织物瑕疵是影响纺织品生产效率和质量的关键因素,传统瑕疵检测主要依靠人工视觉检测。随着机器视觉、图像处理、模式识别等技术的迅速发展,工业自动化检测代替传统人工视觉检测成为一种必然的趋势。自动检测技术能够大大提高检测的精度和效率,因此研究织物瑕疵自动检测技术具有重要的实际应用价值。鉴于人眼能够准确快速地从视野中提取较为显著的目标,本文以此为出发点,研究了一种基于视觉显著模型与支持向量机的织物瑕疵检测方法。首先,通过建立视觉显著模型生成织物图像的视觉显著图,并对显著区域进行分割。本文根据人眼视觉系统的构成、视觉注意机制形成的基本原理,构建了基于Itti模型的视觉显著模型,从而得出织物图像的视觉综合显著图。然后利用Otsu法对综合显著图进行二值化分割,得到视觉显著区域。然后,在分析视觉综合显著图的基础上,实现有瑕疵图像和无瑕疵图像的判定。本文创新性地提出了全局显著关联值、背景区域显著关联值两个显著性特征,以体现织物综合显著图的显著性分布特点。并将此二维特征输入SVM,实现有瑕疵图像和无瑕疵图像的判定。为了实现不同瑕疵图像的分类识别,需先对其进行特征提取与选择。本文以类间距离与类内距离的比值为标准,对有瑕疵图像的几何、纹理、显著性等特征进行评价,选择出实现分类的最优特征组合。最后利用多分类器对织物瑕疵进行分类。本文选用一对一投票策略将二类SVM扩展成多类SVM,并将最优特征组合归一化后送入此分类器,实现瑕疵图像的分类。实验结果表明,基于视觉显著模型和支持向量机的织物瑕疵检测方法检测效率高,能达到较高的瑕疵检出率及分类识别率。