織物的染料缺陷檢測(cè)系統(tǒng)綜述

在全球經(jīng)濟(jì)一體化時(shí)代，確保紡織業(yè)的競(jìng)爭(zhēng)力無(wú)疑是一個(gè)重要因素。檢測(cè)作為產(chǎn)品質(zhì)量控制的重要環(huán)節(jié),在紡織品生產(chǎn)過(guò)程中占有重要地位,其中疵點(diǎn)檢測(cè)是其關(guān)鍵的部分。然而,織物的顏色和樣式多樣化,使織物疵點(diǎn)種類(lèi)繁多,且新的疵點(diǎn)不斷涌現(xiàn),這都為疵點(diǎn)檢測(cè)帶來(lái)了困難。紡織品疵點(diǎn)檢測(cè)迫切需要一種能夠代替人類(lèi)視覺(jué)檢測(cè)的智能化檢測(cè)系統(tǒng),能夠和機(jī)器人技術(shù)相結(jié)合,自動(dòng)檢測(cè)和識(shí)別各種織物的疵點(diǎn)。隨著信息技術(shù)的發(fā)展,機(jī)器視覺(jué)和圖像處理相關(guān)課題的研究不斷深入,其應(yīng)用領(lǐng)域也不斷拓展。自20世紀(jì)70年代以來(lái),人們將機(jī)器視覺(jué)和圖像處理技術(shù)應(yīng)用到紡織品疵點(diǎn)檢測(cè)和分類(lèi)工作中。應(yīng)用自動(dòng)織物疵點(diǎn)檢測(cè)系統(tǒng)具有檢測(cè)準(zhǔn)確率高、客觀重復(fù)性好、速度快等優(yōu)點(diǎn),因此,許多學(xué)者經(jīng)過(guò)近40年的艱辛探索,在自動(dòng)織物疵點(diǎn)檢測(cè)領(lǐng)域取得了許多研究成果,有一些以樣機(jī)和商用檢測(cè)系統(tǒng)的形式呈現(xiàn),但主要是以論文和專(zhuān)利的形式被報(bào)道。目前,國(guó)外紡織業(yè)常見(jiàn)的商用自動(dòng)驗(yàn)布系統(tǒng)有在線檢測(cè)和離線檢測(cè)2種,但其檢測(cè)功能比較單一,真正適用于實(shí)際生產(chǎn)并被市場(chǎng)接納的并不多,如瑞士Uster公司推出的用神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)開(kāi)發(fā)的Fabriscan自動(dòng)驗(yàn)布系統(tǒng),比利時(shí)Barco公司的自動(dòng)驗(yàn)布系統(tǒng),德國(guó)Obdix光電子技術(shù)公司開(kāi)發(fā)的在線織物檢測(cè)系統(tǒng),以色列EVS公司的I-Tex自動(dòng)驗(yàn)布系統(tǒng)等。國(guó)內(nèi)基于機(jī)器視覺(jué)和圖像處理技術(shù)的織物表面疵點(diǎn)檢測(cè)研究起步較晚,但是東華大學(xué)、浙江理工大學(xué)、西安工程大學(xué)等許多學(xué)者做了大量的研究工作,申請(qǐng)了許多專(zhuān)利,而且推出了一些樣機(jī)系統(tǒng)。更重要的,理論算法研究是基于機(jī)器視覺(jué)和圖像處理織物疵點(diǎn)檢測(cè)的主體內(nèi)容,參考和借鑒了其他工業(yè)檢測(cè)系統(tǒng)的研究經(jīng)驗(yàn)以及數(shù)學(xué)和計(jì)算機(jī)等學(xué)科的最新科研成果,理論研究水平不斷提高。