為了有效的實現(xiàn)分類識別，就要對原始圖像數(shù)據(jù)進(jìn)行變換，得到最能反映分類本質(zhì)的圖像特征。

圖像特征是指圖像的原始特征或?qū)傩?。每一幅圖像都有其本身的特性，其中有些是視覺直接感受到的自然特征，如亮度、邊緣、紋理或色彩等；有些是需要通過變換或測量才能得到的人為特征，如譜、直方圖等。為了正確的對缺陷圖像進(jìn)行有效識別，需要從圖像中提取有效的數(shù)據(jù)或信息，生成非圖像的描述或表示，如數(shù)值、符號等，即抽取圖像特征。一般地，把原始數(shù)據(jù)組成的空間叫做“測量空間”，把分類識別賴以進(jìn)行的空間叫做“特征空間”。通過特征提取，把維數(shù)較高的測量空間中表示的模式轉(zhuǎn)化在維數(shù)較低的特征空間中表示的模式，從而為圖像識別提供數(shù)據(jù)樣本。

一、特征選取依據(jù)

對于待識別的織物缺陷圖像，通過相關(guān)的處理對其經(jīng)過分割和邊緣提取后，可以得到圖像的原始特征。但是原始特征的數(shù)量很大，圖像樣本是處于一個高維空間中，如何從眾多的特征中選出一些最有效的特征以達(dá)到降低特征空間維數(shù)的目的，是特征選擇和提取的基本任務(wù)。在樣本數(shù)量不是很多的情況下，用很多特征進(jìn)行分類器的設(shè)計，從計算復(fù)雜程度和分類器性能來看都是不合適的。因此研究如何把高維特征空間特征轉(zhuǎn)化到低維空間特征以便有效地識別圖像就很關(guān)鍵。例如，通過攝像機把一個物體轉(zhuǎn)換為一個二維灰度陣列。一個 256×256 灰度陣列圖像相當(dāng)于 256×256 維測量空間中的一個點，不便于識別，更重要的是這樣一種描述并不能直接反映圖像的本質(zhì)。

目前，幾乎還沒有解析的方法能夠指導(dǎo)特征的選擇，一般情況下，根據(jù)經(jīng)驗和相關(guān)理論基礎(chǔ)先列出一些可能的特征表，然后用特征排序方法計算不同特征的識別效率。利用結(jié)果對表進(jìn)行刪減，以選取最優(yōu)的特征組合。具體地，選擇特征的依據(jù)如下：

可區(qū)別性。對于屬于不同類的圖像而言，它們的特征應(yīng)具有明顯的差異

可靠性。對于同類圖像，特征值應(yīng)該比較接近。

獨立性好。所選擇的特征值之間應(yīng)彼此不相關(guān)。需要注意的是，有時相關(guān)性很高的特征組合起來可以減少噪聲干擾，但它們一般不作為單獨的特征使用。

數(shù)量少。圖像識別系統(tǒng)的復(fù)雜程度隨著系統(tǒng)維數(shù)（特征個數(shù)）成正比增加。特征數(shù)量如果過多，雖然識別的效果會更好一些，但是識別時計算更加耗時，難度更大。

二、織物缺陷的主要類型

本文主要針對織物缺陷主要的四類疵點進(jìn)行檢測，分別是：劈縫、斷經(jīng)、經(jīng)線粘連和漿斑。以下是四類疵點的大致產(chǎn)生原因和四類疵點各自的特點情況。

1）劈縫：劈縫是相鄰的兩根經(jīng)線由于緯線連續(xù)斷開而形成的，一般在大于等于4cm長度內(nèi)沒有緯線鏈接，疵點的寬度一般大于四厘米，約為20跟以上經(jīng)線的寬度，長度一般約為整幅圖像的一半以上，在均勻燈光的照射下，形成一條亮紋，所產(chǎn)生的亮度要比正常織物的高。織物劈縫缺陷圖像如圖1所示：

