1.一种基于峰值覆盖值和混合特征的纺织品瑕疵检测方法，其特征在于：包括训练阶段和测试阶段两个阶段；训练阶段，根据一系列无瑕疵纺织品灰度图像，以下简称无瑕图像，计算图格分割所需参数，而后对无瑕图像进行图格分割并计算测试阶段瑕疵识别所需参数；测试阶段，根据训练阶段得到的参数对一副纺织品图像进行图格分割并判断图格是否包含瑕疵，最后标记含有瑕疵的图格；

所述训练阶段包括以下步骤：

步骤1：根据一系列无瑕图像计算图格分割所需参数，以确定图格理想尺寸；

步骤2：根据步骤1中获得的图格理想尺寸，对训练样本集进行图格分割，获得训练样本图格；

步骤3：采用特征提取方法计算步骤2中图格分割生成的训练样本图格的特征向量，从而计算出训练样本集中无瑕图像的图格周期、图格各特征的理想统计值以及理想统计值阈值；

所述测试阶段包括以下步骤：

步骤4：测试样本图格分割，对一副给定的测试样本，按照步骤2的方法对测试样本进行图格分割，获得测试样本图格；

步骤5：按照步骤3的方法计算测试样本的特征向量、图格周期、图格各特征的理想统计值以及理想统计值阈值，并将计算结果与理想统计值阈值进行比较，以识别有瑕疵的图格；

步骤1具体包括以下步骤：

步骤1.1：背景像素投影，根据RTV模型计算纺织品灰度图像I的卡通成分，应用Bradley方法二值化卡通成分，通过形态学腐蚀和膨胀操作对二值化卡通成分降噪，应用Moore-Neighbor跟踪算法得到二值化Ic中的二值对象，计算二值化卡通成分中二值对象面积，删除面积不在区间((1-α)·ma,(1+α)·ma)内的二值对象得到二值化纺织品图像Itc，其中，ma为二值对象面积中位值， 且0<α<1；计算Itc中每行每列背景像素数，按行索引升序排列每行背景像素数得到背景像素行投影 按列索引升序排列每列背景像素数得到背景像素行投影步骤1.2：计算峰值覆盖值，计算纺织品灰度图像I的背景像素行投影 的峰值，将峰值按其在背景像素行投影 中的索引升序排列得到峰值序列 对于pr中第个峰值 根据下式计算 的覆盖值

与背景像素行投影 的覆盖值 计算方法相同，将上式中下角标r的项替换为具有下角标c的对应项即可，计算 的峰值序列 计算 其中 1≤ipc；计算pr中峰值覆盖值的有序集合 中元素按大小降序排列；对于 中的第l个元素 峰值序列中满足 的 有序集合称为第l级峰值第l级峰值中的元素按其在 中的索引升序排列；对于第l级峰

值，计算每个峰值与其前一峰值在 中的索引之差绝对值，计算这些绝对值的中位值及其出现次数 组成集合 组成集合 中元素取值组成集合 类似地，根据 和pc计算满足 的 有序集合“第l′级峰值” 计算第l′级峰值中前后元素在 中的索引之差绝对值及其中位值 和中位值出现次数 组成多重集 组成多重集

中元素取值组成集合

步骤1.3：计算图格理想尺寸，对训练样本集的I1,I2…IN中的第i个训练样本Ii，根据步骤1.2计算Ii的 pr， pc， 和计算 取值集合 Ii的理想行数 由下式定义：

其中，δ为狄拉克δ函数， Ii的理想列数 计算与 类似，即将上式中具有下角标r的项替换为具有下角标c的对应项即可， 替换为 图格理想尺寸定义为的中位值 和 的中位值

2.如权利要求1所述的基于峰值覆盖值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤2具体包括以下步骤：步骤2.1：背景像素投影，计算过程包含步骤1.1和步骤1.2；

步骤2.2：计算初始分割位置，对于第i个训练样本Ii，根据步骤2.1计算得到的 和计算步骤1.2中定义的 和 以及 和 根据步骤1.3计算得到的 和 按下式计算 出现最频繁的第 级峰值同理，可计算 出现最频繁的第 级峰值，即将上式中具有下角标r的项替换为具有下角标c的对应项即可；

