改進(jìn)頻率調(diào)諧顯著算法在疵點(diǎn)辨識(shí)中的應(yīng)用

王傳桐， 胡 峰， 徐啟永， 吳雨川， 余聯(lián)慶

(武漢紡織大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院, 湖北 武漢 430074)

中國(guó)是面料生產(chǎn)大國(guó)，提高面料疵點(diǎn)檢測(cè)準(zhǔn)確率對(duì)提升紡織品質(zhì)量和競(jìng)爭(zhēng)力具有重要意義[1]。Gabor濾波簇具有多尺度、多方向?yàn)V波能力，可有效地克服疵點(diǎn)圖像對(duì)比度低的影響，提高疵點(diǎn)檢測(cè)準(zhǔn)確率[2-3]；但是，Gabor濾波簇存在濾波器數(shù)量多、運(yùn)算量大的問(wèn)題，使疵點(diǎn)檢測(cè)耗時(shí)較長(zhǎng)[4]。

頻率調(diào)諧顯著算法(FT)[5-6]從頻域角度出發(fā)，對(duì)真彩圖像進(jìn)行高斯低通濾波，然后將圖像轉(zhuǎn)換到Lab空間，針對(duì)每個(gè)顏色通道計(jì)算單個(gè)像素與整幅圖像的平均色差，將3個(gè)通道的平均色差平方和作為該像素的顯著值，具有抗噪能力強(qiáng)，計(jì)算量小的優(yōu)點(diǎn)[5]；但是將FT算法應(yīng)用到疵點(diǎn)辨識(shí)中，其辨識(shí)精度受高斯濾波器模板尺寸影響大；高斯濾波圖像中存在椒鹽噪聲；檢測(cè)單一顏色紡織品(如坯布、鏡面面料)疵點(diǎn)時(shí)，對(duì)亮度和顏色差異較小的疵點(diǎn)識(shí)別困難[7]。相較于FT算法中使用的Lab空間，HSV顏色空間更適合單一顏色紡織品疵點(diǎn)檢測(cè)，但是，其色調(diào)特征H與飽和度特征S及亮度特征V的取值范圍不同且變化不一致，所得到的顯著值不能很好地體現(xiàn)出各個(gè)分量。針對(duì)這些問(wèn)題，本文對(duì)FT算法進(jìn)行了改進(jìn)，并應(yīng)用到了單一顏色紡織品疵點(diǎn)檢測(cè)中。

1 FT算法原理及缺陷

FT算法的基本計(jì)算步驟[5]為：首先，采用高斯濾波器對(duì)圖像進(jìn)行濾波，濾波器模板尺寸憑人工經(jīng)驗(yàn)選取；然后，濾波后的圖像由RGB顏色空間轉(zhuǎn)化成Lab顏色空間；最后，根據(jù)式(1)計(jì)算圖像I在像素點(diǎn)(i,j)處的顯著值：

S(i,j)=‖Iμ-Iωhc(i,j)‖

(1)

