本研究报告基于杨晓波（浙江财经学院信息分院）于2013年4月在《纺织学报》（Journal of Textile Research）第34卷第4期上发表的研究论文《基于GMRF模型的统计特征畸变织物疵点识别》。该研究属于纺织工程与计算机视觉、模式识别的交叉领域，旨在解决纺织工业中疵点自动检测的难点，特别是针对一类被称为“统计特征畸变”的疵点。研究提出并验证了一种基于高斯-马尔可夫随机场（Gaussian-Markov Random Field， GMRF）模型的纹理分析方法，通过模型参数的变化敏感地识别织物表面异常，实现了对该类疵点的自动检测。
在纺织品生产过程中，疵点检测是质量控制的关键环节。传统人工目测效率低、主观性强，因此基于计算机视觉的自动检测技术研究具有重要意义。本研究的核心关注点是一类特殊的织物疵点，即“统计特征畸变”（Statistic Aberration Feature）。这类疵点，如松经、跳花、云织、稀密路等，其特点是疵点区域的纹理统计特征与正常织物纹理相比产生了整体性的、较大的差异，但可能没有明显的结构性断裂。
对于这类疵点，统计纹理分析方法是常用的技术路线，而其中，纹理模型又是分析图像统计纹理特征的有效手段。纹理模型的优势在于能从统计的角度，通过一组紧凑的模型参数高效地表达整幅图像的纹理信息。在众多纹理模型中，高斯-马尔可夫随机场模型因其马尔可夫性（Markov property）更符合自然纹理的一般约束特性，从而在纹理合成、图像分割、纹理分类等多个领域得到了广泛应用。然而，将其专门应用于特定类型的织物疵点，特别是统计特征畸变疵点的系统性检测方法与流程，仍需深入研究。
因此，本研究的主要目的如下： 1. 引入GMRF模型对织物纹理进行建模，并验证其参数估计算法和纹理合成算法的正确性。 2. 设计一套基于GMRF模型的织物疵点自动检测流程，构建能够敏感区分正常与异常纹理的距离统计量。 3. 通过实际疵布样本验证该方法的有效性，明确其对不同统计特征畸变疵点的检测能力与局限性。
整个研究过程可以分为三个主要阶段：GMRF模型的纹理合成与仿真验证、织物疵点检测流程的设计、以及实际疵布图像的自动检测实验。
1. GMRF模型的纹理合成与仿真验证
该阶段的目的是确保所采用的GMRF模型参数估计和纹理合成算法是正确的，这是后续所有应用的基础。GMRF模型应用的核心在于参数估计和最佳邻域集的选择，常用方法包括最大似然估计（Maximum Likelihood Estimation）和最小二乘估计等。
纹理合成的关键步骤是生成一个零均值的平稳高斯噪声序列。研究团队首先计算一个随机序列，再通过傅里叶变换生成所需的噪声序列。整个合成算法可用矩阵向量形式表示为 y = FT λ^(-1) F e，其中 y 为生成的模拟纹理图像，F 为傅里叶变换（Fourier Transform）。具体步骤为： * 生成独立同分布高斯噪声序列。 * 生成一个中间噪声序列。 * 生成最终的相关高斯噪声序列。 * 计算对称块循环矩阵的特征值。 * 计算相关高斯噪声序列的傅里叶变换，与特征值对应相除后进行傅里叶反变换，所得结果即为满足给定GMRF模型的计算机模拟纹理图像。
为了验证上述算法，研究设计了仿真实验：先依据给定的GMRF模型参数合成一幅模拟纹理图像（图像大小为128像素 × 128像素），再使用最大似然估计方法从该模拟图像反向估算其模型参数，最后将估算出的参数与预先设定的真实参数进行对比。实验分别采用了二阶和四阶GMRF模型进行验证。结果显示，真实模型参数与其最大似然估计值非常接近，证明了参数估计算法和纹理合成算法的正确性。研究还发现，最大似然估计的精度受图像样本大小影响，当样本达到64像素 × 64像素时，即可满足精度要求。
2. 基于GMRF模型的织物疵点检测流程设计
该阶段的核心是设计一套能够敏感捕捉统计特征畸变的检测方法。其基本原理是：正常织物的GMRF模型参数是相对固定的，一旦出现统计特征畸变疵点，其模型参数必然发生改变。通过检测这种参数变化，即可判断疵点的存在。
研究设计的检测流程分为训练和实时检测两步： * 训练阶段：对标准正常织物图像进行建模，确定其GMRF模型的最佳阶数和参数，并以此计算出用于构建距离统计量的两个关键期望值：充分统计量的期望值 E{t(y)} 和充分统计量的方差 D{t(y)}。 * 实时检测阶段：将待检织物图像划分为若干子窗口（如32像素 × 32像素）。对于每个子窗口，计算其充分统计量 t(y)，然后利用训练得到的 E{t(y)} 和 D{t(y)}，根据公式 d²{t(y)} = [t(y) - E{t(y)}]^T * D{t(y)}^(-1) * [t(y) - E{t(y)}] 计算该子窗口的距离统计量。 * 决策：当某个子窗口的距离统计量大于预设的阈值时，即判定该窗口含有疵点。
这种基于距离统计量的方法，理论上能使得正常织物的计算值小而集中，而异常疵点区域的计算值则显著偏大，从而实现通过简单阈值化的自动判别。
3. 实际疵布的自动检测与验证
为了检验所提方法的实际效果，研究选用了具有代表性的统计特征畸变疵点样本——跳花和稀密路疵布图像进行检测。实验首先对一幅128像素 × 128像素的标准正常织物进行训练，确定五阶GMRF模型为其最佳模型。随后，将包含疵点的测试图像（大小为256像素 × 256像素）分割成32像素 × 32像素的子窗口，并逐一计算每个窗口的距离统计量。
实验数据清晰地展示了方法的有效性。对于跳花疵点样本，其图像中第4和第5行的疵点区域所对应的子窗口，距离统计量数值高达7.83至17.06，而正常区域的数值仅在1.0至2.0之间波动，差异极其显著。同样，在稀密路疵点样本中，第6行疵点区域的距离统计量达到9.27至15.94，也远高于正常区域的1.0至2.1。通过设置一个合适的阈值（如5），算法准确地检测并定位了疵点位置。文章还提及，该方法对粗纱、断经等其他统计特征畸变疵点也获得了类似的良好检测结果。
本研究得出以下主要结论： 1. GMRF模型是一种非常适合于织物纹理建模的随机场模型，能用简洁的模型参数表征多种织物纹理。 2. 正常织物与统计特征畸变疵点在GMRF模型参数上存在显著差异，通过监测这种参数变化可实现在线检测。 3. 所提出的基于距离统计量的自动检测方法，能够敏感、准确地检测出跳花、稀密路等区域面积较大的统计特征畸变疵点。 4. 该方法存在局限性，对于断纱、细小杂质等面积相对较小的疵点，或类似散弹噪声的缺陷，其敏感性会明显削弱，甚至可能将其忽略。
研究的科学与应用价值： * 科学价值：本研究为纹理分析领域的GMRF模型提供了一个在纺织疵点检测中的具体应用范例，深化了人们对统计特征畸变纹理如何通过数学模型进行量化和区分的理解。研究中构建的距离统计量及其阈值检验方法，为基于模型参数的异常检测提供了新思路。 * 应用价值：在纺织工业自动化领域，该方法为实现统计特征畸变疵点的自动、高速检测提供了有效的技术方案。根据研究中的硬件配置估算，该算法能达到约8 m/min的最高检测速度，展示了在线应用的良好潜力，有助于推动纺织品质检的智能化升级。