假设第 级峰值中存在一串连续峰值且每个峰值与前一峰值在 中的索引之差绝对值接近 则这串峰值在 中的索引定义为行初始分割位置Sr，这串峰值在第 级峰值中的索引符合下式定：其中dj+k表示第 级峰值中索引为j+k与j+k-1的两个峰值其在 中索引之差的绝对值， 且0<β<1为参数；列初始分割位置Sc相关的 和 的定义与 和 类似，即将上式中具有下角标r的项替换为具有下角标c的对应项即可，并且dj+k此时表示第 级峰值中索引为j+k与j+k-1的两个峰值其在 中索引之差的绝对值；

步骤2.3：计算最终分割位置，即行分割位置 和列分割位置 对于第i个训练样本Ii，和 的初始值分别为步骤2.2计算的Ii的行初始分割位置Sr和列初始分割位置Sc；将中的元素按大小升序排列，找出其中的最小元素 和最大元素 按下式计算四个预测位置 和根据 和 分别包含的行与列索引，将Ii按这些索引所在的行与列进行分割，分割所得的矩形区域为图格，其定义如下：其中， 和

表示图格在I中排列位置的索引。

3.如权利要求2所述的基于峰值覆盖值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤3计算测试阶段参数具体包括以下步骤：步骤3.1计算图格周期，对于训练样本集I1,I2…IN中的第 个训练样本Ii，根据步骤1和步骤2可得到 和 根据 和 将Ii分割为m×n个图格使用HOG特征提取方法计算Ii图格 的特征向量并使特征

向量索引与其对应的图格索引相同；计算Ii的行距离矩阵 和列距离矩阵对向量 进行傅立叶变换，得到 的周期与频谱；根据 ( 和 )的周期与频谱，计算周期中位值和频谱中位值，即图像行周期和图像行频谱；类似地，构建Ii的列距离矩阵 并计算图像列周期和图像列频谱；根据I1,I2…IN，可计算N个图像行周期和对应的N个图像行频谱，计算图像行频谱中位值 找出高于 的图像行频谱所对应的图像行周期，计算这些图像行周期的中位值 对图像列周期和图像列频谱重复相同步骤得到图像列频谱中位值 和图像列周期中位值 若 或 或 则t取值为1，否则通过比较 与 相应的频谱大小确定t的取值，即：若 则t取 否则t取 其中， 表示图格理想行尺寸行数， 表示图格理想行尺寸列数；

步骤3.2计算图格各特征的理想统计值；首先根据步骤2分割Ii得到图格 以及步骤

3.1计算训练样本集I1,I2…IN的图格周期t，通过|T|个输入为二维灰度图像矩阵且输出为一维实向量的特征提取方法f1 ，f2…f|T|计算Ii图格 的特征向量其中，T为特征提取方法名称有序集合；然后计算第k类

图格基于fj的Ii的特征统计值 和

其中 表示图格L是第it个图格矩阵 的任意元素， 表示基

于fj的图格矩阵 中所有元素(图格)的特征向量中第iF个元素(实数)的多重集，其中且1≤iF≤Fj，将opt替换为mean，std，max或min时，则 定义相应的和

然后对计算特征统计值排序，应用K-means算法，以下简称聚类算法，对N个 进行聚类，确定特征统计值；根据特征统计值计算特征向量元素的稳定值，从而确定稳定特征元素；然后根据特征统计值和稳定特征元素通过自适应聚类算法计算理想统计值；然后再根据特征统计值以及理想统计值计算各特征的理想统计值阈值。

4.如权利要求3所述的基于峰值覆盖值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤4测试样本图格分割具体包括：对一副给定的测试样本，重复步骤2.1至步骤2.3的计算，区别在于将计算中涉及的训练样本替换为测试样本，最终得到测试样本的行分割位置 和列分割位置 并根据 和 将测试样本分割为图格。

5.如权利要求4所述的基于峰值覆盖值和混合特征的纺织品瑕疵检测方法，其特征在于：步骤5瑕疵识别具体包括：对测试样本的任意图格 根据特征提取方法f1，f2…f|T|计算特征向量 对于fj计算的特征向量 根据步骤

3.2和步骤3.3计算理想统计值索引k*和 和 若

则 标记为有瑕疵，否则标记为无瑕疵；当所有图格基于fj的标记结束，检查每个有瑕疵图格Ll的8临域 内图格的标记，若存在无瑕图格 则判断是否成立，若成立则标记 为有瑕疵并令 且按下式计算dl+1，继续检查 内图格的标记并重复上述步骤直至dl+1为

其中阈值系数 0<γ≤1， L1表示基于fj的标记结束得到的有瑕图格；当动态阈值为 时，全部有瑕图格所包含像素的行列索引即为检测结果。