式中：Iμ為圖像在 Lab空間的像素算術(shù)平均值；Iωhc是高斯濾波后的圖像；‖?‖為l2范數(shù)。

FT算法應(yīng)用到紡織品疵點(diǎn)識(shí)別中，存在如下問(wèn)題：1) 高斯濾波器模板尺度對(duì)疵點(diǎn)辨識(shí)精度影響大。主要原因是：取值較小時(shí)，高斯濾波器的平滑窗口較小，許多細(xì)小背景紋理輪廓不能被平滑，降低了疵點(diǎn)紋理特征的靈敏度；取值較大時(shí)，濾波后疵點(diǎn)輪廓變得模糊，加大辨識(shí)難度。采用不同模板尺度r進(jìn)行高斯濾波后的疵點(diǎn)圖像如圖1所示。可見(jiàn)：模板尺度為3時(shí)的濾波圖，面料紋路被完整保留；模板尺寸為6時(shí)的濾波圖，面料紋理被弱化的同時(shí)，疵點(diǎn)輪廓信息也被完整保留；模板尺度為12時(shí)的濾波圖，面料紋理和疵點(diǎn)輪廓同時(shí)被平滑；2) 對(duì)單一顏色紡織品疵點(diǎn)進(jìn)行檢測(cè)時(shí)，基于Lab顏色空間的特征向量Iu對(duì)亮度和顏色差異較小的疵點(diǎn)靈敏度不高。Lab空間中的L代表光亮度，其值從0(黑色)至100(白色)，b和a代表色度坐標(biāo)，其中a代表紅-綠軸，b代表黃-藍(lán)軸。Lab的優(yōu)點(diǎn)在于L分量密切匹配人類(lèi)亮度感知，可通過(guò)修改a、b分量的輸出色階進(jìn)行精確的顏色平衡，或通過(guò)L分量調(diào)整亮度對(duì)比。對(duì)單一顏色紡織品進(jìn)行疵點(diǎn)檢測(cè)時(shí)，多數(shù)疵點(diǎn)顏色和紡織品自身顏色基本一致，不一致的位置體現(xiàn)在疵點(diǎn)區(qū)域與正常區(qū)域亮度不同，因此，Lab空間中只有L通道對(duì)疵點(diǎn)敏感；3) 從圖1(c)、(d)中可發(fā)現(xiàn)，背景區(qū)存在深/暗不一的噪聲點(diǎn)，呈椒鹽分布狀，在后續(xù)顯著過(guò)程中會(huì)凸顯出來(lái)；4) 在一幅圖像中，各個(gè)特征通道中特征分量的取值范圍不一致，且快慢也不同。很多情況下，3個(gè)特征的顯著值不在同一個(gè)數(shù)量級(jí)上，導(dǎo)致計(jì)算所得到的顯著值S(i,j)僅能突出某個(gè)特征，忽略了其他特征[6]。

圖1 高斯低通濾波效果圖Fig.1 Picture after Gaussian blurring. (a) Original picture; (b) r=3; (c) r=6; (d) r=12

2 改進(jìn)FT疵點(diǎn)檢測(cè)方法

2.1 改進(jìn)的FT算法

1) 針對(duì)高斯濾波器模板尺度對(duì)疵點(diǎn)辨識(shí)精度影響大的問(wèn)題，本文提出采用離散粒子群算法[8-9]和Ncut準(zhǔn)則[10-11]對(duì)高斯濾波模板取值進(jìn)行優(yōu)化，基本思路如圖2所示。首先，設(shè)置訓(xùn)練樣本集，用初始模板尺寸進(jìn)行高斯濾波；然后，將濾波圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間；接下來(lái)，使用自適應(yīng)中值濾波器在不同通道進(jìn)行二次濾波；其次，計(jì)算各通道特征與整幅圖像均值之間的距離，并進(jìn)行歸一化；最后，顯著化處理及提取顯著化后圖像的特征向量，估計(jì)特征向量的Ncut準(zhǔn)則值，其值越大說(shuō)明模板尺寸越好。使用粒子群算法的目的是利用其優(yōu)化速度快的優(yōu)勢(shì)，盡快在搜索空間找到合適的模板尺寸。Ncut準(zhǔn)則原來(lái)主要用于衡量類(lèi)可分性的優(yōu)劣，現(xiàn)在將其作為粒子群算法的適應(yīng)度函數(shù)，目的在于在其他條件不變的情況下，衡量高斯模板尺度是否提高了疵點(diǎn)特征向量的靈敏度。文獻(xiàn)[10]中闡述了Ncut準(zhǔn)則的基本原理。改進(jìn)FT算法的主要目的是增強(qiáng)疵點(diǎn)區(qū)域與背景的對(duì)比度，提高疵點(diǎn)特征向量的靈敏度，達(dá)到高效準(zhǔn)確辨識(shí)疵點(diǎn)目的。

圖2 基于改進(jìn)FT算法的疵點(diǎn)檢測(cè)Fig.2 Detection of fabric defects based on modified FT algorithm

2) 針對(duì)檢測(cè)單一背景顏色的紡織品疵點(diǎn)時(shí)，Lab顏色空間中式(1)特征向量Iu對(duì)亮度差異較小的疵點(diǎn)靈敏度不高的問(wèn)題，推薦采用HSV空間代替Lab空間。HSV空間中H通道表征色調(diào)，用來(lái)表示顏色的類(lèi)別；S通道表征飽和度，用來(lái)表示顏色的鮮艷程度；V通道表征亮度。通常情況下，疵點(diǎn)區(qū)域和正常區(qū)域相比，亮度、顏色或者飽和度都會(huì)存在差異。HSV顏色空間能更直觀(guān)地表達(dá)色彩的明暗、色調(diào)和鮮艷程度，在FT算法中對(duì)存在細(xì)小顏色和亮度差異的疵點(diǎn)具有更好的顯著效果，因此，HSV空間中S通道與V通道均可有效區(qū)分疵點(diǎn)與正常紋理。

