导读:本文包含了织物纹理论文开题报告文献综述及选题提纲参考文献，主要关键词:织物纹理,字典学习,通用字典,织物组织结构
织物纹理论文文献综述
吴莹,占竹,汪军[1]（2019）在《基于通用字典的局部机织物纹理稳定表征》一文中研究指出为改善固定字典表征织物纹理的效果,提出基于通用字典表征织物纹理的方法。首先,对字典学习法进行优选,分别选取8种任意正常织物样本和20种不同组织结构样本,采用优选后的字典学习法得到了1种普通通用字典、4种组织结构通用字典和1种联合组织结构通用字典。最后对通用字典的有效性进行试验验证,发现普通通用字典较固定字典能更好地适应织物纹理;在此基础上,比较了3种通用字典的性能。结果表明:在同等试验条件下,与固定字典相比,通用字典能更好地表征织物纹理;不同类型的通用字典可具有较好的通用或专用性。(本文来源于《纺织学报》期刊2019年11期）
傅艺扬,刘妹琴,樊臻,张森林[2]（2019）在《基于纹理滤波和颜色聚类的提花织物纹样自动提取方法》一文中研究指出为了提高提花织物纹样提取的准确性,消除织物组织结构对提取结果的干扰,文章提出了一种基于纹理消除滤波算法和密度峰聚类算法的纹样提取方法。通过统计图片区域梯度信息分离提花织物组织纹理区域和图案边缘结构,并利用非极大值抑制获得纹样边缘结构作为滚动引导滤波器的引导图,经过多次迭代计算实现织物纹理滤波。然后将图片从RGB颜色空间转换为CIELab颜色空间,利用密度峰聚类算法对织物色彩空间分割聚类,最终提取出织物纹样。实验结果表明,文章提出的方法快速准确地实现了提花织物纹样的自动分割与提取。(本文来源于《丝绸》期刊2019年12期）
朱浩,丁辉,尚媛园,邵珠宏[3]（2019）在《多纹理分级融合的织物缺陷检测算法》一文中研究指出针对织物缺陷检测过程中纹理分布的复杂多样性引起误检和漏检的问题,结合织物纹理周期性特点,提出一种多纹理分级融合的织物缺陷检测算法。在检测过程中,首先利用织物缺陷图像的Tamura粗糙度图,对缺陷区域进行初步定位和自适应性生长,将初步定位的区域映射到原始织物图像中;其次根据织物图像的周期性分布特征,对初步定位区域进行分块,提取图像块的局部相位量化(LPQ)特征、Tamura特征,并将2种特征融合;然后计算融合特征与正常块特征的相似度,获取相似度图;最后将初步定位区域的经纬向特征图与相似度特征图融合,检测缺陷存在的区域。经TILDA织物纹理库数据的实验测试结果表明,缺陷区域的初步定位和自适应生长,降低了缺陷检测过程的冗余度,提高了检测效率,避免了织物缺陷检测过程中的误检和漏检情况。(本文来源于《纺织学报》期刊2019年06期）
吴莹,李冠志,占竹,汪军[4]（2019）在《基于子窗口字典学习的机织物纹理表征及应用》一文中研究指出为了提高机织物纹理表征算法的稳定性,提出了以子窗口字典学习表征机织物纹理的算法。将整幅图像划分为多个子窗口样本,并将子窗口样本展成列向量,所有的列向量联合组成灰度数据矩阵。选定离散余弦变换(discrete cosine transform,DCT)作为初始字典,对子窗口样本矩阵进行字典学习,最终得到了稳定的学习字典。选用均方根误差作为评价指标,对字典个数和子窗口大小进行优化。结果表明,应用学习得到的字典,不仅能近似重构机织物纹理样本图像,而且能在无监督的条件下自动识别织物的瑕疵。(本文来源于《东华大学学报(自然科学版)》期刊2019年03期）
