CN114842027A - 基于灰度共生矩阵的织物疵点分割方法和系统 - Google Patents

Abstract

本发明涉及机器学习技术领域，具体涉及一种基于灰度共生矩阵的织物疵点分割方法。该方法包括：根据待检测图案灰度图像和标准图案灰度图像获得第一灰度分布序列和第二灰度分布序列；利用第一灰度分布序列和第二灰度分布序列对应元素差值对待检测图案灰度图像的像素点分类获得像素点类别图像；计算像素点类别图像中各像素点灰度共生矩阵获得该像素点为疵点的概率；将待检测图案灰度图像中每个像素点的灰度值转变为该像素点为疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得疵点区域。本发明基于灰度共生矩阵识别织物中的疵点，提高了对织物中的疵点检测的效率，同时基于疵点共生表示图像获得疵点区域，提高了检测的精度。

Description

基于灰度共生矩阵的织物疵点分割方法和系统

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于灰度共生矩阵的织物疵点分割方法和系统。

背景技术

织物疵点检测是纺织品生产过程中保证产品质量的关键环节之一，对纺织品制造业中产品质量的监控具有重要的现实意义，且织物的疵点种类繁多，如断经、断纬、破洞、油污等，给工厂生产优质织物造成巨大问题。目前，目前织物疵点检测仍存在很多难题，现有对织物疵点检测大部分仍然是利用人工对织物的疵点进行检测，效率较低且检测的精度较低，且利用机器学习智能化识别织物的疵点大多基于像素点本身的信息并没有考虑到周围像素点的影响，因此检测的结果准确度并不高。因此如何实现一个效率高和精度高的纺织品缺陷检测方法是纺织品制造业中的一个亟需解决的问题。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于灰度共生矩阵的织物疵点分割方法和系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于灰度共生矩阵的织物疵点分割方法，该方法包括：分割待检测织物灰度图像中的图案获得待检测图案灰度图像；利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列；

通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，所述第二灰度分布序列为标准图案灰度图像所对应的分布序列，同时得到各类别像素点对应的灰度级；其中，各类别像素点包括正常点、变化点和疵点，设定各类别的类别值；利用各类别对应的灰度级确定待检测图案灰度图像中像素点的类别，并将像素点的灰度值转变为像素点所属类别的类别值获得像素点类别图像；

获得像素点类别图像中各像素点的类别灰度共生矩阵，所述类别灰度共生矩阵元素为各像素点对出现的频率；对类别灰度共生矩阵中包含疵点的像素点对所对应的频率加权求和获得各像素点属于疵点的概率；将待检测图案灰度图像中的像素点的灰度值赋值为各像素点对应的属于疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得织物疵点区域。

优选地，所述分割待检测织物灰度图像中的图案获得待检测图案灰度图像包括：将具有周期性图案的织物图像灰度化获得待检测织物灰度图像，并将待检测织物灰度图像中的图案单独分割出来获得待检测图案灰度图像；所述待检测图案灰度图像只包含一个图案，且其尺寸大于待检测织物灰度图像的图案。

优选地，所述利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列包括：获得待检测图案灰度图像的灰度直方图，横坐标为灰度级，纵坐标为各灰度级对应的像素点的频率；检测图案灰度图像的灰度直方图中各灰度级对应的像素点的频率组成第一灰度分布序列，所述第一灰度分布序列的元素的顺序与灰度直方图中灰度级的顺序一致。

优选地，所述设定各类别的类别值包括：属于正常点的像素点的类别值为第一预设值，属于变化点的像素点的类别值为第二预设值，属于疵点的像素点的类别值为第三预设值；其中第三预设值大于第二预设值，第二预设值大于第一预设值。

优选地，通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，同时得到各类别像素点对应的灰度级包括：第一灰度序列和第二序列的差值组成距离分布序列，设定第一阈值和第二阈值，其中第一阈值大于第二阈值；将大于等于第二阈值小于等于第一阈值的距离分布序列的元素标为第一预设值，将小于第二阈值的元素标为第二预设值，将大于第一阈值的元素标为第三预设值，其中所述第一预设值、第二预设值和第三预设值不同；根据标为第一、第二、第三预设值的元素获得灰度级类别序列，序列的元素顺序与距离分布序列的顺序相同，且序列的各元素对应灰度级为各类别像素点对应的灰度级。

