崔旭東，黃 成，王平江*

(1.鞍山師范學(xué)院 計(jì)算中心，遼寧 鞍山 114005；2.華中科技大學(xué) 國(guó)家數(shù)控工程中心，湖北 武漢 430074)

新生產(chǎn)的布匹上疵點(diǎn)的檢測(cè)，如果采用人工憑肉眼進(jìn)行檢測(cè)，難免產(chǎn)生很多問(wèn)題.隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，人們將該技術(shù)應(yīng)用于布匹疵點(diǎn)的檢測(cè)[1-2].目前世界上基于視覺(jué)的布匹疵點(diǎn)檢測(cè)技術(shù)，在梭織布、無(wú)紡布疵點(diǎn)檢測(cè)方面有了很好的發(fā)展[3-6].

然而，對(duì)于經(jīng)編布來(lái)說(shuō)，由于制造工藝的原因，所生產(chǎn)的布匹雖然具有彈性好、可形成獨(dú)特的花紋及色澤鮮艷、樣式美觀，但是織線間距大、紋理顯著，使得當(dāng)采用機(jī)器視覺(jué)方法進(jìn)行布匹疵點(diǎn)檢測(cè)時(shí)：或者由于疵點(diǎn)的面積大小與網(wǎng)格大小比較接近，而產(chǎn)生誤檢；或者由于布匹本身的紋理特性將疵點(diǎn)隱沒(méi)，尤其是對(duì)于經(jīng)過(guò)染整后的經(jīng)編布；或者不同顏色紗線混合編制的經(jīng)編布，現(xiàn)有的機(jī)器視覺(jué)檢測(cè)技術(shù)更難于準(zhǔn)確地檢測(cè)出疵點(diǎn).同時(shí)，經(jīng)編布的疵點(diǎn)種類高達(dá)數(shù)十種，造成適用于緯編布匹疵點(diǎn)檢測(cè)的機(jī)器視覺(jué)的技術(shù)，不能滿足經(jīng)編布匹高速生產(chǎn)環(huán)節(jié)中疵點(diǎn)的在線檢測(cè)[7-8].

論文通過(guò)對(duì)經(jīng)編布匹上疵點(diǎn)的特點(diǎn)分析，提出了適合于經(jīng)編布匹疵點(diǎn)的視覺(jué)檢測(cè)方法.

1 經(jīng)編布匹瑕疵點(diǎn)圖像處理

在利用機(jī)器視覺(jué)技術(shù)對(duì)布匹疵點(diǎn)進(jìn)行檢測(cè)時(shí)，主要步驟為經(jīng)編布匹在線圖像采集、圖像處理[9]、疵點(diǎn)識(shí)別(疵點(diǎn)特征提取與分析)、疵點(diǎn)分類、疵點(diǎn)位置定位及形成布匹疵點(diǎn)報(bào)告等幾個(gè)步驟，能否根據(jù)所采集的圖像準(zhǔn)確且高速識(shí)別疵點(diǎn)是這幾個(gè)步驟中最關(guān)鍵的技術(shù)[10-11].

1.1 常見(jiàn)的經(jīng)編布匹疵點(diǎn)種類

圖1所示為幾種典型的經(jīng)編布匹紋理及疵點(diǎn)的類型.不難看出，由于編制工藝的原因，經(jīng)編布匹的紗線不僅粗大結(jié)實(shí)(以增加其抗拉強(qiáng)度)，而且紗線之間的間隔較大(亦即網(wǎng)紋粗大不密實(shí))，粗大的網(wǎng)紋間隔極易在布匹疵點(diǎn)檢測(cè)時(shí)被誤檢為疵點(diǎn)，或者疵點(diǎn)隱藏在紋理之中，使得經(jīng)編布匹疵點(diǎn)檢測(cè)與密實(shí)編制的緯編布相比更加困難.因此要想對(duì)經(jīng)編布匹圖像進(jìn)行瑕疵檢測(cè)時(shí)僅保留疵點(diǎn)的基本特征信息，而又干凈地過(guò)濾掉大片的紋理區(qū)域，須將疵點(diǎn)區(qū)域與正常紋理部分準(zhǔn)確區(qū)分分割開(kāi)來(lái).

