基于matlab的織物疵點檢測系統(tǒng)畢業(yè)論文

1、<p><b>　　目錄 </b></p><p><b>　　摘 要1</b></p><p>　　Abstract1</p><p><b>　　第一章 緒論2</b></p><p>　　第1.1節(jié) 織物瑕疵檢測簡介2</p><p

2、>　　第1.2節(jié) 圖像處理技術(shù)4</p><p>　　第1.3節(jié) 本文的主要內(nèi)容以及章節(jié)安排6</p><p>　　第二章 基礎(chǔ)知識7</p><p>　　第2.1節(jié) MATLAB的介紹7</p><p>　　第2.2節(jié) 圖像處理工具箱和小波工具箱8</p><p>　　第三章 基于小波變換的織

3、物瑕疵分析11</p><p>　　第3.1節(jié) 二維小波變換11</p><p>　　第3.2節(jié) 主要分析流程13</p><p>　　第3.3節(jié) 基于小波變換的瑕疵檢測過程14</p><p><b>　　第四章 總結(jié)21</b></p><p><b>　　參考文獻

4、22</b></p><p><b>　　致 謝23</b></p><p><b>　　附 錄24</b></p><p><b>　　摘 要</b></p><p>　　在紡織品生產(chǎn)中，織物疵點檢測是很重要的一個環(huán)節(jié)。本文在對圖像處理技術(shù)以及織物瑕疵檢測特征

5、值的提取方法一定理解基礎(chǔ)上，借助Matlab中的圖像處理工具箱和小波分析工具箱,重點分析了織物瑕疵檢測的過程。實驗表明該方法可以識別簡單的織物瑕疵。</p><p>　　關(guān)鍵詞： 織物瑕疵檢測 圖像處理 小波變換 </p><p><b>　　Abstract</b></p><p>　　Fabric defect detection

6、 plays an important part in the production process of the fabric. In this paper, on the basis of understanding of image processing technology and the method of character extraction for the fabric defects,the process of f

7、abric defect detection is analyzed with the help of image processing toolbox and wavelet toolbox in Matlab. The experiments show that this method can identify some simple defects in the fabric.</p><p>　　Keyw

8、ord: Fabric defect detection Image processing Wavelet analysis</p><p>　　Wavelet transform</p><p><b>　　第一章 緒論</b></p><p>　　第1.1節(jié) 織物瑕疵檢測簡介</p><p>　　織物瑕疵檢測

9、的背景及意義</p><p>　　在紡織品生產(chǎn)中，織物的瑕疵檢測是質(zhì)量控制的一項重要內(nèi)容，而織物疵點又是檢驗的重點. 在現(xiàn)代科學(xué)技術(shù)的推動下，紡織行業(yè)的生產(chǎn)效率有了大幅提高，但織物疵點檢測卻依然停留在人工檢測階段。由于該方法存在檢測速度低、誤檢率和漏檢率高、檢驗結(jié)果受人員主觀因素影響大等缺點，織物疵點的檢測技術(shù)已成為當今制約紡織行業(yè)進一步發(fā)展的“瓶頸”。而根據(jù)我國國情和紡織業(yè)的實際情況，研究并開發(fā)適合我國紡織工業(yè)

10、情況的疵點自動檢測系統(tǒng)，對提高紡織品的質(zhì)量、增強出口競爭力，兼具重要的社會和經(jīng)濟意義。</p><p>　　二、 國外織物瑕疵檢測技術(shù)的發(fā)展現(xiàn)狀</p><p>　　自20 世紀70 年代初，國內(nèi)外的研究人員開始注重織物疵點檢測技術(shù)，到90 年代后期形成了一個研究高潮[1]。中國、中國臺灣、韓國、日本、美國、以色列和瑞士等國家和地區(qū)的學(xué)者參考和借鑒了其他工業(yè)檢測系統(tǒng)的開發(fā)經(jīng)驗以及數(shù)學(xué)和計

11、算機等學(xué)科的最新科研成果，發(fā)表了大量的相關(guān)文章和研究論文，使織物疵點檢測的理論水平不斷提高，對織物疵點自動檢測系統(tǒng)的開發(fā)給予了理論指導(dǎo)。并且國外研究人員通過對計算機理論、模式識別、自動控制理論的深入研究和綜合運用，推出了織物疵點檢測的商業(yè)化產(chǎn)品，如以色列埃爾博特(EVS)公司的I-TEX驗布系統(tǒng)[2]、瑞士Uster公司Fabriscan自動驗布系統(tǒng)和比利時BARCO公司的驗布系統(tǒng)。但真正適用于實際生產(chǎn)并被市場接納的并不多，市場主要占有

12、者為以色列的EVS公司。</p><p>　　三、 國內(nèi)織物瑕疵檢測技術(shù)的發(fā)展現(xiàn)狀</p><p>　　國內(nèi)對于織物疵點自動檢測也進行了大量的研究，如東華大學(xué)、華中科技大學(xué)、浙江理工大學(xué)、蘇州大學(xué)等學(xué)校的學(xué)者對此都有比較深入的研究，在對圖像的識別上已經(jīng)取得了很好的成果，但鮮有成熟的自動檢測系統(tǒng)出現(xiàn)。因此，織物疵點的自動檢測是近年來國內(nèi)外學(xué)者共同關(guān)注和研究的熱門課題之一。 </p&g

