基于灰度共生矩阵与反向投影的织物疵点检测

孙国栋，林 松，艾成汉，赵大兴

(湖北工业大学 机械工程学院，武汉 430068)

基于灰度共生矩阵与反向投影的织物疵点检测

孙国栋，林 松，艾成汉，赵大兴

(湖北工业大学 机械工程学院，武汉 430068)

针对织物疵点检测，将灰度共生矩阵(Gray-level Co-occurrence Matrix，GLCM)与反向投影结合起来，提出了一种基于GLCM的反向投影方法(GLCM-BP)；首先介绍了GLCM-BP的原理，然后给出了织物疵点检测流程，分析并优化了GLCM的距离d与灰度级N等参数，选择了相应的滤波与自适应阈值分割方法以检测疵点，同时给出了7种常见疵点的检测结果；最后将本文方法与GLCM方法作了检出率的比较；结果表明，提出的方法具有良好的疵点分割效果，可显著提高疵点检出率。

灰度共生矩阵；反向投影；织物疵点检测

0 引言

灰度共生矩阵(Gray-level Co-occurrence Matrix, GLCM)[1]是基于统计的纹理特征提取方法中应用最广的方法，在其基础上定义了14个特征参数。目前，GLCM在图像检索、医学图像分析、人脸特征识别、SAR图像分类、织物疵点检测等领域有着广泛的研究与应用。

然而，这些研究多以GLCM的特征参数为判断条件，或是分析特征参数的选择，或是结合机器学习算法用于图像分类。在织物疵点检测领域，张向东[2]等针对横档类疵点采用GLCM的对比度这一特征参数并通过计算训练样本与待检验样本的马氏距离之差来判断是否为疵点。杨学志[3]等用PCA-NLM对图像进行预处理然后采用角二阶矩、熵、对比度、相关性这四种特征参数来描述图像的纹理特征从而实现缺陷检测。也有对GLCM提出改进的研究，邹超[4]等提出了类别共生矩阵的概念，采用特殊的归类方法来划分灰度级，并利用白疵点增强、黑疵点增强、纹理一致性这三个特征值组成的特征向量与特征聚类中心的距离来区分疵点。……