论文部分内容阅读
中国自古是纺织大国，在大数据时代背景下，纺织品图像数据正在爆炸式増长，每天需要进行检测的纺织品图像成千上万，这给图像处理领域带来了巨大挑战。加上目前大部分织物检测采用的是效率低、准确率低、主观性强的传统人工方法，因此基于云计算的纺织品瑕疵检测与分类方法的研究对我国纺织业的发展具有十分重要的现实意义。本文研究的内容主要包括纺织品图像预处理算法、纺织品瑕疵检测算法、纺织品瑕疵分类算法以及基于云计算的纺织品图像处理平台搭建。具体研究工作如下：
（1）对纺织品图像进行预处理，提高图像质量，便于进一步的研究。本文通过分析图像采集过程中常见的颜色、光照和噪声问题，先基于Lab空间对图像进行偏色检测，然后基于色彩直方图进行偏色校正，之后采用直方图均衡化进行光照校正，最后采用中值滤波进行去噪。
（2）使用一种最优Gabor滤波器组对织物图像进行瑕疵检测。先采用累加距离匹配函数求得滤波器组的频率和尺度参数，再通过粒子群算法对方向参数进行最优化，达到突出纹理信息并减少计算量的目的。然后使用Otsu算法对经过最优Gabor滤波器组卷积操作的织物图像进行分割得到瑕疵区域，基于结构相似性对分割效果进行评估。与手动选择参数的 Gabor 滤波器和单独使用粒子群算法进行参数优化的Gabor滤波器进行对比实验，实验结果证明了本文提出的算法对常见瑕疵类型表现较好，提高了识别精度和效率，对六类瑕疵的平均检测准确率达到93％。
（3）使用多特征集成学习的方法对瑕疵进行分类。首先使用灰度共生矩阵提取四种纹理特征，使用分割得到的瑕疵区域二值图像提取四种几何特征。由于两类特征是完全不同的，因此使用不同的分类器进行训练，这有利于单分类器的互补和特征信息的完全利用。考虑到纹理特征是基于灰度共生矩阵计算的，特征点分布密集，且具有较多交叉部分，所以选用依靠邻居决定类别的K近邻算法更合适；而几何特征采用支持向量机进行训练。接着使用集成的思想和加权求和规则将这两个基分类器组合成强分类器，最后使用五类瑕疵样本进行分类实验，平均准确率达到 87.182％。与几何特征、纹理特征和 K 近邻、支持向量机两两组合的分类方法进行对比实验，实验证明本文提出的算法更有效。
（4）搭建具有三个节点的Hadoop集群，并在Hadoop环境下进行纺织品瑕疵检测实验，通过比较不同节点和不同样本数量分别在单机和集群模式下的处理速度，验证了基于Hadoop平台进行图像处理的高效率和可行性。
（1）对纺织品图像进行预处理，提高图像质量，便于进一步的研究。本文通过分析图像采集过程中常见的颜色、光照和噪声问题，先基于Lab空间对图像进行偏色检测，然后基于色彩直方图进行偏色校正，之后采用直方图均衡化进行光照校正，最后采用中值滤波进行去噪。
（2）使用一种最优Gabor滤波器组对织物图像进行瑕疵检测。先采用累加距离匹配函数求得滤波器组的频率和尺度参数，再通过粒子群算法对方向参数进行最优化，达到突出纹理信息并减少计算量的目的。然后使用Otsu算法对经过最优Gabor滤波器组卷积操作的织物图像进行分割得到瑕疵区域，基于结构相似性对分割效果进行评估。与手动选择参数的 Gabor 滤波器和单独使用粒子群算法进行参数优化的Gabor滤波器进行对比实验，实验结果证明了本文提出的算法对常见瑕疵类型表现较好，提高了识别精度和效率，对六类瑕疵的平均检测准确率达到93％。
（3）使用多特征集成学习的方法对瑕疵进行分类。首先使用灰度共生矩阵提取四种纹理特征，使用分割得到的瑕疵区域二值图像提取四种几何特征。由于两类特征是完全不同的，因此使用不同的分类器进行训练，这有利于单分类器的互补和特征信息的完全利用。考虑到纹理特征是基于灰度共生矩阵计算的，特征点分布密集，且具有较多交叉部分，所以选用依靠邻居决定类别的K近邻算法更合适；而几何特征采用支持向量机进行训练。接着使用集成的思想和加权求和规则将这两个基分类器组合成强分类器，最后使用五类瑕疵样本进行分类实验，平均准确率达到 87.182％。与几何特征、纹理特征和 K 近邻、支持向量机两两组合的分类方法进行对比实验，实验证明本文提出的算法更有效。
（4）搭建具有三个节点的Hadoop集群，并在Hadoop环境下进行纺织品瑕疵检测实验，通过比较不同节点和不同样本数量分别在单机和集群模式下的处理速度，验证了基于Hadoop平台进行图像处理的高效率和可行性。