13、t;<p>　　四、 織物瑕疵的種類</p><p>　　織物瑕疵的種類有很多，如叉絞(如圖1.1)、缺經(jīng)(如圖1.2)、跳梭(如圖1.3)和帶緯(如圖1.4)和坍緯拔出(圖1.5)等等。</p><p>　　圖1.1叉絞 圖1.2缺經(jīng) </p><p>　　圖1.3跳梭

14、 圖1.4帶緯 </p><p><b>　　圖1.5坍緯拔出</b></p><p>　　第1.2節(jié) 圖像處理技術(shù)</p><p>　　所謂計算機圖像處理是指將圖像信號轉(zhuǎn)換成數(shù)字格式，并利用計算機對其進行處理的過程。其內(nèi)容是十分豐富的，包括數(shù)字圖像變形技術(shù)、圖像的傅立葉分析技術(shù)、圖像的平滑處理、圖像的銳化處理、

15、圖像分割、邊緣檢測、形狀描述、形態(tài)學(xué)分析、圖像壓縮編碼、彩色圖像處理等等。計算機圖像處理可以直觀地對圖像進行變換，這一新興的技術(shù)已在各行業(yè)中得以廣泛應(yīng)用。</p><p>　　近10年來，數(shù)字圖像處理技術(shù)的發(fā)展進一步深入、廣泛和迅速，人們已充分認識到圖像處理技術(shù)是認識世界、改造世界的重要手段之一。圖像信息處理技術(shù)已廣泛應(yīng)用于許多社會領(lǐng)域，如工業(yè)、農(nóng)業(yè)、國防軍事、社會公安、科研、生物醫(yī)學(xué)、通信郵電等等。因此把圖像處

16、理應(yīng)用于織物疵點的識別是有基礎(chǔ)和前景的，事實證明也是可行的。 </p><p>　　一般來講，基于圖像處理的疵點檢測過程為采集織物圖像、圖像預(yù)處理、圖像分析和疵點檢測分類等階段，包括訓(xùn)練或?qū)W習過程和檢測過程(如圖1.6所示)， 織物疵點檢測的核心技術(shù)是圖像特征值的提取。</p><p>　　圖1.6 織物瑕疵自動檢測和分類的工作過程</p><p>　　目前提取方法

17、有：灰度共生矩陣法、Markov隨機場法、灰度直方圖統(tǒng)計法、灰度匹配法[3]、二維傅立葉變換法、Gabor變換法和小波變換法。</p><p>　　灰度共生矩陣法[4]——用灰度等級共同發(fā)生矩陣提取織物組織圖像中織物疵點特征參數(shù)，來評價織物疵點種類?；叶裙采仃囍锌傻贸龅募y理特征系數(shù)有以下幾種：角二階矩，反映了圖像灰度分布均勻程度和紋理粗細度；對比度，反映了圖像的清晰度和紋理的溝紋深淺；熵，它度量圖像紋理的隨機性

18、，熵的最大值暗示圖像中灰度分布非常隨機；逆差矩，它度量圖像紋理局部變化的多少。還有和熵、熵、差平均、差方差等特征值。此方法是分析紋理結(jié)構(gòu)的基本方法，不足之處是計算量非常大，不適宜在線高速織物疵點檢測。</p><p>　　Markov隨機場法[4、5]——通過對正?？椢飯D像的分析，得出織物紋理的MRF(Gauss-Marko Random Field)參數(shù)，作為特征值用于檢測。不足之處在于僅僅通過隨機場模型并不能

19、最大限度地降低圖像分析的計算復(fù)雜度和提高圖像處理的速度，因而還不能實現(xiàn)織物疵點的快速自動檢測。Cohen等人使用的統(tǒng)計紋理模型(高斯馬爾可夫隨機場)于牛仔布和地毯疵點的檢測中。</p><p>　　灰度直方圖統(tǒng)計法[]4、5、6]——運用織物圖像的直線紋理特征，由概率統(tǒng)計生成直方圖，有效的提取織物圖像的特征波形，和無疵點的織物圖像進行比較能確定織物紋理結(jié)構(gòu)的異常位置，正確識別織物疵點。該識別算法原理簡單、運算快捷

20、、可靠穩(wěn)定，且適應(yīng)性強但并不能識別所有類型的疵點。</p><p>　　灰度匹配法[5、6]——選擇一個標準的織物圖像作為摸板，先把待檢圖像與模板相減，再通過一個低通濾波器，通過統(tǒng)計殘余圖像的灰度分布情況得出特征值。這種方法比較簡潔，但它對外界條件要求高，不足之處是必須保證無疵點圖像與摸板是一致的。如Takoto等人研究的一種灰度匹配算法。 </p><p>　　傅立葉變換法[7、8]——

21、這種方法具有空域定位能力，具有空頻域結(jié)合(joint spatial－frequency)的分析能力。它的缺點是對域值的選取很敏感，誤檢率較高，并且計算量很大。</p><p>　　Gabor變換法——首先根據(jù)正?？椢锏膱D像設(shè)計與之匹配的Gabor濾波器，然后采用該濾波器對待檢圖形進行處理，在得到的圖像中疵點圖像被增強，而正常紋理圖像被減弱. 最后通過圖像閾值化得到疵點的位置和形狀信息。 </p>