根據(jù)被檢測(cè)織物對(duì)象類(lèi)型的不同,本文對(duì)國(guó)內(nèi)外新的織物疵點(diǎn)自動(dòng)檢測(cè)方法進(jìn)行了分類(lèi)研究,以便分析出這一領(lǐng)域的成果和不足,以期對(duì)下一步的研究工作有所幫助。1色織物瑕疵點(diǎn)檢測(cè)算法設(shè)計(jì)通常,基于機(jī)器視覺(jué)和圖像處理技術(shù)的織物疵點(diǎn)檢測(cè)系統(tǒng)由視頻圖像獲取硬件子系統(tǒng)、圖像處理軟件子系統(tǒng)和標(biāo)記子系統(tǒng)3部分組成,這3部分的諧調(diào)控制和數(shù)據(jù)處理都是在通過(guò)總線相連接的專(zhuān)用圖像處理開(kāi)發(fā)板上完成的,并與主機(jī)和工業(yè)網(wǎng)絡(luò)相連?？v觀自動(dòng)織物疵點(diǎn)檢測(cè)的發(fā)展歷史可以發(fā)現(xiàn),人們主要研究興趣是數(shù)據(jù)獲取硬件子系統(tǒng)和圖像處理軟件子系統(tǒng)2部分,因?yàn)檫@2個(gè)方面是自動(dòng)疵點(diǎn)檢測(cè)系統(tǒng)性能好壞的關(guān)鍵,也是機(jī)器視覺(jué)和圖像處理技術(shù)的研究熱點(diǎn)。一般情況下,視頻圖像獲取硬件子系統(tǒng)由卷布機(jī)、燈光照明系統(tǒng)、CCD攝像機(jī)等組成(見(jiàn)圖1)［1］。卷布機(jī)類(lèi)似看作織機(jī)的卷布機(jī)構(gòu);燈光系統(tǒng)可以采用一種特殊的熒光燈管照明,提供充足的照明強(qiáng)度,為了避免閃爍,頻率應(yīng)在40~50kHz范圍;CCD傳感器掃描運(yùn)動(dòng)中的織物以獲得灰度或彩色圖像信號(hào)。圖像處理子系統(tǒng)是疵點(diǎn)檢測(cè)和識(shí)別的核心部分,疵點(diǎn)檢測(cè)和識(shí)別算法的檢測(cè)準(zhǔn)確率與處理時(shí)間是判別該算法優(yōu)劣的2個(gè)因素。通常情況下,自動(dòng)疵點(diǎn)檢測(cè)和分類(lèi)算法主要由圖像預(yù)處理模塊、疵點(diǎn)檢測(cè)模塊、特征提取模塊、疵點(diǎn)分類(lèi)模塊和用戶界面模塊等組成。對(duì)織物圖像進(jìn)行預(yù)處理是重要的,將直接影響疵點(diǎn)檢測(cè)效果的好壞,而疵點(diǎn)檢測(cè)模塊也必須因被檢測(cè)對(duì)象的不同采取與之相應(yīng)的設(shè)計(jì),沒(méi)有通用不變的方法,例如,色織物疵點(diǎn)檢測(cè)算法執(zhí)行流程［2］如下。1)色織物圖像(無(wú)疵參考圖像和待檢測(cè)圖像)的獲取;2)用分?jǐn)?shù)階微分掩模進(jìn)行彩色織物紋理圖像增強(qiáng);3)把色織物圖像從RGB色彩模型轉(zhuǎn)換到Lab色彩模型,并把2個(gè)顏色通道組合成1個(gè)復(fù)數(shù)顏色通道;4)對(duì)顏色通道圖像和灰度通道圖像進(jìn)行l(wèi)og-gabor濾波,計(jì)算顏色特征能量譜圖像和灰度特征能量譜圖像,融合后得到色織物的能量特征圖像;5)訓(xùn)練階段,計(jì)算色織物的無(wú)疵參考圖像及其每個(gè)無(wú)疵分割窗格的特征向量,得出無(wú)疵窗的似然估計(jì)閾值;6)檢測(cè)階段,計(jì)算待檢測(cè)色織物能量特征圖像的每個(gè)待檢測(cè)分割窗格的特征向量,求出每個(gè)窗格的似然估計(jì)值,通過(guò)與閾值比較,檢測(cè)出色織物的疵點(diǎn)區(qū)域。