王捷[5]（2019）在《机织物组织结构对字典学习纹理表征影响的研究》一文中研究指出经纬纱线按照一定规律相互交织在机织物表面形成清晰的纹理,其中的纱线在织物中几何形态称为组织结构,不同的组织结构呈现出不一样的纹理。织物纹理包含了机织物经纬密度、组织结构、织物瑕疵等信息,机织物纹理的表征是近年来相关研究领域热点之一。本文采用字典学习算法表征机织物纹理,该算法学习获取的字典包含了机织物主要纹理信息,允许字典对原图像近似表达。使用KSVD字典学习算法重构机织物原图像,比较重构图像与原图像的相似度,从而分析机织物组织结构对字典学习及纹理表征的影响。本文主要研究内容如下:(1)织造了平纹、斜纹1、缎纹、加强斜纹、复合斜纹、芦席斜纹、加强缎纹、花式方平组织、方格组织、绉组织1、透孔组织、蜂巢组织、浮松组织、横凸条组织、灯芯条组织等机织物作为样本,其经纬纱线密度大约为350根/10cm,采集其表面纹理图像并对其预处理。(2)选用K-SVD字典学习算法构造出最优的字典和稀疏系数,使用字典和稀疏系数对原图像进行重构,得到重构图像。优选出实验样本尺寸大小,结合样本的组织循环数、样本经(纬)纱线密度以及重构图像质量评价指标SSIM值和MSE值,综合选定实验样本尺寸为128×128像素。(3)使用K-SVD算法表征机织物纹理,研究其算法参数子窗口大小、稀疏度和字典原子个数影响重构图像与原图像的相似度。首先是参数的优选:通过改变子窗口大小、稀疏度、字典原子个数这叁个参数选值进行实验,结果表明:子窗口尺寸越大,重构误差大,而子窗口越小,则容易将纹理差异的随机性体现出来;稀疏度越大,用于表达子样本的字典原子个数越多,重构差异小,但是耗费时间长,而且对于机织物纹理来说,较少的字典原子就能重构图像;字典原子个数多,包含的纹理信息量越多,重构图像近似度好,但是字典中可能包含重复的纹理信息。综合考虑样本组织循环和重构图像质量,最终选择子窗口尺寸8×8像素,稀疏度4,字典原子个数500。(4)确定实验参数后,研究机织物组织结构对字典学习纹理表征的影响。根据评价指标SSIM值和MSE值的结果分析,组织结构差异造成机织物图像纹理信息不一样,字典学习重构得到的图像与原图像误差不一致。实验结果分析可得,织物组织循环小,浮长线多而且长,织纹越明显,规则性好,图像纹理信息简单,重构图像近似于原图像。而组织循环大,浮长线长短交织,织物表面形成凹凸效应,图像纹理信息复杂,重构图像质量差。(5)机织物纹理信息越复杂,就需要更多的字典原子来表征,由此依据纹理信息复杂度,以字典原子个数作为划分指标,将样本分为叁类。第一类为花式方平组织、芦席斜纹、绉组织1、透孔组织、浮松组织、蜂巢组织,这类组织字典原子个数多。第二类为加强斜纹、复合斜纹、加强缎纹2、加强缎纹4、灯芯条组织,这类字典原子个数居中。第叁类为平纹、斜纹1、缎纹、方格组织、横凸条组织,这类可用较少的字典原子表征纹理。选用斜纹2、菱形斜纹和绉组织2对上述分类进行实验验证。实验结果表明,基于字典原子个数分类结果与组织结构特点分类是紧密联系的,分类结果准确。综上所述,本文基于字典学习算法重构机织物纹理图像,重点研究机织物组织结构对纹理表征的影响,为字典学习表征机织物纹理和机织物分类提供了一定的参考价值。(本文来源于《东华大学》期刊2019-05-30）
张爱丹,周赳[6]（2019）在《组合全显色提花织物的纹理设计原理与方法》一文中研究指出为使组合全显色提花织物兼具色彩仿真和触觉肌理效果,提出一种与组合全显色组织结构相匹配的纹理组织设计方法。以蜂巢和透孔2种具有不同纹理效应的联合组织为基础组织,进行3种不同方向的组织循环递增设计,并在高密度设计条件下进行织物样品的织造。对织物纹理效应进行比较分析表明,组织循环数的递增加强设计有效强化了蜂巢组织织物的凹凸效应与透孔组织织物的纹理效果。应用该设计方法的实例表明,递增加强设计方法不仅解决了组合全显色组织与纹理组织的交织平衡问题,同时也满足了组合全显色提花织物对不同渐变层次的凹凸、纹理效应的设计需求。(本文来源于《纺织学报》期刊2019年05期）
