图像处理基于遗传算法优化Gabor滤波器提取织物表面特征值进行织物瑕疵识别和处理matlab源码
Posted Matlab科研工作室
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图像处理基于遗传算法优化Gabor滤波器提取织物表面特征值进行织物瑕疵识别和处理matlab源码相关的知识,希望对你有一定的参考价值。
1 原理简介
印花织物的瑕疵影响其质量,从而使其价值降低。现代纺织业的瑕疵检测方法主要是人工检测,人工检测存在效率低,准确率低等问题,而实现自动化检测印花瑕疵则可提高织物检测过程的检测效率和准确率,是纺织工业可持续发展重要研究领域。对于检测无周期印花织物瑕疵,检测方法可分为两个阶段:训练阶段和检测阶段。训练阶段是利用遗传算法选择最优Gabor参数,遗传算法的目标函数评价参数优劣,选择、交叉和变异,构造出新的参数组。最后,将最优参数组的方向和频率经过特定的旋转应用到检测阶段中。在检测阶段,经过Gabor滤波的标准样本印花织物的极值作为阈值,从而根据阈值对印花织物进行二值化。印花织物检测的高速性可以实现工业生产的可实施性。对于检测周期印花织物,织物瑕疵检测方法首先是进行织物均衡化预处理。其次,将织物遍历窗口的大小设置为织物周期,织物周期通过距离匹配函数计算得到。每个窗口提取两个特征值表征织物特性,织物窗口的两个特征值是通过计算标准织物和待测织物的差异性来实现的。标准遍历窗口的特征值作为判别瑕疵的阈值。规则带方法检测速度满足检测系统要求。针对坯布织物瑕疵问题,提出织物加权协方差特征值自动检测织物瑕疵方法。
2 部分代码
clear all; clc; RGB = imread('thickbar.jpg'); L=rgb2gray(RGB); %% 遗传算法参数初始化 maxgen=50; %进化代数,即迭代次数 sizepop=20; %种群规模 pcross=[0.3]; %交叉概率选择,0和1之间 pmutation=[0.1]; %变异概率选择,0和1之间 %节点总数 numsum=2; lenchrom=ones(1,numsum); bound=[0.1*ones(numsum,1) 2*ones(numsum,1)]; %数据范围 %------------------------------------------------------种群初始化-------------------------------------------------------- individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体 avgfitness=[]; %每一代种群的平均适应度 bestfitness=[]; %每一代种群的最佳适应度 bestchrom=[]; %适应度最好的染色体 %初始化种群 for i=1:sizepop %随机产生一个种群 individuals.chrom(i,:)=Code(lenchrom,bound); %编码(binary和grey的编码结果为一个实数,float的编码结果为一个实数向量) x=individuals.chrom(i,:); %计算适应度 individuals.fitness(i)=fun_ga(L,x(1),x(2)); %染色体的适应度 end %找最好的染色体 [bestfitness bestindex]=min(individuals.fitness); bestchrom=individuals.chrom(bestindex,:); %最好的染色体 avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度 % 记录每一代进化中最好的适应度和平均适应度 trace=[avgfitness bestfitness]; %% 迭代求解最佳初始阀值和权值 % 进化开始 for i=1:maxgen i % 选择 individuals=Select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop; %交叉 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound); % 变异 individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); %解码 individuals.fitness(j)=fun_ga(L,x(1),x(2)); end %找到最小和最大适应度的染色体及它们在种群中的位置 [newbestfitness,newbestindex]=min(individuals.fitness); [worestfitness,worestindex]=max(individuals.fitness); % 代替上一次进化中最好的染色体 if bestfitness>newbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:); end individuals.chrom(worestindex,:)=bestchrom; individuals.fitness(worestindex)=bestfitness; avgfitness=sum(individuals.fitness)/sizepop; trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度 end %% 遗传算法结果分析 figure(1) [r c]=size(trace); plot([1:r]',trace(:,2),'b--'); title(['适应度曲线 ' '终止代数=' num2str(maxgen)]); xlabel('进化代数');ylabel('适应度'); legend('平均适应度','最佳适应度'); disp('适应度 变量'); x=bestchrom; [G,gabout1] = gaborfilter2(L,5,5,x(1),x(2));%对图像进行gabor滤波 % figure,imshow(uint8(gabout1)) h = fspecial('gaussian',[3,3],11); I2=imfilter(gabout1,h); %figure,imshow(uint8(I2)) f_max=(1/4)*max(I2(:)); f_min=(3/8)*min(I2(:)); M = imread('normalpic.jpg'); R=rgb2gray(M); figure(2) subplot(2,3,1) imshow(R);title('待检图像') [G,gabout] = gaborfilter2(R,5,5,x(1),x(2));%对图像进行gabor滤波 subplot(2,3,3) imshow(uint8(gabout));title('遗传优化Gabor滤波图像'); g = fspecial('gaussian',[3,3],11); I3=uint8(imfilter(gabout,g)); subplot(2,3,5) imshow(I3);title('高斯平滑图像'); [a,b] = size(I3); for i = 1:a; for j = 1:b; if I3(i,j)<f_max & I3(i,j)>f_min I3(i,j) = 255; else I3(i,j) = 0; end end end B=[0 1 0;1 1 1;0 1 1]; I4=imdilate(I3,B); C=[0 1 0;1 1 1;0 1 1]; I5=imdilate(I4,C); se = strel('ball',5,5); I6 = imerode(I5,se); subplot(2,3,6) imshow(I6);title('遗传优化Gabor滤波最终结果'); subplot(2,3,2) imhist(R);title('原图直方图'); subplot(2,3,4) imhist(uint8(gabout));title('遗传优化Gabor滤波直方图'); %subplot(2,2,3) %imhist(I3);title('高斯平滑直方图'); %subplot(2,2,4) %imhist(I5);title('结果直方图');
3 仿真结果
4 参考文献
[1]杨盼盼. 基于遗传算法构造的Gabor滤波器及规则带特征的印花织物瑕疵检测研究[D]. 西安工程大学.
5 代码下载
以上是关于图像处理基于遗传算法优化Gabor滤波器提取织物表面特征值进行织物瑕疵识别和处理matlab源码的主要内容,如果未能解决你的问题,请参考以下文章
youcans 的 OpenCV 例程200篇193.基于Gabor 滤波器的特征提取