劉洲峰， 閆 磊， 李春雷， 董 燕， 李 陽(yáng)

(中原工學(xué)院 電子信息學(xué)院， 河南 鄭州 451191)

基于稀疏優(yōu)化的織物疵點(diǎn)檢測(cè)算法

劉洲峰， 閆 磊， 李春雷， 董 燕， 李 陽(yáng)

(中原工學(xué)院 電子信息學(xué)院， 河南 鄭州 451191)

為提高稀疏表示方法對(duì)織物疵點(diǎn)的檢測(cè)精度，提出了基于稀疏優(yōu)化的織物疵點(diǎn)檢測(cè)算法。首先，利用L1范數(shù)最小化從待檢織物圖像中學(xué)習(xí)出自適應(yīng)字典庫(kù)，用該庫(kù)對(duì)織物圖像稀疏表示，進(jìn)而計(jì)算出稀疏表示系數(shù)矩陣；然后，對(duì)系數(shù)矩陣進(jìn)行優(yōu)化處理，采用字典庫(kù)及優(yōu)化系數(shù)矩陣對(duì)織物圖像稀疏重構(gòu)；最后，將重構(gòu)圖像與待檢織物圖像相減生成殘差圖像，用最大熵閾值方法對(duì)殘差圖像分割，定位出疵點(diǎn)區(qū)域。實(shí)驗(yàn)結(jié)果表明，本文算法所重構(gòu)圖像準(zhǔn)確表示了正?？椢锛y理，相比已有檢測(cè)方法具有較高的疵點(diǎn)檢測(cè)精度。

L1范數(shù)； 稀疏表示； 織物圖像； 疵點(diǎn)檢測(cè)

織物疵點(diǎn)檢測(cè)是紡織品質(zhì)量控制和管理的一個(gè)關(guān)鍵環(huán)節(jié)，對(duì)織物疵點(diǎn)檢測(cè)與判別算法進(jìn)行研究具有重要的理論意義與應(yīng)用價(jià)值。已有疵點(diǎn)檢測(cè)方法分為特征提取和非特征提取2類[1-3]。特征提取方法從織物圖像的空域或頻域提取有效的織物特征或疵點(diǎn)特征，利用特征差異區(qū)分織物異常部分和正?？椢锛y理?？沼蚍椒òㄠ徲蛐畔4-5]、灰度共生矩陣[6]和奇異值分解[7-8]等方法；頻域方法包括傅里葉變換[9]、小波變換[10-12]、Gabor變換[13-14]等方法。由于織物紋理和疵點(diǎn)的多樣性，造成所提取特征難以適應(yīng)不同種類的織物及疵點(diǎn)，非特征提取檢測(cè)方案中，Gabor濾波是最有效的方法[13-15]。該方法無(wú)需直接提取織物紋理和疵點(diǎn)特征，利用一系列優(yōu)化后的Gabor濾波器，直接將疵點(diǎn)從濾波后的圖像中提取出來(lái)。然而，該方法檢測(cè)結(jié)果依賴于濾波器和特定的織物紋理及疵點(diǎn)特征的匹配準(zhǔn)度，且濾波器參數(shù)選擇非常復(fù)雜。

近年來(lái)，基于稀疏表示的圖像處理方法得到了快速的發(fā)展和較好的應(yīng)用成果?；谙∈璞硎镜目椢锎命c(diǎn)檢測(cè)方法[1]，首先，通過(guò)稀疏表示原理和L1范數(shù)最小化從待測(cè)織物圖像中學(xué)習(xí)出自適應(yīng)字典庫(kù)；然后，利用字典庫(kù)求解出稀疏表示系數(shù)矩陣，重構(gòu)出只包含正常織物紋理的重構(gòu)圖像；將重構(gòu)圖像與待測(cè)試圖像相減，突出殘差圖像中的疵點(diǎn)區(qū)域，應(yīng)用閾值分割定位出織物疵點(diǎn)[16]。該方法直接從待測(cè)織物圖像中學(xué)習(xí)出小型字典庫(kù)，且對(duì)字典庫(kù)原子進(jìn)行了受限優(yōu)化，使該方法可重構(gòu)出不同織物紋理圖像，具有較高的自適應(yīng)特性。然而，由于重構(gòu)織物圖像過(guò)程中，稀疏表示系數(shù)矩陣會(huì)出現(xiàn)與疵點(diǎn)區(qū)域?qū)?yīng)的偏離正常范圍的異常值，該算法重構(gòu)正常紋理的織物圖像中往往含有部分疵點(diǎn)，因此，疵點(diǎn)區(qū)域難以在殘差圖像中突顯出來(lái)，無(wú)法檢測(cè)到完整的疵點(diǎn)區(qū)域，經(jīng)常會(huì)出現(xiàn)誤檢、漏檢等情況。

