1.一种基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：包括训练和测试两个阶段；训练阶段，根据一系列无瑕疵纺织品灰度图像：以下简称无瑕图像，计算图格分割所需参数，而后对无瑕图像进行图格分割并计算测试阶段瑕疵识别所需参数；测试阶段，根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格；

所述训练阶段包括以下步骤：

步骤1：根据一系列无瑕图像计算图格分割所需参数，以确定图格理想尺寸；

步骤1具体包括以下步骤：

步骤1.1：背景像素投影，根据RTV模型计算纺织品灰度图像I的卡通成分，应用Bradley方法二值化卡通成分，通过形态学腐蚀和膨胀操作对二值化卡通成分降噪，应用Moore‑Neighbor跟踪算法得到二值化Ic中的二值对象，计算二值化卡通成分中二值对象面积，删除面积不在区间((1‑α)·ma，(1+α)·ma)内的二值对象，其中，ma为二值对象面积中位值，且0＜α＜1，得到二值化纺织品图像Itc；计算Itc中每行每列背景像素数，按行索引升序排列每行背景像素数得到背景像素行投影 按列索引升序排列每列背景像素数得到背景像素行投影

步骤1.2：计算峰值覆盖值，计算纺织品灰度图像I的背景像素行投影 的峰值，将峰值按其在背景像素行投影 中的索引升序排列得到峰值序列 对于pr中第ipr， 1≤ipr个峰值 根据下式计算 的覆盖值与背景像素行投影 的覆盖值 计算方法相同，将上式中下角标r的项替换为具有下角标c的对应项即可，计算 的峰值序列 计算 其中

1≤ipc；计算pr中峰值覆盖值的有序集合 中元素按大小降序排列；对于中的第 个元素 峰值序列中满足 的 有序集合称为第 级峰值 第 级峰值中的元素按其在 中的索引升序排列；对于第 级峰值，计算每个峰值与其前一峰值在 中的索引之差绝对值，计算这些绝对值的中位值 及其出现次数 组成集合 组成集合中元素取值组成集合 类似地，根据 和pc计算满足的 有序集合“第 级峰值” 计算第 级峰值中前后元素在中的索引之差绝对值及其中位值 和中位值出现次数组成多重集 组成多重集 中元素取值组成集合步骤1.3：计算图格理想尺寸，对训练样本集的I1，I2...IN中的第i个， 1≤i≤N，训练样本Ii，根据步骤1.2计算Ii的 pr， pc，和 计算 取值集合 Ii的理想行数 由下式定义：其中，δ为狄拉克δ函数， Ii的理想列数 计算与 类似，即将上式中具有下角标r的项替换为具有下角标c的对应项即可， 替换为 图格理想尺寸定义为 的中位值 和 的中位值步骤2：根据步骤1中获得的图格理想尺寸，对训练样本集进行图格分割，获得训练样本图格；

步骤3：采用Gabor滤波器组对步骤2中图格分割生成的训练样本图格进行卷积，卷积结果通过投影方法降维，计算降维结果的能量和振幅，组合能量和振幅构成特征向量，最终产生特征向量距离矩阵；

步骤4：根据训练样本图格，找到距离矩阵的最大值，计算所有距离矩阵最大值的平均值作为距离阈值；

所述测试阶段包括以下步骤：

步骤5：根据步骤4得到的距离阈值，按照步骤2的方法对测试样本进行图格分割，获得测试样本图格；

步骤6：按照步骤3的方法计算测试样本的距离矩阵，并将计算结果与瑕疵检测阈值进行比较，以识别有瑕疵的图格。

2.如权利要求1所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤2具体包括以下步骤：步骤2.1：背景像素投影，计算过程包含步骤1.1和步骤1.2；

步骤2.2：计算初始分割位置，对于第i个训练样本Ii，根据步骤2.1计算得到的 和计算步骤1.2中定义的 和 以及 和根据步骤1.3计算得到的 和 按下式计算 出现最频繁的第 级峰值同理，可计算 出现最频繁的第 级峰值，即将上式中具有下角标r的项替换为具有下角标c的对应项即可；

步骤2.3：计算最终分割位置，即行分割位置 和列分割位置 对于第i个训练样本Ii， 和 的初始值分别为步骤2.2计算的Ii的行初始分割位置Sr和列初始分割位置Sc；将中的元素按大小升序排列，找出其中的最小元素 和最大元素 按下式计算四个预测位置 和

