随着工业化的迅速发展,玻璃纤维布在诸多行业中的需求量越来越大,因此对玻璃纤维布的质量把控日趋重要。在玻璃纤维布的质量检验中,缺陷分类占据着重要地位,研究准确可靠的分类方法对玻璃纤维布的质量控制具有重要的现实意义。传统的缺陷分类方法很大程度上依赖于缺陷特征的选取,而稀疏表示和字典学习对图像特征具有较强的表征能力,并被广泛应用于模式识别与计算机视觉等领域。本文将深入研究如何利用字典学习对玻璃纤维布进行缺陷分类,主要工作如下:(1)对现有的织物缺陷分类方法进行分析和总结,并详细介绍稀疏表示与字典学习。首先对原始图像进行稀疏表示得到字典,利用学习到的字典对玻璃纤维布缺陷图像进行重构,将重构图像与原始图像进行对比,结果表明学习的字典能够自动提取到图像的主要缺陷特征,同时证明了字典学习对玻璃纤维布缺陷分类的可行性。(2)针对传统的稀疏表示分类方法中字典冗余度高且辨别性不强的问题,将HOG+LBP作为特征提取器,分别与基于结构不相关型的字典学习模型和基于fisher准则的字典学习模型相结合对缺陷图像进行分类。首先使用HOG+LBP特征提取器对缺陷图像进行相关的预处理及降维,得到每类训练图像的一个特征矩阵;然后利用字典学习模型对每类图像的特征矩阵学习到一个特定类字典,以增强不同类字典间的辨别性;最后使用特定类字典对待分类图像进行重构,根据重构误差最小法进行分类。实验结果表明,提出的两种分类方法均能够实现电子布缺陷的有效分类。(3)提出了基于字典学习的多轴向布缺陷统计分类方法。首先使用MR8滤波器组对原始缺陷图像进行预处理,得到每一类缺陷图像的滤波器响应矩阵;其次根据滤波器响应矩阵对每一类缺陷图像学习一个特定类字典,通过稀疏表示统计字典原子对每幅图像重构时的贡献率,得到该图像关于字典原子的两个直方图特征:系数直方图和残差直方图;最后,结合两个直方图特征,通过稀疏表示分类方法完成分类。实验结果表明,字典学习对多轴向布缺陷的分类准确率可达97.80%。本文图17幅,表10个,参考文献59篇。