分是指行方向相鄰兩個(gè)子窗口起始位置之間的水平位置相距1 [η/2]個(gè)像素， 列方向相鄰兩個(gè)子窗口連續(xù)無重疊的劃分方式所得到；或者列方向相鄰兩個(gè)子窗口起始位置之間的垂直位置相距1 [m/2]個(gè)像素，行方向相鄰兩個(gè)子窗口連續(xù)無重疊的劃分方式所得到。
3.根據(jù)權(quán)利要求1所述的一種基于主元分析的圖像分析方法，其特征在于，所述的圖像為位深度為8位灰度圖像。
4.根據(jù)權(quán)利要求1所述的一種基于主元分析的圖像分析方法，其特征在于，所述的模板操作是指采用長度為3的一維模板"0.45"M= 0.10 0.45與原向量做卷積。
5.根據(jù)權(quán)利要求1所述的一種基于主元分析的圖像分析方法，其特征在于，所述的對模板操作后隨機(jī)向量&和Xv進(jìn)行主元分析，得到相應(yīng)的主元矩陣記為Wh和Wv，是指通過求解隨機(jī)向量4和Xv各自的自相關(guān)矩陣的特征值和特征向量，并分別選取前P個(gè)特征值對應(yīng)的特征向量作為相應(yīng)的主元矩陣，階數(shù)皆為mXn行ρ列；所述的主元分析算法為求解隨機(jī)向量的自相關(guān)矩陣的特征向量來得到主元矩陣或求解隨機(jī)向量的協(xié)方差矩陣的特征向量得到主元矩陣。
6.根據(jù)權(quán)利要求1所述的一種基于主元分析的圖像分析方法，其特征在于，所述的相似度的衡量指標(biāo)為余弦距離。
7.如權(quán)利要求1所述的一種基于主元分析的圖像分析方法應(yīng)用于織物瑕疵檢測的方法，其特征是包括訓(xùn)練階段和檢測階段兩部分，具體步驟為訓(xùn)練階段1)將無瑕疵的織物圖像有重疊地劃分成m行η列大小的子窗口；將子窗口中的灰度值按行和按列的方式展開成兩組mXn維的列向量，并視這兩組mXn維的列向量為兩組隨機(jī)向量，記得到相應(yīng)的兩組隨機(jī)向量為^和Xv ；對隨機(jī)向量4和Xv進(jìn)行模板操作，對模板操作后隨機(jī)向量4和Xv進(jìn)行主元分析，得到相應(yīng)的主元矩陣記為Wh和Wv ；2)將無瑕疵的織物圖像連續(xù)無重疊地劃分成m行η列大小的子窗口；將子窗口中的灰度值按行和按列的方式展開成兩組mXn維的列向量，記得到相應(yīng)的兩組mXn維的列向量記為yh和yv ；對為yh和yv進(jìn)行模板操作，將相應(yīng)模板操作后的結(jié)果分別右乘到矩Wj 和矩陣Wv WVT，得到相應(yīng)兩個(gè)新的mXn維的列向量記為y' h和y' v;計(jì)算yh和y' h, yv 和1' v的之間的相似度，得到相應(yīng)的兩個(gè)相似度為&和Sv，并記S = Sh+Sv ；計(jì)算所有子窗口的S值，然后計(jì)算S值的累計(jì)分布函數(shù)F(S)，令F(S' ) = α,α為置信水平，將此時(shí)α 所對應(yīng)的S'值作為分析用閾值Ta即有Ta =S'；檢測階段3)將待檢測的織物圖像連續(xù)無重疊地劃分成m行η列大小的子窗口；選取一個(gè)子窗口，并將子窗口中的灰度值按行和按列的方式展開成兩組mXn維的列向量，記得到相應(yīng)的兩組mXn維的列向量記為fh和fv ；對為fh和fv進(jìn)行模板操作，將相應(yīng)模板操作后的結(jié)果分別右乘矩陣Wh Wj和矩陣Wv WVT，得到相應(yīng)兩個(gè)新的mXn維的列向量記為f' h和f' v； 計(jì)算fh和f' h，fv*f' 之間的相似度，得到相應(yīng)的兩個(gè)相似度為，并記K = Kh+Kv ；如果K小于閾值Ta，則認(rèn)為該樣本為瑕疵樣本；其中，所述的相似度的衡量指標(biāo)為余弦距離、歐式距離或信噪比；mXn優(yōu)選32X32。
8.根據(jù)權(quán)利要求7所述的應(yīng)用于織物瑕疵檢測的方法，其特征在于，所述的有重疊地劃分是指行方向相鄰兩個(gè)子窗口起始位置之間的水平位置相距1 [η/2]個(gè)像素，列方向相鄰兩個(gè)子窗口連續(xù)無重疊的劃分方式所得到；或者列方向相鄰兩個(gè)子窗口起始位置之間的垂直位置相距1 [m/2]個(gè)像素，行方向相鄰兩個(gè)子窗口連續(xù)無重疊的劃分方式所得到； 所述的模板操作是指采用長度為3的一維模板
9.根據(jù)權(quán)利要求7所述的應(yīng)用于織物瑕疵檢測的方法，其特征在于，所述的對模板操作后隨機(jī)向量&和Xv進(jìn)行主元分析，得到相應(yīng)的主元矩陣記為Wh和Wv，是指通過求解隨機(jī)向量4和Xv各自的自相關(guān)矩陣的特征值和特征向量，并分別選取前ρ個(gè)特征值對應(yīng)的特征向量作為相應(yīng)的主元矩陣，階數(shù)皆為mXn行ρ列；所述的主元分析算法為求解隨機(jī)向量的自相關(guān)矩陣的特征向量來得到主元矩陣或求解隨機(jī)向量的協(xié)方差矩陣的特征向量得到主元矩陣。
10.根據(jù)權(quán)利要求7所述的應(yīng)用于織物瑕疵檢測的方法，其特征在于，所述待檢測的織物圖像的行方向和列方向?qū)?yīng)于織物的緯紗和經(jīng)紗方向，或?qū)?yīng)于經(jīng)紗和緯紗方向，目的在于更好地突出經(jīng)紗和緯紗方向取向特征。
全文摘要
本發(fā)明屬圖像分析處理領(lǐng)域，應(yīng)用于紡織品表面質(zhì)量自動(dòng)檢測與控制領(lǐng)域，本發(fā)明涉及一種基于主元分析的圖像分析方法及應(yīng)用于織物瑕疵檢測的方法。首先將原圖像樣本中的灰度值按行和按列展開成兩組向量；然后對這兩組向量進(jìn)行模板操作，將模板操作后的兩組向量分別進(jìn)行主元分析，得到相應(yīng)的主元矩陣；最后利用這兩個(gè)主元矩陣對待測樣本進(jìn)行投影運(yùn)算，計(jì)算投影后與投影前之間的相似度來分析圖像特征。本發(fā)明本身對光照不勻有抵消作用，無需傳統(tǒng)預(yù)處理步驟；檢測階段的計(jì)算簡單；通過對原織物樣本分別按行、列方向展開后進(jìn)行模板操作，不僅能充分利用織物紋理的經(jīng)緯取向特征，而且有利于突出瑕疵和抑制紋理隨機(jī)干擾，提高檢測準(zhǔn)確率。
文檔編號(hào)G06K9/62GK102289677SQ201110219310
公開日2011年12月21日 申請日期2011年8月2日 優(yōu)先權(quán)日2011年8月2日
發(fā)明者周建, 李立輕, 汪軍, 陳霞 申請人:東華大學(xué)