基于MSA矩帘子布疵点识别算法研究.docVIP

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(Multiscale autoconvlution,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。 2 MSA矩 2. 1 MSA矩定义 Jan Flusser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. 2 MSA矩表达式 　若f(x):R2yR,f\0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X0,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(x 2 - 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1 X, 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 + BX 2 + CX0 ( 2) 利用引理1可得到: PUA,B ( u) = (PA* PB* PC ) ( u) ( 3) 如果a X 0, 则Pa (x ) = ( 1/a2 )p ( x /a); 如果a = 0, 则Pa ( x ) = D(x )。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M SA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