优选地，所述根据标为第一、第二、第三预设值的元素获得灰度级类别序列包括：标为第一、第二、第三预设值的元素组成序列，利用预设尺度的窗口消除序列中的异常元素的步骤，该步骤包括：

在窗口的中心元素只有一个相邻的元素，若相邻元素与中心元素相同，则中心元素的值不变，若元素的值不同，则将中心元素的值转变为其相邻元素的值；

在窗口的中心元素有两个相邻元素时，在窗口的元素的预设值相同，则维持不变；若中心元素的预设值与左右两侧相邻元素值不同，以窗口内频数最大的预设值作为中心元素的值，继续进行下一个元素的判断；

在窗口内元素的预设值都不同时，则扩大窗口的尺度，扩大窗口内频数最大的预设值为中心元素的值；若频数最大的预设值有多个，则继续扩大窗口的尺度直至频数最大的预设值只有一个，以频数最大的预设值作为中心元素的元素值；在扩大窗口尺度时，窗口的尺度为奇数，将序列中的异常元素值消除后获得的序列为灰度级类别序列。

优选地，所述获得像素点类别图像中各像素点的类别灰度共生矩阵包括：设定预定尺寸的滑动窗口，利用预定尺寸的滑动窗口计算像素点类别图像中各像素点的灰度共生矩阵，其中灰度共生矩阵的维度由像素点的类别数量确定。

第二方面，本发明另一个实施例提供了一种基于灰度共生矩阵的织物疵点分割系统，系统包括：分布序列获取模块，用于分割待检测织物灰度图像中的图案获得待检测图案灰度图像；利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列；

分类模块，用于通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，所述第二灰度分布序列为标准图案灰度图像所对应的分布序列，同时得到各类别像素点对应的灰度级；其中，各类别像素点包括正常点、变化点和疵点，设定各类别的类别值；利用各类别对应的灰度级确定待检测图案灰度图像中像素点的类别，并将像素点的灰度值转变为像素点所属类别的类别值获得像素点类别图像；

疵点区域获取模块，用于获得像素点类别图像中各像素点的类别灰度共生矩阵，所述类别灰度共生矩阵元素为各像素点对出现的频率；对类别灰度共生矩阵中包含疵点的像素点对所对应的频率加权求和获得各像素点属于疵点的概率；将待检测图案灰度图像中的像素点的灰度值赋值为各像素点对应的属于疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得织物疵点区域。

优选地，所述分类模块，还用于第一灰度序列和第二序列的差值组成距离分布序列，设定第一阈值和第二阈值，其中第一阈值大于第二阈值；将大于等于第二阈值小于等于第一阈值的距离分布序列的元素标为第一预设值，将小于第二阈值的元素标为第二预设值，将大于第一阈值的元素标为第三预设值，其中所述第一预设值、第二预设值和第三预设值不同；根据标为第一、第二、第三预设值的元素获得灰度级类别序列，序列的元素顺序与距离分布序列的顺序相同，且序列的各元素对应灰度级为各类别像素点对应的灰度级。

优选地，所述分类模块，还用于利用预设尺度的窗口消除标为第一、第二、第三预设值的元素组成序列中的异常元素，具体包括：

在窗口的中心元素只有一个相邻的元素，若相邻元素与中心元素相同，则中心元素的值不变，若元素的值不同，则将中心元素的值转变为其相邻元素的值；

在窗口的中心元素有两个相邻元素时，在窗口的元素的预设值相同，则维持不变；若中心元素的预设值与左右两侧相邻元素值不同，以窗口内频数最大的预设值作为中心元素的值，继续进行下一个元素的判断；

在窗口内元素的预设值都不同时，则扩大窗口的尺度，扩大窗口内频数最大的预设值为中心元素的值；若频数最大的预设值有多个，则继续扩大窗口的尺度直至频数最大的预设值只有一个，以频数最大的预设值作为中心元素的元素值；在扩大窗口尺度时，窗口的尺度始终为奇数，将序列中的异常元素值消除后获得的序列为灰度级类别序列。