本文提出基于稀疏表示系數(shù)受限優(yōu)化的織物疵點(diǎn)檢測(cè)算法。該算法從待測(cè)織物圖像中學(xué)習(xí)出字典庫(kù)，求解出各個(gè)圖像塊的稀疏表示系數(shù)矩陣，通過(guò)與正常系數(shù)矩陣比較分析，將過(guò)大和過(guò)小的異常系數(shù)元素回歸正常范圍，并實(shí)現(xiàn)對(duì)系數(shù)矩陣的受限優(yōu)化；然后，利用字典庫(kù)和優(yōu)化后的系數(shù)矩陣對(duì)不含疵點(diǎn)區(qū)域的正常紋理圖像進(jìn)行重構(gòu)，并與待測(cè)織物圖像做差，得到殘差圖像；最后，利用最大熵閾值方法對(duì)織物圖像的疵點(diǎn)區(qū)域和織物紋理背景進(jìn)行分割[16]。

1 自適應(yīng)庫(kù)學(xué)習(xí)

織物圖像可由一個(gè)字典庫(kù)稀疏表示，獲取自適應(yīng)庫(kù)有多種方法[1,3-4]，本文采用稀疏表示和L1范數(shù)最小化方法來(lái)學(xué)習(xí)得到字典庫(kù)D。利用稀疏表示方法可描述圖像正常紋理和疵點(diǎn)特征信息；L1范數(shù)最小化方法可避免利用零范數(shù)時(shí)可能出現(xiàn)的難題。利用字典庫(kù)D將原圖像在其中線性分解，從而重構(gòu)原圖像目標(biāo)和背景等信息。這里要求字典庫(kù)僅準(zhǔn)確表示占主要部分的正常紋理。為此，本文對(duì)待檢織物圖像塊進(jìn)行學(xué)習(xí)，用所得小型自適應(yīng)字典庫(kù)D對(duì)待測(cè)織物圖像稀疏表示[1-3]。

(1)

由于紗線自身具有一定彈性，正?？椢锛y理并沒(méi)有呈現(xiàn)出應(yīng)有的周期性，使得從標(biāo)準(zhǔn)樣本圖像中訓(xùn)練得到的字典庫(kù)，不能很好地對(duì)待測(cè)織物紋理進(jìn)行重構(gòu)表示。然而，直接從待測(cè)圖像中訓(xùn)練出的字典庫(kù)D可準(zhǔn)確表示織物圖像的主要紋理特征，使字典庫(kù)D有較強(qiáng)的自適應(yīng)特性，因此，本文采取對(duì)待測(cè)織物圖像y學(xué)習(xí)得到自適應(yīng)字典庫(kù)D。

2 稀疏系數(shù)矩陣優(yōu)化和圖像重構(gòu)

2.1 稀疏系數(shù)矩陣優(yōu)化

織物圖像y的紋理信息yi可用學(xué)習(xí)得到的字典庫(kù)D表示?？紤]到重構(gòu)誤差對(duì)檢測(cè)結(jié)果的影響，本文沒(méi)有直接利用學(xué)習(xí)過(guò)程中的系數(shù)矩陣αL，而是通過(guò)對(duì)織物圖像稀疏表示，用字典庫(kù)D對(duì)原圖像稀疏表示得到的系數(shù)矩陣α，求解α方法如式(2)所示:

(2)

在文獻(xiàn)[1-2]的織物疵點(diǎn)檢測(cè)算法中，利用式(2)求得的系數(shù)矩陣α直接用于重構(gòu)原織物圖像，其重構(gòu)方法如式(3)所示：

Ar=Dα

(3)

式中，Ar是用字典庫(kù)D對(duì)A的近似表示，Ar可還原出yr即重構(gòu)圖像。

然而，對(duì)原圖像進(jìn)行稀疏表示得到的稀疏表示系數(shù)矩陣α中，相當(dāng)一部分系數(shù)與正常系數(shù)差別較大，重構(gòu)圖像yr中包含較多疵點(diǎn)區(qū)域，所得到的殘差圖像中疵點(diǎn)區(qū)域突出不明顯。這將導(dǎo)致后續(xù)的疵點(diǎn)檢測(cè)誤差較大，甚至難以檢測(cè)到疵點(diǎn)。