22、<p>　　小波變換法[9]——小波變換具有時間-頻率都局部化的特點，適合進行圖像空域和頻域的多分辨率分析。 小波變換能更有效的從圖像中提取出信息，并且可通過縮放、平移等對圖像進行多尺度細化分析處理，最終達到高頻部分的空間細分、低頻部分的頻率細分，從而實現(xiàn)對圖像的自適應(yīng)的分析，甚至可以根據(jù)需要而聚焦到圖像的任意細節(jié)。小波變換綜合了泛函分析、傅立葉分析和數(shù)值分析等理論的優(yōu)點，是純粹數(shù)學(xué)和應(yīng)用數(shù)學(xué)完美結(jié)合的又一個成功范例，解決了以

23、前許多由傅立葉變換無法實現(xiàn)的難題，在工程界被公認是繼傅立葉變換后又一個里程碑的發(fā)現(xiàn)。小波變換有靈活性強，適應(yīng)范圍廣，并且容易實現(xiàn)的優(yōu)點，但其缺點是小波變換不提供具體的頻率信息，它只是在不同的尺度上提供信號的細節(jié)。如東華大學(xué)的黃秀寶等研究的利用了二維連續(xù)小波變換方法和基于織物自適應(yīng)正交小波的方法來檢測織物疵點。 </p><p>　　第1.3節(jié) 本文的主要內(nèi)容以及章節(jié)安排</p><p>

24、　　本文在了解織物瑕疵檢測的相關(guān)知識、掌握織物瑕疵檢測主要技術(shù)基礎(chǔ)上，重點研究了小波變換在織物瑕疵檢測中的應(yīng)用。</p><p>　　本文的內(nèi)容安排如下：</p><p>　　第一章：緒論，介紹織物瑕疵檢測的背景、意義、國內(nèi)外的發(fā)展現(xiàn)狀和圖像處理的相關(guān)知識。</p><p>　　第二章：相關(guān)基礎(chǔ)知識簡介，簡單介紹Matlab、圖像處理工具箱、小波工具箱。</p

25、><p>　　第三章：基于小波變換的織物瑕疵檢測，通過實驗具體分析小波變換在瑕疵檢測中的應(yīng)用。</p><p>　　第四章：總結(jié)，總結(jié)本次實驗中成果、出現(xiàn)的問題以及自己的心得。</p><p><b>　　第二章 基礎(chǔ)知識</b></p><p>　　第2.1節(jié) MATLAB的介紹</p><p>

26、　　Matlab 語言是由美國MathWord 公司推出的計算機軟件，經(jīng)過多年的逐步發(fā)展與不斷完善，現(xiàn)已經(jīng)成為國際公認的最優(yōu)秀的科學(xué)計算與數(shù)學(xué)應(yīng)用軟件之一。Matlab之所以成為世界流行的科學(xué)計算與數(shù)學(xué)應(yīng)用軟件，是因為它有著下列強大的功能[9]：</p><p>　　(1) 高質(zhì)量、強大和值計算功能</p><p>　　為滿足復(fù)雜科學(xué)計算任務(wù)的需要，Matlab匯集了大量常用的科學(xué)和工程計

27、算算法，從各種函數(shù)到復(fù)雜運算，包括矩陣求逆、矩陣特征值、工程計算函數(shù)以及快速傅立葉變換等。</p><p>　　(2) 數(shù)據(jù)分析和科學(xué)計算可視化功能</p><p>　　在科學(xué)計算和工程應(yīng)用中，經(jīng)常需要分析大量的原始書記和數(shù)值計算結(jié)果，MATLAB能將這些數(shù)據(jù)以圖形的方式顯示出來，使數(shù)據(jù)見的關(guān)系清晰明了。</p><p>　　(3) 直觀、靈活的語言</p&g

28、t;<p>　　(4) 較強的開放性和可擴展性</p><p>　　M-文件是可見的Matlab程序，所以用戶啊可以查看源代碼。開放的系統(tǒng)設(shè)計使用戶能夠檢查算法的正確性，修改已存在的函數(shù)，或者加入新部件。</p><p>　　(5) 特殊應(yīng)用工具箱</p><p>　　Matlab的工具箱加強了對工程科學(xué)中特殊應(yīng)用的支持。工具箱也和Matlab一樣是完

29、全用戶化的，可擴展性強。將某個或多個工具箱與Matlab聯(lián)合使用，可以得到一個功能強大的計算組合包，以滿足特殊需求。</p><p>　　第2.2節(jié) 圖像處理工具箱和小波工具箱</p><p>　　Matlab工具箱 (Matlab Toolbox):為了支持不同的專業(yè)領(lǐng)域的用戶，Matlab還提供了大量的面向?qū)I(yè)領(lǐng)域的工具箱。使用Matlab語言和Matlab工具箱，用戶可以專注于算大