對(duì)于已經(jīng)檢測(cè)出的疵點(diǎn),疵點(diǎn)分類(lèi)識(shí)別算法把組合特征提取器輸出的幾何特征和紋理特征向量作為分類(lèi)器的輸入?yún)?shù),然后把疵點(diǎn)分類(lèi)結(jié)果分別送入顯示器、網(wǎng)絡(luò)和控制接口。2按應(yīng)用對(duì)象的種類(lèi)進(jìn)行織物瑕疵點(diǎn)分類(lèi)在工程研究中,研究的最終目的就是能將研究成果轉(zhuǎn)化到實(shí)際應(yīng)用中,而織物疵點(diǎn)自動(dòng)檢測(cè)方法的應(yīng)用對(duì)象就是各種織物。如今織物的種類(lèi)越來(lái)越多,而且市場(chǎng)需求種類(lèi)的比例也發(fā)生了巨大變化。由原來(lái)的白坯布為主要生產(chǎn)和出口對(duì)象,發(fā)展到色織布也同樣大量需求,所以按照應(yīng)用對(duì)象的種類(lèi)對(duì)織物疵點(diǎn)自動(dòng)檢測(cè)算法進(jìn)行分類(lèi)研究,更具有實(shí)際意義。白坯布是傳統(tǒng)的織物疵點(diǎn)自動(dòng)檢測(cè)的主要對(duì)象,而色織布需要在色彩模型下進(jìn)行疵點(diǎn)自動(dòng)檢測(cè)算法的設(shè)計(jì),因此,本文將織物疵點(diǎn)自動(dòng)檢測(cè)算法分為2大類(lèi)進(jìn)行研究:白坯布和色織布疵點(diǎn)自動(dòng)檢測(cè)。2.1織物不匹配機(jī)理的檢測(cè)白坯布采用白色的經(jīng)、緯紗線織造而成,不存在由于色紗錯(cuò)誤而造成圖案、花紋與完好織物不匹配的疵點(diǎn),因此,能夠?qū)⑦@類(lèi)白坯布圖像轉(zhuǎn)換為灰度圖像,然后進(jìn)行疵點(diǎn)的檢測(cè)處理。人們很長(zhǎng)一段時(shí)期對(duì)布匹疵點(diǎn)自動(dòng)檢測(cè)算法的研究都是以類(lèi)似如圖2所示的白坯布疵點(diǎn)圖像為對(duì)象展開(kāi)的,得到了很多不同的研究成果。2.1.1神經(jīng)網(wǎng)絡(luò)檢測(cè)Conci等［3］運(yùn)用分形維理論檢測(cè)織物圖像上的疵點(diǎn),為了處理大量的數(shù)據(jù),用差分計(jì)盒法減少計(jì)算復(fù)雜度和提高效率,但是僅限于本文列出的8種類(lèi)型的疵點(diǎn)檢測(cè),其準(zhǔn)確率達(dá)到96%,疵點(diǎn)的定位精度不高。Zhang等［4］通過(guò)把待檢測(cè)織物圖像分成任意的塊,用一階灰度統(tǒng)計(jì)法把這些塊分成有疵點(diǎn)和無(wú)疵點(diǎn)2類(lèi),這樣也有局限性,如果塊的尺寸太小,疵點(diǎn)與相似的無(wú)疵點(diǎn)紋理進(jìn)行區(qū)分很難;另外,如果塊的尺寸太大,局部紋理疵點(diǎn)被忽略,還會(huì)產(chǎn)生不精確的疵點(diǎn)邊緣。Chandra等［5］認(rèn)為基本的形態(tài)學(xué)操作很難檢測(cè)在機(jī)織物上出現(xiàn)的各種類(lèi)型疵點(diǎn),主要因?yàn)檫@些操作的結(jié)構(gòu)元素的探索性選取困難。