周建等[2]利用織物圖像紋理的周期性強(qiáng)和特征相關(guān)性高的特點(diǎn)，從待測(cè)圖像中訓(xùn)練出僅含有4個(gè)元素的小型自適應(yīng)字典庫(kù)，實(shí)現(xiàn)了對(duì)原圖像的稀疏表示；所提算法同樣直接從待測(cè)圖像本身訓(xùn)練出自適應(yīng)字典庫(kù)。本文選取包含了不同分辨率織物圖像的圖像庫(kù)進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)當(dāng)k=4時(shí)所重構(gòu)的織物圖像效果最好，因此，參數(shù)取k=4。通過(guò)對(duì)含疵點(diǎn)織物圖像的稀疏表示系數(shù)矩陣α分析發(fā)現(xiàn)，α中異常元素αi,j與疵點(diǎn)區(qū)域存在直接關(guān)系。含疵點(diǎn)織物圖像與正常織物圖像如圖1所示。圖中疵點(diǎn)區(qū)域用黑色框標(biāo)出。2副圖像的稀疏表示系數(shù)矩陣元素值對(duì)比如圖2所示。

圖1 正常織物圖像與含疵點(diǎn)織物圖像Fig.1 Normal (a) and defect included (b)textile image

圖2 優(yōu)化前和優(yōu)化后系數(shù)矩陣與正?？椢飯D像稀疏表示系數(shù) Fig.2 Sparse representation of defect included and normal textile images. (a) Before optimization; (b) After optimization

圖2是所有圖像塊在第1個(gè)庫(kù)原子的系數(shù)矩陣。j代表圖像塊標(biāo)識(shí)號(hào)，α(i,j)代表第j圖像塊在第1個(gè)庫(kù)原子上的系數(shù)大小，其他3個(gè)庫(kù)原子與圖像塊的對(duì)應(yīng)關(guān)系與圖2類似。從圖2(a)可以觀察出，第159到第181圖像塊，即2條曲線在j∈[159,181]時(shí)，差異較為明顯，因此，需要采用一種方法將含疵點(diǎn)系數(shù)矩陣α中的異常元素回歸正常，即可重構(gòu)出不含疵點(diǎn)的重構(gòu)圖像。

(4)

式中：μi和σi是系數(shù)矩陣α中第i行的均值與方差；γ是決定矩陣元素是否需要被優(yōu)化的系數(shù)。通過(guò)觀察發(fā)現(xiàn)，正常矩陣元素分布在與均值相差較小的范圍內(nèi)，且綜合實(shí)驗(yàn)結(jié)果取系數(shù)γ為1.2，具體優(yōu)化結(jié)果如圖2(b)所示，異常系數(shù)矩陣元素已被優(yōu)化至正常范圍內(nèi)。

2.2 圖像重構(gòu)

文獻(xiàn)[1-2]中獲得稀疏表示系數(shù)矩陣α后，直接將字典庫(kù)D與系數(shù)矩陣α相乘得到Ar，還原Ar即為重構(gòu)圖像yr，但由于系數(shù)矩陣與疵點(diǎn)區(qū)域存在對(duì)應(yīng)關(guān)系，所以重構(gòu)圖像yr中含有一定的疵點(diǎn)部分，對(duì)檢測(cè)結(jié)果造成不良影響；因此，需要采用一種方法對(duì)稀疏表示系數(shù)矩陣進(jìn)行優(yōu)化處理，將處于異常范圍的系數(shù)元素回歸正常范圍，使所重構(gòu)織物圖像中僅包含正?？椢锛y理。

?Ar=Dα*

(5)

3 算法流程

本文提出一種基于稀疏優(yōu)化的織物疵點(diǎn)檢測(cè)算法，算法由自適應(yīng)庫(kù)學(xué)習(xí)、原圖像的系數(shù)表示、稀疏表示系數(shù)矩陣優(yōu)化、圖像重構(gòu)及圖像分割5部分組成。算法流程如圖3所示。