本发明实施例至少具有如下有益效果：本发明改进灰度共生矩阵中的灰度级量化，使得灰度级量化采用的区间更加能反映疵点缺陷的特性，后续求解像素点属于疵点的概率时符合织物疵点的规律，再基于疵点像素的共生表示获得疵点共生表示图像进行图像分割，相比于直接采用对织物灰度图像进行阈值分割获得疵点区域，提高了检测的精度。同时量化基于织物缺陷类型进行量化，可以进一步降低共生矩阵的计算量，相比利用人工进行疵点的检测，提高检测的效率及准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为一种基于灰度共生矩阵的织物疵点分割方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于灰度共生矩阵的织物疵点分割方法和系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

实施例1

本发明的主要应用场景为：在织物生产过程中由于操作不当、工艺问题以及其他因素造成织物中会产生疵点，此时需要检测出织物中的疵点区域。

下面结合附图具体的说明本发明所提供的一种基于灰度共生矩阵的织物疵点分割方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于灰度共生矩阵的织物疵点分割方法流程图，该方法包括以下步骤：

步骤一：分割待检测织物灰度图像中的图案获得待检测图案灰度图像；利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列。

部署相机，对生产的织物进行图像采集，获取织物图像，记为待检测织物图像，本发明主要针对具有简单周期性图案或单一重复图案的织物进行疵点的检测，可以实现较高的准确性及鲁棒性。

对待检测织物图像进行灰度转换，一般利用相机得到的图像都为RGB颜色空间的图像，对于织物的疵点缺陷，纹理是最能检测出缺陷的特征，然而计算纹理通常是基于图像灰度进行计算，因此首先灰度转换，得到待检测织物灰度图像。

获取待检测织物灰度图像后，人为的根据织物的周期性图案进行图像裁剪，以图案的中心为图像中心，裁剪出周期性图案获得待检测图案灰度图像，所述待检测图案灰度图像的尺寸比原有织物上的图案大。

同理以上述方法获得无疵点缺陷的织物的灰度图像，记为标准织物灰度图像，然后再获得标准图案灰度图像。

对于计算图像的纹理，本实施例采用灰度共生矩阵法进行计算，然而灰度共生矩阵中的灰度级量化是一个非常容易让人疏忽的步骤，如果灰度级量化采用的区间不合适，会使得后续求解出的灰度共生矩阵不准确，使织物疵点检测的精度不够。

获得待检测图案灰度图像和标准图案灰度图像的灰度直方图，其中灰度直方图的横坐标为灰度级，纵坐标为各灰度级对应的像素点数量与图像中像素点的总数量的比值，即各灰度级像素点的频率；利用待检测图案灰度图像的灰度直方图纵坐标获得第一灰度分布序列Gp¹，同理获得标准图案灰度图像的第二灰度分布序列Gp²；所述疵点的缺陷类型存在多种，如断纬、跳花、污迹等，此处以污迹为例。其中第一、第二灰度分布序列中的值为灰度直方图中每个灰度级对应的像素点频率，每个灰度分布序列的长度为256，且序列的顺序与灰度直方图灰度级的排列序列相同。

步骤二：通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，所述第二灰度分布序列为标准图案灰度图像所对应的分布序列，同时得到各类别像素点对应的灰度级；其中，各类别像素点包括正常点、变化点和疵点，设定各类别的类别值；利用各类别对应的灰度级确定待检测图案灰度图像中像素点的类别，并将像素点的灰度值转变为像素点所属类别的类别值获得像素点类别图像。

根据待检测图案灰度图像中像素点的特性将图像中的像素点分为三类，分别为正常点、变化点和疵点，设定正常点的类别值为第一预设值0，变化点的类别值为第二预设值1，疵点的类别值为第三预设值2。其中变化点是由于疵点的存在导致其中一些灰度级对应的像素点的数量减少，这些灰度级对应的像素点为变化点。

具体的，计算第一灰度分布序列Gp¹与第二灰度分布序列Gp²的距离：

D＝Gp¹-Gp²

第一灰度分布序列Gp¹与第二灰度分布序列Gp²中对应元素的差值组成距离分布序列。设置第一阈值G和第二阈值-G，优选地，本实施例中G的取值为0.005。利用第一阈值和第二阈值将距离分布序列中的元素的值转变为相应的类别值，同时确定各类别对应的灰度级。