本文運(yùn)用人工神經(jīng)網(wǎng)絡(luò)取得結(jié)構(gòu)元素并對(duì)織物二值圖像進(jìn)行形態(tài)學(xué)重建,從而檢測(cè)出疵點(diǎn)。用這種方法在317個(gè)疵點(diǎn)織物樣本上檢測(cè)8種類(lèi)型的疵點(diǎn),檢出率達(dá)到92.8%。區(qū)域邊緣的分布是紋理圖像的一個(gè)重要特征,在織物圖像上大量的灰度過(guò)渡區(qū)域被表征為線、邊緣、點(diǎn)等。Lane［6］在近來(lái)的美國(guó)專(zhuān)利上描述了一個(gè)系統(tǒng)的織物疵點(diǎn)檢測(cè)方法:首先把待檢測(cè)圖像變換成梯度圖像,然后通過(guò)閾值分離疵點(diǎn)像素,把所得圖像用形態(tài)學(xué)結(jié)構(gòu)元素進(jìn)行膨脹去掉噪聲,最后進(jìn)行圖像二值團(tuán)塊分析,標(biāo)注能連接成團(tuán)塊的像素,得到疵點(diǎn)分布圖?；ハ嚓P(guān)函數(shù)提供2幅圖像精確的相似性測(cè)度,測(cè)度的任何變化都預(yù)示著疵點(diǎn)的存在,如Bodnarova等［7］用來(lái)自多模板的相關(guān)系數(shù)產(chǎn)生1幅疵點(diǎn)的相關(guān)映射圖,這種方法最主要的問(wèn)題是特殊模板和窗口尺寸的選擇?；叶裙采仃囀呛苤匾慕y(tǒng)計(jì)紋理分析工具,自Siew等［8］給出空間灰度依賴矩陣(SGLDM)、灰度運(yùn)行周期矩陣(GLRLM)和灰度依賴矩陣的評(píng)價(jià)后,Tsai等［9］只用共生矩陣的2個(gè)特征(角二階矩和對(duì)比度)檢測(cè)織物表面疵點(diǎn),取得了高達(dá)96%的分類(lèi)正確率。幾個(gè)常用的二元變換(離散余弦變換DCT、離散正弦變換DST、離散哈達(dá)馬變換)能被用作局部紋理特征的提取,如Ade等［10］把用于織物疵點(diǎn)檢測(cè)的幾個(gè)局部線性變換進(jìn)行了比較,尤其在在線織物疵點(diǎn)檢測(cè)系統(tǒng)中,DCT和DST更受歡迎,因?yàn)樗鼈兡軓目煽壳腋咝У南鄼C(jī)硬件商用芯片里直接獲得。Kumar［11］對(duì)用于織物疵點(diǎn)檢測(cè)問(wèn)題的前饋神經(jīng)網(wǎng)絡(luò)(FFN)調(diào)查發(fā)現(xiàn),神經(jīng)網(wǎng)絡(luò)用于疵點(diǎn)檢測(cè)是因?yàn)樗姆菂?shù)本質(zhì)和描述復(fù)雜區(qū)域的能力;Hung和Chen［12］用反向傳播神經(jīng)網(wǎng)絡(luò)和模糊邏輯對(duì)8種不同的織物疵點(diǎn)進(jìn)行了分類(lèi);支持向量機(jī)(SVM)［13］在訓(xùn)練時(shí)不受局部極小值問(wèn)題的影響且計(jì)算簡(jiǎn)單,因此,它是織物疵點(diǎn)檢測(cè)特征分類(lèi)器的另一種優(yōu)異選擇,然而對(duì)在線疵點(diǎn)檢測(cè),大量的織物疵點(diǎn)類(lèi)及類(lèi)間的多樣性是運(yùn)用FFN和SVM進(jìn)行在線檢測(cè)的主要障礙。