李鹏飞,闫亚娣,张凯兵,王珍,朱丹妮[7]（2018）在《基于AdaBoost局部二值模式特征的色织物纹理分类》一文中研究指出针对织物纹理在人工视觉分类中存在的分类准确率不高,效率低的问题,给出一种基于AdaBoost算法的色织物纹理图像分类方法.该方法首先对采集的织物图像进行人工标记;然后,提取所有图像的局部二值模式(local binary pattern,LBP)特征建立训练集;最后,基于AdaBoost算法对提取的色织物特征学习分类模型实现纹理图像的分类.实验结果表明,选择LBP28算子和弱分类器的个数为30时,基于AdaBoost分类算法对复杂色织物的纹理分类具有较高的识别率,其中对于梭织类和斜纹类织物分类准确率可达到100%,证实此方法的有效性.(本文来源于《西安工程大学学报》期刊2018年06期）
史景宵,崔俊峰[8]（2018）在《基于纹理抑制平滑滤波的织物图案识别》一文中研究指出针对织物图案特征提取效率低的问题,提出以纹理抑制平滑滤波算法与Adaboost算法为基础的织物图案识别法。首先对织物扫描图案的纱线纹理进行滤除;灰度化后再分别对图像的3个特征进行提取,最终构建图像特征库,以此作为训练对象,采用Adaboost算法进行实验。结果显示,以纹理抑制平滑滤波算法为基础的识别法能够提高图案识别率。(本文来源于《印染助剂》期刊2018年10期）
吴莹[9]（2018）在《基于字典学习的机织物纹理稳定表征与应用》一文中研究指出纹理对织物结构参数和瑕疵的自动检测与识别有着直接的影响,织物纹理的有效表征对提升传统纺织企业的核心竞争力具有重要的意义。目前,国内的纺织企业多是通过人工对织物纹理进行分析。但是这种完全依赖人工经验和视觉来完成的识别与检测越来越不能满足现代化与自动化发展的需求。相比人工分析,基于计算机视觉技术的纹理分析不仅能有效提高检测准确率,更能客观地评定纺织品的外观和内在质量,顺应纺织行业自动化、智能化的发展趋势。前期研究表明字典学习方法可有效描述织物纹理,但所得表达形式不唯一,而纹理的稳定表征是织物纹理分析与应用的基础。因此本文提出了织物纹理稳定表征的概念,重点研究了织物纹理稳定表征算法,并确定了相应的评价指标。具体研究内容和相关结论如下:(1)提出了一种基于字典学习的整体织物纹理稳定表征算法。通过文献研究认为将初始字典固定,可得到纹理的稳定表征。考虑到机织物本身的特点,本文以DCT字典为初始字典,采用交替最小二乘法对织物纹理图像进行字典学习,即采用最小二乘法求解系数矩阵及更新字典,交替更新系数矩阵和字典,经过数次迭代后得到学习字典。随后对所提算法的稳定性进行了分析和说明,并进行试验验证。织物图像和自然图像的试验结果表明:所提算法的重构图像与原始图像的主观视觉差异较小,9个样本数据集和3张自然图像的平均表征效果如下:重构质量为30.76dB、均方根误差为8.08;分析了图像尺寸对纹理表征的影响,在相同参数下,图像尺寸越小,纹理表征效果越好。在此引入了无重迭窗口划分,并在子窗口样本图像上进行字典学习。对不同图像尺寸分别对织物图像的试验分析可知,整体对原始图像的表征效果比子窗口的表征效果好,即重构质量提高了12dB、均方根误差减小了11,这是因为子窗口采用的是无重迭划分方式,忽略了子窗口样本图像之间的关联,在表征织物图像时大大削弱了纹理方向性等纹理特征。此外基于所提算法对带噪图像进行了表征,结果表明子窗口样本的表征效果较整体差,且都不适用于带噪图像的纹理表征。(2)提出了一种固定字典的局部织物纹理稳定表征算法。由于整体算法仅限于原始图像,对带噪图像不能进行有效的纹理表征,而且没有充分利用图像的冗余信息,加上无重迭划分方式不能较好地重构整体的纹理特征,就此采用重迭划分子窗口的方式,设计了基于局部图像的纹理表征算法。将所提算法与整体算法和NLM算法进行了比较。