基于广义奇异值分解的加权线性判别分析织物瑕疵图像分类算法

为提高织物瑕疵图像分类准确率,提出了一种基于广义奇异值分解的加权线性判别分析(Linear discriminant analysis, LDA)织物瑕疵图像分类算法。首先,使用加权均值保留瑕疵特征信息,反映真实数据的分布情况;然后,对类间散射矩阵和类内散射矩阵分别添加类间离散权重和类内紧凑权重,克服了其他织物瑕疵分类算法忽视局部几何信息的问题;最后,结合广义奇异值分解,解决了小样本奇异不可逆的问题,提升了计算效率。不同织物数据集实验结果表明,该算法能有效解决LDA存在缺乏局部几何信息和小样本高维的问题;同时相较于其他基于LDA的分类算法,能取得更好的分类准确率,且分类所需的计算时间具有一定竞争力。

面向织物疵点检测的图像处理技术研究进展

随着对纺织工业产品质量要求的提高以及传统疵点检测方法存在局限性,基于图像处理技术的织物疵点自动检测技术得到了快速的发展。为提高图像处理技术的应用效率,实现纺织行业的数字化与智能制造,介绍了织物图像的预处理技术,对织物疵点检测的主流方法进行了总结,包括基于结构、统计、频谱、模型和学习的方法,并对这些方法的检测原理做了概括,分析了其优缺点与适用范围;介绍了现有成品检测设备,对比分析了仪器和系统处理技术的优缺点;最后,梳理分析了现有的图像处理技术在纺织工业应用中所面临的难题,并提出了对未来发展的构想。

基于判别子字典学习的图像分类优化方法

本文提出了一种基于判别子字典学习算法的图像分类优化方法。在判别字典学习算法的基础上,引入字典矩阵的正则化约束项,针对每一类图像学习其对应的特定字典,使字典中包含该类别的特定原子,规避不同子字典之间原子的相关性。同时,引入标签信息矩阵和拉普拉斯正则化矩阵,使大系数集中在某一类别的特定原子上,属于同一类别的样本彼此靠近,从而提高字典的判别能力。将该算法应用在3种不同的数据集上,实验结果证明了所提方法的有效性。