3) 針對(duì)高斯濾波后疵點(diǎn)圖像存在椒鹽噪聲的問(wèn)題，本文使用自適應(yīng)中值濾波器在S通道和V通道對(duì)圖像IG進(jìn)行二次濾波，減少噪聲點(diǎn)對(duì)后續(xù)顯著計(jì)算的影響。

4) 針對(duì)頻率調(diào)諧顯著過(guò)程中遇到的色調(diào)特征H與飽和度特征S及亮度特征V的取值范圍不一致(H∈[0,360]，S,V∈[0,100])等問(wèn)題，對(duì)3個(gè)特征分量的顯著值進(jìn)行歸一化。具體過(guò)程如下。

針對(duì)二次濾波圖像Im，計(jì)算色調(diào)特征H、飽和度特征S和明度特征V所對(duì)應(yīng)的整幅圖像的均值uH、uS和uV；在各特征通道中，分別計(jì)算每個(gè)像素點(diǎn)與整幅圖像均值之間的距離，如式(2)～(4)所示。

SH(i,j)=[H(i,j)-uH]

(2)

SS(i,j)=[S(i,j)-uS]

(3)

SV(i,j)=[V(i,j)-uV]

(4)

式中：SH、SS、SV分別為在HSV空間中各特征通道下像素點(diǎn)與均值間的距離；H(i,j)、S(i,j)、V(i,j)分別為H通道、S通道、V通道中像素點(diǎn)(i,j)

歸一化處理,得：

(5)

(6)

(7)

對(duì)每個(gè)像素進(jìn)行特征融合，得到最終顯著性值。

(8)

式中ωH、ωS、ωV分別為3個(gè)空間所對(duì)應(yīng)的權(quán)值，本文選取ωH=ωS=ωV=1/3。

2.2 疵點(diǎn)檢測(cè)算法

基于改進(jìn)FT算法的疵點(diǎn)檢測(cè)算法步驟為：1)初始化離散粒子群參數(shù)；2) 圖像做高斯濾波處理，得到新圖像IG；3) 將圖像IG轉(zhuǎn)換到HSV顏色空間，使用自適應(yīng)中值濾波器對(duì)圖像IG進(jìn)行二次濾波，得到濾波圖像Im；4)計(jì)算各通道下二次濾波圖像像素點(diǎn)與整幅圖像均值之間的距離；5) 歸一化距離并融合特征，得到每個(gè)像素的最終顯著值；6)將顯著圖作為輸入向量，Ncut準(zhǔn)則函數(shù)作為適應(yīng)度函數(shù)；7) 計(jì)算每個(gè)粒子適應(yīng)度值；8) 檢測(cè)是否達(dá)到終止條件。如果達(dá)到則停止，否則返回步驟2；9) 對(duì)圖像顯著圖進(jìn)行特征提取，本文提取灰度共生矩陣中4個(gè)方向的對(duì)比度、能量、相關(guān)度、熵組成1×16維的特征向量；10) 使用訓(xùn)練樣本特征向量對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)驗(yàn)證樣本疵點(diǎn)圖像分類(lèi)。

3 結(jié)果與分析

本文實(shí)驗(yàn)選取2類(lèi)平紋組織織物進(jìn)行，分別為F1和F2數(shù)據(jù)庫(kù)。F1數(shù)據(jù)庫(kù)：緯密為264根/(10 cm)，經(jīng)密為340根/(10 cm)，紗線(xiàn)線(xiàn)密度為18.23 tex；采集分辨率為0.089 mm/像素。F2數(shù)據(jù)庫(kù)：緯密為375根/(10 cm)，經(jīng)密為410根/(10 cm)，紗線(xiàn)線(xiàn)密度為36.34 tex；采集分辨率為0.089 mm/像素。F1和F2數(shù)據(jù)庫(kù)中包含線(xiàn)頭、缺經(jīng)、破洞、油污、竹節(jié)等疵點(diǎn)類(lèi)型以及正常面料圖像，疵點(diǎn)灰度圖尺寸為100像素×100像素。分別從子數(shù)據(jù)庫(kù)中選取100張圖片作為訓(xùn)練樣本集，每類(lèi)圖片數(shù)量為20張；100張圖片作為驗(yàn)證樣本集，每類(lèi)圖片數(shù)量為20張。

