织物疵点检测是纺织品质量控制系统中一个核心环节,直接影响着系统的性能。从纹理复杂的织物图像中检测形态多样的疵点具有重要的应用价值。该问题的解决也有利于对其它工业产品表面缺陷检测提供新的解决思路。现有织物疵点检测多采用传统模式识别的方法,如统计分析、频谱分析等。近年来,受压缩感知和稀疏表示理论的推动,低秩稀疏矩阵分解模型在图像处理和模式识别中也获得广泛的应用,并且在目标检测中达到很好地检测效果。低秩稀疏矩阵分解模型与人类视觉系统的低秩稀疏性相吻合,通过将图像矩阵分解为低秩阵和稀疏阵,实现目标与背景的有效分离,特别地,对于织物图像,视觉上具有高度冗余性,相对于自然图像中的目标检测,织物疵点检测能够更好地符合了低秩稀疏矩阵分解模型。另外,织物图像的特征提取也是疵点检测的关键步骤。对图像提取好的特征,并构建合适的低秩稀疏矩阵分解模型,并利用有效的优化求解方法和对分解得到的疵点分布图采用有效的阈值分割算法,才能准确和有效的定位出疵点的位置和区域。为此,本论文提出应用方向梯度直方图和低秩分解、基于Gabor滤波器和低秩分解、基于GHOG和低秩矩阵恢复以及基于生物视觉特征提取及低秩表示的织物疵点检测算法。所做的工作以及研究成果如下:1)提出基于Gabor滤波器和低秩分解的织物疵点检测算法。首先,对织物图像提取Gabor滤波器特征,再对生成的特征图进行均匀分块,并将所有的图像块特征组合成特征矩阵。对于生成的特征矩阵,构建合适的低秩分解模型,通过快速近端梯度方法优化求解,从而生成低秩矩阵和稀疏矩阵,最后采用最优阈值分割算法对由稀疏阵生成的疵点分布图进行分割,从而定位出疵点的区域和位置。2)提出了应用方向梯度直方图(HOG)和低秩分解的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵。针对特征矩阵,构建有效的低秩分解模型,通过增广拉格朗日方法优化求解,生成低秩阵和稀疏阵;最后采用最优阈值分割算法对由稀疏阵生成的疵点分布图进行分割,从而定位出疵点区域。3)提出了基于GHOG及低秩分解的模式织物疵点检测算法。对于前两种检测算法只能检测纹理较为简单的织物疵点图像,本论文提出了一种基于GHOG和低秩恢复的模式织物疵点检测算法。首先,对图像进行Gabor滤波,从而生成相应的Gabor特征图,然后将对应的方向上的Gabor特征图进行均匀分块,并提取HOG特征,从而生成最后的GHOG特征,并将所有图像块的特征向量进行级联生成特征矩阵。对特征矩阵,构建低秩分解模型,并利用方向交替方法进行优化求解,产生低秩矩阵和稀疏矩阵,并对由稀疏矩阵产生的疵点分布图采用最优阈值分割算法进行分割,从而定位出疵点的位置。4)提出了基于生物视觉特征提取及低秩表示的织物疵点检测算法。生物视觉对客观世界的表征是完备的,能支持各种复杂的高级视觉任务。本文引入一种借鉴人类视觉感知和视网膜表征机理的特征表示方法。在该特征表示的基础上,利用KSVD在测试图像上训练出正常织物图像块字典。基于学习出的字典,建立特征矩阵的低秩表示模型,并利用ADMM方法进行求解,从而提高算法检测效果及自适应性。