2.1.2傅里葉變換缺失的織物瑕疵點(diǎn)檢測(cè)傅里葉變換有令人滿意的噪聲免疫性、平移不變性和表征周期性。如Tsai等［14］用離散傅里葉變換(DFT)和哈夫變換共同檢測(cè)方向紋理織物表面的疵點(diǎn),織物紋理的離散傅里葉變換顯示為高頻成分,在傅里葉變換域抑制這種特定成分后,用傅里葉反變換(IDFT)恢復(fù)成空域圖像,因此,IDFT只保存了局部異常(疵點(diǎn)),去掉了原灰度圖像均勻的和方向的紋理。但是對(duì)于在傅里葉域中疵點(diǎn)區(qū)域頻率成分與無(wú)疵點(diǎn)區(qū)域的頻率成分相似的那些織物圖像,基于傅里葉變換的疵點(diǎn)檢測(cè)方法是失效的。Campbell等［15］描述了一種在斜紋布上檢測(cè)疵點(diǎn)的窗口傅里葉變換方法,用16像素×16像素的窗口傅里葉變換抽取振幅譜特征進(jìn)行檢測(cè)。正交(雙正交)小波和緊支小波基的多分辨分析能避免不同尺度圖像間的特征相關(guān)性,具有提升不變性,所以可用于不同尺度的織物圖像疵點(diǎn)檢測(cè)。如Sari-Sarraf等［16］開(kāi)發(fā)了一種織物疵點(diǎn)檢測(cè)系統(tǒng),能檢測(cè)5.08mm的疵點(diǎn),準(zhǔn)確率達(dá)到89%。Kim等［17］用一維投影信號(hào)的小波分析檢測(cè)織物疵點(diǎn),來(lái)自每一幅檢測(cè)圖像的2個(gè)一維信號(hào)由各自經(jīng)緯向像素的灰度和得到,墨西哥早帽小波在3個(gè)尺度上分解這些一維信號(hào),這3個(gè)分解信號(hào)中的每個(gè)小波系數(shù)被用來(lái)計(jì)算各自的信噪比,從而判別出疵點(diǎn)。李立輕［18］應(yīng)用自適應(yīng)正交小波變換對(duì)基于機(jī)器視覺(jué)的織物疵點(diǎn)自動(dòng)檢測(cè)進(jìn)行了系統(tǒng)的研究,涉及自適應(yīng)正交小波的構(gòu)造,織物紋理圖像的自適應(yīng)正交小波分解,子圖像內(nèi)的特征值提取等,最后根據(jù)特征值異常進(jìn)行疵點(diǎn)檢測(cè)。2.1.3檢測(cè)圖像bic證據(jù)Cohen等［19］詳述了用高斯-馬爾可夫隨機(jī)場(chǎng)(GAMRF)模型進(jìn)行織物疵點(diǎn)檢測(cè),先用GAMRF對(duì)無(wú)疵點(diǎn)織物進(jìn)行建模,從給定方向和尺度估計(jì)出訓(xùn)練樣本的參數(shù)。研究者把每個(gè)織物塊分成有疵點(diǎn)和無(wú)疵點(diǎn)區(qū)域,根據(jù)無(wú)疵點(diǎn)織物的GMARF模型參數(shù)的極大似然估計(jì)進(jìn)行χ2檢驗(yàn)。Campbell等［20］用基于模型的聚類(lèi)來(lái)檢測(cè)牛仔面料中相對(duì)較弱的疵點(diǎn),為了評(píng)估1個(gè)疵點(diǎn)出現(xiàn)的證據(jù),應(yīng)用了貝葉斯信息準(zhǔn)則(BIC)。在得出待檢測(cè)圖像BIC證據(jù)評(píng)價(jià)前,進(jìn)行了一連串的預(yù)處理操作:閾值分割、開(kāi)操作、標(biāo)記和計(jì)算目標(biāo)形心。研究結(jié)果表明BIC值總是一個(gè)可靠的疵點(diǎn)存在的指示器。