-
Patent Agency Ranking
公开(公告)号：CN101216435A
公开(公告)日：2008-07-09
申请号：CN200810032249.5
申请日：2008-01-03
Applicant: 东华大学
IPC: G01N21/89
Abstract: 本发明属于纺织品质量自动检测和控制领域，特别涉及一种基于多分形特征参数的织物瑕疵自动检测的方法。发明者依据计盒法估算分形维的有关原理及其中存在的问题并结合织物纹理图像固有的特点提取了四个新颖而有效的分形特征，利用由它们组成的特征向量并结合欧式距离检测器来检测织物瑕疵。本发明克服了传统上采用单一分形特征进行织疵检测的局限性，另外提高了工作效率，降低了劳动强度，在疵点定位精度高达2.5mm的情况下，误警率和漏检率可以同时控制在10％以内，与工业化大规模生产相协调。
-
公开(公告)号：CN101976440B
公开(公告)日：2012-06-13
申请号：CN201010536862.8
申请日：2010-11-09
Applicant: 东华大学
Abstract: 本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法。首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到两幅相应的滤波图像；从两幅滤波图像中各自计算方式一致的一组灰度统计量作为概貌特征；同时依据织物纹理基本循环周期和遍历法原理从两幅滤波图像中计算得到四个极值灰度统计量作为细节特征，该灰度统计量与计算概貌特征时选用的灰度统计量一致；最后将上述两个概貌特征与四个细节特征组成混合特征向量。这种混合特征向量内各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。
-
公开(公告)号：CN102005043A
公开(公告)日：2011-04-06
申请号：CN201010536931.5
申请日：2010-11-09
Applicant: 东华大学
Abstract: 本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的索贝尔算子滤波细节特征提取方法。首先采用一维快速傅里叶变换分别求出织物图像的横向和纵向基本循环周期大小，然后对织物图像分别进行水平和垂直Sobel算子滤波处理，在此基础上，依据织物纹理基本循环周期以及遍历法原理计算四个极值灰度统计量作为细节特征。由此提取的四个特征分别表征了纹理的横向边缘极大统计信息、横向边缘极小统计信息、纵向边缘极大统计信息和纵向边缘极小统计信息，因此由它们组成的特征向量能够实现对织物纹理细节的全面表征，且相互之间具有明显的互补性。本发明不需要对Sobel算子滤波后的图像实施二值化处理，同时更丰富地保留了滤波后图像的有用信息。
-
公开(公告)号：CN101976442A
公开(公告)日：2011-02-16
申请号：CN201010536922.6
申请日：2010-11-09
Applicant: 东华大学
Abstract: 本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的分形概貌与Sobel算子滤波细节混合特征向量提取方法。首先对原织物图像分别同步进行纵向和横向投影，并将投影得到的两个时间序列联合成为一个序列，在此基础上估算上述序列的分形维数作为概貌特征；接着对原织物图像分别进行水平和垂直Sobel算子滤波，然后依据织物纹理基本循环周期和遍历法原理从中提取四个极值灰度统计量作为细节特征；最后将上述一个分形概貌特征与四个Sobel滤波细节特征组成混合特征向量。这种混合特征向量内各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。
-
公开(公告)号：CN101976440A
公开(公告)日：2011-02-16
申请号：CN201010536862.8
申请日：2010-11-09
Applicant: 东华大学
Abstract: 本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法。首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到两幅相应的滤波图像；从两幅滤波图像中各自计算方式一致的一组灰度统计量作为概貌特征；同时依据织物纹理基本循环周期和遍历法原理从两幅滤波图像中计算得到四个极值灰度统计量作为细节特征，该灰度统计量与计算概貌特征时选用的灰度统计量一致；最后将上述两个概貌特征与四个细节特征组成混合特征向量。这种混合特征向量内各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。
-
-
-
-
Search Results
15
records
(took 0.015 seconds)
