為了有效的實現分類識別，就要對原始圖像數據進行變換，得到最能反映分類本質的圖像特征。

圖像特征是指圖像的原始特征或屬性。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行有效識別，需要從圖像中提取有效的數據或信息，生成非圖像的描述或表示，如數值、符號等，即抽取圖像特征。一般地，把原始數據組成的空間叫做“測量空間”，把分類識別賴以進行的空間叫做“特征空間”。通過特征提取，把維數較高的測量空間中表示的模式轉化在維數較低的特征空間中表示的模式，從而為圖像識別提供數據樣本。

一、特征選取依據

對于待識別的織物缺陷圖像，通過相關的處理對其經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到降低特征空間維數的目的，是特征選擇和提取的基本任務。在樣本數量不是很多的情況下，用很多特征進行分類器的設計，從計算復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化到低維空間特征以便有效地識別圖像就很關鍵。例如，通過攝像機把一個物體轉換為一個二維灰度陣列。一個 256×256 灰度陣列圖像相當于 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。

目前，幾乎還沒有解析的方法能夠指導特征的選擇，一般情況下，根據經驗和相關理論基礎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。利用結果對表進行刪減，以選取最優的特征組合。具體地，選擇特征的依據如下：

可區別性。對于屬于不同類的圖像而言，它們的特征應具有明顯的差異

可靠性。對于同類圖像，特征值應該比較接近。

獨立性好。所選擇的特征值之間應彼此不相關。需要注意的是，有時相關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。

數量少。圖像識別系統的復雜程度隨著系統維數（特征個數）成正比增加。特征數量如果過多，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行檢測，分別是：劈縫、斷經、經線粘連和漿斑。以下是四類疵點的大致產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線由于緯線連續斷開而形成的，一般在大于等于4cm長度內沒有緯線鏈接，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：斷經指的是織物的一股經線脫落或者斷開，又稱抽斷經。疵點的寬度約為一到兩根經線的寬度，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，所產生的亮度要比正常織物的高。織物斷經缺陷圖像如圖2所示：

圖2織物斷經缺陷圖像

3）經線粘連：這種缺陷是由于相鄰的兩根經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，所產生的亮度要比正常織物的高。織物的經線粘連缺陷圖像如圖3所示：

圖3織物經線粘連缺陷圖

4）漿斑：形成這種織物缺陷的原因主要是干燥區的溫度、酚醛乳液的品質、吸膠器的更換、干燥區的排風量以及干燥區爐內滾筒的結構等，漿斑又稱為膠斑，疵點區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。經向和緯向長度通常有一定的區別，疵點的區域部分比較光滑，一般是連通的，在均勻燈光的照射下，所產生的亮度要比正常織物的低。織物漿斑缺陷如圖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，我們只會根據該幅圖像的特有性質而選擇其中的一種或者幾種方法對其特征進行分析，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：經過圖像預處理和圖像分割，我們就可以得到目標區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、骨架及區域三種信息就可以來反映圖像的目標信息。通常，人們關心的主要是目標信息的形狀，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形狀信息的二值圖像。目標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計特征分析中最常用的一種，主要RGB和HIS兩類彩色坐標系統。前者是面向已經系統的，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 空間轉換為 HIS 空間，主要是因為在 RGB 彩色坐標系中，存在著很多的不足。第一，RGB 彩色坐標系對不同的色彩不能用準確的數值來表示，進而很難進行定量分析；第二，RGB 彩色坐標系對含有較高相關性的圖像擴展對比度時，只能擴大圖像的明亮程度，而對圖像的色調差異的增強沒什么效果；第三RGB彩色坐標系不容易控制圖像分析的結構。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，紋理結構的特征分析占據了很大地位。它具有多種特征，主要有局部特性不斷重復、圖像區域內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、統計方法、幾何方法、信號處理方法及結構方法等。

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，根據其相關特征進行識別并分類。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：統計模式識別、結構模式識別和人工神經網絡識別方法等。統計模式的識別方法相對比較成熟，對模式不太復雜的應用已經很成功，但它不能反映模式的結構特性，且概率表示形式實用上也存在一定的局限性。結構模式識別方法中一個模式被看成一個句子，反映了模式的結構特性。基于句法結構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，但抽取有效的結構基元比較困難，并常引起某些誤判。人工神經網絡識別法由于神經網絡的自組織、自適應學習的功能，大大放松了傳統識別方法所需的約束條件。相對于其它方法，神經網絡在圖像識別中有 3 點優勢：①神經網絡對問題的先驗知識要求較少；②可以實現對特征空間較為復雜的劃分；③適合用高速并行處理系統實現。

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構的判別。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；結構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用較多的神經網絡有自組織特征映射（SOM）神經網絡、模糊神經網絡和 BP 神經網絡，其中最常用的是 BP 神經網絡。本文中織物缺陷圖像識別采用基于 BP 神經網絡的理論判別的方法。

五、小結

本文主要介紹了基于 BP 神經網絡的織物疵點分類識別。本章首先對BP神經網絡做了理論介紹，然后對織物疵點分類的 BP 網絡進行了構建，詳細說明了網絡構建中的神經元數和訓練方法的選擇。最后采用測試樣本對識別網絡進行了測試。