织物疵点检测是保障纺织品质量的关键环节。纺织布料生产中,不可避免出现织物瑕疵,这会使布匹的价值大大降低,造成人力和物力的浪费。在生产过程中对产出的布匹进行疵点检测,且有效对纺织品准确分类,对纺织行业具有重要应用价值和意义。然而,织物图像纹理复杂多变、种类较多,且疵点的形状和类别具有随机性,没有固定的出现概率模型。如何对织物疵点从织物图像中准确检测成为该行业的研究热点和本课题的研究内容。传统基于特征提取和非特征提取的织物疵点检测方法,重构织物图像正常纹理时仍包含部分疵点信息,导致疵点检出率较低。近年来,稀疏表示方法在图像处理和模式识别领域得到了广泛的应用,并在目标检测中取得了较好的检测效果。该方法对图像的各个部分进行稀疏性大小测量,并能够有效地将稀疏性较大的目标区域从整幅图像中检测出来。织物疵点检测中,疵点区域被视为检测目标,且具有稀疏特性。为提高织物疵点检测精度,论文采用基于稀疏方法的织物疵点检测算法重构织物纹理。本论文提出基于稀疏优化方法、基于MLBP特征稀疏表示、以及基于HOG特征稀疏子空间分类方法,分别对织物图像疵点区域进行检测。所做的工作与研究成果如下:(1)提出一种基于稀疏优化的织物疵点检测算法。首先,利用L1范数最小化从待检织物图像中学习出自适应字典库,用该库对织物图像块稀疏表示,计算出稀疏表示系数矩阵;然后,对系数矩阵进行优化处理,采用字典库及优化系数矩阵对织物纹理稀疏重构;最后,将重构图像与待检织物图像相减生成残差图像,用最大熵阈值方法对残差图像分割,定位出疵点区域。(2)提出一种基于MLBP二值模式提取和稀疏性表示的织物疵点检测算法。首先,提取图像主要二值模式并构建字典库;然后,利用库原子对3×3图像块中心像素的LBP模式进行稀疏表示;同时计算图像中MLBP模式对应像素与3×3邻域像素之间的灰度差均值;接着,结合灰度差均值、稀疏表示系数矩阵以及中心像素灰度值,实现对原织物图像的重构;最后,计算重构图像与原含疵点织物图像的残差,从而得到残差图,利用最大熵阈值分割方法实现对残差图的分割,定位出疵点区域。(3)提出一种基于HOG特征稀疏表示和子空间分类的织物疵点检测算法。首先,将大小为256×256的织物图像分割为16×16尺寸相同的织物图像块;然后,提取各个图像块的HOG特征,并组建为自适应字典库;采用一范数最小化方法,实现字典库对各个图像块的HOG特征的稀疏表示,得到稀疏表示系数矩阵;最后,根据正常图像块与含疵点图像块的HOG特征差异,利用子空间分类方法对稀疏表示系数矩阵进行二分类,得到织物图像正常与异常区域的分割结果。