圖1 幾種典型的經(jīng)編布匹疵點(diǎn)

1.2 圖像預(yù)處理方法的確定

為了確定預(yù)處理的方法，論文向原始圖像的灰度圖中加入椒鹽和高斯噪聲[12]，利用中值濾波、高斯濾波和鄰域平均濾波3種預(yù)處理方法進(jìn)行去噪處理，并對(duì)比去噪前后的圖像和灰度直方圖，以判斷幾種預(yù)處理手段的去噪效果和關(guān)鍵信息保留的能力.

研究表明，雖然平滑濾波處理可以有效減少經(jīng)編布匹正常紋理對(duì)于疵點(diǎn)檢測(cè)的干擾，但是也很容易將細(xì)小的疵點(diǎn)一起濾掉，故不能將平滑濾波的方法應(yīng)用于經(jīng)編布匹疵點(diǎn)檢測(cè)的預(yù)處理.高斯濾波相對(duì)于中值濾波的圖像預(yù)處理，可以得到更好的檢測(cè)效果.

1.3 經(jīng)編布匹疵點(diǎn)圖像分割方法

將破洞的疵點(diǎn)圖像(如圖1(e)所示)作為圖像分割算法選擇的測(cè)試樣本，對(duì)其分別進(jìn)行平滑、高斯和中值濾波，再進(jìn)行邊緣增強(qiáng)和閾值分割的操作，最終處理結(jié)果如表1所示.

表1 對(duì)去噪后的破洞類疵點(diǎn)進(jìn)行圖像分割的處理結(jié)果

表1所列的各種邊緣增強(qiáng)算法中，均丟失了較多的疵點(diǎn)信息，只有二值化處理能夠較好地保留疵點(diǎn)的原始信息，但是固定的二值化閾值并不能保證每次都是合適的分割閾值，導(dǎo)致其難以對(duì)不同類型疵點(diǎn)都達(dá)到理想的檢測(cè)效果.因此在對(duì)圖像進(jìn)行閾值分割處理時(shí)，需要有一種方法來(lái)讓系統(tǒng)自動(dòng)判別每一次的分割閾值，最大限度地保留疵點(diǎn)的原始信息，為此論文引入最大熵閾值分割的方法.熵是用來(lái)衡量某個(gè)觀察對(duì)象(系統(tǒng))信息分布均勻程度的數(shù)學(xué)概念，信息分布越均勻則表明信息熵越大，系統(tǒng)的不確定性就越高、越無(wú)序.在圖像中灰度等級(jí)即信息，因此在圖像處理中，當(dāng)圖像具有最大熵時(shí)，即代表此時(shí)的圖像具有最大信息量.將熵的概念引入圖像分割，其目的是有效分割圖像的前景和背景區(qū)域，使得前景與背景在其各自的區(qū)域內(nèi)都具有最大熵，從而實(shí)現(xiàn)提取圖像中的疵點(diǎn)部分，將經(jīng)編布匹的正常紋理剔除.

在帶有疵點(diǎn)的經(jīng)編布匹上，疵點(diǎn)區(qū)域像素的灰度級(jí)彼此接近，正常紋理區(qū)域像素的灰度級(jí)同樣也彼此接近，它們?cè)诟髯缘幕叶葏^(qū)間里分布相對(duì)均勻，即在各自的灰度區(qū)間里均具有較大的局部熵.由于圖像整體的灰度分布并不均勻，需要找到一個(gè)合理的閾值，以期望將細(xì)小、狹長(zhǎng)至大片的疵點(diǎn)區(qū)域同明顯的正常紋理區(qū)域區(qū)分開(kāi)來(lái).該閾值兩側(cè)像素區(qū)域內(nèi)的灰度級(jí)在各自區(qū)間都是均勻分布的，即在該閾值兩側(cè)的局部熵越大越好.亦即，在閾值兩側(cè)的局部熵累加起來(lái)具有最大值時(shí)，該閾值便可以將疵點(diǎn)區(qū)域和正常紋理區(qū)域準(zhǔn)確地區(qū)分開(kāi)，使疵點(diǎn)部分的信息能夠被最大限度地保留，以便有效識(shí)別與獲取疵點(diǎn)區(qū)域(面積大小)、類型及其位置等信息.

