設計織物疵點檢測-裝訂上交版

課題研究背檢測存在和檢驗結(jié)果受人員因素影響太大等缺點，紡織品缺陷檢測技術(shù)已經(jīng)成研究的目的及意在全球經(jīng)濟的時代，如何使紡織企業(yè)更具競爭力，確保紡織品的質(zhì)量無疑是十分重要的因素。檢測作為產(chǎn)品質(zhì)量控制的重要環(huán)節(jié)，在紡織品生產(chǎn)過程中占有重要地位，其中疵點檢測是其關(guān)鍵的部分。然而，織物的顏色和樣式多樣化，使織物疵點種類繁多，且新的疵點不斷涌現(xiàn)，這都為疵點檢測帶來了。紡織品疵點檢測迫切需要一種能夠代替人類視覺檢測的智能化檢測系統(tǒng)，能夠和機器技術(shù)相結(jié)合，自動檢測和識別各種織物的不同疵點。隨著的發(fā)展，機器視覺和圖像處理相關(guān)課題的研究不斷深入，其應用領域也不斷拓展。自20世紀70年代以來，人們將機器視覺和圖像處理技術(shù)應用到紡織品疵點檢測和分類工作中。織物缺陷自許多學者進行了大量的研究。經(jīng)過近40年的自動織物疵點檢測算法的探索，也有一些原型和現(xiàn)在商業(yè)的檢測系統(tǒng)的形式，但主要是以和專利的形式。國內(nèi)外研究現(xiàn)國內(nèi)研究現(xiàn)到了20世紀70年代初，研究人員開始關(guān)注國內(nèi)外織物疵點檢測技術(shù)，在90末，研究形成。中國的研究人員，中國，，韓國，，以色列和瑞士等國家和地區(qū)的科研成果是基于其他工業(yè)檢測系統(tǒng)的研究和其他的數(shù)學和算機科學，學者們了許多文章和研究，紡織理論上的缺陷檢測水平的不提高，自動織物疵點檢測系統(tǒng)的研究有了一定程度上的發(fā)展。國內(nèi)學者在大學進行自動缺陷檢查布料做了很多的研究，東華大學，華技國外研究現(xiàn)I-TEX驗布系統(tǒng)、Uster公司Fabriscan自動驗布系統(tǒng)和比利時BARCO公司的驗布有直均衡化，偽彩色增強，灰度窗術(shù)。被用來獲取直或統(tǒng)計方法，更適合于高對比度的灰度表征簡單分區(qū)映像，不能滿足一定的質(zhì)量或梯度表征的圖像的分割的各區(qū)域的復雜性。術(shù)檢測的圖像分割和目標的突出，這是一個重要的發(fā)現(xiàn)檢測目標邊緣的方法。系統(tǒng)的工作流織物疵點檢測系統(tǒng)的總體結(jié)構(gòu)可以分為三個部分:圖像單（本文只研究圖像處理單元（2-1）2-1織物疵點分斷經(jīng)類疵點:布面上由經(jīng)紗脫斷形成的沿經(jīng)紗方向呈現(xiàn)的疵點。在經(jīng)紗圖2-2)。2-22-3)2-3粗糙（2-4。2-42-5（（傳輸和記錄過程中會因成像系統(tǒng)傳輸介質(zhì)和設備的不完善而導致所以要進行圖像復原，盡可能的恢復圖像的本來面目。圖像分割是圖像的有用（平滑增像邊緣和灰色部分跳躍，灰色對比度增強的圖像，使圖像變得清晰。平滑圖像采用的方法主要有：直均衡法、濾波法、算子銳化。直均衡直均衡化是圖像處理領域中利用圖像直對對比度進行調(diào)整的方法這種接近的時候。通過這種方法，亮度可以更好地在直上分布。這樣就可以用于增強局部的對比度而不影響整體的對比度，直均衡化通過有效地擴展常用的亮度利用直統(tǒng)計的結(jié)果，通過使圖像的直均衡的方法稱為直均衡化，均勻，設法增加的在直統(tǒng)計中的占的比例比較高的像素和其他像素的高亮度直在中調(diào)用histeq函數(shù)進行實現(xiàn)斷經(jīng)類疵點直均衡化效果對比圖（圖3-圖3-1斷經(jīng)類疵點直均衡化效劃痕類疵點直均衡化效果對比圖（圖3-圖3-2劃痕類疵點直均衡化效破洞類疵點直均衡化效果對比圖（圖3-圖3-3破洞類直均衡化效油污類疵點直均衡化效果對比圖（圖3-圖3-4油污類直均衡化效圖像濾為更好地去除噪聲，比較它們加入高斯白噪聲和椒鹽噪聲，用編程各種（x，y（x，yg（x，y（x，y）=1/m∑f（，y，其中m這樣的方法可以使圖像平滑，而且速度快，算法簡單。