基于主成分分析的织物瑕疵检测特征选取研究

马彦　白俊

摘要：为了提取到能够反映织物瑕疵的关键特征，文章对织物瑕疵图像从多个角度分别提取了基于分形维的空隙特征、多重分形特征、傅里叶变换特征、小波变换特征共计19维特征；高维特征会造成运算成本的增加，为此利用主成分分析法，从原始特征空间中得出了8个主要特征；运用模糊C均值聚类算法（FCM）对正常织物图像和瑕疵图像进行了聚类分析。

关键词：织物瑕疵检测；特征选取；主成分分析；模糊C均值聚类算法；瑕疵图像；高维特征 文献标识码：A

中图分类号：TP391 文章编号：1009-2374（2016）09-0029-02 DOI：10.13535/j.cnki.11-4406/n.2016.09.013

特征提取和特征选择是图像检测的关键问题，它直接影响到后续处理中分类器的设计以及整个算法结果的性能。特征提取和特征选择是从原始特征中找出最有效（同类样本的不变性、不同样本的鉴别性、对噪声的鲁棒性）的特征。特征提取过程的实质是通过映射或变换的方法，将高维空间中的特征描述用低维空间的特征来描述。特征选择则是从众多特征中找出那些最有效的特征来实现降维。

Yoshio等人在对织物进行疵点检测时，把灰度共生矩阵作为图像的特征值，通过Bayes决策对疵点进行分类和评判；Cohen等人采用了基于模型的特征提取方法，他采用高斯马尔科夫随机场（GMRF）纹理模型作为织物疵点检测的特征值，然后进一步进行疵点的判别和分类，然而GMRF模型的计算量往往很大，而且实现起来较为复杂，检测的实时性不高，尤其对于在线检测尤为困难；……