3.1 疵點(diǎn)圖像采集方法

采集疵點(diǎn)圖像時(shí)，光源和相機(jī)分別置于面料兩側(cè)，與面料垂直，利用正常區(qū)域和疵點(diǎn)區(qū)域透光性的不同，提高棉粒、竹節(jié)、粗緯、斷經(jīng)等疵點(diǎn)區(qū)域與正常區(qū)域的亮度對(duì)比度。這可以通過(guò)圖3示出的不同采集方式下的疵點(diǎn)圖像給予證實(shí)：如圖3(a)、(c)拍攝時(shí)，光源和相機(jī)置于面料同一側(cè)，2種不同紋理面料的經(jīng)疵對(duì)比度極低，肉眼很難分辨；如圖3(b)、(d)拍攝時(shí)，光源和相機(jī)分別置于面料兩側(cè)，發(fā)現(xiàn)疵點(diǎn)位置與正常區(qū)域?qū)Ρ榷让黠@增強(qiáng)。由此說(shuō)明，利用面料疵點(diǎn)區(qū)域和正常區(qū)域透光性的不同，可在亮度和飽和度上提高疵點(diǎn)對(duì)比度，為改進(jìn)的FT算法更好發(fā)揮功能提供支持。

圖3 不同采集方式下的疵點(diǎn)圖像Fig.3 Fabric defect images with different acquiring modes. (a) Coarse pick of reflection; (b) Coarse pick of transmission;(c) Missed warp of reflection; (d)Missed warp of transmission

3.2 顯著方法對(duì)比實(shí)驗(yàn)

在相同情況下，對(duì)比研究本文改進(jìn)的FT算法、原始FT方法以及進(jìn)行高斯模板尺寸優(yōu)化但沒(méi)有進(jìn)行二次濾波和使用HSV空間的FT方法，驗(yàn)證本文推薦改進(jìn)FT算法的合理性和有效性。

以F1、F2數(shù)據(jù)庫(kù)中面料疵點(diǎn)顯著處理對(duì)比為例，部分結(jié)果如圖4、5所示。

由圖4可看出：使用原始FT算法對(duì)紡織品疵點(diǎn)圖像進(jìn)行顯著時(shí)，面料本身紋路細(xì)節(jié)全部保留，對(duì)油污和線(xiàn)頭類(lèi)疵點(diǎn)進(jìn)行顯著時(shí)，疵點(diǎn)位置已經(jīng)幾乎不能識(shí)別；使用高斯濾波器尺寸進(jìn)行優(yōu)化后的FT算法對(duì)紡織品疵點(diǎn)圖像進(jìn)行顯著時(shí)，對(duì)于竹節(jié)、破洞和線(xiàn)頭疵點(diǎn)均可達(dá)到良好的顯著效果，但對(duì)于油污類(lèi)疵點(diǎn)進(jìn)行顯著處理時(shí)，油污位置和面料紋路被顯著的亮點(diǎn)混雜，顯著效果較差，使用本文改進(jìn)的FT算法對(duì)竹節(jié)、油污、破洞和線(xiàn)頭類(lèi)疵點(diǎn)進(jìn)行顯著時(shí)，均可實(shí)現(xiàn)良好的顯著效果。

由圖5可看出：使用原始FT算法對(duì)預(yù)處理后的圖像進(jìn)行顯著時(shí)，面料本身紋路細(xì)節(jié)全部保留，對(duì)油污類(lèi)疵點(diǎn)進(jìn)行顯著時(shí),疵點(diǎn)位置顯著不明顯；使用高斯濾波器尺寸進(jìn)行優(yōu)化后的FT算法對(duì)紡織品疵點(diǎn)圖像進(jìn)行顯著時(shí)，對(duì)各類(lèi)疵點(diǎn)均能實(shí)現(xiàn)良好的顯著效果；使用本文改進(jìn)的FT算法對(duì)疵點(diǎn)進(jìn)行顯著處理時(shí)，對(duì)各類(lèi)疵點(diǎn)顯著效果良好，并且油污類(lèi)疵點(diǎn)的背景紋理明顯弱化。