最大熵分割的疵點(diǎn)檢測(cè)方法，是遍歷每一個(gè)灰度級(jí)，并將每個(gè)灰度級(jí)(且該級(jí)灰度下的像素?cái)?shù)目不為零)作為分割閾值對(duì)圖像進(jìn)行操作，利用該閾值劃分前景和背景區(qū)域，分別計(jì)算圖像的前景熵和背景熵，二者相加得到累積熵，最后選擇具有最大累積熵時(shí)的閾值作為分割閾值.

2 基于改進(jìn)的最大熵閾值分割的疵點(diǎn)檢測(cè)方法

2.1 改進(jìn)最大熵閾值分割

由前述可知，在進(jìn)行最大熵閾值分割時(shí)，算法可能需要遍歷0～255個(gè)灰度級(jí)，依次讓這256個(gè)灰度級(jí)作為閾值來(lái)分割圖像，并以此來(lái)統(tǒng)計(jì)計(jì)算圖像閾值為何值時(shí)分割的圖像具有最大的累積熵.該種遍歷的方法，雖然具有最好的分割效果，然而在實(shí)際生產(chǎn)中布匹運(yùn)行速度非常快，每次檢測(cè)都遍歷所有的灰度級(jí)會(huì)嚴(yán)重影響檢測(cè)的實(shí)時(shí)性，因此論文針對(duì)這個(gè)問(wèn)題提出了改進(jìn)方法.

觀察各種經(jīng)編布匹圖像的直方圖發(fā)現(xiàn)，無(wú)論原始圖像還是對(duì)圖像進(jìn)行高斯濾波預(yù)處理后，其灰度直方圖中的灰度級(jí)會(huì)高度集中在一個(gè)單峰區(qū)間內(nèi).在布匹的污漬疵點(diǎn)圖像(圖1(c))中，疵點(diǎn)顏色較正常布匹顏色更深，灰度級(jí)更低；在布匹的棉結(jié)疵點(diǎn)圖像(圖1(d))中，疵點(diǎn)顏色較正常布匹顏色更淺，灰度級(jí)更高.因此論文選取背景紋理相同的污漬和棉結(jié)疵點(diǎn)圖像作為對(duì)比樣本，預(yù)處理方式為高斯濾波，高斯函數(shù)的σ參數(shù)值設(shè)定為2，迭代次數(shù)為兩次，顯示結(jié)果如圖2所示.

觀測(cè)圖2中濾波前后的灰度直方圖可以發(fā)現(xiàn)，經(jīng)高斯濾波的平滑處理后，污漬疵點(diǎn)的峰值點(diǎn)灰度值為177，最大熵分割閾值為147，而棉結(jié)疵點(diǎn)的峰值點(diǎn)灰度值為182，最大熵分割閾值為203，兩種疵點(diǎn)圖像的直方圖均集中在[130， 230]的單峰區(qū)間內(nèi)，且灰度分布更狹窄了.在經(jīng)過(guò)預(yù)處理后，污漬疵點(diǎn)圖像中灰度級(jí)小于147的像素被歸類為目標(biāo)疵點(diǎn)區(qū)域，大于147的像素被歸類為背景紋理區(qū)域，最大熵分割閾值小于其灰度直方圖峰值點(diǎn)所在灰度級(jí)；而棉結(jié)疵點(diǎn)圖像中則是灰度級(jí)大于203的像素被歸類為目標(biāo)疵點(diǎn)區(qū)域，小于203的像素被歸類為背景紋理區(qū)域，最大熵分割閾值大于其灰度直方圖峰值點(diǎn)所在灰度級(jí).

