一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法

摘要

本发明属图像分析处理领域，应用于纺织品表面质量自动检测与控制领域，本发明涉及一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法。本发明首先将图像样本实施奇异值分解；然后选取最优个数的奇异值对所述图像样本进行重构,计算重构图像与图像样本作差后的残差图像；最后对残差图像实施二值化操作分割出图像特征。为了能适应不同形貌瑕疵，本发明同时对经一定角度旋转后的图像样本进行上述的分析。本发明本身对光照不匀有抵消作用，无需传统预处理步骤；不包括传统方法的训练与特征提取阶段，对不同种类的织物纹理有较强的适应性；结合对经旋转后的原图像进行分析，能够增强对瑕疵类型的适应性，提高瑕疵检测精度。

主权项

一种基于奇异值分解的图像分析方法，其特征是包括以下步骤：(1)首先将图像样本实施奇异值分解，得到相应的奇异向量与奇异值；然后选取最优个数的奇异值对所述图像样本进行重构，得到重构图像，并将重构图像与图像样本作差并取绝对值，得到两者的残差图像；最后对残差图像实施二值化操作，得到一个只包含两种数值的特征图像；(2)将所述图像样本旋转一定角度θ，角度θ取值范围为5°≤θ≤45°，并对旋转后图像样本的最大内接矩形区域按照步骤(1)再次进行分析，得到另一个只包含两种数值的特征图像；(3)将上述所得的两张特征图像叠加，得到最终的图像特征；所述的对图像样本进行重构具体实现如下：将所述的图像样本记为A，大小为m×n，对A进行奇异值分解，即A＝UDV^T，记D中对角线上p个奇异值为d₁,d₂,…,d_p，且满足d₁>d₂>…>d_p，p等于m和n的最小值；将D中除前m个奇异值以外的奇异值设为0，2≤m≤p，并记所得的对角矩阵为D_m，则对A进行重构的公式为A_m＝UD_mV^T，其中A_m称为使用前m个奇异值对A的重构图像；所述的选取最优个数的奇异值具体实现如下：将所述的图像样本记为A，大小为m×n，对A进行奇异值分解,记所得的p个奇异值为d₁,d₂,…,d_p，p等于m和n的最小值；首先，选取第一个奇异值，得到重构后的图像A₁，进而得到相应的残差图像E₁＝|A‑A₁|；然后计算E₁中所有元素的标准差σ与平均值μ之比F₁；同理，记取前k个奇异值，计算所得的F值为F_k，2≤k≤p；最后，在所得的F₁,F₂…,F_p中选取最大值F_max，则F_max所对应的奇异值个数即为所述的选取最优奇异值个数；所述的两张特征图像叠加是指将两张特征图像相加，并将相加后大于255的像素点重新赋值为255。