王孟濤 李岳陽 杜帥 蔣高明 羅海馳

摘要： 織物疵點(diǎn)檢測是現(xiàn)代紡織工業(yè)產(chǎn)品質(zhì)量控制中的關(guān)鍵環(huán)節(jié)之一，對保證紡織品質(zhì)量具有重要的現(xiàn)實(shí)意義。文章基于此提出一種灰度梯度共生矩陣（GGCM）和單分類器（SVDD）結(jié)合的檢測方法。該方法首先對織物原圖像采用自適應(yīng)中值濾波、同態(tài)濾波進(jìn)行預(yù)處理，以消除圖像上的光照不勻和噪聲等影響，然后利用灰度梯度共生矩陣對預(yù)處理后的圖像提取15個(gè)特征值并組成特征向量，經(jīng)歸一化后送入到單分類器SVDD中訓(xùn)練和測試。實(shí)驗(yàn)結(jié)果表明：使用此方法進(jìn)行疵點(diǎn)檢測，檢驗(yàn)正確率達(dá)97%，漏檢率為4.5%和誤檢率為1.4%，具有很好的檢測效果。

關(guān)鍵詞： 疵點(diǎn)檢測;SVDD;GGCM;自適應(yīng)中值濾波;同態(tài)濾波

Fabric defect detection based on gray?level gradient co?occurrence matrix and SVDD

WANG Mengtao， LI Yueyang， DU Shuai， JIANG Gaoming， LUO Haichi

（Engineering Research Center for Knitting Technology Ministry of Education， Jiangnan University， Wuxi 214122， China）

Abstract： Fabric defect detection is one of the key links in the quality control of modern textile industry products， and has important practical significance for ensuring the quality of textiles. Based on this， a detection method combining gray?level gradient co?occurrence matrix （GGCM） and single classifier （SVDD） is proposed in this paper. In the method， firstly， adaptive median filtering and homomorphic filtering were used to preprocess the original fabric image to eliminate the impacts of illumination unevenness and noise on the image， and then GGCM was used to extract 15 eigenvalues from the images after preprocessing. The eigenvalues were then combined to form a feature vector which was normalized and sent to the single classifier SVDD for training and testing. The experimental results showed that： with this method for defect detection， the test accuracy rate could reach 97%， and the missed detection rate and the false detection rate were 4.5% and 1.4%， respectively. Thus， the proposed method has a very good detection effect.

Key words： defect detection; support vector domain description; gray?level gradient co?occurrence matrix; adaptive median filtering; homomorphic filtering

近十年來，先進(jìn)的計(jì)算機(jī)和人工智能技術(shù)為紡織企業(yè)注入了新的活力，基于機(jī)器視覺的織物疵點(diǎn)自動(dòng)檢測是眾多學(xué)者研究的熱點(diǎn)之一?？椢锎命c(diǎn)檢測是紡織品質(zhì)量控制的關(guān)鍵環(huán)節(jié)，出現(xiàn)疵點(diǎn)的紡織品將嚴(yán)重影響其價(jià)格，可導(dǎo)致產(chǎn)品價(jià)格下降45%～65%[1]。目前絕大多數(shù)的紡織企業(yè)中織物疵點(diǎn)都是由檢驗(yàn)人員完成的。由于檢測勞動(dòng)強(qiáng)度大，考慮到人為因素的影響，檢測效率低，漏檢率較高，缺乏可靠性。因此，織物疵點(diǎn)的自動(dòng)化檢測是紡織企業(yè)生產(chǎn)中產(chǎn)品質(zhì)量控制的必然趨勢。