将距离分布序列中大于等于第二阈值-G且小于等于第一阈值G的元素标为第一预定值0；

将距离分布序列中小于第二阈值-G的元素标为第二预设值1；将距离分布序列中大于第一预设值G的元素标为2；0、1、2代表相应像素点的类别，标为第一、第二、第三预设值的元素组成一个序列，该序列元素值表示像素点所属的类别，可以根据该序列元素对应的灰度级确定各类别对应的灰度级，从而可以对待检测图案灰度图像中的像素点分类。

但图像中一般都会有噪声影响，导致对图像分析得到的结果并不准确，在本实施例中，得到由类别值组成的序列存在一些异常元素，这些异常元素就是由于图像的噪声产生的，需要将这些异常元素进行消除，使序列的准确性更高。

具体的，利用预设尺度的窗口消除序列中的异常元素，该窗口的预设尺度为3，是一个横向的窗口，利用窗口在序列上移动进行判断消除异常元素：序列的起始和终止元素只有一个相邻的元素，作为窗口的中心元素时，若相邻元素与起始和终止元素的相同，则序列的起始和终止元素的值不变，若元素的值不同，则将起始和终止元素的转变为其相邻元素的预设值；从序列的第二个元素开始作为窗口的中心元素，若中心元素的值与左右两侧相邻元素值相同，中心像素的值不变，进行下一个元素的判断；若中心元素的值与左右两侧相邻元素值不同，以窗口内频数最大的预设值作为中心元素的值，继续进行下一个元素的判断；若窗口内元素的元素值都不相同，则扩大窗口的尺度，如将窗口的尺度变为5，获取窗口内频数最大的预设值作为中心元素的元素值；若扩大窗口的尺度后窗口内频数最大的预设值有多个，则继续扩大窗口的尺度，直至找到窗口内频数最大的预设值只有一个时，将该预设值作为中心元素的元素值。

如预设尺度窗口内的元素分别为0、1、2，其中窗口的中心元素为1，此时以中心元素作为中心扩大窗口的尺度，尺度为5，则窗口内的元素值为0、0、1、2、2，此时扩大窗口内频数最大的预设值有两个分别为0和2，则需继续扩大窗口的尺度，窗口的尺度为 7，若窗口内元素为2、0、0、1、2、2、1，此时窗口内频数最大的预设值只有2，将中心元素1的值转变为2。

同时，在扩大窗口时，以奇数递增。将序列中的异常元素消除后，获得灰度级类别序列，灰度级类别序列中的元素为相应的类别值，元素的排列顺序为灰度级从小到大的顺序。

利用灰度级类别序列中各元素对应的灰度级对待检测图案灰度图像的像素点进行分类，并将像素点的灰度值转变为像素点所属类别的类别值，获得像素点类别图像。

步骤三：获得像素点类别图像中各像素点的类别灰度共生矩阵，所述类别灰度共生矩阵元素为各像素点对出现的频率；对类别灰度共生矩阵中包含疵点的像素点对所对应的频率加权求和获得各像素点属于疵点的概率；将待检测图案灰度图像中的像素点的灰度值赋值为各像素点对应的属于疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得织物疵点区域。

进一步要对像素点类别图像进行灰度共生矩阵的计算，上述获得像素点类别图像过程相当于在计算灰度共生矩阵中对于像素点的灰度值进行量化的过程，此时像素点类别图像中只有三个灰度级0、1和2，经过上述对于像素点的量化，可以减少灰度共生矩阵的计算量，提高织物疵点检测的效率。

设定预定尺寸的窗口，优选地，本实施例中滑动窗口的尺寸为5*5，利用滑动窗口计算像素点类别图像中的每个像素点的灰度共生矩阵，其中每个像素点的灰度共生矩阵的维度为3，即矩阵的大小为R*R，R的取值为3。矩阵中的元素为每个像素对出现的频率，其中像素对分别为(0，0)、(0，1)、(1，0)、(0，2)、(2，0)、(1，2)、(2， 1)、(1，1)和(2，2)，其中只有(0，2)、(2，0)、(1，2)、(2，1)和(2， 2)像素对包含疵点，与疵点共生，因此只需利用包含疵点的像素对计算灰度共生矩阵对应的像素点属于疵点的概率。