不論疵點(diǎn)顏色灰度級(jí)大于或小于正常布匹紋理的灰度級(jí)，最大熵分割的閾值總是在預(yù)處理后灰度直方圖峰值點(diǎn)前后的一定大小區(qū)間內(nèi)，因此可以對(duì)最大熵閾值分割方法做出改進(jìn)，以避免遍歷計(jì)算所有的灰度級(jí)而消耗時(shí)間.理論上，最大熵閾值分割的過(guò)程中遍歷的灰度級(jí)數(shù)量多達(dá)256個(gè)，而實(shí)際檢測(cè)中由于高斯濾波預(yù)處理的作用，使得圖像的灰度級(jí)高度集中于某個(gè)單峰區(qū)間，因此算法運(yùn)行時(shí)需要遍歷的灰度級(jí)并不需要達(dá)到256個(gè).

通過(guò)大量測(cè)試實(shí)驗(yàn)可知，閾值點(diǎn)的分布總是在灰度直方圖峰值點(diǎn)前后50個(gè)灰度范圍以內(nèi).因此，在對(duì)圖像利用高斯濾波進(jìn)行預(yù)處理后，可以求得其灰度直方圖峰值點(diǎn)所在的灰度值，令其為p，則得到最大熵分割的閾值點(diǎn)可能存在的區(qū)間為[p-50，p+50].若出現(xiàn)p-50<0的情況，則將遍歷的灰度級(jí)區(qū)間改為[0， 100]，若出現(xiàn)p+50>255的情況，則將遍歷的灰度級(jí)區(qū)間改為[155， 255].改進(jìn)后的最大熵閾值分割方法只需要遍歷這101個(gè)灰度級(jí)即可得到最大熵分割閾值T，這將有效減少熵計(jì)算的運(yùn)行時(shí)間，提高檢測(cè)的實(shí)時(shí)性.將改進(jìn)后的最大熵閾值分割方法應(yīng)用于布匹檢測(cè)的流程如圖3所示，改進(jìn)后的算法在預(yù)處理后圖像上的取值區(qū)間如圖4所示.

圖4 改進(jìn)后最大熵算法的閾值取值區(qū)間

2.2 連通域優(yōu)化下瑕疵點(diǎn)定位

外來(lái)纖維疵點(diǎn)(圖1(f))作為測(cè)試對(duì)象，最大熵閾值分割的初步處理后，布匹疵點(diǎn)的原始圖像被轉(zhuǎn)化為了二值圖像，如圖5所示.

由此可知，最大熵分割的閾值可以將原始圖像中絕大多數(shù)疵點(diǎn)信息保留，并能清晰地將疵點(diǎn)區(qū)域與布匹正常紋理部分區(qū)分開(kāi)來(lái).從圖5(c)中可以看到，依舊存在部分正常紋理被判定為目標(biāo)疵點(diǎn)區(qū)域，形成了干擾噪聲區(qū)域.在利用MATLAB對(duì)二值圖像進(jìn)行處理時(shí)，系統(tǒng)默認(rèn)黑色像素點(diǎn)為背景，白色像素點(diǎn)為前景，而在所有的圖像處理中，形態(tài)學(xué)操作都是面向前景部分進(jìn)行的，因此在通過(guò)最大熵閾值分割初步獲得的二值圖像中可能存在以下3個(gè)問(wèn)題：①圖像前景背景劃分錯(cuò)誤.疵點(diǎn)存在的形式種類繁多，不同類型疵點(diǎn)間的灰度級(jí)差異很大，因此在初步得到最大熵閾值分割的圖像后，應(yīng)該判別目標(biāo)疵點(diǎn)的像素點(diǎn)是否被設(shè)置為前景；②二值圖像的4周邊界出現(xiàn)了部分黑邊；③在原始疵點(diǎn)灰度圖像中，部分布匹正常紋理區(qū)域在二值圖像中被錯(cuò)誤判斷為目標(biāo)疵點(diǎn)區(qū)域.