30、研究，編程只需要幾行就可以完成，而且可以很快畫出圖形，從而迅速地進行多種算法的比較，從中找到最好的方案。Matlab工具箱中的大多數(shù)函數(shù)都是通過M文件編寫的，用戶可以查看其中的源代碼，通過適當?shù)男薷模憧梢孕纬勺约旱奶厥馑惴ā?</p><p>　　一、Matlab中的圖像處理工具箱</p><p>　　圖像處理工具箱[9、10、11](Image Processing Toolbox)包

31、括：二維濾波器設(shè)計和濾波、圖像恢復(fù)增強 、色彩、集合及形態(tài)操作 、二維變換、 圖像分析和統(tǒng)計。</p><p><b>　　相關(guān)的函數(shù)主要有：</b></p><p>　　（1）Imshow：顯示圖像。</p><p><b>　　其語法格式為：</b></p><p>　　Imshow(I,n);

32、</p><p>　　Imshow(I,[low high]);</p><p>　　Imshow(RW);</p><p>　　Imshow(x,map);</p><p>　　Imshow(RGB);</p><p>　　（2）Imread：從圖像文件中讀取圖像。</p><p><b

33、>　　其語法格式為：</b></p><p>　　A=imread(filename,fmt);</p><p>　　[X,map]=imread(filename,fmt);</p><p>　　[…]=imread(filename);</p><p>　　[…]=imread(…,idx)(TIFT only);<

34、;/p><p>　　[…]=imread(…,ref)(HDF only);</p><p>　?。?）rgb2gray：轉(zhuǎn)換RGB圖像或顏色映像表為灰度圖像。</p><p><b>　　其語法格式為：</b></p><p>　　I = rgb2gray(RGB);</p><p>　　newma

35、p = rgb2gray(map);</p><p>　?。?）imhist：顯示圖像的直方圖。</p><p><b>　　其語法格式為：</b></p><p>　　Imhist=(I,n);</p><p>　　Imhist=(X,map);</p><p>　　[counts,x]=imh

36、ist(RGB);</p><p>　　（5）Colorbar：用該函數(shù)來給坐標軸添加色彩條。色彩條用來指示圖像中不同顏色所對因的數(shù)據(jù)值。</p><p><b>　　其語法格式為：</b></p><p>　　Colorbar 在當前的figure中添加或修改（已存在）色彩條，并調(diào)整坐標軸到合適的位置以適應(yīng)色彩條；</p>&l

37、t;p>　　Colorbar（…，‘peer’,axes_handle）創(chuàng)建一個關(guān)聯(lián)于axes_handle坐標軸的色彩條。</p><p>　　二、Matlab中的小波工具箱</p><p>　　小波工具箱[12、13](Wavelet Toolbox)[5]包括：基于小波的分析和綜合、 圖形界面和命令行接口、連續(xù)和離散小波變換及小波包、一維及二維小波 、自適應(yīng)去噪和壓縮

38、。</p><p><b>　　相關(guān)的函數(shù)主要有：</b></p><p>　　（1）Dwt2：該函數(shù)為單層二維離散小波變換。</p><p><b>　　其語法格式為：</b></p><p>　　[cA,cH,cV,cD]=dwt2(X,’wname’) 計算圖像X指定小波基的單層二維離散小波變

39、換分解。其中參數(shù)‘wname’為采用的小波基的名稱，cA為近似小波系數(shù)矩陣，參數(shù)cH,cV和cD分別為小波分解的水平細節(jié)系數(shù)、垂直細節(jié)系數(shù)和對角細節(jié)系數(shù)。</p><p>　　[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D) 以指定的低通濾波器Lo_D和高通濾波器Hi_D計算圖像X的二維小波分解。</p><p>　?。?）Wavedec2：該函數(shù)為多層二維離散小波分解。&l

40、t;/p><p><b>　　其語法格式為：</b></p><p>　　[C,S]=wavedec2(X,N,’wname’) 用指定的小波基計算圖像X的N層二維離散小波分解。參數(shù)N為正整數(shù)。輸出結(jié)構(gòu)中包括小波分解數(shù)據(jù)矩陣C和相應(yīng)的標記矩陣S。</p><p>　　[C,S]=wavedec2(X,N,Lo_D,Hi_D) Lo_D和Hi_D分別

41、是分解的高通濾波器和低通濾波器。</p><p>　?。?）Appcoef2：用來提取二維信號小波分解的近似系數(shù)。</p><p><b>　　其語法格式為：</b></p><p>　　A= Appcoef2(C,S,’wname’,N) 從多層小波分解結(jié)構(gòu)[C,S]中提取第N層的近似系數(shù)。參數(shù)‘wname’為采用的小波名稱。當N省略是，表示

42、提取最高層近似系數(shù)。</p><p>　　A= Appcoef2(C,S,Lo_D,Hi_D) Lo_D和Hi_D分別是分解的高通濾波器和低通濾波器。</p><p>　　（4）Detcoef2：用來提取信號分解的細節(jié)系數(shù)。</p><p><b>　　其語法格式為：</b></p><p>　　D= Detcoef2(

