织物疵点的检验是纺织业的重要环节之一。首先，本课题利用软阈值小波对织物图像进行去噪处理。其次，分别采用了小波阈值增强法、灰度范围拉伸法及灰度均衡法对去噪后的图像进行增强。再次，引入相对均值误差(RMBE)及峰值信噪比(PSNR)作为客观评价标准，得出结论：基于小波理论的阈值增强方法，增强效果最好。最后，本课题通过对图像进行特征提取，运用神经网络构造出疵点自动检测系统，并用实例进行验证，检验效果理想。

　　随着人们的生活水平的提高，对纺织品的质量也提出了较高的要求。本课题提出了一种寻找具有较高检测率的方法来代替高成本、低速度的人工视觉检测法，提高纺织物瑕疵点检测的管理和控制水平，将数学与计算机程序设计有机地结合在一起。通过我们的课题研究，能够对满足人们的现实需求提供一定的帮助。
一：图像的小波分解和重构
　　为了降低处理二维函数或信号（如图像信号）的难度，就必须引入二维小波以及相应的快速算法。二维多分辨率分析有两种，一种是可分离的，一种是不可分离的。前一种情况简单且应用广泛，因此本课题对可由一维多分辨率分析的张量积空间构造的二维多分辨率进行分析。
二：基于小波变换的织物图像软阈值降噪
　　织物图像在生成、获取和传输等过程中往往会收到噪声的污染。噪声的存在会导致图像的信噪比降低，若直接进行图像增强处理，会直接造成图像的一些特征细节被淹没在图像噪声中而不能被识别。这使得对织物图像进行降噪处理成为必不可少的重要步骤。本文采用软阈值小波对织物疵点图像进行降噪处理。
三：基于小波理论的织物疵点图像增强
　　为了突出疵点，还需要对降噪后的图像进行增强处理。由于图像经二维小波分解后，图像的轮廓主要体现在低频部分，细节部分体现在高频部分，因此可以通过对低频分解系数进行增强处理，对高频分解系数进行衰减处理，从而达到图像增强的效果。
　　本课题采用sym4小波，以及wavedec2分解函数对去噪后的图像进行2层小波分解，将分解后的小波系数进行阈值处理。
四：对比实验——基于直方图修改技术的织物疵点图像增强
　　为了增强织物疵点图像的对比度，可以采用拉伸灰度范围的方法。于是，本课题应用Matlab中的imadjust函数对去噪后的cloth图像进行灰度范围拉伸处理。织物图像的疵点的亮度被提升了，背景与疵点之间的对比度较为明显。原本较小的灰度范围被延展到一个较大的灰度范围。
　　灰度均衡处理。将原图像在每个灰度级上的像素出现的概率进行均衡化处理。通过灰度均衡，使得原图像转换为，在每一个灰度级上都尽量分配到像素点的输出图像。。处理后的图像的对比度被有效的增强了。但是，不仅疵点被增强了，而且背景中的一些噪声也被增强了。
五：织物疵点图像的不同增强方法的对比
　　图像增强的评价标准：
　　图像增强质量的评价标准大致可分为两大类：主观性和客观性。主观评价方法费时、复杂，受观测者的心理、动机和专业背景等主观因素的影响，并且不能结合到算法中使用。而客观评价方法方便、快捷，容易实现，且能结合到应用系统中。基于以上原因，本文采用客观评价标准中的相对均值误差(RMBE)及峰值信噪比(PSNR)作为图像增强的评价标准。
　　基于小波理论的增强方法的RMBE值最小，PSNR值最大，说明了这种方法下的输出图像亮度保持效果好，图像信息保留较佳。其次是灰度范围拉伸法，效果中等。较差的是灰度均衡法，RMBE值较大，而PSNR值较低，导致输出图像丢失的信息较多。
　　因此，针对织物疵点图像，基于小波理论的图像增强方法最好。
六：基于小波图像增强处理的疵点检测
　　双降噪处理与小波图像增强：
　　在原始图像经过软阈值去噪处理后，再通过小波中的wrcoef2函数实现低通滤波消噪，即通过双降噪处理后再进行小波图像增强处理，发现我们改进效果非常令人满意，有无疵点的效果大大增强。
七：纺织物疵点自动检测的数据库建立
　　图像特征提取：
　　我们分别对原始图像、双降噪处理后的小波增强图像进行粗糙度、对比度、方向度这三个特征提取，建立有无疵点的原始数据库。
八：疵点判定的神经网络训练
　　不可否认，在进行双降噪处理后的小波图像增强的同时，会删减去一部分图像的原有信息，导致图像的部分失真。于是我们在训练神经网络时所采用的训练数据是：原始图像的特征与双降噪处理后的小波增强图像特征的总和，这样既保留了原始信息，又加强了主要信息。
　　我们选取{总粗糙度，总对比度，总方向度}为评价因素集，即输入层神经元为3。网络输出对应判定结果，这里定为0和1。其中，0判定为无疵点；1判定为有疵点。训练双重BP神经网络。
九：结论
　　（1）织物疵点图像的增强是疵点检测的重要环节之一。图像增强的效果，直接影响着织物疵点的特征提取，以及最后的疵点类型识别。通过本课题讨论的3种织物疵点图像增强以及改进的方法，我们得出结论：基于小波理论的阈值增强方法，相对均值误差(RMBE)最小，峰值信噪比(PSNR)最高。因此，在织物疵点图像增强处理方面，利用小波阈值增强方法是可行的。
　　（2）通过对原始图像与双降噪处理后的小波增强图像的特征进行提取，我们可以通过训练好的双重神经网络对有无疵点进行判定。且通过多次试验比较，经处理后的有疵图的对比度一般不能降为0。
　　（3）本课题运用神经网络构造出的疵点自动检测系统有一定的局限性和误差，不能适用于所有纺织物的疵点检测，但是，本课题的研究结果是可以应用于实际的生产生活中的，与人工检测相结合，减轻人工检测疵点的负担与误差，起到一定的自动检测疵点的作用，提高检测效率与准确率。

本课题在漳州师范学院举办的科技文化节中进行研究，结题奖励500元。