通過(guò)圖4、5中對(duì)正常面料圖像進(jìn)行顯著的結(jié)果可發(fā)現(xiàn)，在沒(méi)有疵點(diǎn)的情況下，使用改進(jìn)的FT算法對(duì)面料進(jìn)行顯著，面料紋路被顯著成為不規(guī)則狀的小亮點(diǎn)。比較紡織品疵點(diǎn)圖像和正常圖像的顯著圖可發(fā)現(xiàn)，正常面料與存在疵點(diǎn)的面料顯著圖存在很大的紋理差異，因此，本文提取面料顯著圖的紋理信息作為特征值，可達(dá)到疵點(diǎn)辨識(shí)的目的。

造成這種現(xiàn)象原因是：1) 基于離散粒子群算法和Ncut準(zhǔn)則的高斯濾波模板優(yōu)化算法，可實(shí)現(xiàn)高斯濾波模板尺寸的最優(yōu)化，達(dá)到最佳顯著效果；2) 與Lab空間相比，HSV空間更適合對(duì)紡織品疵點(diǎn)圖像進(jìn)行顯著處理；3) 中值濾波可有效地消除高斯濾波后圖像中存在的椒鹽噪聲；4) 對(duì)3個(gè)特征分量的顯著值進(jìn)行歸一化，可有效地解決不同特征分量下取值范圍不一致的問(wèn)題。

3.3 疵點(diǎn)辨識(shí)對(duì)比實(shí)驗(yàn)

在相同條件下，將如下3種算法進(jìn)行對(duì)比實(shí)驗(yàn)研究，驗(yàn)證本文推薦疵點(diǎn)檢測(cè)方法的合理性和有效性。

1) 本文推薦的基于改進(jìn)的FT算法與灰度共生矩陣相結(jié)合的疵點(diǎn)檢測(cè)方法(IFT算法)。

2) 基于FT算法與灰度共生矩陣相結(jié)合的疵點(diǎn)檢測(cè)方法(FT算法)。該方法采用FT算法對(duì)紡織品疵點(diǎn)圖像進(jìn)行顯著處理，提取灰度共生矩陣特征并進(jìn)行分類(lèi)，其步驟和方法1相同。

注：A—原始圖像；B—原始FT算法；C—使用高斯濾波器尺寸優(yōu)化后的FT算法；D—改進(jìn)FT算法。圖4 F1數(shù)據(jù)庫(kù)頻域協(xié)調(diào)顯著效果圖Fig.4 Saliency image of datebase F1 using different methods.(a) Slab yarn; (b) Oil stain; (c)Hole; (d) Thrum; (e)Normal fabric

注：A—原始圖像;B—原始FT算法;C—使用高斯濾波器尺寸進(jìn)行優(yōu)化后的FT算法;D—改進(jìn)FT法。圖5 F2數(shù)據(jù)庫(kù)頻域協(xié)調(diào)顯著效果圖Fig.5 Saliency image of datebase F2 using different methods.(a) Cracked ends; (b) Oil stain; (c)Hole; (d) Missing end; (e)Normal fabric

分別從子數(shù)據(jù)庫(kù)中選取150張樣本，每類(lèi)疵點(diǎn)圖片數(shù)量為30張。其中：每類(lèi)疵點(diǎn)圖像中選取10張圖片作為訓(xùn)練樣本集；20張圖片作為驗(yàn)證樣本集。利用式(9)計(jì)算疵點(diǎn)分類(lèi)準(zhǔn)確率。

(9)

式中：R為準(zhǔn)確識(shí)別率；Pr為準(zhǔn)確識(shí)別疵點(diǎn)圖片張數(shù)；PA為識(shí)別疵點(diǎn)圖片總數(shù)。

對(duì)F1、F2數(shù)據(jù)庫(kù)中面料疵點(diǎn)使用IFT算法和G-Isomap算法、FT算法進(jìn)行疵點(diǎn)辨識(shí)對(duì)比，統(tǒng)計(jì)結(jié)果如表1、2所示。其中，各疵點(diǎn)類(lèi)型下數(shù)據(jù)表示準(zhǔn)確識(shí)別圖片張數(shù)。