在灰度共生矩阵中只有第三行和第三列的元素表示包含疵点的像素对出现的频率，根据灰度共生矩阵的行和列确定各包含疵点的像素对的权重：

其中，i和j分别表示灰度共生矩阵的行和列，在进行权重计算时(i,j)的取值为(1，3)、 (2，3)、(3，3)、(3，1)、(3，2)；其中T的取值为3，表示矩阵的第三行或第三列；R表示矩阵的维度，取值为3；疵点与疵点共生的像素对的权重大于疵点与变化点共生的像素对的权重，疵点与变化点共生的像素对的权重大于疵点与正常点共生的像素对的权重；计算灰度共生矩阵时与疵点共生的像素对越多，该像素点属于疵点的概率越大。

根据上述获得权重计算灰度共生矩阵对应的像素点属于疵点的概率：

其中，U表示像素点属于疵点的概率；W(i,T)表示灰度共生矩阵中第i行第3列元素的权重；S(i,T)表示灰度共生矩阵中第i行第3列元素的元素值，即像素对出现的频率； W(T,j)表示灰度共生矩阵中第3行第j列元素的权重；S(T,j)表示灰度共生矩阵中第3行第 j列元素的元素值。

获得像素点类别图像中每个像素点属于疵点的概率，将待检测图案灰度图像中每个像素点的灰度值变为该像素点属于疵点的概率获得疵点共生表示图像。

直接根据待检测图案灰度图像的像素点的灰度值进行阈值分割，未考虑到像素点邻域内像素点的影响，相当于直接基于灰度值进行判断是否为织物疵点，对于织物疵点有些缺陷类型与织物图案像素值差异较小，利用该方法检测的精度并不高，采用灰度共生矩阵可以考虑到像素点周围的信息，获得像素点属于疵点的概率，再进行阈值分割获得疵点区域更加准确。进一步的，对疵点共生表示图像进行阈值分割，所述阈值可采用大津法确定，分割出图像中的前景与背景，所述前景即为织物疵点区域。

实施例2

本实施例提供了一种系统实施例。一种基于灰度共生矩阵的织物疵点分割系统，该系统包括：分布序列获取模块，用于分割待检测织物灰度图像中的图案获得待检测图案灰度图像；利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列；

分类模块，用于通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，所述第二灰度分布序列为标准图案灰度图像所对应的分布序列，同时得到各类别像素点对应的灰度级；其中，各类别像素点包括正常点、变化点和疵点，设定各类别的类别值；利用各类别对应的灰度级确定待检测图案灰度图像中像素点的类别，并将像素点的灰度值转变为像素点所属类别的类别值获得像素点类别图像；

疵点区域获取模块，用于获得像素点类别图像中各像素点的类别灰度共生矩阵，所述类别灰度共生矩阵元素为各像素点对出现的频率；对类别灰度共生矩阵中包含疵点的像素点对所对应的频率加权求和获得各像素点属于疵点的概率；将待检测图案灰度图像中的像素点的灰度值赋值为各像素点对应的属于疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得织物疵点区域。

分类模块，还用于第一灰度序列和第二序列的差值组成距离分布序列，设定第一阈值和第二阈值，其中第一阈值大于第二阈值；将大于等于第二阈值小于等于第一阈值的距离分布序列的元素标为第一预设值，将小于第二阈值的元素标为第二预设值，将大于第一阈值的元素标为第三预设值，其中所述第一预设值、第二预设值和第三预设值不同；根据标为第一、第二、第三预设值的元素获得灰度级类别序列，序列的元素顺序与距离分布序列的顺序相同，且序列的各元素对应灰度级为各类别像素点对应的灰度级。

