基于msa矩的帘子布疵点识别算法研究

《基于msa矩的帘子布疵点识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于MSA矩的帘子布疵点识别算法研究首先给出了仿射变换的定义,并在此基础上建立了一种新的仿射变换途径——多尺度自卷积变换,构造了一组仿射不变矩(MSA矩),给出了它的明确表达式,然后计算帘子布样图像的MSA矩,以这些MSA矩为输入向量对BP神经网络进行训练,最后采用已训练的BP神经网络进行帘子布疵点识别。试验证明,这种方法可准确识别出帘子布断经、浆斑、劈缝、稀经和经线粘连等疵点。1引言　　在纺织品质量控制环节中,织物疵点检测具有重要意义,它直接关系到纺织品的最终质量评定。织物疵点识别是近几十年来国内外专家学者研究的热门课题之一,已有一些成果可见报道。但由于织物疵点本身形态各异,种

2、类繁多,使得织物疵点检测成为研究领域的一个难题。研究开发出适应性强、实时性好、检测精度高、分类效果好的检测算法仍然是研究人员面临的一个急需解决的问题。解决此问题的关键是找到有效的不变特征。本文基于多尺度自卷积(Multiscaleautoconvlution,MSA)变换构造了一组新的不变量,得到帘子布这一特殊纺织品的MSA矩,然后利用BP神经网络实现疵点的自动学习和分类。2MSA矩2.1MSA矩定义JanFlusser等提出了一组仿射不变量,但Flusser的仿射矩不变量(AMI)识别率低,同时由于高阶不变量对噪声敏感的缺点,因而只能利用低阶不变矩,限制了它在实际中的应用。对于

3、图像函数f来说,所有的矩是相等的,且一阶矩包含了与其它矩相同的信息。MSA变换的仿射不变量分类不需要利用更高阶矩。图像函数f的仿射不变特征,即f(UA,B)的期望值或其矩g[f(UA,B)],对于f的任何仿射变换都是不变的.f(UA,B)的第k阶矩为Fk(A,B=E[f(UA,B)]k,定义f(UA,B)的MSA变换为其第一阶矩F(A,B)=E[f(UA,B)],即为MSA矩。2.2MSA矩表达式　若f(x):R2yR,f是L1(R2)HL2(R2)中的一个图像亮度函数,其归一化形式为p(x)=(1/+f+L1)f(x),p(x)是一个概率密度函数。若取R2中的独立随机变量X

4、0,X1和X2,则有pXj(xj)=p(xj)。对这些随机变量的三个样本(x0,x1,x2)进行如下变换:u=A(x1-x0)+B(x2-x0)≠0　　　(1)式中:A,B——u在原点和在x0点的两个向量x1-x0和x2-x0生成空间中的坐标。引理1X,Y是R2中的两个独立随机变量,设其概率密度函数为:(2)若a≠0,则PaX(z)=(1/a2)p(z/a)令C=1-A-B,则式(1)变换为:UA,B=AX1+BX2+CX0(2)利用引理1可得到:PUA,B(u)=(PA*PB*PC)(u)(3)如果aX0,则Pa(x)=(1/a2)p(x/a);如果a=0,则Pa(x)=D(x

5、)。f(x)的MSA变换为:利用p(x)=(1/+f+L1)f(x),并假定所有的A,B,C≠0,则可得到的表达式时域形式为:为实现多尺度自卷积在频域的计算,定义傅里叶变换对如下:　　由于图像的多尺度表示容易实现,避免了直接应用傅里叶变换带来的复杂计算,所以MSA变换的实现将基于式(8)。实验中,插值的实现是通过在已知的样本中加入0。降维的实现是通过把图像依次进行十等分,把每个小区域中的元素累加形成一个新的元素。这两种方法在概率密度上保持了图像每部分间的统计关系。利用此性质可以发现(A,B)平面上的最小区域,这就决定了MSA变换的值.但存在许多可能性,其中之一如图1所示。通过改变

6、A和B的值,得到无穷多的仿射不变量特征F(A,B)。3帘子布的MSA矩　　帘子布是一种产业用纺织品,其纬线稀疏,经、纬线之间无强力的位置约束,正常帘子布的纹理图像有较大的变化。由于多尺度自卷积矩具有旋转不变性,可以大大克服帘子布纹理图像的上述问题。图像采集系统由CCD工业摄像机和图采集卡象位于摄像机与照明装置之间,得到实验中所采用的帘子布图像。建立一个正常帘子布(50幅)和五种疵点图像(每种150幅)共计800幅的帘子布图像库,其中每幅图像均为256@256点阵,256阶灰度的灰度图像。图2(a)为正常纹理的帘子布图像,余依次为浆斑、稀经、粘并、断经和劈缝五种疵点帘子布的图像。选

7、取帘子布图像库各类型帘子布图像(每种类型50幅)为训练样本。试验中,分别对各种类型的帘子布图像灰度求均值,以保证训练样本的MSA矩能够正确地反映各类帘子布图像的特征。计算它们的MSA矩时,根据MSA的性质,可以通过改变A和B的值,得到无穷多的仿射不变量特征F(A,B)。经实验选择8对(A,B)值的多尺度自卷积变换构成特征不变量,即[-0.10.1],[-0.10.3],[-0.20.2],[-0.20.3],[-0.20.4],[-0.30.3],[-0.30.4],[-0.40