為了解決問(wèn)題①，在最大熵閾值分割處理后，通過(guò)計(jì)算白色像素點(diǎn)在二值圖像中的占比來(lái)判斷圖像的目標(biāo)疵點(diǎn)區(qū)域是否被正確設(shè)置為前景.在不考慮大面積壞布(顏色漸變而產(chǎn)生)的情況下，疵點(diǎn)區(qū)域的大小通常遠(yuǎn)遠(yuǎn)小于正常布匹區(qū)域的大小，因此若白色像素占比高于1/2，則說(shuō)明系統(tǒng)將目標(biāo)疵點(diǎn)區(qū)域錯(cuò)誤判定為背景，此時(shí)對(duì)二值圖像進(jìn)行顏色反轉(zhuǎn)操作；若白色像素占比低于1/2，則保持原二值圖像輸出即可.

為了解決問(wèn)題②，論文將預(yù)處理后的圖像部分邊緣進(jìn)行裁剪，具體邊緣裁剪的像素行個(gè)數(shù)則需要根據(jù)實(shí)際相機(jī)采集圖像的分辨率來(lái)確定，裁剪的目的是消去圖像邊緣區(qū)域在濾波時(shí)產(chǎn)生噪聲對(duì)疵點(diǎn)檢測(cè)造成的影響.而對(duì)該部分邊緣的補(bǔ)償可以由相機(jī)對(duì)經(jīng)編布匹圖像重復(fù)覆蓋采集獲得，并將補(bǔ)償?shù)牟糠衷诓杉降南噜張D像中顯示，以確保系統(tǒng)采集布匹信息的完整性.

通過(guò)上述兩種方法的處理，可以將圖5(c)中的疵點(diǎn)布匹圖像獲得如圖6所示的顯示效果.

圖6 初步優(yōu)化和最終優(yōu)化后的圖像

由圖6(a)看到，通過(guò)初步優(yōu)化后的二值圖像的疵點(diǎn)信息可以較為完整地顯示出來(lái).但是問(wèn)題③依舊沒(méi)有得到解決，解決這個(gè)問(wèn)題的核心是提高二值圖像中的信噪比，為此引入連通域的概念.對(duì)連通域進(jìn)行形態(tài)學(xué)去噪處理時(shí)，可以選用一個(gè)小塊連通域作為結(jié)構(gòu)元素，利用結(jié)構(gòu)元素可以與目標(biāo)檢測(cè)連通域進(jìn)行腐蝕、膨脹和開(kāi)、閉操作.初步優(yōu)化后的二值圖像經(jīng)過(guò)優(yōu)化去噪后獲得的最終二值圖像如圖6(b)所示.可以看到，目標(biāo)疵點(diǎn)區(qū)域正常紋理部分得到了非常好的分割，且目標(biāo)疵點(diǎn)部分為二值圖像的前景，布匹正常紋理部分為二值圖像的背景，沒(méi)有多余噪聲干擾，疵點(diǎn)區(qū)域也得到了最大限度的保留.

通過(guò)以上操作得到了一個(gè)較為準(zhǔn)確的布匹疵點(diǎn)二值圖像，其中疵點(diǎn)部分為白色前景，布匹正常紋理部分為黑色背景.為了能夠在檢測(cè)出布匹疵點(diǎn)的同時(shí)獲得疵點(diǎn)的準(zhǔn)確位置，選擇利用連通域的重心坐標(biāo)作為疵點(diǎn)區(qū)域位置的表示方法.連通域重心可通過(guò)MATLAB中的regionprops方法獲得，regionprops可以獲得連通域的包括重心屬性(centroid)和邊界屬性(boundingbox)在內(nèi)的多種基本屬性.在提取到目標(biāo)疵點(diǎn)連通域的重心后，用MATLAB對(duì)目標(biāo)疵點(diǎn)區(qū)域進(jìn)行重心和輪廓繪制，繪制時(shí)依舊可以選用regionprops方法進(jìn)行操作.由于只需要對(duì)經(jīng)過(guò)優(yōu)化后的二值圖像進(jìn)行操作，因此可以選擇MATLAB中的hold on和hold off命令確保操作對(duì)象的正確性.

