基于轮廓波变换的织物疵点图像消噪新方法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (19): 143-146.

基于轮廓波变换的织物疵点图像消噪新方法

槐向兵，厉征鑫，刘建立，高卫东

江南大学纺织服装学院，江苏无锡 214122

出版日期:2014-10-01 发布日期:2014-09-29

New fabric defect image denoising method based on contourlet transform

HUAI Xiangbing, LI Zhengxin, LIU Jianli, GAO Weidong

School of Textile and Clothing, Jiangnan University, Wuxi, Jiangsu 214122, China

Online:2014-10-01 Published:2014-09-29

摘要/Abstract

摘要： 为了实现织物疵点图像的有效消噪，使其更有利于特征提取和疵点检测，提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系，对Donoho多尺度分解阈值进行修正，改进了Donoho多尺度分解阈值对图像细节“过扼杀”的缺点。实验结果表明，对织物疵点图像进行基于轮廓波变换改进阈值消噪时，该方法更好地保留了织物疵点图像的轮廓细节，峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像，可以更好地应用于织物疵点图像的特征提取和疵点识别。

关键词: 消噪, 小波变换, 轮廓波变换, 织物疵点, 峰值信噪比（PSNR）

Abstract: In order to achieve effective denoising of fabric defect images, making them more conducive to defect detection and feature extraction, a new fabric defect image denoising method based on contourlet transform is proposed. Considering the relationship between directional sub-bands energy of contourlet and the outline details of fabric defect images, the Donoho multi-scale decomposition threshold is corrected to improve its shortcoming that “over kill” to image detail. Experimental results show that the fabric defect images retain better outline details and the peak signal to noise ratio is improved significantly when contourlet transform denoising based on improved threshold is used. The fabric defect images which are denoised by improved Donoho multi-scale decomposition threshold can be better applied to feature extraction of fabric defect images and defect detection.

Key words: denoising, wavelet transform, contourlet transform, fabric defect, Peak Signal Noise Ratio（PSNR）

槐向兵，厉征鑫，刘建立，高卫东. 基于轮廓波变换的织物疵点图像消噪新方法[J]. 计算机工程与应用, 2014, 50(19): 143-146.

HUAI Xiangbing, LI Zhengxin, LIU Jianli, GAO Weidong. New fabric defect image denoising method based on contourlet transform[J]. Computer Engineering and Applications, 2014, 50(19): 143-146.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	赵艳，左保齐. 机器视觉在织物疵点检测上的应用研究综述[J]. 计算机工程与应用, 2020, 56(2): 11-17.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	师晓波，蔺素珍，桑新亚. 利用结构连续块和多尺度变换的缺损图像修复[J]. 计算机工程与应用, 2019, 55(8): 189-194.
[7]	闫亚娣，张凯兵，李鹏飞，王珍，朱丹妮. 基于可控高斯核的色织物疵点检测方法[J]. 计算机工程与应用, 2019, 55(21): 183-188.
[8]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[9]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[10]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[11]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[12]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[13]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[14]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[15]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.