基于纹理差异视觉显著性的织物疵点检测算法

由于织物图像纹理多样化及疵点类别较多,为了更有效地检测织物疵点,结合织物图像特性及借鉴人类视觉感知机理,提出一种基于纹理差异视觉显著性模型的织物疵点检测算法。该算法首先对图像进行分块,计算各个图像块LBP（local binary pattern）纹理特征,与图像块平均纹理特征的相似度比较,进行显著度计算,从而有效突出了疵点区域。最后利用改进阈值分割算法,实现对疵点区域的定位。通过与已有视觉显著性模型进行比较,得出该算法更能有效地突出疵点区域;同时,分割结果与已有织物疵点检测算法相比发现,该算法具有更强的疵点检测及定位能力。     

基于全局和局部显著性的织物疵点检测

针对织物疵点检测过程中疵点种类繁多、大小差异和受织物本身纹理干扰等特点,提出了一种全局显著性和局部显著性相结合的织物疵点检测方法.首先对图像进行稀疏表示,然后计算系数矩阵的增量编码长度,根据增量编码长度量得到局部显著图,再利用频率调谐法计算全局显著图,接着将这两类显著图相融合得到综合显著图,最后,通过自适应阈值分割法求得二值化图像.实验证明:该算法的检测效率高,并具有较强的抗干扰能力.     

基于Log-Gabor滤波器组的织物疵点检测算法

利用Log-Gabor滤波器组实现了对织物图像的疵点检测.首先给出了构建Log-Gabor滤波器组的方法,然后利用滤波器组对织物图像进行滤波处理,并对滤波后的图像进行分割和融合,最后将疵点从织物图像的背景纹理中分割出来.实验结果证明该方法能够有效地检测出织物疵点.     

基于小波分解的织物疵点检测

根据小波在奇异信号分解中的特点,提出了一种基于小波分解的疵点检测新方法．首先根据织物纹理特点,确定小波函数．其次对被检测图像进行小波变换,获得分解后的子图;根据织物纹理组织单元,把高频子图分割成若干子窗口,统计子窗口的能量标准差与均值加权求和作为提取的特征．最后通过测试图像子窗口特征与标准予窗口特征相比较,判断疵点是否存在．实验表明,该检测方法是有效的,检测正确率达到90％以上．     

基于二维连续小波变换的织物疵点检测

同正常织物纹理比较，疵点区域由于其纹理不规则及变形而导致不同的局部纹理特性。利用二维连续小波特性，能在时域和频域上对织物图像同时实现任意尺度和旋转角度的变换。通过纹理模型和频谱分析，确定出最优的变换尺度和旋转角度，并由预先确定的全局阈值从小波变换系数的模中进行疵点的分割。实际疵点的检测结果表明该方法是可行的。     

基于小波变换的织物疵点图像特征提取

为实现织物疵点自动检测,本文应用Mallat算法对织物图像进行小波分解,并根据织物组织结构特点,对纬向子图和经向子图分别提取能量、熵、极差、方差和逆差矩5个特征值,同时以平纹坯布为实验对象,对白杠、断纬、破洞、反丝、杂纤维、掉扣、飞花、色污等多种常见疵点进行特征值提取实验,实验结果表明,织物疵点使织物图像在经纬方向产生不规则纹理,通过提取特征值可得出织物疵点图像在不同特征值曲线处均有明显变化。该研究对判定疵点的存在、分析疵点的走向与"形状"具有参考价值。     

基于光纤锥成像的织物疵点检测

给出了一种基于光纤锥的织物疵点高分辨率检测方法,将光纤锥小端与电荷耦合器件（CCD）敏感面直接耦合,大端与织物接触成像,可获得织物微米级的高分辨率图像,给出了系统空间分辨率计算公式,具有结构简单、分辨率高、成本低等特点。此外,提出了一种基于快速傅立叶变换的织物疵点图像分割算法,通过计算子图像的傅立叶幅值谱方差描述疵点特征,用双线性插值恢复原始图像大小,经阈值化处理可获得疵点分割结果,实例表明了该算法的有效性。     

基于光纤锥成像的织物疵点检测

给出了一种基于光纤锥的织物疵点高分辨率检测方法,将光纤锥小端与电荷耦合器件(CCD)敏感面直接耦合,大端与织物接触成像,可获得织物微米级的高分辨率图像,给出了系统空间分辨率计算公式,具有结构简单、分辨率高、成本低等特点.此外,提出了一种基于快速傅立叶变换的织物疵点图像分割算法,通过计算子图像的傅立叶幅值谱方差描述疵点特征,用双线性插值恢复原始图像大小,经阈值化处理可获得疵点分割结果,实例表明了该算法的有效性.     

基于优化Gabor滤波器的织物疵点检测算法

提出了一种基于优化Gabor滤波器的织物疵点检测算法.首先介绍了Gabor滤波器的滤波原理,然后提出了Gabor滤波器优化算法,该算法针对一幅标准织物图像,通过计算Gabor滤波器与标准织物图像卷积结果的Fisher Cost函数最小值,得到一组优化Gabor滤波器参数.使用具有这些参数的Gabor滤波器分别对标准织物图像和样本织物图像进行滤波处理,将滤波结果进行比较和融合,得到检测结果.实验证明:该算法能获得良好的检测效果.     