但是無法去掉噪聲，只能微弱的減弱它[37。3種濾波方法對有噪聲的織物疵點圖像進行濾波分析對比（程序見附錄斷經(jīng)經(jīng)濾波對比圖像（3-5、3-劃痕濾波對比圖像（3-7、3-破洞濾波對比圖像（3-9、3-油污濾波對比圖像（3-11、3-S（領域S）選擇太小時，去噪效果不理想。因此均值領域方法不太適合處理圖像噪聲。聲依然很明顯。圖像的銳這里主要用到了兩種常用的微分算子銳化方法：梯度銳化sobel和拉銳Laplacian。注意：由于銳化使噪聲受到比信號還要強的增強，所以要求銳化處sobelSobelSobelPrewittSobel算子對于象素的位置的影響做了，可以降低邊緣模糊程度，因此效果更Laplacian算氏算子改善由于湍流擴散的效果是特別有效的，因為它是在與系統(tǒng)的最低示范線比（兩種算子對比程序見附錄斷經(jīng)疵點銳化圖像（3-3-13劃痕疵點銳化圖像（3-3-14破洞疵點銳化圖像（3-3-15油污疵點銳化圖像（3-3-16Laplacian算子是與方向無關(guān)的各向同性邊緣檢邊緣方向信息丟失，常產(chǎn)生雙像素的邊緣，對噪聲有雙倍的加強作用。測算子，若只關(guān)心邊緣點的位置而不顧其周圍的實際灰度差，一般選擇該算子進行檢測。特點：各同向同性，線性和位移是對噪聲有雙倍的加強作用。Sobel算子在檢測邊緣的同時減少噪聲的影響，可以檢測到邊緣點，相對于拉Sobel本文采用基于迭代（自動閾值）閾值分割算法介灰度閾值分割算灰度閾值分割方法是最常用的技術(shù)，在并行區(qū)域中是數(shù)量最多的應用于圖像分割的類別。關(guān)鍵閾值分割算法是要確定該閾值，如果確定一個合適的閾值可以準確地單獨圖像。設定閾值后，將閾值比較的像素和像素灰度共享可以并行地執(zhí)行對于每個像素，其結(jié)果是直接給定的圖像區(qū)域分割。迭代閾值分割算迭代算法的思想是一種近的思想先求出圖像的最大灰度值和最小灰度值，讓初始閾值被設定在最大值和最小值灰色灰色的中間值，然后利用迭代算法將疵點部分的圖像和背景的圖像分割開來。求出兩部分的灰度平均值，算出新的閾值T，T為兩部分灰度平均值的中間值。最后在循環(huán)中遍歷行和列，若灰度值大于等于新的閾值T，則將圖像像素灰度值設置為1，其余部分設置為0。最后得到了將疵點部分突出的效果，為后面的邊緣檢測做準備。結(jié)果分

4-1斷經(jīng)疵點迭代閾值分割結(jié)果4-2劃痕疵點迭代閾值分割結(jié)果4-3破洞疵點迭代閾值分割結(jié)果4-4油污疵點迭代閾值分割結(jié)果圖像的邊緣存在于直接連接的圖像內(nèi)容的物理性質(zhì)之間，因此圖像的邊緣包含其目的是能夠更準確地描述目標區(qū)域。邊緣檢測特征提取作為其性能的工具是直接關(guān)系到隨后的圖像處理的質(zhì)量。主要是為了提取圖像特征值，以圖像分割。一般邊緣檢測的算子有四類：Prewitt算子、SobelCannyRoberts算子。cannylog圖像運行結(jié)5-1LogLogCanny5-2LogLogCannyLogLogCanny5-4LogLogCanny運行結(jié)果對比分、Log算子使用高斯函數(shù)進行平滑圖像，從而使噪聲是更明顯的抑制效果、Canny算子也使用圖像的高斯函數(shù)對圖像進行平滑處理，使之具有很強的抵抗噪聲的特性，但也有可能平滑一些信息邊緣，然后使用預先階微分算子算運行比日志更好，所以精度更高的定位優(yōu)勢。操作者是從其它操作邊沿檢測不同，它使用兩個不同的閾值來檢測強和弱邊緣當且僅當連接到弱弱涉及圖像制作的端部，模擬結(jié)果可通過在其中最好的一些算子的邊緣檢測算子可以看出。邊緣定位準確，連續(xù)性好，邊緣少而且邊緣都具有一個單獨的像素寬度 的效果來看，選擇canny算子邊緣檢測效果比較好目標特征提模式識別是基于目標對象的識別和分類技術(shù)的模型，本研究是多種學科的圖像或物體的和處理的分類和描述，在視覺領域中被稱為圖像識別。1960年模式識別是迅速發(fā)展的一個。