圖3 算法流程圖Fig.3 Flow chart of algorithm

1) 圖像分塊。將大小為N×N的織物圖像y劃分為m×m的圖像yi(i=1,2,…,Nb)，本文選取256像素×256像素的待測(cè)織物灰度圖像。由于織物圖像紋理具有較強(qiáng)周期性，將圖像塊尺寸選擇稍大更為合適，否則將影響算法的運(yùn)行速度。這里將圖像分為16×16不重疊的圖像塊。

2) 自適應(yīng)庫(kù)訓(xùn)練。在式(1)中，字典庫(kù)D=[d1,d2,…dk],dj∈Rm是過(guò)冗余的，而本文算法的思想是用小型字典庫(kù)來(lái)表示織物圖像中的正常紋理，不表示疵點(diǎn)部分。字典庫(kù)尺寸k的選取影響著重構(gòu)誤差的大小，且經(jīng)多次實(shí)驗(yàn)，庫(kù)尺寸k取4較為合適。

3) 原圖像稀疏表示。用所獲自適應(yīng)訓(xùn)練庫(kù)D對(duì)原圖像稀疏表示，獲得稀疏表示系數(shù)矩陣α=[α1,α2,…αn],αi∈Rk×1。

4 實(shí)驗(yàn)結(jié)果與分析

本文從TILDA標(biāo)準(zhǔn)織物圖像庫(kù)中選出常見(jiàn)疵點(diǎn)，包括破洞、油污、褶皺等進(jìn)行實(shí)驗(yàn)，用來(lái)驗(yàn)證算法的有效性?？椢飯D像大小選為256像素×256像素。

首先，驗(yàn)證稀疏系數(shù)矩陣優(yōu)化與否對(duì)重構(gòu)圖像的影響。進(jìn)行自適應(yīng)字典庫(kù)學(xué)習(xí)之前，需要對(duì)圖像進(jìn)行分塊，且圖像塊劃分不易過(guò)小，可選取大小為16像素×16像素。然后，考慮到重構(gòu)誤差對(duì)檢測(cè)結(jié)果的影響，本文字典庫(kù)的尺寸取k=4，且重構(gòu)誤差和稀疏度平衡系數(shù)λ取1.2。原織物圖像以及采用不同方法得到的重構(gòu)圖像如圖4所示。圖4示出原始待測(cè)織物圖像,包括油污、褶紋、破損、裂紋、異纖等6種疵點(diǎn)圖像。

圖4 含疵點(diǎn)原織物圖像Fig.4 Original defects obtained fabric images.(a) Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber; (f)Filling band

圖5示出文獻(xiàn)[1]方法所重構(gòu)出的結(jié)果yr。該方法未對(duì)稀疏表示系數(shù)矩陣α進(jìn)行受限約束，使重構(gòu)結(jié)果中仍包含部分疵點(diǎn)區(qū)域，導(dǎo)致檢測(cè)結(jié)果不理想。

圖5 文獻(xiàn)[1]所述方法對(duì)各種疵點(diǎn)的重構(gòu)結(jié)果Fig.5 Reconstruction results by method of Paper [1]. (a) Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber; (f)Filling band

圖6 本文方法對(duì)各種疵點(diǎn)的重構(gòu)結(jié)果Fig.6 Reconstruction results by our method.(a) Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber; (f) Filling band

圖9 文獻(xiàn)[1]所述方法的檢測(cè)結(jié)果Fig.9 Detection using by method of Paper[1].(a)Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber;(f)Filling band

圖7 文獻(xiàn)[1]所述方法的殘差圖Fig.7 Residual images by method of Paper [1].(a)Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber; (f)Filling band

圖8 本文方法所得殘差圖Fig.8 Residual images using by our method. (a)Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber;(f)Filling band

圖7示出系數(shù)矩陣α沒(méi)有優(yōu)化時(shí)的殘差圖像，圖8示出系數(shù)矩陣優(yōu)化后的殘差圖像。可以看出，采用文獻(xiàn)[1]方法得到的重構(gòu)圖像中含疵點(diǎn)區(qū)域較多，可見(jiàn)對(duì)稀疏表示系數(shù)矩陣α進(jìn)行受限約束可以使疵點(diǎn)區(qū)域更加突出。本文選取最大熵閾值分割方法對(duì)殘差圖像分割得到檢測(cè)結(jié)果。為驗(yàn)證算法的有效性，將所提算法檢測(cè)結(jié)果與已有的織物疵點(diǎn)檢測(cè)算法進(jìn)行比較，結(jié)果如圖9～11所示。