通過(guò)上述操作可以獲取到目標(biāo)疵點(diǎn)連通域的重心信息，并可顯示重心和輪廓在二值圖像的具體位置，如圖7所示.

圖7 疵點(diǎn)連通域質(zhì)心與輪廓圖

通過(guò)圖7和圖5(a)中的原始疵點(diǎn)圖像的對(duì)比，可以發(fā)現(xiàn)原圖中的疵點(diǎn)部分區(qū)域被清晰地表示了出來(lái)，利用繪制連通域的重心和輪廓也較好地達(dá)到了對(duì)疵點(diǎn)檢測(cè)和定位的目的.

3 實(shí)驗(yàn)結(jié)果與分析

論文選擇了一幅帶有外來(lái)纖維疵點(diǎn)(圖1(f))的經(jīng)編布匹的照片作為測(cè)試對(duì)象，利用灰度直方圖對(duì)測(cè)試樣本圖像去噪前后的效果進(jìn)行分析，如果去噪后圖像的灰度直方圖與原始圖像的灰度直方圖一致性好(實(shí)際上是以峰值信噪比作為評(píng)價(jià)的客觀準(zhǔn)則)，說(shuō)明去噪效果好.原始灰度圖像加入高斯噪聲和利用幾種預(yù)處理方法去噪前后的灰度直方圖如圖8所示.

圖8 幾種濾波方法對(duì)高斯噪聲去噪后的灰度直方圖

由圖8(c),(d)可見(jiàn)，在經(jīng)編布匹的灰度圖像加入高斯噪聲后，中值濾波和高斯濾波的直方圖與原始圖像的直方圖很好地重疊在一起，說(shuō)明這兩種濾波方法都可以獲得較好的去噪效果，能將原灰度圖像的大部分信息保留下來(lái).同理，在測(cè)試樣本的原始灰度圖像加入椒鹽噪聲，分析上述濾波方法去除噪聲的能力，依舊是中值濾波和高斯濾波可以獲得較好的去噪效果.結(jié)合表1的處理結(jié)果，最終決定采用高斯濾波預(yù)處理方法用于實(shí)際圖像預(yù)處理.將有疵點(diǎn)的和無(wú)疵點(diǎn)的布匹照片作為輸入，通過(guò)相應(yīng)步驟的處理后，將得到的疵點(diǎn)圖像及其中心坐標(biāo)作為輸出，判斷有無(wú)錯(cuò)檢、漏檢現(xiàn)象的產(chǎn)生.限于篇幅，僅列出3張布匹疵點(diǎn)圖像的檢測(cè)結(jié)果(實(shí)驗(yàn)選擇了14張布匹疵點(diǎn)圖像作為測(cè)試對(duì)象)，疵點(diǎn)類型分別為污漬、棉結(jié)和破洞，見(jiàn)圖9和表2.設(shè)定該次實(shí)驗(yàn)選用的預(yù)處理方式為高斯濾波，公式中的σ參數(shù)值設(shè)定為2，高斯濾波的迭代次數(shù)為兩次.