特別是隨著一大批科研成果在許多領域最近出現(xiàn)已成功實施。為了有效地實現(xiàn)了分類，有必要轉(zhuǎn)換的原始圖像，以更好地反映圖像特征分類的性質(zhì)。圖像特征是指在原有功能或?qū)傩缘膱D像。每個圖像都有自己的特點，其中一些是視覺感受的天然特性直接，如亮度，邊緣，質(zhì)地，或顏色;有些是需要得到通過改造或計量功能，例如頻譜，直等人為特征。為了有效地糾正缺陷圖像識別，必須從所生成的圖像描述中的非圖像或表示有價值的數(shù)據(jù)或信息，例如值，符號等，其圖像特征提取。在一般情況下，空間的原始數(shù)據(jù)的組合物被稱為“測量空間”，分類空間，其中被稱為“特征空間”。提取，空間測量模型的高維數(shù)據(jù)的低維模式功能空間表示代表提供樣品圖像識別[40]。特征選取依對于待識別的織物疵點圖像（主要是四類疵點，通過分割和邊緣檢測及其相關(guān)的加工，就可以得到原始特征的圖像。但大量的圖像的樣品是在高維空間中，如何選擇的多個特征的最有效的功能，以減少特征空間物體的尺寸，則特征選擇和提取的職責原來的基本特征。樣本量不是很多的情況下，具有許多功能，設計分類，該視圖的計算和分類性能點的復雜性是不恰當?shù)?。因此，如何在高維特征空間功能成為一個低，有效識別關(guān)鍵特征的圖像。例如，通過機在一個對象被轉(zhuǎn)換成一個二維灰度陣列。1000×1000灰度圖像陣列相當于1000×1000尺寸測量空間中的一點，這是不容易識別，更重要的是，這樣的描述并不直接反映圖像的性質(zhì)。目前，幾乎沒有可以引導的功能的選擇的方法，在一般情況下，根據(jù)經(jīng)驗和理論基礎第一表的分析方法列出了一些相關(guān)的可能的特征，然后計算出不同特性的效率來識別特征的分類方法。通過篩檢的結(jié)果來選擇功能的最佳組合。具體地，選擇特征值是基于以下依據(jù)的：可區(qū)別性。對于屬于不同類的圖像，它們的特征應該具有比較明顯的差異?？煽啃?。對于同類圖像，特征值應該比較接近。獨立性好。所選擇的特征值之間應彼此不相關(guān)。需要注意的是，有時相關(guān)性很高的特征組合起來可以減少噪聲干擾，但它們一般單獨的特征使用。數(shù)量少。圖像識別系統(tǒng)的復雜程度隨著系統(tǒng)維數(shù)（特征個數(shù)）成正比增加。如果特征數(shù)量過多，雖然識別的效果會更好一些，但是識別時計算更加耗時，難度更大[40]。圖像特征分析方有很多方法可以分析各種的圖像的特征，但具體到每一個圖像，我們僅基于所述圖像的獨特性質(zhì)，并選擇一個或幾個這樣的方法來分析其特征，根據(jù)圖像的形狀，圖像的紋理標志，圖像的顏色特征等等這些來進行分析。圖像的形狀特征分析：經(jīng)過圖像預處理和圖像分割，我們就可以得到目標區(qū)域的大小及邊緣信息，從而得到疵點部分的大致形狀。通過邊界、骨架及區(qū)域三種信息就可以來反映圖像的目標信息。通常，人們關(guān)心的主要是目標信息的形狀，而不是其他信息。所以，我們可以把圖像的邊界或者內(nèi)部賦值“1，其他不感的部分賦值“0”，這樣即可形成一幅可以清晰顯示出目標形狀信息的二值圖像。目標信息的特征量有長度、面積、周長、寬度、長寬比等，我們可以通過這些特征量來對疵點進行判別以及為以后的疵點分類提供較好的幫助。圖像的紋理特征分析：在圖像處理分析中，紋理結(jié)構(gòu)的特征分析占據(jù)了很大地位。它具有多種特征，主要有局部特性不斷重復、圖像區(qū)域內(nèi)紋理總體均勻和非隨機排列等，常用的紋理特征提取方法也很多，比如模型方法、統(tǒng)計方法、幾何方法、信號處理方法及結(jié)構(gòu)方法等。此方法很早就被提出，但因為其中存在的一些問題，在實際工程應用中很小被用到，比如分析大尺寸圖像不理想、處理起來耗時等一些問題。圖像的顏色特征分析：圖像的顏色特征分析是圖像統(tǒng)計特征分析中最常用的一種，主要RGB和HIS兩類彩色坐標系統(tǒng)。