圖9～11檢測(cè)結(jié)果中，白色部分為疵點(diǎn)區(qū)域，黑色部分為背景區(qū)域。圖9為文獻(xiàn)[1]的檢測(cè)結(jié)果，重構(gòu)系數(shù)矩陣α沒(méi)有被優(yōu)化，直接被用來(lái)重構(gòu)原織物圖像。雖然該方法可以檢測(cè)到疵點(diǎn)，但疵點(diǎn)部分無(wú)法在顯著圖中完全凸顯，導(dǎo)致檢測(cè)效果不理想；圖10為文獻(xiàn)[16]的檢測(cè)結(jié)果，其中，第1、2、5幅圖像檢測(cè)結(jié)果較好，但仍存在一部分噪聲，第3幅圖像中由于織物背景和織物疵點(diǎn)較復(fù)雜，檢測(cè)結(jié)果較差，第4、6幅檢測(cè)結(jié)果中包含較多誤檢疵點(diǎn)；圖11示出本文算法的檢測(cè)結(jié)果，可以看出，本文算法可有效地實(shí)現(xiàn)各種疵點(diǎn)背景與疵點(diǎn)區(qū)域的分離，且檢測(cè)結(jié)果較前2種檢測(cè)方法更好。

圖10 文獻(xiàn)[16]所述方法的檢測(cè)結(jié)果Fig.10 Detection results by method of Paper[16].(a)Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber;(f)Filling band

圖11 本文方法的檢測(cè)結(jié)果Fig.11 Detection results by our method.(a)Oil dirt; (b) Fold; (c) Breakage; (d) Crack; (e) Foreign fiber;(f)Filling band

5 結(jié) 語(yǔ)

本文利用稀疏性表示方法提取織物圖像的主要正常紋理特征，即學(xué)習(xí)出自適應(yīng)訓(xùn)練庫(kù)，且對(duì)原織物圖像進(jìn)行稀疏性重構(gòu)，從而將原織物圖像與重構(gòu)圖像做差，得到織物殘差顯著圖，突出疵點(diǎn)部分；由于算法從待測(cè)織物圖像中訓(xùn)練字典庫(kù)，使得算法適應(yīng)性較好。為方便與其他同類算法比較，本文采用標(biāo)準(zhǔn)織物圖像庫(kù)TILDA驗(yàn)證算法的有效性。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，現(xiàn)有的稀疏性表示方法不能很好地描述織物的主要紋理特征和檢測(cè)復(fù)雜背景中的疵點(diǎn)區(qū)域，所提算法可為所選含疵點(diǎn)織物圖像建立較為有效的視覺(jué)顯著圖，凸顯疵點(diǎn)區(qū)域；后續(xù)采用最大熵閾值分割方法實(shí)現(xiàn)了顯著圖像的有效分割和定位。本文算法為利用稀疏性表示方法在織物疵點(diǎn)檢測(cè)方向的應(yīng)用提供了新方法。

[1] ZHOU J, WANG J. Fabric defect detection using adaptive dictionaries[J]. Textile Research Journal, 2013, 83(17): 1846-1859.

[2] ZHOU J, SEMENOVICH D, SOWMYA A, et al. Dictionary learning framework for fabric defect detec-tion[J]. The Journal of The Textile Institute, 2014, 105(3): 223-234.

[3] ZHU Q, WU M, LI J, et al. Fabric defect detection via small scale over-complete basis set[J]. Textile Research Journal, 2014, 84(15): 1634-1649.

[4] 劉洲峰, 趙全軍, 李春雷, 等. 基于局部統(tǒng)計(jì)與整體顯著性的織物疵點(diǎn)檢測(cè)算法[J]. 紡織學(xué)報(bào), 2014, 35(11): 62-67. LIU Zhoufeng, ZHAO Quanjun, LI Chunlei, et al. Fabric defect detection algorithm using local statistic features and global saliency analysis [J] Journal of Textile Research, 2014, 35(11): 62-67.

[5] 王鋼, 周建, 汪軍, 等. 基于奇異值分解的機(jī)織物瑕疵檢測(cè)算法[J]. 紡織學(xué)報(bào), 2014,35(7): 61-66. WANG Gang, ZHOU Jian, ZHANG Jun, et al. Woven fabric defect detection algorithm based on singular value decomposition [J] Journal of Textile Research, 2014, 35(7): 61-66.