43、O,C,S,N)從小波分解結(jié)構(gòu)中提取水平、垂直、對角等細節(jié)系數(shù)。N必須為整數(shù)，形如：0Nsize(s,1)-2。</p><p>　　[H,V,D]= Detcoef2(‘a(chǎn)ll’,C,S,N) 返回水平細節(jié)系數(shù)H、垂直細節(jié)系數(shù)V和對角細節(jié)系數(shù)D（N層）。</p><p>　　（5）Wcodemat： 該函數(shù)為擴展的偽彩色矩陣比例。</p><p><b>

44、;　　其語法格式為： </b></p><p>　　Y=Wcodemat(X,NBCODES,OPT,ABSOL) 返回輸入矩陣X的編碼(ABSOL=0時)或返回ABS(X) （ABSOL0時）。</p><p>　　Y=Wcodemat(X,NBCODES，OPT)等價于Y=Wcodemat(X,NBCODES，OPT，1);Y=Wcodemat(X)等價于Y=Wcodema

45、t(X,16,‘mat’,1)。 </p><p>　　第三章 基于小波變換的織物瑕疵檢測</p><p>　　第3.1節(jié) 二維小波變換</p><p>　　二維離散小波變換[14]是從原始信號s開始在每個層次之分解上一層次的近似系數(shù)，與一維小波變換不同的是，在對每個進行分解的時候，需要在兩個維度分別作用兩次濾波器。這樣就得到如下四組系數(shù),其中，是第層的近似系

46、數(shù)，是低通濾波器在兩個維度上作用得到的，分別叫做水平細節(jié)系數(shù)、垂直細節(jié)系數(shù)和對角細節(jié)系數(shù)，是在橫向用低通、縱向作用高通濾波器的結(jié)果，是在橫向用高通、縱向低通濾波器的結(jié)果，是在兩個維度都用高通濾波器得到的細節(jié)系數(shù)。在處理二維信號的過程中，需要分別去除橫向的、縱向的和兩個方向的關(guān)聯(lián)信息，那么就生成了一組近似系數(shù)和三組細節(jié)系數(shù)。分解層析圖如圖3.1所示，二維小波變換的算法如圖3.2所示。</p><p>　　圖3.1

47、二維小波變換的二層分解示意圖</p><p>　　圖3.2 二維小波變換分解算法結(jié)構(gòu)圖</p><p>　　二維小波變換的分解有如下幾個主要的函數(shù)：</p><p>　?。?）Dwt2：用于二維信號的單層分解。</p><p>　?。?）Wavedec2：用于二維信號的多層分解。</p><p>　　在Wavedec2

48、中，分解后各個系數(shù)的排列規(guī)則如圖3.3所示。</p><p>　　圖3.3 Wavedec2在N層后的系數(shù)存在</p><p>　　C的排列方式：C=[A(N)|H(N)|V(N)|D(N)|…H(N-1)|V(N-1)|D(N-1)| …H(1)| V(1)|D(1)|，其中，A是近似系數(shù)，H是水平細節(jié)系數(shù)，V是豎直細節(jié)系數(shù)，D是對角細節(jié)系數(shù)。</p><p&g

49、t;<b>　　矩陣S的形式：</b></p><p>　　S(1，:)=近似系數(shù)（N）的大小；</p><p>　　S(i，:)=細節(jié)分量（N-i+2）的大小，i = 2，…，N+1；</p><p>　　S(N+2，：)=size(X)。</p><p>　　第3.2節(jié) 主要分析流程</p><

50、p>　　1、圖像獲?。涸贛atlab中通過讀函數(shù)imread和顯示函數(shù)imshow把已知的圖片顯示出來。 </p><p>　　2、灰度圖像轉(zhuǎn)換: 通過函數(shù)rgb2gray把彩色圖像轉(zhuǎn)變成灰度圖像：提出了一種對彩色圖像進行有選擇灰度化的方法，并采用Matlab實現(xiàn)了該算法。該方法可以將選中的任意顏色灰度化為黑色，而與該顏色距離越遠的顏色，其灰度值越高。利用該方法可以較好地提取出彩色圖像中不同顏色所反映的信

51、息，便于基于顏色的圖像信息傳輸和處理。</p><p>　　小波變換:通過小波變換函數(shù)wavedec2對圖像做小波分解，也就是求得圖像的每個象素在四個方向上的系數(shù)，作為四幅子圖像的灰度值。采用函數(shù)appcoef2和 detcoef2將四個方向上的系數(shù)提取出來。</p><p>　　區(qū)域劃分:由于這次設(shè)計中涉及的織物瑕疵是分布在水平方向和垂直方向上的，所以只需要分析這兩個方向上的子圖象,這兩

52、個子圖象劃分為3*3的區(qū)域。</p><p>　　量化:求取每個區(qū)域的灰度累加和，考慮噪聲影響，對小于100的值作歸零處理。</p><p>　　疵點識別:量化后對經(jīng)度緯度兩幅子圖像分別求3*3區(qū)域的平均值，判斷大于平均值20%的區(qū)域為檢測存在問題。表達為“X”，沒有問題的區(qū)域表示為“O”。</p><p>　　a. 定義經(jīng)度子圖像中，中間豎排三個區(qū)域全部為“X”的

53、情況為叉絞或缺經(jīng)。</p><p>　　b. 定義經(jīng)度子圖像中，中間橫排三個區(qū)域全部為“X”的情況為跳梭。</p><p>　　c. 定義緯度子圖像中，中間橫排三個區(qū)域全部為“X”的情況為帶緯或坍緯拔出。</p><p>　　其他情況視為正?？椢?。</p><p>　　第3.3節(jié) 基于小波變換的瑕疵檢測過程</p><p