一种新的红外焦平面阵列疵点补偿算法

提出了一种基于运动图像分析的红外焦平面阵列疵点补偿算法,它利用序列图像帧间的相关性,通过对相邻两帧图像进行运动分析,获取图像中目标的运动参数,再通过运动参数,将当前图像中的疵点对应到前一帧图像相应的位置,并用前一帧相应位置像素的灰度对疵点进行补偿．该算法克服了邻域疵点补偿算法无法保持目标边缘的缺点,其补偿效果优于邻域补偿算法的效果．     

显著图联合改进的JND模型

提出一种改进的基于显著性检测图联合估计恰可失真(JND)阈值的视觉感知模型,将人眼注意力机制引入JND模型,通过感知特点建模得到更为精确的JND 模型.首先通过改进的显著性检测算法得到相应的显著图,在计算JND 阈值的过程中,使用显著图来分配不同的权重给JND模型,并针对色度和亮度的不同给予不同的权重.基于空域的JND 模型主要用在计算图像中的平坦区域;而基于DCT域的JND模型更加适合计算纹理区域的阈值,新的模型还同时考虑加入对比敏感度函数和各种掩蔽效应因子.将改进的JND模型融合到新的视频编码软件HM 16.4中,实验结果表明,与HEVC 标准的数据对比,视觉感知质量没有明显下降.     

结合全局和随机局部频率调谐的复杂纹理表面缺陷检测

针对复杂纹理表面缺陷检测过程中缺陷区域大小不一、受自身纹理干扰大等问题,提出了一种将全局频率调谐和随机局部频率调谐相结合的缺陷检测新方法.该方法首先对整幅图像进行频率调谐以得到全局显著图;然后对随机局部分块图像进行频率调谐以得到局部显著图;接着将这两类显著图相融合得到综合显著图;在此基础上,通过对综合显著图进行阈值分割以实现对缺陷区域的检测.实验表明,该方法可以抑制自身纹理,同时完整突出大小不一的缺陷目标,在提高检测准确度的同时,没有降低检测的实时性,与传统方法相比有较强的优越性.     

基于视觉双通路与贝叶斯模型的烟雾检测方法

该文提出了开放环境下基于贝叶斯模型与视觉双通路融合的烟雾检测方法.首先利用Itti视觉注意模型自下而上生成灰度显著性图;然后通过被测图像纹理特征直方图与烟雾样本纹理特征直方图的匹配,自上而下获得纹理显著性图;最后根据贝叶斯模型融合灰度与纹理显著性图,生成最终的烟雾概率显著性图.实验结果表明,该文方法能准确提取图像中的疑似烟雾区域,具有抗光照变化的优势,适用于开放环境下的实时烟雾检测.     

基于二次样条小波变换极大模的织物疵点检测方法

提出了一种基于二次样条小波变换极大模的织物疵点检测方法:首先由二次样条小波对织物图像进行分解,利用分解后的纬向和经向2个子图像建立正常织物图像和待检测织物图像的极大模边缘图像,并求得它们的差分图像;然后由差分图像提取特征参数检测织物疵点以及识别疵点的位置.实验表明:这种方法具有检测准确率高,稳定性好等优点.     

基于自适应形态学滤波器的布匹瑕疵检测算法

针对布匹瑕疵检测算法中运算量大、自适应差的问题,利用布匹纹理周期性变化特性,自适应地构建结构元素,实现形态学运算;采用基于像素面积的阈值选择定位瑕疵位置。在不改变检测准确率的同时减少了运算时间。实验结果表明,该算法所确定的瑕疵位置与主观视觉吻合,相比经典算法,误检率、错误率均降低了4%。     

一种基于纹理方向性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的方向性入手,提出了基于纹理方向性分析的织物疵点检测方法.通过对不同方向性织物疵点图像检测实验,证明本文提出方法对具有方向性的斜纹类织物疵点检测具有较好的有效性和可靠性.     

一种提取局部区域共同向量的瑕疵分类算法

针对同类布匹瑕疵外形和纹理差异性大,异类布匹瑕疵又存在一定的相似性,造成难以分类的问题,提出了选择瑕疵局部区域特征作为特征空间,采用共同向量方法提取布匹瑕疵特征与分类算法.局部区域特征是指瑕疵局部区域灰度直方图特征和瑕疵几何特征.首先通过最优化多通道二维Gabor小波检测出瑕疵区域,然后选择瑕疵局部区域灰度直方图统计特征、瑕疵长宽比特征和方向特征;再采用共同向量方法提取瑕疵共同向量特征;最后采用最小距离方法进行分类.该方法具有小样本学习能力、计算量小、识别率高等特点.     

摩擦片表面缺陷的视觉显著性检测算法

针对摩擦片表面缺陷高精度高效率的检测要求以及摩擦片自身复杂的表面状况,提出基于视觉显著性的检测算法. 利用图像分割,将摩擦片从背景中分离;使用高斯平滑弱化表面纹理,采用多尺度细节增强算法补偿高斯平滑中丢失的缺陷边缘信息,计算图像中目标的显著性进行强弱分化;采用连通域法和OTSU,提取缺陷区域的二值图像. 经由实验验证,该算法针对摩擦片的缺陷检测具有较强的针对性,缺陷识别率超过98%,双面检测100个摩擦片用时27 s. 从客观和主观两个方面对检测结果进行评价验证,结果表明,该算法具有较高的识别率和精确度,满足工业检测的需求.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.