表1 數(shù)據(jù)庫(kù)F1辨識(shí)統(tǒng)計(jì)結(jié)果Tab.1 Statistical results of database F1

表2 數(shù)據(jù)庫(kù)F2辨識(shí)統(tǒng)計(jì)結(jié)果Tab.2 Statistical results of database F2

通過(guò)表1、2統(tǒng)計(jì)結(jié)果可知：在使用G-Isomap方法對(duì)破洞、線(xiàn)頭以及缺經(jīng)類(lèi)疵點(diǎn)進(jìn)行檢測(cè)時(shí)，均可準(zhǔn)確識(shí)別，對(duì)于油污類(lèi)疵點(diǎn)和正常面料進(jìn)行檢測(cè)時(shí)，存在少量誤檢；FT方法在對(duì)破洞類(lèi)疵點(diǎn)和缺經(jīng)疵點(diǎn)檢測(cè)時(shí)，檢測(cè)效果良好，但是，對(duì)其他類(lèi)疵點(diǎn)和正常面料進(jìn)行檢測(cè)時(shí)，誤檢率過(guò)高，準(zhǔn)確率均低于75%；IFT方法對(duì)破洞、線(xiàn)頭疵點(diǎn)面料和正常面料進(jìn)行檢測(cè)時(shí)，均實(shí)現(xiàn)準(zhǔn)確識(shí)別，對(duì)于缺經(jīng)和油污面料進(jìn)行檢測(cè)時(shí)，存在少量誤檢，但準(zhǔn)確率均在90%以上。通過(guò)平均準(zhǔn)確率結(jié)果可知：FT算法準(zhǔn)確率最低，IFT算法識(shí)別準(zhǔn)確率與Gabor算法相同且均達(dá)到較好的檢測(cè)效果；但是，IFT算法的運(yùn)算速度比Gabor算法提升了約70%。

通過(guò)表2還可觀(guān)察到：在使用G-Isomap算法辨識(shí)疵點(diǎn)時(shí)，破洞類(lèi)疵點(diǎn)和正常面料均可實(shí)現(xiàn)準(zhǔn)確識(shí)別，缺經(jīng)、粗經(jīng)和竹節(jié)類(lèi)疵點(diǎn)檢測(cè)準(zhǔn)確率均為95%；FT方法在對(duì)破洞類(lèi)疵點(diǎn)、缺經(jīng)疵點(diǎn)和正常面料檢測(cè)時(shí)，檢測(cè)效果稍好，但是檢測(cè)準(zhǔn)確率均在90%以下，對(duì)其他類(lèi)疵點(diǎn)進(jìn)行檢測(cè)時(shí)，檢測(cè)準(zhǔn)確率均低于75%；IFT方法對(duì)破洞、缺經(jīng)類(lèi)疵點(diǎn)和正常面料進(jìn)行檢測(cè)時(shí)，均可準(zhǔn)確檢測(cè)，對(duì)粗經(jīng)和竹節(jié)類(lèi)疵點(diǎn)進(jìn)行檢測(cè)時(shí)，檢測(cè)準(zhǔn)確率均為95%。通過(guò)平均準(zhǔn)確率可發(fā)現(xiàn)：IFT算法識(shí)別準(zhǔn)確率率高于Gabor算法，F(xiàn)T算法檢測(cè)平均準(zhǔn)確率極低；同時(shí)，IFT算法的運(yùn)算速度明顯高于Gabor算法。

通過(guò)表1、2可發(fā)現(xiàn)，使用改進(jìn)的頻率調(diào)諧顯著算法對(duì)疵點(diǎn)圖像進(jìn)行疵點(diǎn)顯著處理，可降低面料紋理對(duì)識(shí)別精度的影響，在保障面料分類(lèi)精度的同時(shí)提高了辨識(shí)速度。

4 結(jié) 論

使用改進(jìn)頻率調(diào)諧顯著算法對(duì)真彩圖像進(jìn)行疵點(diǎn)顯著處理，可克服面料紋理對(duì)疵點(diǎn)辨識(shí)精度的制約，保障面料分類(lèi)精度的同時(shí)提高了辨識(shí)速度。基于Ncut和離散粒子群算法的模板參數(shù)優(yōu)化模型能找出頻域協(xié)調(diào)顯著模型中高斯濾波器的最優(yōu)模板尺寸，增強(qiáng)了疵點(diǎn)顯著效果，提高了疵點(diǎn)辨識(shí)的效率和精度。

[1] 管聲啟，石秀華. 基于頻域?yàn)V波的織物疵點(diǎn)檢測(cè)[J]. 計(jì)算機(jī)應(yīng)用，2008， 28(10)： 2673-2675.