54、>　　1、以叉絞及叉絞對應(yīng)的正常圖像為例,分析基于小波變換的瑕疵檢測過程。</p><p>　　(1)通過函數(shù)獲取織物叉絞圖像及對應(yīng)的正常圖像,分別如圖1.1和圖3.4所示:</p><p>　　圖3.4叉絞對應(yīng)的正常圖像</p><p>　　在原始圖片彩色效果上，憑肉眼是可以區(qū)分出叉絞和正?？椘非闆r的。</p><p>　　(2)小波

55、變換是建立在灰度圖像基礎(chǔ)之上的，而BMP圖像讀入內(nèi)存后，都是彩色圖片，所以需要做灰度化處理,結(jié)果如圖3.5、圖3.6所示:</p><p>　　圖3.5叉絞的灰度圖 圖3.6叉絞對應(yīng)的正常圖像的灰度圖</p><p>　　(3)對圖像做小波變換,可以分為四幅子圖像。如下所示:</p><p>　　圖3.7叉絞的灰度圖經(jīng)過小波變換 圖3.8對應(yīng)

56、正常圖像的灰度圖經(jīng)過 后得到的四個方向上的系數(shù) 小波變換后得到的四個方向上的系數(shù) </p><p>　　圖3.7和圖3.8中,左下一象限為低頻系數(shù)，右下二象限是小波經(jīng)度方向系數(shù)，左上三象限為小波緯度方向系數(shù)，右上四象限是小波高頻系數(shù)。<

57、;/p><p>　　(4)在檢測算法中，只需要考慮小波變換后經(jīng)度和緯度方向兩幅子圖像的情況，所以舍去低頻系數(shù)和高頻系數(shù)，然后對經(jīng)、緯兩個子圖像劃分為 3*3 共9個區(qū)域，如圖3.9和圖3.10所示。</p><p>　　圖3.9為把圖3.7的經(jīng)度和緯度方向的兩幅子圖像劃分成3*3的區(qū)域</p><p>　　圖3.10為把圖3.8的經(jīng)度和緯度方向的兩幅子圖像劃分成3*3的

58、區(qū)域</p><p>　　(5)量化計算: 量化依據(jù)在每個分塊小區(qū)域中，將小波系數(shù)的做累加和。為避免噪聲影響，濾掉了系數(shù)小于100的值。結(jié)果如下圖所示:</p><p>　　圖3.11 計算圖3.9中經(jīng)度和緯度方向的兩幅子圖像每個區(qū)域的象素和</p><p>　　圖3.12 計算圖3.10中經(jīng)度和緯度方向的兩幅子圖像每個區(qū)域的象素和</p><p

59、>　　(6)瑕疵類型識別,如下圖所示:</p><p>　　圖3.13 圖3.14</p><p>　　在量化后的系數(shù)中，求兩幅子圖像的象素平均值，定義系數(shù)大于平均值一定量的區(qū)域為異常的區(qū)域，用“X”表示;小于或者等于平均值的區(qū)域為正常區(qū)域,用“O”表示。根據(jù)“X”的所在區(qū)域判別瑕疵的類型,如圖3.13所示,右下二象限系數(shù)出現(xiàn)中間豎排

60、連續(xù)異常的情況，識別為缺經(jīng)或者叉絞。而圖3.14則識別為無瑕疵圖像。</p><p>　　2、以帶緯及帶緯對應(yīng)的正常圖象為例,分析基于小波變換的瑕疵檢測過程。</p><p>　　通過函數(shù)獲取織物圖象帶緯及帶緯對應(yīng)的正常圖像,如圖1.3,圖3.15所示:</p><p>　　圖3.15帶緯對應(yīng)的正常圖像</p><p>　　(2)小波變換是建

61、立在灰度圖像基礎(chǔ)之上的，而BMP圖像讀入內(nèi)存后，都是彩色圖片，所以需要做灰度化處理,結(jié)果如圖3.16、圖3.17所示:</p><p>　　圖3.16帶緯的灰度圖像 圖3.17帶緯對應(yīng)的正常圖象的灰度圖像</p><p>　　(3)對圖3.16和圖3.17做依次小波變換,可以分為四幅子圖像。如下所示:</p><p>　　圖3.18帶緯的灰度圖經(jīng)過小波變換后得

62、 圖3.19帶緯對應(yīng)正常圖像的灰度圖經(jīng)過 到的四個方向上的系數(shù) 小波變換后得到的四個方向上的系數(shù) </p><p>　　在檢測算法中，只需要考慮小波變換后，經(jīng)度和緯度方向兩幅子圖像的情況。對每個子圖像劃分為 3*3 共9個區(qū)域。如

63、下圖所示:</p><p>　　圖3.20為把圖3.18的經(jīng)度和緯度方向的兩幅子圖像劃分成3*3的區(qū)域,其他兩幅子圖像忽略</p><p>　　圖3.21為把圖3.19的經(jīng)度和緯度方向的兩幅子圖像劃分成3*3的區(qū)域,其他兩幅子圖像忽略</p><p>　　(5)量化計算: 量化依據(jù)在每個分塊小區(qū)域中，將小波系數(shù)的做累加和。為避免噪聲影響，濾掉了系數(shù)小于100的值。結(jié)