另外,潘如如等［21］對(duì)印花布進(jìn)行疵點(diǎn)檢測(cè),采用互相關(guān)理論和模板匹配技術(shù),運(yùn)用加和表理論實(shí)現(xiàn)快速計(jì)算,能夠?qū)y偏移、顏色色差等疵點(diǎn)進(jìn)行檢測(cè)。Ngan等［22］提出了一種基于圖案基元的方法檢測(cè)圖案紋理織物的疵點(diǎn),研究者假設(shè)大多數(shù)圖案紋理能分解為格子構(gòu)架和它們的組成成分:基元。然后利用基元的對(duì)稱(chēng)性在不同基元之間計(jì)算移動(dòng)差能量和能量方差,通過(guò)對(duì)大量無(wú)疵圖案的這些值的分布進(jìn)行學(xué)習(xí),確定出邊界條件,進(jìn)而識(shí)別有無(wú)疵點(diǎn)。論文提出了這種方法的理論基礎(chǔ),定義了基元和格架之間的關(guān)系,顯示了移動(dòng)差能量放大疵點(diǎn)基元的疵點(diǎn)信息,與方差一起進(jìn)一步定義能量即方差空間,通過(guò)抽取起決定作用的邊界分類(lèi)出有疵點(diǎn)和無(wú)疵點(diǎn)圖案。疵點(diǎn)檢測(cè)成功率達(dá)到93.32%。這些方法為白坯布到色織布疵點(diǎn)自動(dòng)檢測(cè)提供了新的思路。2.2顏色模型的定義由于日益加速的計(jì)算能力和彩色相機(jī)設(shè)備的更新?lián)Q代,人們能夠?qū)︻?lèi)似圖3所示的色織布疵點(diǎn)圖像進(jìn)行實(shí)時(shí)處理。色織布的圖像處理屬于彩色數(shù)字圖像處理范圍,色織物的疵點(diǎn)自動(dòng)檢測(cè)算法基礎(chǔ)就是色彩模型、色彩量化和分色技術(shù)。1931年,國(guó)際照明委員會(huì)(CIE)規(guī)定用波長(zhǎng)為700、546.1、435.8nm的單色光紅(R)、綠(G)、藍(lán)(B)作為三原色。RGB顏色模型是三維直角坐標(biāo)顏色系統(tǒng)中的一個(gè)單位正方體。CIE顏色模型包括一系列顏色模型,這些顏色模型是由國(guó)際照明委員會(huì)提出的,是基于人的眼睛對(duì)RGB的反應(yīng),被用于精確表示對(duì)色彩的接收。CIE的模型包括:CIEXYZ,CIELab和CIEYuv等。另外,CMY顏色模型是以紅、綠、藍(lán)3種顏色的補(bǔ)色青、品紅、黃為原色構(gòu)成的顏色模型。HSV顏色模型由紅、黃、綠、青、藍(lán)、品紅排列而成,每種顏色和它的補(bǔ)色相差180°,符合人眼對(duì)顏色的感覺(jué)。相關(guān)的顏色模型之間可以進(jìn)行相互轉(zhuǎn)換。2.2.1多尺度各向同性濾波器色織布圖像處理技術(shù)常常模仿灰度圖像處理的方法,可以直接在RGB顏色空間的各個(gè)色彩平面進(jìn)行處理。Caelli等［23］在RGB顏色空間用多尺度各向同性濾波器處理圖像,特征從每個(gè)通道中提取,然后合并起來(lái)分類(lèi)檢測(cè)。Maenpaa等［24］測(cè)量基于RGB通道累積直方圖的顏色表示作為彩色特征,用共生矩陣和LBP算子表示紋理特征,對(duì)木塊表面紋理疵點(diǎn)進(jìn)行檢測(cè)。2.2.2色彩瑕疵點(diǎn)的提取彩色織物圖像處理可以從RGB空間變換到其他空間,把色彩通道和亮度通道分開(kāi),對(duì)圖像進(jìn)行分析。