本发明涉及图像处理领域，具体涉及一种疵点定位方法及系统。
背景技术：
1、纺织行业是一个历史悠久且在全球经济中占有重要地位的行业，它涉及将天然纤维和化学纤维加工成各种纱、丝、线、带、织物及其染整制品。在纺织生产过程中，布匹的瑕疵检测是关键的质量控制环节。织物表面的疵点，如破损、污渍、色差等，不仅会严重影响产品的外观质量，使产品在市场上失去竞争力，还可能降低产品的使用性能，从而影响消费者的使用体验。因此，加强纺织生产过程中的质量控制，提高布匹无瑕疵率，对于提升纺织企业的市场竞争力具有重要意义。
2、目前，公开号为cn110490874a的专利申请文件，公开了一种基于yolo神经网络的纺织布匹表面瑕疵检测方法，该基于yolo神经网络的纺织布匹表面瑕疵检测方法包括实时采集纺织布匹表面图片；利用预先建立的yolo神经网络检测模型对实时采集的纺织布匹表面图片进行瑕疵识别，得到包括瑕疵种类和瑕疵位置的识别结果；输出瑕疵识别结果数据。
3、上述专利申请文件利用yolo神经网络建立布匹瑕疵的目标检测模型，能够识别包括瑕疵种类和位置在内的信息。但是，在神经网络训练过程中，由于纺织布匹表面纹理多样性等因素使训练数据集的标注不准确，进而导致模型学习错误，无法精准定位到瑕疵的位置。
技术实现思路
1、为解决上述无法精准定位到瑕疵的位置的技术问题，本发明在如下的多个方面中提供方案。
2、在第一方面中，一种疵点定位方法，包括：
3、获取织布表面图像并预处理得到灰度图；将灰度图划分为多个大小相等的区域，计算区域内各像素点的缺陷置信度；将缺陷置信度大于预设的缺陷阈值的像素点标记为疵点，在灰度图中标出疵点的位置；
4、其中，计算缺陷权重，当缺陷权重大于等于预设的权重阈值时，缺陷置信度满足关系式为：，反之，缺陷置信度满足关系式为：；式中，为第张灰度图中第个区域内第个像素点的缺陷置信度，为第张灰度图中第个区域的缺陷权重，为第张灰度图中第个区域内第个像素点的纹理置信度，为以自然常数e为底的指数函数。
5、通过采用上述技术方案，首先将获取的灰度图划分为多个大小相等的区域，以在局部区域内进行更细致的缺陷分析，在区域内遍历像素点，计算像素点的缺陷置信度，并设置阈值，进而区分出哪些像素点的缺陷置信度高到足以被认为是真正的疵点，从而在图像中明确标出疵点的位置，提高了织布表面疵点定位的准确性。
6、在一个实施例中，缺陷阈值为所述灰度图内缺陷置信度的中位数、第三四分位数、平均值的其中一种。
7、使用中位数、第三四分位数或平均值作为缺陷阈值，可以在一定程度上抵抗异常值的影响。
8、在一个实施例中，所述在灰度图中标出疵点的位置，还包括：
9、连接相邻的疵点，形成连续的疵点区域，确定疵点区域的边界，在灰度图上定位疵点的位置。
10、通过将相邻的疵点连接起来，可以更清晰地展示疵点的形状和大小，使得疵点更容易被识别，有助于区分孤立的噪声点和真正的缺陷区域。
11、在一个实施例中，所述第张灰度图中第个区域的缺陷权重的获取步骤包括：
12、将第张灰度图中第个区域内所有像素点的纹理置信度的众数作为该区域的区域置信度；
13、筛选出第张灰度图中其他区域与第个区域的区域置信度的差值小于或等于区域阈值的区域；
14、则第张灰度图中第个区域的缺陷权重满足关系式为：
15、；式中，为第张灰度图中第个区域的缺陷权重，为筛选后的区域的数量，为筛选后的区域中所有区域与第个区域的平均欧式距离，为归一化处理。
16、选择纹理置信度的众数代表该区域的一般状况，可以辅助确定该区域的经典纹理特征，然后筛选出与该区域在纹理特征上相似的其他区域，通过考虑区域之间的相似性和差异性计算一个缺陷权重，从而量化该区域的缺陷严重程度。
17、在一个实施例中，所述纹理置信度满足关系式为：
18、；式中，为第张灰度图中第个区域内第个像素点的纹理置信度，为第张灰度图中第个区域内第个像素点的邻域复杂度，为第张灰度图中第个区域内所有像素点的平均邻域复杂度，为在灰度图序列中所有灰度图上同一像素点的邻域复杂度的平均值，为在灰度图序列中所有灰度图同一区域的平均邻域复杂度的平均值，为以自然常数e为底的指数函数；其中，将所有灰度图按照时间顺序排序，以第张灰度图为中心点截取中心点前后设定数量的灰度图构建灰度图序列。
19、通过考虑局部的纹理变化，以及这些变化在整体纹理背景下的显著性，计算每个像素点的纹理置信度，可以更准确地识别出与周围纹理有显著差异的区域。
20、在一个实施例中，所述邻域复杂度的获取步骤包括：
21、计算第个像素点与第个像素点八邻域内所有像素点的平均灰度值的灰度差值；计算第个像素点与第个像素点八邻域内所有像素点的平均梯度值的梯度差值；则所述邻域复杂度满足关系式为：
22、；式中，为第张灰度图中第个区域内第个像素点的邻域复杂度，为所述灰度差值，为所述梯度差值，为灰度权重，为梯度权重，为归一化处理。
23、在一个实施例中，对所述邻域复杂度进行优化，则优化后的邻域复杂度满足关系式为：
24、；式中，为优化后的邻域复杂度，为第个像素点在比八邻域更远的任一邻域对应的邻域复杂度，为权重系数。
25、通过结合较小邻域和较大邻域的复杂度，能够同时捕捉图像中的局部细节和全局趋势，有助于更全面地理解图像的纹理特征，从而提高分析的准确性。
26、第二方面，一种疵点定位系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的疵点定位方法。
27、本发明的有益效果为：
28、本发明通过结合像素点的较小邻域和较大邻域的复杂度，可以全面地理解图像的纹理特征，进而计算出像素点的纹理置信度，通过比较区域内外的纹理置信度计算区域的缺陷权重，将纹理置信度与缺陷权重相结合，进而决定像素点被标记为疵点的可能性，从而在图像上精准定位到疵点的位置。
1.一种疵点定位方法，其特征在于，包括：
2.根据权利要求1所述的一种疵点定位方法，其特征在于，缺陷阈值为所述灰度图内缺陷置信度的中位数、第三四分位数、平均值的其中一种。
3.根据权利要求2所述的一种疵点定位方法，其特征在于，所述在灰度图中标出疵点的位置，还包括：
4.根据权利要求3所述的一种疵点定位方法，其特征在于，所述第张灰度图中第个区域的缺陷权重的获取步骤包括：
5.根据权利要求4所述的一种疵点定位方法，其特征在于，所述纹理置信度满足关系式为：
6.根据权利要求5所述的一种疵点定位方法，其特征在于，所述邻域复杂度的获取步骤包括：
7.根据权利要求6所述的一种疵点定位方法，其特征在于，对所述邻域复杂度进行优化，则优化后的邻域复杂度满足关系式为：
8.一种疵点定位系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-7任一项所述的疵点定位方法。
