纹理对织物结构参数和瑕疵的自动检测与识别有着直接的影响,织物纹理的有效表征对提升传统纺织企业的核心竞争力具有重要的意义。目前,国内的纺织企业多是通过人工对织物纹理进行分析。但是这种完全依赖人工经验和视觉来完成的识别与检测越来越不能满足现代化与自动化发展的需求。相比人工分析,基于计算机视觉技术的纹理分析不仅能有效提高检测准确率,更能客观地评定纺织品的外观和内在质量,顺应纺织行业自动化、智能化的发展趋势。前期研究表明字典学习方法可有效描述织物纹理,但所得表达形式不唯一,而纹理的稳定表征是织物纹理分析与应用的基础。因此本文提出了织物纹理稳定表征的概念,重点研究了织物纹理稳定表征算法,并确定了相应的评价指标。具体研究内容和相关结论如下:(1)提出了一种基于字典学习的整体织物纹理稳定表征算法。通过文献研究认为将初始字典固定,可得到纹理的稳定表征。考虑到机织物本身的特点,本文以DCT字典为初始字典,采用交替最小二乘法对织物纹理图像进行字典学习,即采用最小二乘法求解系数矩阵及更新字典,交替更新系数矩阵和字典,经过数次迭代后得到学习字典。随后对所提算法的稳定性进行了分析和说明,并进行试验验证。织物图像和自然图像的试验结果表明:所提算法的重构图像与原始图像的主观视觉差异较小,9个样本数据集和3张自然图像的平均表征效果如下:重构质量为30.76dB、均方根误差为8.08;分析了图像尺寸对纹理表征的影响,在相同参数下,图像尺寸越小,纹理表征效果越好。在此引入了无重叠窗口划分,并在子窗口样本图像上进行字典学习。对不同图像尺寸分别对织物图像的试验分析可知,整体对原始图像的表征效果比子窗口的表征效果好,即重构质量提高了12dB、均方根误差减小了11,这是因为子窗口采用的是无重叠划分方式,忽略了子窗口样本图像之间的关联,在表征织物图像时大大削弱了纹理方向性等纹理特征。此外基于所提算法对带噪图像进行了表征,结果表明子窗口样本的表征效果较整体差,且都不适用于带噪图像的纹理表征。(2)提出了一种固定字典的局部织物纹理稳定表征算法。由于整体算法仅限于原始图像,对带噪图像不能进行有效的纹理表征,而且没有充分利用图像的冗余信息,加上无重叠划分方式不能较好地重构整体的纹理特征,就此采用重叠划分子窗口的方式,设计了基于局部图像的纹理表征算法。将所提算法与整体算法和NLM算法进行了比较。所提算法以DCT字典作为固定字典,并对子窗口样本图像通过OMP算法求解系数矩阵,由DCT字典和系数矩阵即可得出重构图像。经过实验分析优选了字典大小和稀疏基数,并为原始图像和带噪图像选择了合适的子窗口尺寸,同时为带噪图像快速的优选子窗口,提出了TXC指标。9个样本数据集及其带噪图像的表征结果表明:对于原始图像,所提算法的平均重构质量为36.90dB,结构相似性为0.98;与整体算法相比,该算法对原始图像的表征效果更好;对于带噪图像,轻度噪声选用子窗口8?8;中度噪声的研究结果表明:当TXC>0.5时,与子窗口8?8相比,子窗口16?16取得了更好的表征效果,反之,子窗口8?8的表征效果较优;在合适的子窗口下,该算法可有效对?=15、20的带噪图像进行有效表征;在?=10下,与NLM算法相比,所提算法的重构质量更高。(3)针对固定字典对纹理的适应性差,提出了通用字典的概念,并设计了基于通用字典的局部织物纹理稳定表征算法。通用字典是为了提高字典的通用性、适应性。由于K-SVD字典学习法的有效性,本文采用K-SVD字典学习对选取的样本图像进行训练得到通用字典。