《服饰导刊》第11卷第6期刊发了一篇题为《数字图像处理在织物疵点检测上的应用研究进展》的综述论文。该文由新疆大学纺织与服装学院的硕士研究生周星亚、孙红蕊在其通信作者夏克尔·赛塔尔副教授的指导下完成，是国家“2022年自治区级大学生创新训练计划项目”的成果之一。文章针对长期以来纺织工业依赖人工目测进行织物疵点检测所导致的成本高、效率低的问题，系统梳理了数字图像处理技术在该领域的应用进展，旨在为纺织品质量控制提供理论参考与技术导向。

作为一篇综述性论文，本文的核心目的在于归纳、对比并展望当前主流的三类织物疵点检测技术路线。在研究的学术背景部分，文章首先确立了数字图像处理技术的优越性，即其具备快捷、准确和精细化的特点。作者指出，典型的织物疵点检测系统由光源、CCD线相机、带编码器的计算机及单片机等组成，利用光线凸显织物正反面的纹理信息以进行图像采集。然而，采集过程中的机械、光电干扰会引入高斯噪声和椒盐噪声等，因此在疵点识别前，必须对图像进行预处理。预处理主要包括图像增强与降噪两大环节。图像增强技术用于解决亮度不均衡、图像失真等问题，常用方法包括直方图增强和非线性变换。例如，直方图均衡化可将原图像的灰度级均匀映射至整个范围，以此增强对比度，但也存在同时突出背景纹理的缺点；傅里叶变换则能将图像从空间域变换至频域，通过高通或低通滤波器实现图像锐化或平滑。在降噪方面，文章分析了高斯滤波、中值滤波及自适应滤波的特性，指出中值滤波处理脉冲噪声效果优越，但反复使用会模糊图像，而自适应滤波器能根据图像局部统计特性动态调整，在处理密集噪声时表现更佳。

在完成预处理技术铺垫后，论文重点论述了三类织物疵点检测方法。其分类依据是国际疵点检测专家Kumea的划分方法，具体为基于统计学的频谱法、模型匹配法和统计学法，但文章着重综述了其中应用最广的频谱法和统计学法，以及新兴的基于学习的方法，并逐一剖析了各方法的历史发展、技术细节及优缺点。

首先是统计学方法。该方法假设无缺陷区域的统计特性是固定的，主要技术包括灰度共生矩阵（GLCM）、直方图特征和数学形态学。灰度共生矩阵通过分析图像中一定距离和方向上两个像素灰度的联合概率密度，来反映纹理的亮度分布与空间位置关系。文章引述了多项研究，如Tsai等人利用GLCM的两个特征实现了高达96%的分类率，以及王孟涛等人结合GLCM与单分类器SVDD将检测正确率提升至97%。然而，该方法计算成本高、难以确定最优移位向量且对旋转和缩放敏感。数学形态学方法则基于目标几何形状的初步信息，通过腐蚀、膨胀、开运算和闭运算等操作提取连通分量和骨架。何峰等人提出的窗口跳步形态学法，以跳步式遍历代替逐像素运算，将检测速度提升近两倍，某实时系统应用最优形态滤波器后准确率达97.4%。但此方法多适用于非周期性缺陷，处理细小缺陷时容易丢失信息。

其次是频谱方法，主要包括傅里叶变换、小波变换和Gabor滤波器。傅里叶变换具有抗噪性和增强周期性特征的理想特性，能够将图像信号从时域传输到频域，且图像大小在变换过程中不变。但它的致命弱点是无法在空间域中定位缺陷区域，不适用于随机纹理。汉贝等人在针织织物缺陷检测中基于傅里叶频谱的水平和垂直方向计算纹理特征，检出成功率为86%至100%。小波变换则通过不同尺度的小波对图像进行多分辨率分解，有效克服了傅里叶变换的弊端，在频率域和空间域中均有较好的表征能力，适用于奇异点信号检测。赵静和于凤芹提出的小波域差值优化法有效弱化了噪声影响，康等人将小波变换与神经网络结合提取缺陷特征，检测精度虽高但只能识别破洞、断纬等简单缺陷。小波变换的高复杂性和长时效性仍是制约其工业化应用的主要瓶颈。Gabor滤波器的一个重要特性是可在空间和空间频率域中实现最佳联合定位。它由高斯函数调制的复指数函数构成，能分解出不同尺度和方向的分量。尽管其能提取出所有缺陷的突出特征，但滤波器选择困难、计算量高且易受图像旋转影响。J. Jing等人利用多个Gabor滤波器和KPCA方法进行特征降维，成功获得了较高的在线检测真检率。

最后是基于学习的方法，特别是神经网络技术。文章指出，随着图形处理器计算能力的提升，深度卷积神经网络如VGG等，在图像分类和语义分割等复杂任务中展现出突出能力，但由于训练需要大数据集且需大量人工标注，非监督神经网络的发展成为未来的重点。

在综合对比后，文章的结论部分对各方法的应用前景提出了明确见解。作者认为，灰度共生矩阵精度高但普及困难；数学形态学可作为初步质检筛选工具；傅里叶和Gabor变换各有适应场景但局限性明显；小波变换功能强大但难以满足实时性生产需求。相比之下，基于深度神经网络的学习方法因其高识别率、广泛的适用范围以及强大的学习与容错能力，最能适应现代企业对多样化织物疵点检测的严苛要求。这项研究的科学价值在于清晰构建了织物疵点数字图像处理的技术谱系，系统对比了各路径的性能边界；其应用价值在于明确指出了基于神经网络的深度学习是解决当前行业痛点、替代人工目测以实现自动化质量控制的最具潜力的发展方向。文章提出的“未来使用更高效的光学相机及人工训练模型识别代替人工”的展望，为纺织品智能检测领域的后续研究提供了明确的切入点和参考依据。