前者是面向已經(jīng)系統(tǒng)的，相對簡單，而后者主要是用RGB空間轉(zhuǎn)換為HIS空間，主要是因為在RGB彩色坐標系中，存在著很多的不足。第一，RGB彩色坐標系對不同的色彩不能用準確的數(shù)值來表示，進而很難進行定量分析；第二，RGB彩色坐標系對含有較高相關(guān)性的圖像擴展對比度時，只能擴大圖像的明亮程度，而對圖像的色調(diào)差異的增強沒什么效果；第三RGB彩色坐標系不容易控制圖像分析的結(jié)構(gòu)。而HIS母性則可以定量的描述圖像的顏色特征。通過以上分析，本文選擇了通過疵點的形狀特征來對圖像進行分析，主要有疵點的周長、疵點的面積、疵點的圓度、疵點的矩形度以及疵點的經(jīng)緯向伸長度等。本文所研究疵點的特本文我們介紹了四種織物疵點的類型，分別是斷經(jīng)、劃痕、破洞和油污。根據(jù)這些疵點的類型和形狀特征，我們選擇了五個特征量對其進行分析，分別為疵點的周長、疵點的面積、疵點的圓度、疵點的矩形度以及疵點的經(jīng)緯向伸長度。這些疵點特征值的計算過程如下：疵點部分的周長周長是采用計算疵點部分邊緣檢測后的圖像邊緣像素點來計算的。疵點的面積不管什么樣形狀的目標圖像區(qū)域，我們均可以把它限制于一個矩形方框內(nèi)，矩形區(qū)域的面積為L×W，如圖6-1所示。通過掃描整個矩形區(qū)域里的每個像素點，可直接得到灰度值為“1”的像素點的總個數(shù)，表示為：6-1區(qū)域面積計算在最后的二值化織物圖像內(nèi)，把疵點區(qū)域內(nèi)的各個像素點的灰度值進行統(tǒng)計，灰度值為“1”的像素點的個數(shù)即為疵點的面積特征參數(shù)S，表示為：(3）疵點的圓度（緊密度的倒數(shù)疵點的緊密度又稱為疵點緊湊度，我們把它定義為L2/4πS。式子中，L代表疵點區(qū)域的周長（即疵點區(qū)域輪廓的長度S代表疵點區(qū)域的面積，π是圓周率。從式子中我們可以看到，若疵點區(qū)域為一個正圓，其區(qū)域周長就為2πR(R為區(qū)域圓的半徑)，面積為πR2，那么疵點的緊密度就為1，即一個正圓的緊密度為1。非正圓的緊密度相對會比較大些。圓度（緊密度的倒數(shù)：C=4*pi*S/(L*L)。(4)矩形度反映了一個圖形與矩形的相似程度，在本文中就指的是疵點圖像與矩形的相似程度。H、W分別是疵點的高和寬。S則是疵點的面積。(5）疵點的經(jīng)緯向伸長度疵點經(jīng)緯向伸長度R就是疵點的長寬比，即為前面所求的疵點的長度和疵點的寬度W的比值，疵點長寬比R表示為：R能夠較好的描述區(qū)域類和方向性疵點的特征形狀，通常，我們能夠認定為：斷經(jīng)疵點圖像和經(jīng)線連續(xù)粘并疵點圖像的經(jīng)緯伸長度R值比較大；漿斑疵點圖像經(jīng)緯伸長度R值大約靠近于1；劈縫疵點圖像的經(jīng)緯伸長度R適中。特征提取識別運行結(jié)(1）斷經(jīng)疵點特征提取識別結(jié)果（6-6-2斷經(jīng)疵點檢測結(jié)果(2）劃痕疵點特征提取識別結(jié)果（6-6-3劃痕疵點檢測結(jié)果(3）破洞疵點特征提取識別結(jié)果（6-6-4破洞疵點檢測結(jié)果(4）油污疵點特征提取識別結(jié)果（6-6-5油污疵點檢測結(jié)果滑處理，其中包含了直均衡化、圖像濾波、圖像銳化等。然后是圖像的分割，研究最終采用的圖像分割算法為更能適應疵點情況的迭代閾值分割算法。在對優(yōu)化方案是在對疵點圖像進行第一次裁剪后，若圖像寬度大于劃痕類、循環(huán)中執(zhí)行對斷經(jīng)圖像專門的裁剪程序，將斷經(jīng)的疵點部分裁剪出來，避開周圍的大部分噪點影響，然后進行特征提取。這樣能夠提高對于和背景差別不是很大的斷經(jīng)疵點檢測的準確率。最終算法程序得以完善，能夠?qū)Ρ疚闹械乃姆N疵點：斷經(jīng)、劃痕、破洞、油污進行準確的檢測識別并輸出結(jié)果（本算法完整程序見附錄。[1]，，.智能：圖像處理技術(shù)[M].：電子工業(yè)[2]鐘釩，周激流，郎方年等.