織物疵點(diǎn)自動(dòng)檢測，被許多從事此領(lǐng)域的研究人員認(rèn)為是一個(gè)非常艱巨的任務(wù)，歸結(jié)起來主要有兩個(gè)問題[2]：一是沒有通用性的特征;二是一個(gè)典型的一類分類問題。由于存在各種織物疵點(diǎn)類型，并且在織物織造過程中，光源的不穩(wěn)定和車間環(huán)境的復(fù)雜性，因此要確定一個(gè)能夠檢測大多數(shù)疵點(diǎn)的特征是較為困難的;一類分類也稱為新穎性檢測或異常值檢測，被廣泛應(yīng)用于異常檢測[3?4]、故障診斷[5]和樣本聚類[6]等多個(gè)方向。據(jù)Markou等[7]的研究可知，單分類問題是屬于無監(jiān)督學(xué)習(xí)范疇。然而在傳統(tǒng)的兩分類問題中，正負(fù)兩類樣本可以為最終決策函數(shù)提供有力的支持，比如王鶴翔[8]、吳哲[9]和Kumar等[10]采用傳統(tǒng)的支持向量機(jī)（support vector machine， SVM）來檢測常見的織物疵點(diǎn)。但是發(fā)現(xiàn)傳統(tǒng)的支持向量機(jī)訓(xùn)練時(shí)需要大量正?？椢锖痛命c(diǎn)織物圖像，而在現(xiàn)實(shí)生產(chǎn)過程中疵點(diǎn)圖像獲取較為困難。鑒于此問題，Tax等[11?12]在1999和2004年開發(fā)出一種支持向量數(shù)據(jù)描述（support vector domain description，SVDD），與此同時(shí)Schokopf[13]在2001年也提出了一類支持向量機(jī)（one?class SVM，OCSVM），兩者都可以應(yīng)用到單分類問題中。雖然已有一些關(guān)于傳統(tǒng)支持向量機(jī)應(yīng)用到織物疵點(diǎn)檢測中的研究，但是關(guān)于單分類SVDD和OCSVM在織物疵點(diǎn)上的應(yīng)用還是很少的。

由于傳統(tǒng)支持向量機(jī)訓(xùn)練時(shí)需要大量的正負(fù)樣本，為避免這一問題，本文提出了一種基于灰度梯度共生矩陣和單分類器SVDD的疵點(diǎn)檢測方法，包括圖像預(yù)處理、圖像特征提取與處理和分類器分類識(shí)別三部分。

1?圖像預(yù)處理

由于獲取織物圖像時(shí)，不可避免地會(huì)出現(xiàn)光照不勻、相機(jī)抖動(dòng)和車間內(nèi)的飛花等一些干擾因素的影響。獲得的織物圖像存在一定噪聲，如不處理直接對織物圖像提取特征，這就會(huì)造成分類器對疵點(diǎn)識(shí)別率低或錯(cuò)分等后果，因此圖像預(yù)處理是模式識(shí)別中必不可少的環(huán)節(jié)。本文采用自適應(yīng)中值濾波法對原圖像進(jìn)行去噪，然后使用同態(tài)濾波法對去噪后的圖像進(jìn)行增強(qiáng)，并消除局部紋理對后續(xù)特征提取的影響。

1.1?自適應(yīng)中值濾波

由于傳統(tǒng)的中值濾波器的窗口大小是固定不變的，不能同時(shí)兼顧去噪和保護(hù)圖像細(xì)節(jié)，因此鄧秀勤等[14]在中值濾波基礎(chǔ)之上作了改進(jìn)，提出一種加權(quán)的自適應(yīng)中值濾波算法。

自適應(yīng)中值濾波法的原理是：根據(jù)噪聲密度的影響來改變?yōu)V波窗口大小，對噪聲點(diǎn)和信號(hào)點(diǎn)采取不同的操作，對噪聲點(diǎn)采取中值濾波，對信號(hào)點(diǎn)保留其灰度值。

設(shè)Z（x，y）是點(diǎn)（x，y）處的灰度值，A（x，y）為當(dāng)前工作窗口，Zmin、Zmax和Zmed分別是A（x，y）的灰度最小值、最大值和中值，Amax為預(yù)設(shè)的最大窗口。