所提算法以DCT字典作为固定字典,并对子窗口样本图像通过OMP算法求解系数矩阵,由DCT字典和系数矩阵即可得出重构图像。经过实验分析优选了字典大小和稀疏基数,并为原始图像和带噪图像选择了合适的子窗口尺寸,同时为带噪图像快速的优选子窗口,提出了TXC指标。9个样本数据集及其带噪图像的表征结果表明:对于原始图像,所提算法的平均重构质量为36.90dB,结构相似性为0.98;与整体算法相比,该算法对原始图像的表征效果更好;对于带噪图像,轻度噪声选用子窗口8?8;中度噪声的研究结果表明:当TXC>0.5时,与子窗口8?8相比,子窗口16?16取得了更好的表征效果,反之,子窗口8?8的表征效果较优;在合适的子窗口下,该算法可有效对?=15、20的带噪图像进行有效表征;在?=10下,与NLM算法相比,所提算法的重构质量更高。(3)针对固定字典对纹理的适应性差,提出了通用字典的概念,并设计了基于通用字典的局部织物纹理稳定表征算法。通用字典是为了提高字典的通用性、适应性。由于K-SVD字典学习法的有效性,本文采用K-SVD字典学习对选取的样本图像进行训练得到通用字典。在本文中,训练了一种普通通用字典(任意选取样本图像)、4种基于组织结构(基于菱形斜纹组织结构通用字典、基于纬面缎纹组织结构通用字典、基于方平组织结构通用字典及基于蜂巢组织结构字典)的通用字典及1种基于多种组织结构(菱形斜纹、纬面缎纹、方平和蜂巢等组织结构)的联合组织结构通用字典。9个样本数据集及其带噪图像的试验结果表明:在相同参数下,与固定字典相比,普通通用字典对于原始图像的重构质量提高了0.25~1.63dB,结构相似性增大了0.002~0.03;普通通用字典对部分带噪图像的重构质量提高了0.33~1.30d B、增大了0.001~0.02的结构相似性,其余样本的重构质量低于固定字典0.03~0.21d B,结果相似性降低了0.001。可见,普通通用字典对织物纹理有更好的适应性,且基于普通通用字典表征原始图像较带噪图像的效果更好。在此基础上,采用普通通用字典、组织结构通用字典和联合组织结构通用字典对菱形斜纹、纬面缎纹、方平和蜂巢等组织结构的样本图像进行表征,表征结果由好到坏依次为:组织结构通用字典>联合组织结构通用字典>普通通用字典,该结果表明组织结构通用字典和联合组织结构通用字典的专用性较好,普通通用字典具有更好的通用性。(4)研究了织物结构参数对通用字典纹理表征的影响。主要研究织物密度和组织结构对纹理表征的影响。选取了32种不同密度的织物样本图像,采用普通通用字典表征不同织物密度样的本图像,结果表明:在本文密度范围内,织物表征结果随着密度的增大,重构质量变好;8种不同织物组织结构(平纹、斜纹、经面缎纹、纬面缎纹、方平、蜂巢、复合斜纹、菱形斜纹共计40个样本图像)的试验分析表明,蜂巢、菱形斜纹和复合斜纹等组织容易受到织物密度影响,即随着织物密度的改变,这些组织结构的表征结果产生了较大的波动。在本文的密度范围内,织物密度对于织物纹理有着较大的影响,每种织物组织结构有各自适用的密度范围,在此范围内织物组织结构的纹理特征更均匀,表征效果更好,且各种组织结构的差异才会明显。(5)提出了基于通用字典的一种织物瑕疵检测算法。由于瑕疵所占的面积大小不一以及瑕疵类型复杂多变,本文选用4种求偶家,;2它1不同的子窗口尺寸进行优选,之后对瑕疵样本进行检测。根据四种不同的子窗口尺寸16?16、26?26、32?32和36?36,采用K-SVD字典学习法对正常织物图像进行训练得到相应的普通通用字典;将待检测瑕疵样本图像进行无重迭子窗口划分后,把所得的子窗口样本图像转换为列向量,即每一个子窗口样本图像视为一个列向量,然后采用普通通用字典对待检测的子窗口瑕疵样本进行重构,计算出残差矩阵;最后通过阈值法对瑕疵样本逐列进行检测,标出瑕疵的位置和信息。