邊緣檢測濾波尺度自適應選擇算法[J].[3]，，等.數(shù)字圖像處理技術(shù)[M].：冶金工業(yè)[4]羽等.基于機器視覺和圖像處理的織物疵點檢測研究新進展[J].紡織學報20143（3[5]步紅剛等.基于計算機視覺的織物疵點檢測的近期進展[J].東華大學學報，2006，32（3[6]O.GSezera,1,AErcilb,AErtuzunc.Usingperceptualrelationofregularityandanisotropyintexturewithindependentcomponentmodelfordefectdetection韓其睿,.編織物疵點檢測及類型識別[J].計算機工程與應用,2014,李春雷,,等.基于紋理差異視覺顯著性的織物疵點檢測算法[J].山東大學學報：工學版,2014,(4). ,,等.織物疵點圖像的直處理與增強[J].絲綢,2009,(5):35-（編譯）,左保齊（校）,蘇州大學紡織與服裝等.基于計算機視覺的織物疵,.圖像處理用于織物疵點自動檢測的研究進展[J].東華大學學報：自然科學版,2002,28(4):118-122.:10.3969/j.issn.1671-0444.2002.04.027.,. 圖像處理技術(shù)在針織物疵點檢測中的應用[J].電腦知識與技術(shù),2009,5(11). 劉京南,余玲玲.幾種圖像分割閾值的比較與研究[J.電氣技術(shù)與自動化,2003,1):7780.．數(shù)字圖像分割及變形技術(shù)研究[D]．數(shù)字圖像處理及其應用研究[D]，，太，基于數(shù)學形態(tài)學的織物疵點檢測方法[J].測試技術(shù)學報2007,2（6，，，2009,30（4：14-，.圖像處理用于織物疵點自動檢測的研究進展[J].東華大學學報（自然科8.神經(jīng)網(wǎng)絡在織物檢測中的應用[J].:圖像處理和分析[M]. :[23]，.基于神經(jīng)網(wǎng)絡在織物疵點識別技術(shù)[J].紡織科學報[24]J.Dorrity.G.Vachtsvanos,W.Jasper.Real-timeFabricDefectdictionandControlinProcess{C}NationalTextileCenterAnnual[25]，.BP算法的數(shù)學推導及實現(xiàn)算法[J].遼寧石油化工高等?？茖W校學報WarrenJJ.Image ysiofmispicksinwovenfabric[J].TextileResearchJournal,1995,65；周帥,,才.基于變換的織物疵點圖像特征提取[J].青島大學學報：工程技術(shù)版,2013,(2):53-59. .基于閾值分割的織物疵點檢測方法研究與實現(xiàn)[D].河北科技大學, ,,.幾種圖像消噪處理算法在織物疵點檢測中的應用[J].南通紡織職業(yè)技術(shù)學院學報,2012,12(2):14-16. 黎丹,劉哲.織物疵點特征提取主要算法比較[J].毛紡科技2011,39(1):57-劉建立,左保齊.織物疵點圖像消噪方法的比較[J].紡織學報2007,28(11):128-卿湘運,段紅,.基于局部熵的織物疵點檢測與識別的研究[J].紡織學報,2004, ,.用于疵點檢測的織物自適應正交的實現(xiàn)[J].東華大學學報：自然科學版,2002,28(2):77-81. ,,.基于二維連續(xù)變換的織物疵點檢測[J].東華大學學報：自然科學版,2000,26(2):10-13.:10.3969/j.issn.1671-0444.2000.02.003.,,.基于Wold紋理模型和分形理論的織物疵點檢測[J].東華大學學報：自然科學版,2000,26(1):6-9.:10.3969/j.issn.1671-0444.2000.01.002.高水平.織物疵點檢測的圖像處理技術(shù)[D].青島大學,2005..弱小目標檢測前算法研究[D].杭州電子科技大學,2010. .