圖9 經(jīng)編布匹疵點(diǎn)檢測(cè)實(shí)驗(yàn)結(jié)果

表2 經(jīng)編布匹疵點(diǎn)檢測(cè)實(shí)驗(yàn)結(jié)果

由實(shí)驗(yàn)結(jié)果的統(tǒng)計(jì)信息可以得到以下結(jié)論：①該方法用于檢測(cè)疵點(diǎn)時(shí)，可以對(duì)疵點(diǎn)的輪廓和位置進(jìn)行精準(zhǔn)的描述，在測(cè)試14張布匹疵點(diǎn)圖像時(shí)，準(zhǔn)確率達(dá)到了100%.當(dāng)擴(kuò)大樣本數(shù)量后，選取100張經(jīng)編布匹圖像作為實(shí)驗(yàn)樣本，其中20張為正常布匹紋理圖片，根據(jù)相關(guān)的計(jì)算方法可以得到該實(shí)驗(yàn)的準(zhǔn)確率達(dá)到95%，誤檢率為5%，漏檢率為5%.②該方法適用范圍較廣泛，能檢測(cè)出數(shù)十種以上明顯疵點(diǎn)，相較于現(xiàn)有的常見(jiàn)方法，具有較好的普適性.③表2中最右列顯示的是該算法在處理該圖片時(shí)運(yùn)行一次的平均時(shí)間，大多數(shù)情況下算法的運(yùn)行時(shí)間都能保證在0.1 s以內(nèi).上述圖片的大小均為256*256 pixel，線陣CCD相機(jī)的采樣行頻為1 024 Hz，因此0.1 s形成的像素行個(gè)數(shù)約為103個(gè)，遠(yuǎn)小于該次實(shí)驗(yàn)的256行像素點(diǎn)，而在布匹橫向部分的幅寬可以在采集到圖像后分割為多個(gè)子圖像，采用多線程并行處理.由此可知，在t時(shí)間內(nèi)采集到的布匹圖像，使用該算法檢測(cè)的時(shí)間小于采樣時(shí)間，因此該算法滿足生產(chǎn)需求，在實(shí)際應(yīng)用中能夠具有較好的實(shí)時(shí)性.④通過(guò)高斯濾波后的灰度直方圖可以看出，在經(jīng)過(guò)高斯濾波處理后的圖像中，灰度級(jí)的分布高度集中，最大熵分割閾值點(diǎn)所在的灰度級(jí)總是分布在灰度直方圖峰值點(diǎn)所在灰度值±50個(gè)灰度級(jí)范圍內(nèi)，所以使用改進(jìn)的最大熵閾值分割方法可以有效提高算法的運(yùn)算速度.⑤從高斯濾波后的灰度直方圖可以看出，當(dāng)疵點(diǎn)顏色深于布匹顏色時(shí)，布匹正常部分的灰度級(jí)分布幾乎全部集中于最大熵分割閾值的右側(cè)；當(dāng)疵點(diǎn)顏色淺于布匹顏色時(shí)，布匹正常部分的像素點(diǎn)灰度級(jí)分布幾乎全部集中于最大熵分割閾值的左側(cè).由此可知，在圖像進(jìn)行了最大熵閾值分割后，系統(tǒng)對(duì)圖像前景和背景的區(qū)分尤為重要，否則在對(duì)疵點(diǎn)進(jìn)行二值化時(shí)便可能將存在疵點(diǎn)的目標(biāo)區(qū)域誤認(rèn)為是背景，產(chǎn)生錯(cuò)誤的疵點(diǎn)區(qū)域的劃分，造成檢測(cè)結(jié)果出現(xiàn)偏差.

4 結(jié)束語(yǔ)

論文將最大熵閾值分割和連通域分析的方法引入經(jīng)編布匹疵點(diǎn)檢測(cè)和定位中，并且為了提升檢測(cè)效果進(jìn)行了算法的優(yōu)化改進(jìn)，使得該算法能夠準(zhǔn)確檢測(cè)出常見(jiàn)的數(shù)十種經(jīng)編布匹疵點(diǎn).在檢測(cè)出疵點(diǎn)的同時(shí)，系統(tǒng)可以自動(dòng)輸出疵點(diǎn)中心坐標(biāo)及其面積，通過(guò)人機(jī)交互界面向檢測(cè)人員發(fā)出預(yù)警信息并及時(shí)停機(jī)處理，具有高度自動(dòng)化的特征.