自適應(yīng)中值濾波算法可以分為兩個(gè)進(jìn)程：A進(jìn)程和B進(jìn)程。

A進(jìn)程：

A1=Zmed-Zmin，Z2=Zmed-Zmax（1）

如果A1>0且A2<0，則轉(zhuǎn)至B進(jìn)程;否則，增加窗口的尺寸;如果A（x，y）≤Amax，則重復(fù)A進(jìn)程，否則輸出Zmed。

B進(jìn)程：

B1=Z（x，y）-Zmin，B2=Z（x，y）-Zmax（2）

如果B1>0且B2<0，則輸出Z（x，y），反之輸出Zmed。

本文選取的織物圖像大小為512pixel×512pixel，初始預(yù)設(shè)的窗口大小為3，然后采用自適應(yīng)中值濾波對圖像進(jìn)行濾波去噪，去噪效果如圖1所示。

1.2?同態(tài)濾波

同態(tài)濾波是把圖像的灰度變換和頻率過濾相結(jié)合的圖像處理方法，通過增強(qiáng)圖像的對比度和調(diào)整圖像的灰度范圍以改善圖像質(zhì)量。

同態(tài)濾波器的原理：對于一副圖像f（x，y）是由照度函數(shù)i（x，y）和反射函數(shù)r（x，y）的乘積組成的，即：

f（x，y）=i（x，y）r（x，y）（3）

同態(tài)濾波算法的流程如圖2所示。

根據(jù)圖2，選擇同態(tài)濾波函數(shù)H（u，v）為高斯同態(tài)濾波，參數(shù)設(shè)置：高頻rh為4.7，低頻rl為0.5，處理后的效果如圖3所示。

2?特征提取

圖像識(shí)別實(shí)際上是一個(gè)分類的過程，為了識(shí)別出某圖像所屬的類別，本文需要將它與其他不同類別的圖像區(qū)分開來。這就要求選取的特征不僅要能夠很好地描述圖像紋理，更重要的是還要能夠很好地區(qū)分不同類別的圖像。因此，本文選取灰度梯度共生矩陣作為本文的特征提取方法，并與灰度差分、灰度共生矩陣兩種方法作對比。

2.1?灰度梯度共生矩陣

灰度梯度共生矩陣（gray?gradient co?occurrence matrix，GGCM）[8]反映一幅圖像各像素點(diǎn)的灰度和梯度的關(guān)系，圖像的灰度是其構(gòu)成的基礎(chǔ)，而梯度則是構(gòu)成圖像邊緣輪廓的主要元素，將二者結(jié)合起來使用，能夠很好地表征圖像的紋理特征。

2.2?圖像的灰度和梯度的正規(guī)化

正規(guī)化的目的是在保證對圖像紋理特征無影響的情況下，通過對灰度和梯度的正規(guī)化，以減少提取特征時(shí)的計(jì)算量。

圖像灰度的正規(guī)化：

F（K，L）=INTf（K，L）×nf/fm（4）

式中：INT為取整運(yùn)算;f（K，L）為當(dāng)前圖像的灰度值;fm為圖像的灰度最大值;nf為正規(guī)后希望的最大灰度值，本文取32。

圖像梯度的正規(guī)化：

T（K，L）=INTt（K，L）×nt/tm+1（5）

式中：INT為取整運(yùn)算;t（K，L）當(dāng)前圖像的梯度值;tm為圖像的梯度最大值;nt為正規(guī)后希望的最大梯度值，本文取32。

經(jīng)正規(guī)化的灰度F（K，L）和梯度T（K，L），則可以計(jì)算灰度梯度共生矩陣。

2.3?計(jì)算灰度梯度共生矩陣

圖像的灰度F（K，L）和梯度T（K，L）經(jīng)過正規(guī)化后，然后統(tǒng)計(jì)同時(shí)使F（K，L）=i和T（K，L）=j成立的像素點(diǎn)數(shù)，這個(gè)統(tǒng)計(jì)值即是共生矩陣A在點(diǎn)（i，j）的像素值A(chǔ)（i，j），在此處的共生矩陣A的概率：