非標準輪廓曲線提取與數(shù)控加工程序生成的研究[D].大學,郭文斌.EMCCD圖像處理系統(tǒng)及應用技術(shù)研究[D].中學,2008. ,,,等.玻璃缺陷特征提取[J].中原工學院學報,2010,21(2):35-38.在此特別感謝導師對我的悉心指導，老師在算法程序的優(yōu)化上給了我很師還在百忙之中抽出時間來對我的進行審閱提出修改意見。最終使我完成大學的畢業(yè)設計。我在此對導師表示衷心的感謝。在這個過程中，我學到了很多本專業(yè)方向和其他方向的不同知識點，拓寬了自己的知識面，而且在自主研究的過程中提升了自己的能力。在與同組同學進行討論的過程中，也提升了團隊協(xié)作能力，看到了互相學習，互相借鑒的重要性。很多。如今在我完成畢業(yè)設計之際，謹向電子信息學院的所有導師和同學表示I1=imread('11.jpg');J=imnoise(I2,'salt&title('3*3的窗口鄰域濾波title('7*7的窗口鄰域濾波title('3*3窗口的維納濾波');title('7*7窗口的維納濾波');title('3*3窗口的中值濾波title('7*7窗口的中值濾波Iimread('12.jpg');I=rgb2gray(I);H=fspecial('Laplacian');%LaplacianlaplacianH=title('laplacian算子銳化圖像');H=fspecial('sobel');%應用sobel算子濾波銳化圖像sobelH= title('sobel算子銳化圖像');Iimread('12.jpg');BW1=%Log[BW1,thresh1]=%返回當前Log算子邊緣檢測的閾值disp('Log算子自動選擇的閾值為：')title('Log算子邊緣檢測')BW1=edge(I,'log',0.005);%0.005Logtitle('0.005Log算子邊緣檢測')%[BW2,thresh2]=%返回當前零交叉檢測邊緣檢測的閾值BW2=edge(I,'zerocross',0.03,h);%0.03title('0.03的零交叉邊緣檢測')BW3=edge(I,'canny');%Canny[BW3,thresh3]=%返回當前Canny算子邊緣檢測的閾值disp('Canny算子自動選擇的閾值為：')title('Canny算子邊緣檢測')BW3=edge(I,'Canny',[0.20.5]);%以閾值為[0.10.5]Cannytitle('閾值為[0.10.5]Canny算子邊緣檢測clearall;closeall;I1=imread(12.jpg');%I2=histeq(I2);%直均衡化S0=0;S1=0;fori=1:xfor

fori=1:xfor

figure,imshow(bw2);title('I5=bwareaopen(bw2,70)320接對象，的是連續(xù)的白色像素數(shù)量少于70的字符%I5=bwareaopen(I3y,x,z]=size(I5);%y，x，zmyI=double(I5);% Blue_y=zeros(y,1);%zeros(M,N)M*N0forforif(myI(i,j,1)==1)Blue_y(i,1)=Blue_y(i,1)+1;%[tempMaxY]=max(Blue_y);%Y方向疵點區(qū)域確定[tempMaxY]臨時變量MaxY %以下為找疵點Y方向最小值while((Blue_y(PY1,1)>=5)&&(PY1>1))PY2=MaxY;Ywhile((Blue_y(PY2,1)>=5)&&(PY2<y))%XBlue_x=zeros(1,x);%xforfor if(myI(i,j,1)==1)Blue_x(1,jBlue_x(1,j)+1;PX1=1;%Xwhile((Blue_x(1,PX1)<5)&&(PX1<x))%%175PX2=x;%Xwhile((Blue_x(1,PX2)<5)&&(PX2>PX1))204PY1=PY1;%dw0=myI(PY1:PY2,PX1:PX2,:);%close