Liapis等［25］把彩色織物圖像變換到Lab空間,在L通道進(jìn)行離散小波變換,提取灰度疵點(diǎn)的特征,在a和b通道得到局部直方圖,用作顏色疵點(diǎn)特征的提取。近來(lái),Tsai等［26］也將彩色紋理圖像變換到Lab顏色空間,這個(gè)空間中每個(gè)像素的2個(gè)色彩用色相和濃度表示,在這2個(gè)通道中用Gabor濾波檢測(cè)疵點(diǎn)。文獻(xiàn)論證了在這2個(gè)通道中處理圖像受光照強(qiáng)度的變化影響最小,并假設(shè)疵點(diǎn)是從顏色上可以區(qū)分的。然而一大批疵點(diǎn)的產(chǎn)生是由于灰度的不規(guī)則引起的,例如,和亮度變化有關(guān)的疵點(diǎn)不能引起色相和濃度的不同,因此,也有其局限性。2.2.3彩色彩色圖像在彩色圖像疵點(diǎn)檢測(cè)的分析中,提取通道之間的相關(guān)性是非常重要的?；叶燃y理分析技術(shù)被應(yīng)用在每個(gè)通道,而不同通道之間的像素相互作用也應(yīng)考濾到,如Rosenfeld等［27］是最早提出這種彩色圖像處理技術(shù)的研究者之一。Panjwani等［28］設(shè)計(jì)了一個(gè)GMRF模型以解碼彩色通道內(nèi)和通道之間的空間相關(guān)性。Jain等［29］在每個(gè)彩色通道里應(yīng)用Gabor濾波器濾波,可以獲得每個(gè)通道的紋理特征,通過(guò)取得了顏色通道之間空間相關(guān)性獲得對(duì)方通道的特征。Kittler等［30］通過(guò)二值化空間像素分布分析完成顏色聚類(lèi),識(shí)別彩色瓷磚圖像的疵點(diǎn),考慮了顏色聚類(lèi)與空域中的二值圖像的空域和頻域的相互作用。2.2.4彩色圖像模型迄今為止,為了處理彩色紋理圖像而在完全三維空間的模型研究相對(duì)有限,三維數(shù)據(jù)空間常常被用上面提到的方法變形,用低維空間的方法建模和分析數(shù)據(jù)。然而,由于彩色圖像數(shù)據(jù)空間通道間只能近似非相關(guān),所以這些方法不可避免地使信息受到損失。Jojic等［31］和Xie等［32］用Epitome和Texem模型給出了緊密的三維彩色圖像紋理的描述。圖像被假設(shè)成依賴圖像塊里原始像素值的基元的集合,1個(gè)塊的中心點(diǎn)的鄰域被假設(shè)為統(tǒng)計(jì)條件下是獨(dú)立的。在Epitome模型里,一個(gè)隱藏的映射圖Epitome表示原始圖像;在Texem模型里,詳細(xì)的映射圖由多級(jí)較小的Epitome描述。這些緊密的表示方法本身同時(shí)具有空域和頻域的相互作用特性。但是,在全三維色彩空間的疵點(diǎn)檢測(cè)計(jì)算代價(jià)較大,為了適應(yīng)實(shí)時(shí)處理,需要配置特殊的硬件和軟件。總而言之,彩色圖像分析的織物疵點(diǎn)檢測(cè)算法有待進(jìn)一步研究和發(fā)展,已報(bào)道的文章極其有限,而且僅是針對(duì)所有領(lǐng)域彩色紋理圖像,比較籠統(tǒng)。由于色織布的彩色紋理圖像處理有其特殊性,用機(jī)器視覺(jué)和圖像處理檢測(cè)疵點(diǎn)有一定困難,但是隨著色織布的生產(chǎn)和出口量日益上升,代替人工檢測(cè)和分類(lèi)的有效自動(dòng)色織布疵點(diǎn)檢測(cè)系統(tǒng)的需求越來(lái)越迫