pij=cij/∑i∑jcij（6）

2.4?基于灰度梯度共生矩陣的圖像特征提取

計(jì)算出灰度梯度共生矩陣之后，就能計(jì)算能夠描述圖像紋理的統(tǒng)計(jì)量，本文選取GGCM的15個(gè)統(tǒng)計(jì)特性，包括小梯度優(yōu)勢（T1）、大梯度優(yōu)勢（T2）、灰度分布的均勻性（T3）、梯度分布不均勻性（T4）、能量（T5）、灰度平均（T6）、梯度平均（T7）、灰度均方差（T8）、梯度均方差（T9）、相關(guān)性（T10）、灰度熵（T11）、梯度熵（T12）、混合熵（T13）、慣性（T14）和逆差矩（T15）。

由灰度梯度共生矩陣的15個(gè)特征組成灰度圖像紋理特征向量，記作T：

T=[T1，T2，T3，T4，T5，T6，T7，T8，T9，T10，T11，T12，T13，T14，T15]（7）

為了便于后續(xù)分類器的分類和識(shí)別，需將獲得的特征向量進(jìn)行歸一化，本文采取的歸一化方法是所用MATLAB自帶的mapminmax（）函數(shù)，將所有特征向量歸一到[0，1]。

3?基于SVDD的織物疵點(diǎn)檢測

3.1?SVDD主要思想

首先選擇合適的核函數(shù)將訓(xùn)練樣本映射到高維特征空間中，再在特征空間中尋找一個(gè)最優(yōu)超球面將全部或絕大多數(shù)訓(xùn)練樣本包含在超球內(nèi)，然后對測試樣本做相同的映射，如果測試樣本落入到超球體內(nèi)，則稱此樣本為正常點(diǎn)，反之，稱為異常點(diǎn)。本文基于此思想，首先選擇無疵點(diǎn)的圖像，經(jīng)過預(yù)處理、特征提取、歸一化組成特征向量，通過核函數(shù)映射到高維特征空間中，訓(xùn)練一個(gè)只包含無疵點(diǎn)圖像的Model（最優(yōu)超球體），然后選取有疵點(diǎn)的圖像去檢測訓(xùn)練的超球體是否合理。

3.2?SVDD原理

對于給定的訓(xùn)練數(shù)據(jù)集xi={x1，x2，…，xi}∈RN，構(gòu)造xi的超球體就轉(zhuǎn)換為下式的最優(yōu)化問題：

minR，c，ξiR2+c∑iξi（8）

s.t. ‖（xi）-a‖2≤R2+ξi，ξi≥0;i=1，2，3…n

式中：a與R分別是超球體的球心和半徑，c是懲罰系數(shù)，ξi是松弛變量。

下式為式（8）的對偶形式：

minα∑ijαiαjk（xi，xj）-∑iαik（xi，xj）（9）

s.t.∑iαi=1，0≤αi≤c，i=1，2，…τ

k（x，y）=exp‖x-y‖22δ2（10）

式中：αi是拉格朗日乘子，k（x，y）是核函數(shù)，δ是高斯核函數(shù)的參數(shù)。

然后，由下式可計(jì)算出超球體的半徑：

R2=1-2∑iαik（xi，x）+∑ijαiαjk（xi·xj）（11）

式中：x代表任一支持向量。

最后，用下式計(jì)算測試樣本t與超球中心a的距離s：

s=1-2∑iαik（xi，t）+∑ijαiαjk（xi·xj）（12）

若s≤R，則可認(rèn)為測試樣本是正常點(diǎn)，反之可認(rèn)為異常點(diǎn)。

3.3?基于SVDD的算法流程

本文基于SVDD的檢測方法，具體步驟可以概括訓(xùn)練階段和測試階段兩部分，算法流程圖如圖4所示。

3.4?算法實(shí)現(xiàn)