根据 和 分别包含的行与列索引，将Ii按这些索引所在的行与列进行分割，分割所得的矩形区域为图格，其定义如下：其中，

和 表示图格在I中排列位置的索引。

3.如权利要求2所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤3采用Gabor滤波器组对图格分割生成的 且进行卷积，Gabor滤波器包含实部和虚部，仅采用Gabor滤波器的虚数部分，其定义如下：

s/2

其中， 表示尺度参数， 表示角度参数，g0＝1/(4·2 )，如果s取值的个数记作 θ的取值个数记作 可构成ns·nθ个Gabor滤波器，这些滤波器的集合称为Gabor滤波器组；每个 分别与ns·nθ个Gabor滤波器进行卷积，可产生ns·nθ个卷积结果，将这些卷积结果旋转‑θ，然后按行累加，即可将二维卷积结果变为一维，达到降维目的；令 表示行索引为x的行投影，其定义如下：其中， 和 为Gabor滤

波器系数的索引， 表示Gabor滤波器系数索引的取值范围，Gabor滤波器系数可排列为行数和列数均为2·SG+1的矩阵；对于 将其卷积结果的各行投影按x升序排列则得到一维的卷积投影 其定义如下：计算每个 的能量和振幅，并按s和θ的取值顺序连接构造 的特征向量其定义如下：

其中， 和 分别表示 的能量和振幅；若 表示 的能量，则为 中所有元素的平方和，其中x为 的元素索引，那么 其中 表示按先s后θ的顺序连接；同理，定义表示 的振幅，则 为 中所有元素的绝对值之和，其中x为 的元素索引，那么 对于每行图格，计算每个图格 与其所在行中所有图格关于卷积投影的车贝雪夫距离，即对于给定的ir，s和θ，对于每个 的取值，计算并按此计算顺序排列成一行，一共有|Sv|‑1行，再将这些行按ic的取值大小从上到下排列，构成如下关于第i行的距离矩阵对于第ir行，存在ns·nθ个 的第ic行表示 与第ic行中所有图格卷积投影的车贝雪夫距离，由于 对角线元素表示 与它自己卷积投影的车贝雪夫距离，所以对角线上的元素恒为0；移除该 的对角线得到矩阵 的定义如下：

的第ic行表示 与第ir行中除 外的其他图格卷积投影的车贝雪夫距离；计算 每行的标准差，具有最小标准差的行的行索引i′c对应的图格 定义为第ir行图格关于s和θ的典型图案，记作 i′c的定义如下：其中， 表示 中的第ic行；对于第ir行图格，如果存在多个关于相同s和θ的 则任取其中一个作为唯一的关于s和θ的典型图案；对于不同的s和θ，的索引i′c有可能相同，即不同的s和θ的典型图案是同一个图格，重合次数最多的图格定义为第ir行的典型无瑕疵图格，记作 其定义如下：对于第ir行图格和不同的s和θ，若成立，则 任取 中的一个；计算 特征向量 之间的车贝雪夫距离，即对于每个 计算 并将距离排列为如下所示的矩阵

按行累加 中的元素，则可以量化 中关于 的车贝雪夫距离的大小情况，即计算如下定义的距离向量d，其中， 距离向量d中的第ir个元素 表示 与其他典型图案的车贝雪夫距离之和；只有满足条件* *

的 可以参与理想特征向量v的计算，满足该条件的 组成的多重集S定义如下：* * * * *

v定义为S的均值，即v ＝avg(S)；以v 作为标准，通过计算纺织品图像中图格特征向*

量 与v的车贝雪夫距离 并分析 的分布，识别有瑕疵的图格；将 作为一个矩阵第ir行和第ic列的元素，得到距离矩阵 其定义如下：

4.如权利要求3所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤4中由于距离矩阵 中有瑕疵图格对应的直方图中的值很大，分离直方图中有瑕疵*

和无瑕疵图格所对应的 可以转化为基于阈值的判断问题，即选择距离阈值d ，找到*

中的最大元素，并求平均值作为距离阈值d输出。

5.如权利要求4所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤5对一副给定的测试样本I，重复步骤2.1至步骤2.3的计算，将计算中涉及的训练样本替换为测试样本，最终得到测试样本的行分割位置 和列分割位置 并根据 和 将测试样本分割为图格。

6.如权利要求5所述的基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法，其特征在于：步骤6中根据步骤3计算I的距离矩阵 计算 的直方图 令t表示 的横轴刻度，即 的取值范围，h(t)表示h的纵轴刻度，即取值为t的 的个数，根据下式计算缺口值t′和断崖值t″，

* * *

若t 表示瑕疵检测阈值，当t′存在时，t为t′；如果t′不存在而t″存在，t 为t″；若t′和*

t″都不存在，则定义t 为+oo；所有对应 的图格 被标记为有瑕疵的图格