[6] BU H, WANG J, HUANG X. Fabric defect detection based on multiple fractal features and support vector data description[J]. Engineering Applications of Artificial Intelligence, 2009, 22(2): 224-235.

[7] CHAN C, PANG G K H. Fabric defect detection by Fourier analysis[J]. IEEE Transactions on Industry Applications, 2000,36(5):1267-1276.

[8] KIM S C, KANG T J. Texture classification and segmentation using wavelet packet frame and Gaussian mixture model[J]. Pattern Recognition, 2007, 40(4) 1207-1221.

[9] 楊曉波. 基于自適應(yīng)離散小波變換的混合特征畸變織物疵點(diǎn)識(shí)別[J]. 紡織學(xué)報(bào), 2013, 34(1): 133-137.

YANG Xiaobo. Fabric defect detection based on an adaptive discrete wavelet hybrid features distortion transform [J] Journal of Textile Research, 2013, 34(1): 133-137.

[10] 管聲啟, 高照元, 吳寧, 等. 基于視覺(jué)顯著性的平紋織物疵點(diǎn)檢測(cè)[J]. 紡織學(xué)報(bào), 2014, 35(4): 56-61. GUAN Shengqi, GAO Zhaoyuan, WU Ning, et al. Plain fabric defect detection based on visual saliency[J]. Journal of Textile Research, 2014, 35 (4): 56-61.

[11] ARIVAZHAGAN S, GANESAN L, BAMA S.Fault segmentation in fabric images using Gabor wavelet transform[J]. Machine Vision and Applications,2006,16(6): 356-363.

[12] HOANG M C, RAJAN D. Sparse likelihood saliency detection[C]//Acoustics, Speech and Signal Processing(ICASSP),2012 IEEE International Conference. [S.l.]: IEEE,2012:897-900.

[13] JUNG C, KIM C. A unified spectral-domain approach for saliency detection and its application to automatic object segmentation[J]. IEEE Transactions Image Processing, 2012, 21(3): 1272-1283.

[14] GOFERMAN S, ZELNIK-MANOR L, TAL A. Context aware saliency detection[J]. Pattern Analysis and Machine, 2012,34(10):1915-1926.

[15] 李春雷, 張兆翔, 劉洲峰, 等. 基于紋理差異視覺(jué)顯著性的織物疵點(diǎn)檢測(cè)算法[J]. 山東大學(xué)學(xué)報(bào) (工學(xué)版), 2014, 44(4): 1-8. LI Chunlei, ZHANG Zhaoxiang, LIU Zhoufeng, et al. A novel fabric defect detection algorithm using textural difference-based visual saliency model[J].Journal of Shandong University (Engineering Science), 2014, 44(4): 1-8.

[16] LIU Z F, WANG J G, ZHAO Q J, et al. A fabric defect detection algorithm based on improved valley emphasis method[J]. Research Journal of Applied Sciences(Engineering and Technology), 2014, 7(12): 2427-2431.

Fabric defect detection algorithm based on sparse optimization

LIU Zhoufeng， YAN Lei， LI Chunlei， DONG Yan， LI Yang

(SchoolofElectricandInformationEngineering,ZhongyuanUniversityofTechnology,Zhengzhou,Henan451191,China)

A novel fabric defect detection algorithm based on sparse optimization is proposed. Firstly, an adaptive dictionary is learned from test fabric image using L1-norm minimization method, the test fabric image is sparsely represented using the learned dictionary, and then the coefficient matrix of sparse representation is calculated. Secondly, the abnormal coefficients are removed using optimization function, then a new image is reconstructed using the optimized coefficient matrix and the dictionary. Finally, the reconstructed image is subtracted from original test image to acquire a residual image, and then the maximum entropy threshold method is used to segment the defect region. Experimental results demonstrate that the proposed algorithm has higher detection accuracy compared with the state of the art.

L1-norm; sparse representation; textile image; defect detection

10.13475/j.fzxb.20150400407

2015-04-03

2016-01-08

國(guó)家自然科學(xué)基金項(xiàng)目(61379113, 61202499)；河南省基礎(chǔ)與前沿技術(shù)研究計(jì)劃項(xiàng)目(142300410042)； 鄭州市科技領(lǐng)軍人才項(xiàng)目(131PLJRC643)

劉洲峰(1962—)，男，教授，博士。研究方向?yàn)閳D像處理與目標(biāo)識(shí)別。E-mail：lzhoufeng@hotmail.com。

TP 391.9

A