首先對有疵點(diǎn)和無疵點(diǎn)的圖像進(jìn)行預(yù)處理，消除圖像上的光照不勻和噪聲等影響，然后對預(yù)處理后的圖像進(jìn)行分割成一定大小的子圖像，再對每一子圖像提取特征值組成特征向量，為保證分類器分類的準(zhǔn)確性和降低運(yùn)算量，需對特征向量進(jìn)行歸一化，最后用SVDD分類器對特征向量進(jìn)行訓(xùn)練和測試，給出分類結(jié)果。具體算法描述如下：

1）首先采用自適應(yīng)中值濾波和同態(tài)濾波對織物原圖像進(jìn)行預(yù)處理。

2）然后采用圖像分塊算法把預(yù)處理后的圖像分成64pixel×64pixel大小的子圖像，其中包括訓(xùn)練樣本506幅，測試樣本300幅（包括有疵點(diǎn)樣本144幅，無疵點(diǎn)樣本156幅）。

3）利用灰度梯度共生矩陣（GGCM）分別對訓(xùn)練樣本和測試樣本提取15個(gè)特征值，歸一化后組成特征向量，送入到分類器進(jìn)行分類識(shí)別。為了驗(yàn)證GGCM提取的特征是最優(yōu)，本文采用灰度差分統(tǒng)計(jì)法（GLDS）、灰度共生矩陣（GLCM）與之對比，來說明GGCM的特征是最優(yōu)的。

用單分類器支持向量數(shù)據(jù)描述（SVDD）首先對506個(gè)訓(xùn)練樣本的特征向量進(jìn)行訓(xùn)練出一個(gè)模型，然后將300個(gè)測試樣本（其中包括144個(gè)有疵點(diǎn)樣本和156幅無疵點(diǎn)樣本）的特征向量送入到SVDD訓(xùn)練好的模型中進(jìn)行分類識(shí)別，最終給出分類的誤檢率、漏檢率和分類的準(zhǔn)確率。

4?結(jié)果與分析

4.1?評價(jià)指標(biāo)

本文選取誤檢率（AR）、漏檢率（MR）和檢測正確率（CR）去衡量此檢測算法的可靠性。其中：TP代表有疵點(diǎn)的測試樣本被檢測出疵點(diǎn);TF代表有疵點(diǎn)的測試樣本沒有被檢測出疵點(diǎn);WP代表無疵點(diǎn)的樣本被檢測出疵點(diǎn);WF代表無疵點(diǎn)的測試樣本沒有被檢測出疵點(diǎn);SP代表測試樣本總數(shù)，SP1代表測試樣本無疵點(diǎn)樣本總數(shù)，SP2代表測試樣本有疵點(diǎn)樣本總數(shù)，則有：

AR=WPSP1（13）

MR=TFSP2（14）

CR=TP+WFSP（15）

4.2?檢驗(yàn)的織物疵點(diǎn)

為了驗(yàn)證本文提出算法的可行性，選取訓(xùn)練樣本506個(gè)，全部為無疵點(diǎn)圖像;測試樣本300個(gè)，其中疵點(diǎn)樣本144個(gè)，無疵點(diǎn)樣本156個(gè)，大小均為64pixel×64pixel。實(shí)驗(yàn)的硬件環(huán)境CPU為2.50GHz，內(nèi)存8G，操作系統(tǒng)Windows7專業(yè)版，軟件為Matlab 2017a，在臺(tái)灣大學(xué)林智仁（Lin Chih?Jen）教授開發(fā)的LIBSVM?SVDD工具箱上完成的。

