手机知网 App
24小时专家级知识服务
打 开
手机知网|搜索

基于小波分析和BP神经网络的织物疵点识别

刘建立

   基于图像处理的织物疵点检测就是纹理分割和模式识别问题,本文提出了一种基于离散小波变换和BP神经网络的织物疵点识别方法,其主要包括织物疵点图像预处理、疵点图像小波变换、特征提取和疵点识别。 在预处理中,采用4种不同的小波域降噪方法,对织物疵点图像进行降噪处理,以峰值信噪比为标准,选择出贝叶斯阈值和软阈值收缩准则相结合的方法降噪效果最佳。根据织物疵点的特殊形状结构,本文创新性地提出了基于小波变换的自适应高斯平滑化和拉普拉斯算子卷积作差相结合的方法对织物疵点图像进行增强,以消除由重复的结构纹理单元形成的背景,突出疵点部分。 根据织物纹理和结构的特殊性质,本文提出了同时提取纹理特征和几何形状特征作为神经网络识别参数,以提高疵点正确识别率。在纹理特征提取部分,本文提出了小波域和空域分析相结合的方法:小波变换和灰度共生矩阵相结合的方法。详细介绍了小波基的选择、最佳分解层的确定方法、子带重构规则、灰度共生矩阵重要参数的选择方法和疵点纹理特征值的主成分分析。以给定的具有不同织物组织结构的无疵点织物图像经小波分解后输出的图像的高通子图像能量最小作为逼近条件从合适的小波库中优选出最佳分解小波基。采用相邻两层的高频子带能量之比值小于1作为最佳分解层数的选择依据。在最佳分解层,为了保证特征提取源的有效性,并减化运算的复杂程度,在图像子带重构时,提出子带重构规则。根据重构规则自动选择子带进行重构,对重构后的子带采用基于特征的小波融合方法进行融合。根据织物具有连续性和方向性的特征,本文提出了灰度共生矩阵差分距离和方向角自适应选择规则。对由灰度共生矩阵中提取的13个纹理特征参数进行主成分分析,以消除信息冗余。为综合表达疵点特征,对增强后的织物疵点图像采用最佳阈值边缘检测和形态学运算,从二值化后的织物疵点图像中提取长、短径之比作为几何形状特征,以描述疵点的形状特征。 在织物疵点识别网络设计时,提出了隐含层神经元个数不适宜规则和网络训练方法不适宜规则,以优化网络结构,提高训练速度。采用结构为:输入层7个神经元,隐含层16个神经元,输出层4个神经元,中间层神经元的激励函数为S型正切函数,输出层神经元的激励函数为S型对数函数的神经网络对织物疵点图像进行训练和识别。在本实验条件下,采用本文算法,对丝织物中常见疵点:断纬、断经、重纬、档疵、油污、破洞进行识别,疵点平均识别率为99.2%,无疵点图像识别率为100%。……   
[关键词]:织物疵点;小波变换;神经网络;疵点识别
[文献类型]:硕士论文
[文献出处]:苏州大学2007年