分类模块，还用于利用预设尺度的窗口消除标为第一、第二、第三预设值的元素组成序列中的异常元素，具体包括：

在窗口的中心元素只有一个相邻的元素，若相邻元素与中心元素相同，则中心元素的值不变，若元素的值不同，则将中心元素的值转变为其相邻元素的值；

在窗口的中心元素有两个相邻元素时，在窗口的元素的预设值相同，则维持不变；若中心元素的预设值与左右两侧相邻元素值不同，以窗口内频数最大的预设值作为中心元素的值，继续进行下一个元素的判断；

在窗口内元素的预设值都不同时，则扩大窗口的尺度，扩大窗口内频数最大的预设值为中心元素的值；若频数最大的预设值有多个，则继续扩大窗口的尺度直至频数最大的预设值只有一个，以频数最大的预设值作为中心元素的元素值；在扩大窗口尺度时，窗口的尺度为奇数，将序列中的异常元素值消除后获得的序列为灰度级类别序列。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于灰度共生矩阵的织物疵点分割方法，其特征在于，该方法包括：分割待检测织物灰度图像中的图案获得待检测图案灰度图像；利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列；

通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，所述第二灰度分布序列为标准图案灰度图像所对应的分布序列，同时得到各类别像素点对应的灰度级；其中，各类别像素点包括正常点、变化点和疵点，设定各类别的类别值；利用各类别对应的灰度级确定待检测图案灰度图像中像素点的类别，并将像素点的灰度值转变为像素点所属类别的类别值获得像素点类别图像；

获得像素点类别图像中各像素点的类别灰度共生矩阵，所述类别灰度共生矩阵元素为各像素点对出现的频率；对类别灰度共生矩阵中包含疵点的像素点对所对应的频率加权求和获得各像素点属于疵点的概率；将待检测图案灰度图像中的像素点的灰度值赋值为各像素点对应的属于疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得织物疵点区域。

2.根据权利要求1所述的一种基于灰度共生矩阵的织物疵点分割方法，其特征在于，所述分割待检测织物灰度图像中的图案获得待检测图案灰度图像包括：将具有周期性图案的织物图像灰度化获得待检测织物灰度图像，并将所述待检测织物灰度图像中的图案单独分割出来获得待检测图案灰度图像；所述待检测图案灰度图像只包含一个图案，且其尺寸大于待检测织物灰度图像的图案。

3.根据权利要求1所述的一种基于灰度共生矩阵的织物疵点分割方法，其特征在于，所述利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列包括：获得待检测图案灰度图像的灰度直方图，横坐标为灰度级，纵坐标为各灰度级对应的像素点的频率；检测图案灰度图像的灰度直方图中各灰度级对应的像素点的频率组成第一灰度分布序列，所述第一灰度分布序列的元素的顺序与灰度直方图中灰度级的顺序一致。

4.根据权利要求1所述的一种基于灰度共生矩阵的织物疵点分割方法，其特征在于，所述设定各类别的类别值包括：属于正常点的像素点的类别值为第一预设值，属于变化点的像素点的类别值为第二预设值，属于疵点的像素点的类别值为第三预设值；其中第三预设值大于第二预设值，第二预设值大于第一预设值。

5.根据权利要求1所述的一种基于灰度共生矩阵的织物疵点分割方法，其特征在于，通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，同时得到各类别像素点对应的灰度级包括：第一灰度序列和第二序列的差值组成距离分布序列，设定第一阈值和第二阈值，其中第一阈值大于第二阈值；将大于等于第二阈值小于等于第一阈值的距离分布序列的元素标为第一预设值，将小于第二阈值的元素标为第二预设值，将大于第一阈值的元素标为第三预设值，其中所述第一预设值、第二预设值和第三预设值不同；根据标为第一、第二、第三预设值的元素获得灰度级类别序列，序列的元素顺序与距离分布序列的顺序相同，且序列的各元素对应灰度级为各类别像素点对应的灰度级。

6.根据权利要求5所述的一种基于灰度共生矩阵的织物疵点分割方法，其特征在于，所述根据标为第一、第二、第三预设值的元素获得灰度级类别序列包括：标为第一、第二、第三预设值的元素组成序列，利用预设尺度的窗口消除序列中的异常元素的步骤，该步骤包括：

