原文在这里:http://blog.sina.com.cn/s/blog_ddbb9e270101hqi7.html
模式识别是基于对象模式的目标识别及分类技术,是研究图像或各种物理对象与过程的分类和描述的学科,在视觉领域中称为图像识别。模式识别是上世纪
一、特征选取依据
⑴可区别性。对于属于不同类的图像而言,它们的特征应具有明显的差异
⑵可靠性。对于同类图像,特征值应该比较接近。
⑶独立性好。所选择的特征值之间应彼此不相关。需要注意的是,有时相关性很高的特征组合起来可以减少噪声干扰,但它们一般不作为单独的特征使用。
⑷数量少。图像识别系统的复杂程度随着系统维数(特征个数)成正比增加。特征数量如果过多,虽然识别的效果会更好一些,但是识别时计算更加耗时,难度更大。
二、织物缺陷的主要类型
本文主要针对织物缺陷主要的四类疵点进行检测,分别是:劈缝、断经、经线粘连和浆斑。以下是四类疵点的大致产生原因和四类疵点各自的特点情况。
图
图2
(3)经线粘连:这种缺陷是由于相邻的两根经线因为固化了的浸胶液粘连在一起而形成的一种缺陷。疵点的宽度约为一到两根经线的宽度,长度一般超过整幅图像的一半,通常为整幅图像的长度。在均匀灯光的照射下,形成一条亮纹,所产生的亮度要比正常织物的高。织物的经线粘连缺陷图像如图3所示:
图3
(4)浆斑:形成这种织物缺陷的原因主要是干燥区的温度、酚醛乳液的品质、吸胶器的更换、干燥区的排风量以及干燥区炉内滚筒的结构等,浆斑又称为胶斑,疵点区域的大小没有固定的形状,面积比较小,一般在四到十平方厘米。经向和纬向长度通常有一定的区别,疵点的区域部分比较光滑,一般是连通的,在均匀灯光的照射下,所产生的亮度要比正常织物的低。织物浆斑缺陷如图4
图4
三、图像特征分析的常用方法
图像特征分析的方法有很多种,但具体到每幅图像,我们只会根据该幅图像的特有性质而选择其中的一种或者几种方法对其特征进行分析,图像的特征主要有图像的形状特征、图像的颜色特征、图像的纹理特征等。
(1)图像的形状特征分析:经过图像预处理和图像分割,我们就可以得到目标区域的大小及边缘信息,从而得到疵点部分的大致形状。通过边界、骨架及区域三种信息就可以来反映图像的目标信息。通常,人们关心的主要是目标信息的形状,而不是其他信息。所以,我们可以把图像的边界或者内部赋值“1”,其他不感兴趣的部分赋值“0”,这样即可形成一幅可以清晰显示出目标形状信息的二值图像。目标信息的特征量有长度、面积、周长、宽度、长宽比等,我们可以通过这些特征量来对疵点进行判别以及为以后的疵点分类提供较好的帮助。形状特征是描述图像内容的另一个重要特征,是计算机视觉和模式识别研究的一个基本问题。但由于物体形状自动获取比较困难,基于形状的检测一般仅限于非常容易识别的物体。
(2)图像的颜色特征分析:图像的颜色特征分析是图像统计特征分析中最常用的一种,主要RGB和HIS两类彩色坐标系统。前者是面向已经系统的,相对简单,而后者主要是用来描述颜色特征。在颜色特征分析中,我们一般先把
(3)图像的纹理特征分析:在图像处理分析中,纹理结构的特征分析占据了很大地位。它具有多种特征,主要有局部特性不断重复、图像区域内纹理总体均匀和非随机排列等,常用的纹理特征提取方法也很多,比如模型方法、统计方法、几何方法、信号处理方法及结构方法等。
四、织物缺陷图像识别算法研究
图像识别简而言之就是要把一种研究对象,根据其相关特征进行识别并分类。其识别过程如图5
图5
目前常用的图像识别方法主要有:统计模式识别、结构模式识别和人工神经网络识别方法等。统计模式的识别方法相对比较成熟,对模式不太复杂的应用已经很成功,但它不能反映模式的结构特性,且概率表示形式实用上也存在一定的局限性。结构模式识别方法中一个模式被看成一个句子,反映了模式的结构特性。基于句法结构的图像分类被描述为对句子的分析,其过程比较方便,且抗图像畸变的能力较强,但抽取有效的结构基元比较困难,并常引起某些误判。人工神经网络识别法由于神经网络的自组织、自适应学习的功能,大大放松了传统识别方法所需的约束条件。相对于其它方法,神经网络在图像识别中有
织物缺陷图像分类问题可以划为图像的模式识别问题,模式识别方法主要分为基于理论判别和基于结构的判别。理论判别主要使用的是定量描绘子(包括长度、面积、纹理等等)描述的各种模式;结构判别主要由定性的描绘子描述的各种模式。
织物缺陷图像识别中应用较多的神经网络有自组织特征映射(SOM)神经网络、模糊神经网络和
五、小结
本文主要介绍了基于