圖1織物劈縫缺陷圖像

2）斷經(jīng)：斷經(jīng)指的是織物的一股經(jīng)線脫落或者斷開，又稱抽斷經(jīng)。疵點的寬度約為一到兩根經(jīng)線的寬度，長度一般超過整幅圖像的一半，通常為整幅圖像的長度。在均勻燈光的照射下，形成一條亮紋，所產(chǎn)生的亮度要比正?？椢锏母摺？椢飻嘟?jīng)缺陷圖像如圖2所示：

圖2織物斷經(jīng)缺陷圖像

3）經(jīng)線粘連：這種缺陷是由于相鄰的兩根經(jīng)線因為固化了的浸膠液粘連在一起而形成的一種缺陷。疵點的寬度約為一到兩根經(jīng)線的寬度，長度一般超過整幅圖像的一半，通常為整幅圖像的長度。在均勻燈光的照射下，形成一條亮紋，所產(chǎn)生的亮度要比正?？椢锏母?。織物的經(jīng)線粘連缺陷圖像如圖3所示：

圖3織物經(jīng)線粘連缺陷圖

4）漿斑：形成這種織物缺陷的原因主要是干燥區(qū)的溫度、酚醛乳液的品質(zhì)、吸膠器的更換、干燥區(qū)的排風(fēng)量以及干燥區(qū)爐內(nèi)滾筒的結(jié)構(gòu)等，漿斑又稱為膠斑，疵點區(qū)域的大小沒有固定的形狀，面積比較小，一般在四到十平方厘米。經(jīng)向和緯向長度通常有一定的區(qū)別，疵點的區(qū)域部分比較光滑，一般是連通的，在均勻燈光的照射下，所產(chǎn)生的亮度要比正?？椢锏牡??？椢餄{斑缺陷如圖4 所示：

圖4織物漿斑缺陷圖像

三、圖像特征分析的常用方法

圖像特征分析的方法有很多種，但具體到每幅圖像，我們只會根據(jù)該幅圖像的特有性質(zhì)而選擇其中的一種或者幾種方法對其特征進(jìn)行分析，圖像的特征主要有圖像的形狀特征、圖像的顏色特征、圖像的紋理特征等。

1）圖像的形狀特征分析：經(jīng)過圖像預(yù)處理和圖像分割，我們就可以得到目標(biāo)區(qū)域的大小及邊緣信息，從而得到疵點部分的大致形狀。通過邊界、骨架及區(qū)域三種信息就可以來反映圖像的目標(biāo)信息。通常，人們關(guān)心的主要是目標(biāo)信息的形狀，而不是其他信息。所以，我們可以把圖像的邊界或者內(nèi)部賦值“1”，其他不感興趣的部分賦值“0”，這樣即可形成一幅可以清晰顯示出目標(biāo)形狀信息的二值圖像。目標(biāo)信息的特征量有長度、面積、周長、寬度、長寬比等，我們可以通過這些特征量來對疵點進(jìn)行判別以及為以后的疵點分類提供較好的幫助。形狀特征是描述圖像內(nèi)容的另一個重要特征，是計算機視覺和模式識別研究的一個基本問題。但由于物體形狀自動獲取比較困難，基于形狀的檢測一般僅限于非常容易識別的物體。

2）圖像的顏色特征分析：圖像的顏色特征分析是圖像統(tǒng)計特征分析中最常用的一種，主要RGB和HIS兩類彩色坐標(biāo)系統(tǒng)。前者是面向已經(jīng)系統(tǒng)的，相對簡單，而后者主要是用來描述顏色特征。在顏色特征分析中，我們一般先把 RGB 空間轉(zhuǎn)換為 HIS 空間，主要是因為在 RGB 彩色坐標(biāo)系中，存在著很多的不足。第一，RGB 彩色坐標(biāo)系對不同的色彩不能用準(zhǔn)確的數(shù)值來表示，進(jìn)而很難進(jìn)行定量分析；第二，RGB 彩色坐標(biāo)系對含有較高相關(guān)性的圖像擴展對比度時，只能擴大圖像的明亮程度，而對圖像的色調(diào)差異的增強沒什么效果；第三RGB彩色坐標(biāo)系不容易控制圖像分析的結(jié)構(gòu)。而 HIS 母性則可以定量的描述圖像的顏色特征。