64、果如下圖所示:</p><p>　　圖3.22 計算圖3.20中經(jīng)度和緯度方向的兩幅子圖像每個區(qū)域的象素和</p><p>　　圖3.23 計算圖3.21中經(jīng)度和緯度方向的兩幅子圖像每個區(qū)域的象素和</p><p>　　(6)瑕疵類型識別,如下圖所示:</p><p>　　圖3.24 圖3.2

65、5</p><p>　　由圖3.24中可知道,在左上三象限系數(shù)出現(xiàn)中間一橫排連續(xù)出現(xiàn)異常,因此識別為帶緯或坍緯拔出。而圖3.25則識別為無瑕疵圖像。</p><p><b>　　第四章 總結(jié)</b></p><p>　　通過查閱有關(guān)織物瑕疵檢測的背景、意義及國內(nèi)外的發(fā)展現(xiàn)狀等相關(guān)文獻，讓我對織物瑕疵檢測有了較深的理解?？椢镨Υ脵z測的核心技術(shù)是

66、圖像特征值的提取，因此介紹了圖像處理技術(shù)的主要類型以及這些技術(shù)的優(yōu)缺點。有了這層了解，更有利于后面的研究工作。</p><p>　　本課題主要研究的是應(yīng)用小波變換對圖象進行分解,計算以及提取特征值,根據(jù)特征值判斷瑕疵的類型。由于但由于自身的主觀因素和方法的缺陷,使得做出的結(jié)果也只是初步的結(jié)論,不能進一步確定瑕疵的種類。</p><p>　　檢測瑕疵的技術(shù)有許多，我們所做的工作只是對其中一種

67、方法進行研究，至少到目前為止，小波變換是種比較有效的方法。隨著計算機技術(shù)和數(shù)學(xué)理論的不斷發(fā)展，將越來越多的技術(shù)綜合應(yīng)用于織物疵點的檢測。我們借此良好開端對織物疵點檢測知識客觀化做些深入的研究。有利于以后研究出快速有效的檢測方法，以較低成本的系統(tǒng)硬件，配以高質(zhì)量的檢測軟件，開發(fā)適應(yīng)性強且穩(wěn)定的檢測系統(tǒng)應(yīng)該是織物疵點自動檢測這一領(lǐng)域的發(fā)展方向。</p><p><b>　　參考文獻</b><

68、;/p><p>　　[1] 李立輕,黃秀寶. 圖像處理用于織物疵點自動檢測的研究進展[J ] . 東華大學(xué)學(xué)報:自然科學(xué)版, 2002 , 28 (4) : 118-121.</p><p>　　[2] 劉呈健,張貴彬. 坯布自動檢測系統(tǒng)簡介[J] . 棉紡織技術(shù),2005 ,33(3) :63-64.</p><p>　　[3] 孫遠,周剛慧,趙立初等. 灰度圖像匹

69、配的快速算法[J ] . 上海交通大學(xué)學(xué)報, 2000 , 34 (5) : 702-704.</p><p>　　[4] 王家文，李仰軍著 Mtlab7.0 圖形圖像處理[M]. 北京：國防工業(yè)出版社，2004</p><p>　　[5] 董長虹,賴志國,余嘯海. Matlab 圖像處理與應(yīng)用[M] . 北京: 國防工業(yè)出版社, 2004.</p><p>　　[

70、6] 張遠鵬，董海，周文靈. 計算機圖像處理技術(shù)基礎(chǔ)[M].北京：北京大學(xué)出版社，1996董長虹,賴志國,余嘯海. Matlab 圖像處理與應(yīng)用[M] . 北京: 國防工業(yè)出版社, 2004. </p><p>　　[7] 韓鴻哲, 李彬, 王志良等. 基于傅立葉描述子的步態(tài)識別[J ]. 計算機工程, 2005, 31 (2) : 48～ 49.</p><p>　　[8] 章毓晉著，圖

71、像處理和分析[M]，北京:清華大學(xué)出版社，1999.</p><p>　　[9]余成波. 數(shù)字圖像處理及Matlab 實現(xiàn)[M] . 重慶: 重慶大學(xué)出版社, 2003.</p><p>　　[10] 董維過 編著.深入淺出Matlab7.x混合編程[M].北京： 機械工業(yè)出版,2005.</p><p>　　[11] 徐飛，施曉紅．MATLAB 應(yīng)用圖像處理［M］

72、．西安電子科技大學(xué)出版社，2002．</p><p>　　[12] 董長虹,高志,余嘯海. Matlab 小波分析工具箱原理與應(yīng)用[M] . 北京: 國防工業(yè)出版社, 2004.</p><p>　　[13] 飛思科技產(chǎn)品研發(fā)中心. Matlab6. 5 輔助小波分析與應(yīng)用[M]. 北京: 電子工業(yè)出版社, 2003.</p><p>　　[14] 胡昌華，張軍波，