在本文中,训练了一种普通通用字典(任意选取样本图像)、4种基于组织结构(基于菱形斜纹组织结构通用字典、基于纬面缎纹组织结构通用字典、基于方平组织结构通用字典及基于蜂巢组织结构字典)的通用字典及1种基于多种组织结构(菱形斜纹、纬面缎纹、方平和蜂巢等组织结构)的联合组织结构通用字典。9个样本数据集及其带噪图像的试验结果表明:在相同参数下,与固定字典相比,普通通用字典对于原始图像的重构质量提高了0.25~1.63dB,结构相似性增大了0.002~0.03;普通通用字典对部分带噪图像的重构质量提高了0.33~1.30d B、增大了0.001~0.02的结构相似性,其余样本的重构质量低于固定字典0.03~0.21d B,结果相似性降低了0.001。可见,普通通用字典对织物纹理有更好的适应性,且基于普通通用字典表征原始图像较带噪图像的效果更好。在此基础上,采用普通通用字典、组织结构通用字典和联合组织结构通用字典对菱形斜纹、纬面缎纹、方平和蜂巢等组织结构的样本图像进行表征,表征结果由好到坏依次为:组织结构通用字典>联合组织结构通用字典>普通通用字典,该结果表明组织结构通用字典和联合组织结构通用字典的专用性较好,普通通用字典具有更好的通用性。(4)研究了织物结构参数对通用字典纹理表征的影响。主要研究织物密度和组织结构对纹理表征的影响。选取了32种不同密度的织物样本图像,采用普通通用字典表征不同织物密度样的本图像,结果表明:在本文密度范围内,织物表征结果随着密度的增大,重构质量变好;8种不同织物组织结构(平纹、斜纹、经面缎纹、纬面缎纹、方平、蜂巢、复合斜纹、菱形斜纹共计40个样本图像)的试验分析表明,蜂巢、菱形斜纹和复合斜纹等组织容易受到织物密度影响,即随着织物密度的改变,这些组织结构的表征结果产生了较大的波动。在本文的密度范围内,织物密度对于织物纹理有着较大的影响,每种织物组织结构有各自适用的密度范围,在此范围内织物组织结构的纹理特征更均匀,表征效果更好,且各种组织结构的差异才会明显。(5)提出了基于通用字典的一种织物瑕疵检测算法。由于瑕疵所占的面积大小不一以及瑕疵类型复杂多变,本文选用4种求偶家,;2它1不同的子窗口尺寸进行优选,之后对瑕疵样本进行检测。根据四种不同的子窗口尺寸16?16、26?26、32?32和36?36,采用K-SVD字典学习法对正常织物图像进行训练得到相应的普通通用字典;将待检测瑕疵样本图像进行无重叠子窗口划分后,把所得的子窗口样本图像转换为列向量,即每一个子窗口样本图像视为一个列向量,然后采用普通通用字典对待检测的子窗口瑕疵样本进行重构,计算出残差矩阵;最后通过阈值法对瑕疵样本逐列进行检测,标出瑕疵的位置和信息。子窗口尺寸的优选结果表明在四种子窗口尺寸下,子窗口26?26对于线性瑕疵、非线性瑕疵和混合瑕疵的误检率最低,而检出率仅次于子窗口16?16。鉴于两者的检出率差异不到1%,子窗口26?26的误检率最低,综合考量子窗口尺寸选择26?26是一个不错的折衷。在子窗口尺寸为26?26时,平纹组织瑕疵样本和斜纹组织瑕疵样本(共计49,其中线性瑕疵和非线性瑕疵样本各17张,15张混合瑕疵样本)的检测结果表明,所提算法对织物纹理和瑕疵类型都表现出了很好的适应性,获得了95.2%的检出率,2.5%的误检率;对于其他复杂组织瑕疵样本(共计6种,3张线性瑕疵,3张非线性瑕疵)的检出率为97.2%,误检率为0。此外,通用字典是在离线状态下训练得到的,并不影响整个检测的速度。本文的研究结论为织物图像的储存及其数值模型的建立提供了借鉴和理论依据,并为织物纹理的基础分析提供了可行性方案,为实现织物在线检测提供了借鉴。