论文部分内容阅读
本文对服装面料外观品质分析技术进行研究。重点探讨借助计算机对服装面料疵点进行动态检测的理论算法模型，同时对服装面料的纹理均匀度评价也进行了初步研究。
针对目前服装面料疵点检测算法普遍存在模型复杂、计算机量大、分析速度慢、识别疵点种类不够广泛的不足，本文通过对人眼视觉过程的重新分析，指出了其识别快速准确的关键原因是具有模糊性、多特征性及自适应性，并模拟人眼的这种功能提出了一套新的基于粗糙集理论的“超模糊”算法，以解决类似服装面料图像异常区域识别这类问题。
首先从通用的角度建立了“超模糊”算法的理论模型，给出了“超模糊”特征模型、“超模糊”窗口自适应划分算法的数学描述，并对“超模糊”分类器的构建及封装在其中的相关算法如窗口合并算法、窗口分级算法及疵点合并算法等做了详细阐述。同时对“超模糊”算法的特点进行了总体分析。然后深入讨论“超模糊”算法在服装面料疵点识别方面的应用。构建了三维灰度窗口特征变化图，通过大量实验遴选并新建了能识别不同疵点的多种分特征，据此给出了具体的服装面料疵点识别“超模糊”特征，并详细分析了其重要属性：1）因子变化可对“超模糊”特征产生重要影响；2）多特征的融合效果能使疵点特征变异增强、正常区域特征值变化平缓，有利于准确识别；3）“超模糊”特征对有限模糊的图像仍然具有一定识别能力。
进一步提出了“灰度分布波”模型，给出以此为基础的“超模糊”特征智能自适应算法，可根据不同的面料图像特点即时“模糊”调整“超模糊”特征的组合；仍以“灰度分布波”为基础，阐述了“超模糊”窗口智能自适应划分及所构建的“超模糊”分类器的工作原理。同时也介绍了面料疵点轮廓提取的方法。
通过实验及分析得出结论：“超模糊”算法具有模型简单、运算量小、识别速度快、识别准确性高及识别疵点种类广泛的优点，并且具有不用计算隶属度且不用进行预先训练的“模糊”智能自适应性。
本文还提出了一种新的距离差值矩阵模型构建纹理均匀度指标，用于评价服装面料的纹理质量。给出了偏移值公式及综合评价值公式，并通过实例进行了验证，得出该模型可较好对面料纹理均匀度评价的结论。