在窗口的中心元素只有一个相邻的元素，若相邻元素与中心元素相同，则中心元素的值不变，若元素的值不同，则将中心元素的值转变为其相邻元素的值；

在窗口的中心元素有两个相邻元素时，在窗口的元素的预设值相同，则维持不变；若中心元素的预设值与左右两侧相邻元素值不同，以窗口内频数最大的预设值作为中心元素的值，继续进行下一个元素的判断；

在窗口内元素的预设值都不同时，则扩大窗口的尺度，扩大窗口内频数最大的预设值为中心元素的值；若频数最大的预设值有多个，则继续扩大窗口的尺度直至频数最大的预设值只有一个，以频数最大的预设值作为中心元素的元素值；在扩大窗口尺度时，窗口的尺度为奇数，将序列中的异常元素值消除后获得的序列为灰度级类别序列。

7.根据权利要求1所述的一种基于灰度共生矩阵的织物疵点分割方法，其特征在于，所述获得像素点类别图像中各像素点的类别灰度共生矩阵包括：设定预定尺寸的滑动窗口，利用预定尺寸的滑动窗口计算像素点类别图像中各像素点的灰度共生矩阵，其中灰度共生矩阵的维度由像素点的类别数量确定。

8.一种基于灰度共生矩阵的织物疵点分割系统，其特征在于，该系统包括：分布序列获取模块，用于分割待检测织物灰度图像中的图案获得待检测图案灰度图像；利用待检测图案灰度图像的灰度直方图各灰度级对应的像素点频率组成第一灰度分布序列；

分类模块，用于通过第一灰度序列和第二灰度分布序列对应元素的差值获得灰度级类别序列，所述第二灰度分布序列为标准图案灰度图像所对应的分布序列，同时得到各类别像素点对应的灰度级；其中，各类别像素点包括正常点、变化点和疵点，设定各类别的类别值；利用各类别对应的灰度级确定待检测图案灰度图像中像素点的类别，并将像素点的灰度值转变为像素点所属类别的类别值获得像素点类别图像；

疵点区域获取模块，用于获得像素点类别图像中各像素点的类别灰度共生矩阵，所述类别灰度共生矩阵元素为各像素点对出现的频率；对类别灰度共生矩阵中包含疵点的像素点对所对应的频率加权求和获得各像素点属于疵点的概率；将待检测图案灰度图像中的像素点的灰度值赋值为各像素点对应的属于疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得织物疵点区域。

9.根据权利要求8所述的一种基于灰度共生矩阵的织物疵点分割系统，其特征在于，所述分类模块，还用于第一灰度序列和第二序列的差值组成距离分布序列，设定第一阈值和第二阈值，其中第一阈值大于第二阈值；将大于等于第二阈值小于等于第一阈值的距离分布序列的元素标为第一预设值，将小于第二阈值的元素标为第二预设值，将大于第一阈值的元素标为第三预设值，其中所述第一预设值、第二预设值和第三预设值不同；根据标为第一、第二、第三预设值的元素获得灰度级类别序列，序列的元素顺序与距离分布序列的顺序相同，且序列的各元素对应灰度级为各类别像素点对应的灰度级。

10.根据权利要求8所述的一种基于灰度共生矩阵的织物疵点分割系统，其特征在于，所述分类模块，还用于利用预设尺度的窗口消除标为第一、第二、第三预设值的元素组成序列中的异常元素，具体包括：

在窗口的中心元素只有一个相邻的元素，若相邻元素与中心元素相同，则中心元素的值不变，若元素的值不同，则将中心元素的值转变为其相邻元素的值；

在窗口的中心元素有两个相邻元素时，在窗口的元素的预设值相同，则维持不变；若中心元素的预设值与左右两侧相邻元素值不同，以窗口内频数最大的预设值作为中心元素的值，继续进行下一个元素的判断；

在窗口内元素的预设值都不同时，则扩大窗口的尺度，扩大窗口内频数最大的预设值为中心元素的值；若频数最大的预设值有多个，则继续扩大窗口的尺度直至频数最大的预设值只有一个，以频数最大的预设值作为中心元素的元素值；在扩大窗口尺度时，窗口的尺度为奇数，将序列中的异常元素值消除后获得的序列为灰度级类别序列。

Images