3）圖像的紋理特征分析：在圖像處理分析中，紋理結(jié)構(gòu)的特征分析占據(jù)了很大地位。它具有多種特征，主要有局部特性不斷重復(fù)、圖像區(qū)域內(nèi)紋理總體均勻和非隨機排列等，常用的紋理特征提取方法也很多，比如模型方法、統(tǒng)計方法、幾何方法、信號處理方法及結(jié)構(gòu)方法等。

四、織物缺陷圖像識別算法研究

圖像識別簡而言之就是要把一種研究對象，根據(jù)其相關(guān)特征進(jìn)行識別并分類。其識別過程如圖5 所示，由三個主要階段組成。第一個階段稱為圖像分割或物體分離階段；第二個階段稱為特征提取階段；第三個階段是分類。

圖5圖像識別過程

目前常用的圖像識別方法主要有：統(tǒng)計模式識別、結(jié)構(gòu)模式識別和人工神經(jīng)網(wǎng)絡(luò)識別方法等。統(tǒng)計模式的識別方法相對比較成熟，對模式不太復(fù)雜的應(yīng)用已經(jīng)很成功，但它不能反映模式的結(jié)構(gòu)特性，且概率表示形式實用上也存在一定的局限性。結(jié)構(gòu)模式識別方法中一個模式被看成一個句子，反映了模式的結(jié)構(gòu)特性?；诰浞ńY(jié)構(gòu)的圖像分類被描述為對句子的分析，其過程比較方便，且抗圖像畸變的能力較強，但抽取有效的結(jié)構(gòu)基元比較困難，并常引起某些誤判。人工神經(jīng)網(wǎng)絡(luò)識別法由于神經(jīng)網(wǎng)絡(luò)的自組織、自適應(yīng)學(xué)習(xí)的功能，大大放松了傳統(tǒng)識別方法所需的約束條件。相對于其它方法，神經(jīng)網(wǎng)絡(luò)在圖像識別中有 3 點優(yōu)勢：①神經(jīng)網(wǎng)絡(luò)對問題的先驗知識要求較少；②可以實現(xiàn)對特征空間較為復(fù)雜的劃分；③適合用高速并行處理系統(tǒng)實現(xiàn)。

織物缺陷圖像分類問題可以劃為圖像的模式識別問題，模式識別方法主要分為基于理論判別和基于結(jié)構(gòu)的判別。理論判別主要使用的是定量描繪子（包括長度、面積、紋理等等）描述的各種模式；結(jié)構(gòu)判別主要由定性的描繪子描述的各種模式。

織物缺陷圖像識別中應(yīng)用較多的神經(jīng)網(wǎng)絡(luò)有自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和 BP 神經(jīng)網(wǎng)絡(luò)，其中最常用的是 BP 神經(jīng)網(wǎng)絡(luò)。本文中織物缺陷圖像識別采用基于 BP 神經(jīng)網(wǎng)絡(luò)的理論判別的方法。

五、小結(jié)

本文主要介紹了基于 BP 神經(jīng)網(wǎng)絡(luò)的織物疵點分類識別。本章首先對BP神經(jīng)網(wǎng)絡(luò)做了理論介紹，然后對織物疵點分類的 BP 網(wǎng)絡(luò)進(jìn)行了構(gòu)建，詳細(xì)說明了網(wǎng)絡(luò)構(gòu)建中的神經(jīng)元數(shù)和訓(xùn)練方法的選擇。最后采用測試樣本對識別網(wǎng)絡(luò)進(jìn)行了測試。