首先利用三種特征提取方法分別對506幅訓(xùn)練樣本和200幅測試樣本提取特征，統(tǒng)計(jì)每一種方法所需時(shí)間，如表1所示。由于GGCM提取15個(gè)特征特性所花費(fèi)的總時(shí)間為15.05s，而GLCM提取織物圖像的能量、熵、慣性矩、相關(guān)性的均值和標(biāo)準(zhǔn)差8個(gè)統(tǒng)計(jì)量的總時(shí)間是38.09s，相當(dāng)于GGCM的兩倍多;灰度差分（GLDS）雖然花費(fèi)的時(shí)間最少，但是它僅提取織物圖像的4個(gè)特征統(tǒng)計(jì)量，并且計(jì)算方式過于簡單，可信度不可靠。所以，灰度梯度共生矩陣提取特征最合理。

然后將分別屬于訓(xùn)練樣本和測試樣本歸一化后的特征向量，送入到分類器進(jìn)行分類識(shí)別。由于本文采用的是LIBSVM?SVDD工具箱，因此只需要設(shè)置合適的參數(shù)就可以訓(xùn)練模型，參數(shù)設(shè)置為‘-s5-t2-c。其中‘-s代表選擇SVM的類型，具體表示類型如表2所示;‘-t代表選擇核函數(shù)的類型，如表3所示。

‘-c是分類器SVDD一個(gè)最重要參數(shù)，叫做懲罰參數(shù)，控制超球體體積和描述誤差，且v=1/nc，v是控制錯(cuò)分比例參數(shù)。較大的c意味著訓(xùn)練的超球體就越大，絕大多數(shù)的訓(xùn)練樣本包含在超球體內(nèi)，隨著c的減小，超球體的體積就減小，這時(shí)就會(huì)將那些松散且距離超球中心的樣本點(diǎn)排除在外，提高分類器的分類精度。本文選取的SVM類型是SVDD，核函數(shù)是徑向基和函數(shù)RBF，其中核函數(shù)中參數(shù)對超球分類精度影響也較大，較小的σ會(huì)使映射后超球分界面較為復(fù)雜，需要大量的支持向量機(jī)進(jìn)行描述，因此分類精度高，但泛化能力較差;然而隨著σ增大，分類精度會(huì)減小，但是泛化能力會(huì)增強(qiáng)。

表4采用灰度差分統(tǒng)計(jì)法（GLDS）和灰度共生矩陣（GLCM）兩種特征來描述織物紋理特征，與本文所采用的灰度梯度共生矩陣（GGCM）的特征相比較，分別將相應(yīng)的特征向量送入到分類器SVDD模型中，其中‘-c參數(shù)設(shè)置為0.0021，進(jìn)行訓(xùn)練和測試，最后給出實(shí)驗(yàn)結(jié)果。

從表4可以看出，使用本文所提出的方法進(jìn)行織物疵點(diǎn)檢測，檢測正確率達(dá)97.0%，漏檢率和誤檢率都相對較低，分別為4.5%和1.4%，相比較傳統(tǒng)的灰度共生矩陣有所提高。這是因?yàn)榛叶忍荻裙采仃囋诨叶裙采仃嚨幕A(chǔ)上有加上梯度這一信息，能夠更加合理地描述織物紋理。

最后給出幾幅織物圖像疵點(diǎn)檢測結(jié)果，演示的每行都是檢測一個(gè)大小為512pixel×512pixel織物疵點(diǎn)圖像，其對應(yīng)的實(shí)際織物尺寸為2592pixel×80pixel，如圖5所示。第一列是織物原圖像的灰度圖像，第二列是經(jīng)過預(yù)處理后的圖像，第三列顯示的是相應(yīng)的疵點(diǎn)檢測結(jié)果，其中有交叉的網(wǎng)格代表被本文所提出的算法所識(shí)別出來的大小為64pixel×64pixel的疵點(diǎn)樣本。

