[0032] 下面结合附图对本发明作进一步详细的描述。
[0033] 本专利提出了一种基于距离匹配函数和感知哈希算法相结合的办法检测规则织物的疵点。首先，采用距离匹配函数计算出规则织物的最小周期，用于获取图像块。构建重复单元模板，采用感知哈希算法提取模板图像块的结构特征；其次，提取待测样本上图像块的结构特征和灰度特征，分别与模板图像块的结构特征和全局灰度均值进行比较，得到最小汉明距离特征图以及灰度均值对比特征图。最后进行特征图的融合与分割。结果表明，本发明综合考虑了规则织物的最小周期的结构特征和灰度均值特征，可以有效的提取出织物的疵点区域，实现对织物的疵点检测。
[0034] 如图1所示，一种基于距离匹配函数和感知哈希算法相结合的办法检测规则织物的疵点步骤如下：
[0035] 步骤一：采用距离匹配函数从正常规则图像中提取最小纹理周期；
[0036] 采用距离匹配函数从正常规则图像中提取最小纹理周期的方法是：用二维变量f(x,y)表示织物图像灰度值，计算二维的距离匹配函数：和
[0037] 式中，M，N分别为该图像的宽和高，本例中M＝N＝256，x，y分别为该图像中像素的行与列；p代表函数的周期，当p为函数f(x,y)的行方向或者列方向的周期时，f(x,y)与f(x,y+p)或f(x+p,y)的差值最小。记最小周期的宽高分别为a、b，后续提取的图像块大小均为最小周期大小。如图3为以最小周期分割的织物图像。
[0038] 步骤二：构造重复周期的模板，采用感知哈希算法提取模板图像块的结构特征；
[0039] 构造重复模板是指：从正常规则织物图像中，获取宽、高为2a和2b的正常规则图像模板，如图4所示。
[0040] 感知哈希算法的流程是，如图2流程所示：1)将图像块缩小到8×8的尺寸；2)计算压缩后图像块的灰度平均值；3)比较像素的灰度：将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0；4)计算哈希值：将上一步的比较结果，组合在一起，就构成了一个64位的整数，保证所有图像块都采用同样次序。
[0041] 采用感知哈希算法提取图像块的结构特征是指：以计算出的最小周期a×b为窗口，在模板上以固定步长滑动获取图像块，采用所述的感知哈希算法计算出图像块的哈希值作为结构特征。本例中，固定滑动步长为2。
[0042] 步骤三：从待测样本上获取待测图像块，提取待测图像块的结构特征和灰度均值特征；
[0043] 从待测样本上获取待测图像块，提取待测图像块的结构特征和灰度均值特征的方法是：以计算出的最小周期a×b为窗口，在待测样本上以固定步长滑动获取图像块，采用感知哈希算法计算出图像块的哈希值作为结构特征，计算出图像块的平均灰度值作为灰度特征。
[0044] 步骤四：针对每个待测图像块的结构特征，与模板图像块的结构特征一一对比，生成最小汉明距离特征图H；
[0045] 针对每个待测图像块的结构特征，与模板图像块的结构特征一一对比，生成最小汉明距离特征图H的方法是：在待测样本上以最小周期获取待测图像块，再将待测图像块与模板图像块的结构特征一一对比，取汉明距离的最小值作为最小汉明距离。在生成特征图的过程中，一个待测图像块代表特征图的一个像素点，最小汉明距离为特征点的像素值。其中，汉明距离dh(x,y)表示两个图像哈希值x，y之间的相似度。可以通过对两个哈希值进行异或运算，并统计结果为1的个数得到汉明距离，其公式为
[0046] 步骤五：针对每个待测图像块的灰度特征，与待测样本的灰度特征对比，生成灰度均值对比特征图D；
[0047] 针对每个待测图像块的灰度特征，与待测样本的灰度特征对比，生成灰度均值对比特征图D的方法是：在待测样本上以最小周期获取待测图像块，将待测图像块的灰度平均值与待测样本的灰度平均值做差再取绝对值作为对比结果。在生成特征图的过程中，一个待测图像块代表特征图的一个像素点，对比结果为特征点的像素值。
[0048] 步骤六：融合特征图，利用最大类间方差法对最终的特征图进行分割，定位出疵点区域。
[0049] 融合特征图，利用最大类间方差法对特征图进行分割，定位出疵点区域的方法是：首先将特征图按照公式进行阈值划分 和
再按照公式M(i,j)＝(H(i,j)+D(i,j))2融合特征图。最后采用最大类间方差法进行二值化。其中θ1为结构特征的阈值，θ2为灰度特征的阈值。M(i,j)为融合后特征图的像素。
[0050] 实施例：从织物图像库中挑选几类常见织物疵点图像(破洞、断经、油渍、划痕等)，图片大小均为256pixel X256pixel。选用部分图像，如图5(第一行)。采用本发明算法得到结构特征图和灰度特征图，如图5(第二行，第三行)。最后得到融合特征图和疵点分割图像，其中，取θ1＝6，θ2＝8，结果如图5(第四行，第五行)，得到最终结果(第六行)，可以看出疵点被检测出来了。
