织物疵点自动检测是对织物质量进行控制和实现织造及验布工序自动化、无人化的关键环节[1]. 传统的人工检测方法是检验人员按照个人经验和织物评分、评等标准对织物等级做出评定[2]. 这种方法存在检测速度低、漏检率高等诸多问题，因而亟需发展新颖、快速、准确的织物疵点自动检测方法. 20 世纪90 年代以来信息技术的高速发展、计算机硬件性能的不断提高和数字成像系统的发展，使得机器视觉在工业上开始广泛的应用，这给自动检测提供了新的方法和手段[3].疵点在线检测的速度要求一般高于60 m/min，检测的疵点最小尺寸为0.5 mm. 如果采用2 048 行分辨率的线阵相机，像素空间分辨率取0.2 mm/pixel，则单个相机每秒钟产生的图像数据量为10 Mb. 也就是说，单个相机对应的处理单元要在1 s内完成10 Mb数据的传输和处理. 因此底层的数据采集处理上，检测算法的实时性越高越好，只需要判断某部分图像中是否含有疵点即可，而不要求该检测算法能完成疵点几何特征提取以及分类等功能. 底层处理单元仅上传一些可能有疵点的图像到中层处理单元. 中层处理单元能够将疵点从纹理背景中完全分离出来，以获取疵点的形状和大小等几何信息，并且能过滤掉底层处理中判断错误的部分. 高层处理单元能够根据已提取的疵点信息，对疵点进行分类评分. 本文综述将分别介绍适合于这3个步骤的各种方法.1 疵点判别疵点判别只对图像的子窗口做出有疵点还是无疵点两种判断. 疵点判别时应保证较低的漏警率，即过滤掉的部分不再能含有疵点.用于疵点判别的方法需要有很好的实时性，简单并且最好能在硬件平台上实现. 这类方法通常需要对图像进行子窗口分割，而且这类方法可能会有一定的虚警率.疵点判别主要有3个步骤：预处理、特征提取和判决. 这其中特征提取是核心部分，将会详细介绍.预处理要使得采集到的图像全局一致. 由于视觉采集系统是一个短焦大范围的

光学系统，图像的中心和两边的光强分布不均匀，因此需要在预处理时进行边中图像的校正[4]；视觉系统由于光源或相机内部噪声的影响，前后采集的图像也需要进行一致性校正.常用的判决法有异常检测、贝叶斯判决等. 文献[5-6]中特征阈值取学习图像中特征的最大值，这种选取方式依赖于学习图像的好坏，并且对于噪声的容忍度极差. 异常检测[7]通常不依赖于样本图像，它能剔除出远离大多数特征向量的"奇异"特征向量，而并不需要对改组特征向量有任何的先验知识，因此最适合在线检测. 贝叶斯判决中，疵点出现的先验概率已知，判决建立在一个最小风险后验概率的基础之上.特征提取是整个过程中最重要的环节. 它从图像数据中提取表示是否含有疵点的信息. 这里仅介绍一些最为常见的特征提取方法. 1.1 基于共生矩阵特征共生矩阵属于高阶统计量，它反映了某两个灰度在一定空间位置上同时出现的概率. 灰度共生矩阵实现简单，优化后能具有很好的实时性. 在纹理分割领域，共生矩阵的特征如熵、角二阶矩等特征被认为是最为有效的[8]. 文献[9-10]中详细列出了各种不同的共生矩阵的定义和相关特征，并将它们用于不同的应用中. 文献[11] 中介绍了在集成于相机内部的FPGA 上实现Unser差分共生矩阵的方法. 文献[12]中首先将纹理图像进行小波分解，并在各个子带图像中提取共生矩阵及其特征，但作者并未说明分解的子图像上求取的共生矩阵特征是否有更好的效果和对图像进行多分辨率分解需要耗费大量的时间. 灰度共生矩阵的维数仍然过大，并且熵、角二阶矩等特征是对纹理统计特性的描述，并不能很好地描述疵点与纹理的差别.而优化后的类别共生矩阵[7]和模糊类别共生矩阵[13]很好地克服了这两个缺点，使图像灰度级被归类到一定数目的色调集合中，用色调类别代替灰度级计算共生