子窗口尺寸的优选结果表明在四种子窗口尺寸下,子窗口26?26对于线性瑕疵、非线性瑕疵和混合瑕疵的误检率最低,而检出率仅次于子窗口16?16。鉴于两者的检出率差异不到1%,子窗口26?26的误检率最低,综合考量子窗口尺寸选择26?26是一个不错的折衷。在子窗口尺寸为26?26时,平纹组织瑕疵样本和斜纹组织瑕疵样本(共计49,其中线性瑕疵和非线性瑕疵样本各17张,15张混合瑕疵样本)的检测结果表明,所提算法对织物纹理和瑕疵类型都表现出了很好的适应性,获得了95.2%的检出率,2.5%的误检率;对于其他复杂组织瑕疵样本(共计6种,3张线性瑕疵,3张非线性瑕疵)的检出率为97.2%,误检率为0。此外,通用字典是在离线状态下训练得到的,并不影响整个检测的速度。本文的研究结论为织物图像的储存及其数值模型的建立提供了借鉴和理论依据,并为织物纹理的基础分析提供了可行性方案,为实现织物在线检测提供了借鉴。(本文来源于《东华大学》期刊2018-05-22）
王凯,吴莹,汪军,李立轻,周建[10]（2018）在《组织结构对字典学习表征机织物纹理的影响》一文中研究指出为了研究机织物组织结构对字典学习纹理表征的影响,使用平纹、斜纹、方平、经面缎纹、纬面缎纹、蜂巢和菱形斜纹等7种组织作为样本,选择16像素×16像素的子窗口,以离散余弦字典为初始字典进行字典学习,得到学习字典,并使用学习字典对织物纹理进行重构。研究结果显示,不同组织结构在相同条件下学习的重构质量不同,确定了7种织物纹理重构质量的次序,为进一步研究根据纹理重构质量进行特征分类提供依据。(本文来源于《东华大学学报(自然科学版)》期刊2018年02期）
织物纹理论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高提花织物纹样提取的准确性,消除织物组织结构对提取结果的干扰,文章提出了一种基于纹理消除滤波算法和密度峰聚类算法的纹样提取方法。通过统计图片区域梯度信息分离提花织物组织纹理区域和图案边缘结构,并利用非极大值抑制获得纹样边缘结构作为滚动引导滤波器的引导图,经过多次迭代计算实现织物纹理滤波。然后将图片从RGB颜色空间转换为CIELab颜色空间,利用密度峰聚类算法对织物色彩空间分割聚类,最终提取出织物纹样。实验结果表明,文章提出的方法快速准确地实现了提花织物纹样的自动分割与提取。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
织物纹理论文参考文献
[1].吴莹,占竹,汪军.基于通用字典的局部机织物纹理稳定表征[J].纺织学报.2019
[2].傅艺扬,刘妹琴,樊臻,张森林.基于纹理滤波和颜色聚类的提花织物纹样自动提取方法[J].丝绸.2019
[3].朱浩,丁辉,尚媛园,邵珠宏.多纹理分级融合的织物缺陷检测算法[J].纺织学报.2019
[4].吴莹,李冠志,占竹,汪军.基于子窗口字典学习的机织物纹理表征及应用[J].东华大学学报(自然科学版).2019
[5].王捷.机织物组织结构对字典学习纹理表征影响的研究[D].东华大学.2019
[6].张爱丹,周赳.组合全显色提花织物的纹理设计原理与方法[J].纺织学报.2019
[7].李鹏飞,闫亚娣,张凯兵,王珍,朱丹妮.基于AdaBoost局部二值模式特征的色织物纹理分类[J].西安工程大学学报.2018
[8].史景宵,崔俊峰.基于纹理抑制平滑滤波的织物图案识别[J].印染助剂.2018
[9].吴莹.基于字典学习的机织物纹理稳定表征与应用[D].东华大学.2018
[10].王凯,吴莹,汪军,李立轻,周建.组织结构对字典学习表征机织物纹理的影响[J].东华大学学报(自然科学版).2018