织物疵点检测是纺织品生产过程中的重要环节,人工检测存在诸多弊端,难以满足生产需求。随着机器视觉与图像处理技术的发展,织物疵点自动检测系统开始代替人工检测,但许多织物疵点检测方法对不同的背景纹理图案和疵点类型适应性较低,为此本课题利用信息熵对纹理特征表示,并利用人类视觉注意机制能够对感兴趣区域快速准确定位的特点完成织物疵点的定位与提取。首先,利用信息熵描述织物图像的纹理。无疵点区域的纹理表现出周期性与确定性,当织物出现疵点时,疵点区域的纹理则表现出随机性。图像的一维熵是纹理不确定性和随机性的测度,在一维熵的基础上引入能够反映纹理空间分布特性的二维熵,用于区分无疵点区域和疵点区域的纹理差异。然后,仿照人类视觉系统对显著性特征的注意机制,利用四元数对织物图像重新表示。由于RGB颜色空间的表示方法不适于人眼观察机制,在经典的视觉注意模型中则采用对立色彩空间对图像进行表示。本文根据织物图像特点,将描述纹理的二维熵结合对立色彩空间中的显著性特征组成四个通道,并且利用四元数可以对多通道图像整体表示的优点,提出了一种改进的四元数图像表示方法,充分提取了织物图像的纹理信息与显著性特征。最后,采用超复数傅里叶变换将四元数图像变换至频域,通过分析织物图像频谱的特点,对其幅值谱进行局部调谐,保留包含疵点的显著性信息,抑制包含背景图案的非显著性信息。将调谐后的频谱信息通过逆变换得到疵点区域的显著图,对显著图可采用Otsu阈值法分割出疵点,从而进行标记。本文采用公开的织物图像数据库进行实验,实验结果表明,本文方法对各类织物图案中的不同疵点均有较好的检测效果,疵点检测率可达98%。此外,利用图像级和像素级的指标对本文方法与目前较优秀的几种织物疵点检测方法进行评估,结果表明本文方法在多数指标以及综合评估中均占有优势,说明了本文方法能够满足织物疵点在线检测的要求,并且对其他表面的疵点检测具有较好的指导意义。