73、夏偉,張偉.基于Matlab的系統(tǒng)分析與設(shè)計——小波分析[M].西安：西安電子科技大學(xué)出版社，2000</p><p>　　[15] 秦前清，楊宗凱，實用小波分析[M].西安：西安電子科技大學(xué)出版社，2001 </p><p><b>　　致 謝</b></p><p>　　我首先要感謝朱偉芳老師，本課題在選題及研究過程中得到了朱老師的悉心指導(dǎo)

74、。朱老師多次詢問研究進程，并為我指點迷津，幫助我開拓研究思路，精心點撥、熱忱鼓勵。朱老師一絲不茍的作風，嚴謹求實的態(tài)度，踏踏實實的精神，不僅授我以文，而且教我做人，給以終生受益無窮之道。對朱老師的感激之情是無法用言語表達的。感謝電子信息學(xué)院所有關(guān)心和幫助過我的老師們，你們的教誨使我終身難忘!</p><p>　　同時，還要感謝同班同系的所有同學(xué)，在四年的大學(xué)學(xué)習生活中，他們給了我巨大的幫助和鼓勵。并對所有給予我關(guān)

75、心和支持的同窗學(xué)友們表示真誠的感謝!</p><p>　　最后要感謝的是我的父母，他們不僅培養(yǎng)了我對中國傳統(tǒng)文化的濃厚的興趣，讓我在漫長的人生旅途中使心靈有了虔敬的歸依，而且也為我能夠順利的完成畢業(yè)論文提供了巨大的支持與幫助。在未來的日子里，我會更加努力的學(xué)習和工作，不辜負父母對我的殷殷期望！我一定會好好孝敬和報答他們！</p><p><b>　　附 錄</b>&l

76、t;/p><p><b>　　程序1：</b></p><p>　　clear all;</p><p>　　[X,map]=imread('4a.bmp'); %打開原始圖像</p><p>　　imshow(X,map); % X包含原始圖

77、像信息</p><p>　　newmap=rgb2gray(map); % map包含打開的色圖</p><p>　　[C,S]=wavedec2(X,5,'db1'); % 對圖像X執(zhí)行二層分解，小波為db1</p><p>　　A=appcoef2(C,S,'db1',2);</p><

78、;p>　　D=detcoef2('d',C,S,2);</p><p>　　H=detcoef2('h',C,S,2);</p><p>　　V=detcoef2('v',C,S,2);</p><p><b>　　figure </b></p><p>　　subp

79、lot(221)</p><p>　　imshow(A,newmap)</p><p>　　title('近似細節(jié)系數(shù)')</p><p>　　subplot(222)</p><p>　　imshow(H,newmap)</p><p>　　title('水平細節(jié)系數(shù)')</p&

80、gt;<p>　　subplot(223)</p><p>　　imshow(V,newmap)</p><p>　　title('垂直細節(jié)系數(shù)')</p><p>　　subplot(224)</p><p>　　imshow(D,newmap)</p><p>　　title('

81、;對角細節(jié)系數(shù)')</p><p><b>　　程序2：</b></p><p>　　clear all;</p><p>　　[X,map]=imread('4a.bmp'); </p><p>　　imshow(X,map); </

82、p><p>　　newmap=rgb2gray(map); </p><p>　　[C,S]=wavedec2(X,5,'db1');</p><p>　　A=appcoef2(C,S,'db1',2);</p><p>　　D=detcoef2('d',C,S,2);<

83、/p><p>　　H=detcoef2('h',C,S,2);</p><p>　　V=detcoef2('v',C,S,2);</p><p>　　nbcol = size(map,1); </p><p>　　cod_X1 = wcodemat(X,nbcol); </p><p>　　

84、cod_cA1 = wcodemat(A,nbcol); </p><p>　　cod_cH1 = wcodemat(H,nbcol); </p><p>　　cod_cV1 = wcodemat(V,nbcol); </p><p>　　cod_cD1 = wcodemat(D,nbcol); </p><p><b&

85、gt;　　figure </b></p><p>　　subplot(221)</p><p>　　imshow(cod_cA1,newmap)</p><p>　　title('近似細節(jié)系數(shù)')</p><p>　　subplot(222)</p><p>　　imshow(cod_cH1

86、,newmap)</p><p>　　title('水平細節(jié)系數(shù)')</p><p>　　subplot(223)</p><p>　　imshow(cod_cV1,newmap)</p><p>　　title('垂直細節(jié)系數(shù)')</p><p>　　subplot(224)</

87、p><p>　　imshow(cod_cD1,newmap)</p><p>　　title('對角細節(jié)系數(shù)')</p><p><b>　　count=0;</b></p><p>　　for x=1:42:86</p><p>　　for y=1:42:86 </p&

88、gt;<p>　　pixelSum=0; </p><p>　　for i=x:x+42</p><p>　　for j=y:y+42</p><p>　　pixelSum=pixelSum+int32(A(i,j));</p><p><b>　　end </b></p><p>

89、;<b>　　end </b></p><p>　　count=count+1;</p><p>　　q(count)=pixelSum;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b

90、>　　w(3,3)=0;</b></p><p><b>　　count=0;</b></p><p><b>　　for n=1:3</b></p><p>　　for m=1:3 </p><p>　　count=count+1;</p><p>