5?結(jié)?語

本文提出的基于灰度梯度共生矩陣和支持向量數(shù)據(jù)描述（SVDD）的織物疵點(diǎn)檢測方法，其優(yōu)點(diǎn)避免了傳統(tǒng)兩分類或者多分類（負(fù)樣本）獲取困難的問題。采用灰度梯度共生矩陣提取樣本特征，相比較于共生矩陣在像素灰度信息的基礎(chǔ)上又添加梯度信息，能夠更好地描述織物紋理。實(shí)驗(yàn)結(jié)果表明：用本文提出的織物疵點(diǎn)檢測方法進(jìn)行織物疵點(diǎn)檢測，正確率達(dá)97%，漏檢率和誤檢率分別為4.5%和1.4%。但是還存在一定的不足：本文缺少對SVDD分類器參數(shù)的優(yōu)化，提取的特征沒有考慮頻率域的特征，這些有待下一步研究。

參考文獻(xiàn)：

[1]MARK L， PENG P. Detecting defects in textile fabrics with optimal Gabor filters [J]. International Journal of Computer Science， 2006， 1（4）： 274?282.

[2]BU H G， WANG J， HUANG X B. Fabric defect detection based on multiple fractal features and support vector data description [J]. Engineering Applications of Artificial Intelligence， 2009（22）： 224?235.

[3]WANGS， YU J， LAPIRA E， et al. A modified support vector data description based novelty detection approach for machinery components [J]. Applied Soft Computing， 2012， 13： 1193?1205.

[4]LIUB， XIAOY S， CAO L B， et al. SVDD?based outlier detection on uncertain data [J]. Knowledge and Information Systems， 2013， 34（3）： 597?618.

[5]敬人可， 李建增， 周海林. 聚類分析在缺陷分類中的應(yīng)用[J]. 國外電子測量技術(shù)， 2012， 31（10）： 55?58.

JING Renke， LI Jianzeng， ZHOU Hailin. The application of cluster analysis in defect classification[J]. Foreign Electronic Measurement Technology， 2012， 31（10）： 55?58.

[6]NIAZMARDI S， HOMAYOUNI S， SAFARI A. An improved FCM algorithm based on the SVVD for uns?uper vised hyperspectral data classification [J]. IEEE Journal of Selected Topics in Applied Earth Bservations and Remote Sensing， 2013， 6（2）： 831?839.

[7]MARKOU M， SINGH S. Novelty detection： a review—part 2： neural network based approaches [J]. Signal Processing， 2003， 83（12）： 2499?2521.

[8]王鶴翔. 基于小波變換和SVM的織物疵點(diǎn)檢測與分類[D]. 上海： 東華大學(xué)， 2015.

WANG Hexiang. Fabric Defect Detection and Classification Based on Wavelet Transform and SVM [D]. Shanghai： Donghua University， 2015.

[9]吳哲. 基于小波分析與SVM的織物疵點(diǎn)識(shí)別分類算法的研究[D].泉州： 華僑大學(xué)， 2016.

WU Zhe. Research on Fabric Defect Recognition Algorithm Based on Wavelet Analysis and SVM [D]. Quanzhou： Huaqiao University， 2016.

[10]KUMAR， SHEN. Texture inspection for defects using neural networks and support vector machines [J]. IEEE Proceedings of the International Conference on Image Processing， 2002（3）： 353?356.

[11]TAX， DUIN. Support vector domain description [J]. Pattern Recognition Letters， 1999（20）： 1191?1199.

[12]TAX， DUIN. Support vector data description [J]. Machine Learning， 2004（54）： 45?66.

[13]SCHOLKOPF B， PLATT J C， SHAWE?TAYLOR J， et al. Estimating the support of a high?dimensional distribution [J]. Neural Computation， 2001， 13（7）： 1443?1471.

[14]鄧秀勤， 熊勇， 彭宏. 一種有效的自適應(yīng)加權(quán)中值濾波算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2009， 45（35） ： 186?187.

DENG Xiuqin， XIONG Yong， PENG Hong. Effective adaptive weighted median filter algorithm[J]. Computer Engineering and Applications， 2009， 45（35） ： 186?187.