GUAN Shengqi，SHI Xiuhua. Fabric defects detection based on frequency domain filtering[J]. Journal of Computer Application，2008， 28(10)：2673-2675.

[2] 屈博, 盧朝陽(yáng), 李靜, 等. 一種改進(jìn)的多通道Gabor濾波器面料瑕疵檢測(cè)方法[J].紡織學(xué)報(bào), 2009, 30(12):37-40.

QU Bo, LU Zhaoyang, LI Jing, et al. An improved multichannel Gabor filter algorithm for fabric defect detection[J]. Journal of Textile Research, 2009, 30(12):37-40.

[3] 王傳桐, 胡峰, 徐啟永, 等. 采用Gabor濾波簇和等距映射算法的織物疵點(diǎn)檢測(cè)方法[J]. 紡織學(xué)報(bào), 2017, 38(3):162-167

WANG Chuantong, HU Feng, XU Qiyong, et al. Detection of fabric defects based on Gabor filters and Isomap[J]. Journal of Textile Research, 2017, 38(3):162-167.

[4] 林如意. 基于圖像處理技術(shù)的紡織品瑕疵檢測(cè)方法[D]. 杭州：杭州電子科技大學(xué)，2013：11-14.

LIN Ruyi. Fabric defect detection based on image processing technology[D]. Hangzhou: Hangzhou Dianzi Universiy, 2013：11-14.

[5] ACHANTA R, HEMAMI S, ESTRADA F, et al. Frequency-turned salient region detection [C]// Proceedings of 2009 IEEE Computer Society Conference on Computer Society Conference on Computer Vision and Pattern Recognition Workshop. Miami: IEEE Computer Society, 2009:1597-1604.

[6] 于乃昭，姚志均，楊波. 一種改進(jìn)的頻率調(diào)諧顯著性檢測(cè)方法[J]. 艦船電子對(duì)抗, 2013, 36(1):57-61.

YU Naizhao, YAO Zhijun, YANG Bo. An improved Frequency tuned-based saliency detection method [J]. Shipboard Electronic Countermeasure, 2013, 36(1):57-61.

[7] 劉洲峰, 趙全軍, 李春雷, 等. 基于局部統(tǒng)計(jì)與整體顯著性的織物疵點(diǎn)檢測(cè)算法[J]. 紡織學(xué)報(bào), 2014, 35(11):62-67.

LIU Zhoufeng, ZHAO Quanjun, LI Chunlei, et al. Fabric defect detection algorithm using local statistic features and global saliency analysis[J]. Journal of Textile Research, 2014,35(11):62-67.

[8] LIU Yan, GU Xueping. Skeleton-network reconfiguration based on topological characteristics of scale-free networks and discrete particle swarm optimization [J]. IEEE Transactions on Power Systems, 2007, 22(3):1267-1274.

[9] ALBERTO García-Villoria, RAFAEL Pastor. Introducing dynamic diversity into a discrete particle swarm optimization [J]. Computer and Operation Research, 2009, 36(3):951-966.

[10] 胡峰, 蘇訊, 劉偉, 等. 基于改進(jìn)局部線(xiàn)性嵌入算法的故障特征提取方法[J]. 振動(dòng)與沖擊，2015, 34(15):201-204.

HU Feng, SU Xun, LIU Wei, et al. Fault feature Extraction based on improved locally linear embedding[J]. Journal of Vibration and Shock, 2015, 34(15):201-204.

[11] 胡峰, 王傳桐, 吳雨川, 等. 基于改進(jìn)監(jiān)督LLE算法的故障特征提取方法[J]. 振動(dòng)與沖擊，2015(21):119-123.

HU Feng, WANG Chuantong, WU Yuchuan, et al. Fault features extraction based on improved supervised locally linear embedding [J]. Journal of Vibration and Shock, 2015(21):119-123.