基于视觉注意机制的织物起球等级评价方法

摘要

基于视觉注意机制的织物起球等级评价方法，包括以下步骤：步骤1、采集织物起球图像；步骤2、对织物起球图像进行小波多层分解：步骤3、确定织物起球图像的中央层子图与周边层子图；步骤4、构建织物起球显著图；步骤5、获取织物起球目标；步骤6、提取织物起球特征；步骤7、对织物起球等级进行评价。基于视觉注意机制的织物起球等级评价方法，通过准确选择中央层子图与周边层子图并且在它们之间进行中央‑周边操作，能够提高起球目标的显著性、减少计算量；对织物起球显著图进行阈值分割和滤波，能够有效获取织物起球目标；在此基础上，提取起球特征，进而快速、准确地对织物起球等级进行客观评价。

说明书

技术领域

本发明属于织物表面评价方法技术领域，涉及一种基于视觉注意机制的织物起球等级评价方法。

背景技术

织物起球不仅影响织物外观，还会降低织物的穿着体验，因而，织物起球等级评价是检验与控制织物质量的重要指标。传统的对织物起球等级的评价主要是依靠检验人员肉眼完成的，这种等级评价效果受到检验人员的个人经验、心理因素等主观因素的影响，因而无法对织物起球等级做出客观的评价。

目前，随着计算机、图像处理技术的发展，新的织物起球自动检测与等级客观评价算法不断涌现，织物起球等级客观评价方法很多，基于机器视觉的织物起球等级客观评价方法逐渐成为研究的热点。

在空间域内，很多研究者做了大量的研究，并取得了一定的研究成果，但仍存在一定的不足：灰度直方图统计法，主要是对织物灰度图像进行灰度直方图统计，再进行阈值分割，选取起球的面积数目作为特征参数，但是当织物纹理较复杂时，织物上的浮点容易被误认为是毛球(K onda A，X in L C.Evaluation of Pilling by computer imageanalysis.Journal of the Textile Machinery Society o f Japan，1990，36(3):9 6-10)；支持向量机客观评价法，使用支持向量机(SVM)的数据挖掘织物起球的性能并作出预测，但SVM的参数主要依靠经验来选择，主观性较强(Poh Hean Yap,Xungai Wang,LijingWang,and Kok-Leong Ong.Prediction of Wool Knitwear Pilling Propensity usingSupport Vector Machines[J].Textile Research Journal,2010,80(1):77-83)；高斯模板匹配法，运用了二维高斯拟合理论，用实际起球图像训练起球模板，并用直方图拟合技术确定合理的阈值来分割图像，再提取起球数目、起球疵点的平均面积、起球的总面积、起球对比度和密度去训练起球特征，并通过建立相应的公式评估起球等级，然而，训练出的起球模板是否是最佳匹配的起球模板，将会直接影响评估效果(Binjie Xin,Jinlian Hu,andHaojin Yan.Objective Evaluation of Fabric Pilling Using Image AnalysisTechniques[J].Textile Research Journal,2002,72(12):1057-1064)；立体视觉客观评估法，采用立体视觉进行立体评估,主要适合于柔软的粗纱线织物起球等级评价，不适合坚硬的细纱线织物起球等级评价(Bugao Xu,Wurong Yu,and RongWu Wang.Stereovisionfor three-dimensional measurements of fabric pilling[J].Textile ResearchJournal,2011,81(20):2168-2179；K im S C，K an g T J.Evaluation of fabricpilling using hybrid imaging methods[J].Fibers and Polymers，2006，7(1):57-61)。

众所周知，织物起球图像通常包含周期性、非周期性的背景纹理信息、起球信息、光照信息以及噪声信息，在空间域内，这些信息相互纠缠，很难有效分离出起球信息。在变化域中，可以利用傅里叶变换滤除周期性纹理，然后提取织物起球的特征参数，实现对起球等级的客观评价(Xu B.Instrumental evaluation of fabric Pillig[J].Joumal o fTextile Institute，1997，8(8):488-500)，然而，傅里叶变换是一种全局性的方法，并不能在空间域提供局部信息，当部分起球信息与周期性纹理信息频率相同时，这部分周期性纹理信息无法被抑制(Shengqi Guan and Zhaoyuan Gao.Fabric defect imagesegmentation based on visual attention mechanism of wavelet domain[J].TextileResearch Journal,2014,84(10):1018-1033)。另外，小波变换在时域和频域具有表征信号局部特征能力，非常适合奇异信号的检测，众多学者利用小波多分辨率特性，抑制周期性非奇异纹理信息，实现对织物起球客观评价(Stuart Palmer and Xungai Wang.ObjectiveClassification of Fabric Pilling Based on the Two-Dimensional DiscreteWavelet Transform[J].Textile Research Journal,2003,73(8):713-720；JunminZhang,Xungai Wang,and Stuart Palmer.Performance of an Objective FabricPilling Evaluation Method[J].Textile Research Journal,2010,80(16):1648-1657)，然而，织物背景纹理不仅包括周期性纹理，还包括非周期性高频噪声，缓变的光照不均、背景纹理的不平度等，如果不将这部分信息从起球信息中分离出来，势必会影响最终的检测结果。

通过上面的分析可以看出，空间域和变换域疵点检测方法都存在着一定的缺陷，空间域内通常很难有效地将周期性背景纹理信息与起球缺陷有效地分离，变换域中也无法将所有背景纹理从织物起球信息中分离出去，在进行织物起球等级评价时，势必会受到来自背景纹理信息的干扰，进而影响其客观评价的效果。

而人类视觉系统在长期进化过程中，形成的视觉注意机制，能够从复杂背景中迅速发现目标信息，利用人类的视觉注意机制，能够抑制背景信息，提高检测目标的显著度(Navalpakkam,V.,Itti,L.Modeling the influence of task on attention[J].VisionResearch,2005,45(2):205-231)。基于显著纹理特征的织物疵点检测方法，利用基于局部纹理的最佳窗口，通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图来突出织物疵点区，但仅从织物疵点特征来提高显著性，很难提高面积微小、数目众多的起球疵点的显著性，采用Ostu分割法也很难滤除噪声等信息；基于视觉显著性的平纹织物疵点检测方法(管声启，高照元，吴宁，徐帅华.基于视觉显著性的平纹织物疵点检测[J].纺织学报,2014,35(4):56-61)，利用小波分解织物起球图像，对不同图层的子图进行中央-周边操作，将差分子图融合形成显著图，然后，用最大类间方差分割法，进行织物疵点分割，这种方法选择所有图层的子图进行中央-周边操作，没有考虑图层子图本身的信息，对一些中央图层与周边图层子图信息差异不大，或差异并不是起球疵点信息的图层进行中央-周边操作，不仅会增加计算量，而且起球等小疵点信息显著度并没有得到显著提高，另外，最大类间方差分割法，同样存在没法消除起球等小疵点信息里的噪声的缺陷。

可以看出，目前基于视注意机制的方法可以用于种类繁多的织物疵点检测，但并不适合面积较小、对比度低、数目较多的织物起球图像检测，如何有效提高织物起球显著性以及二值分割方法，直接影响着最终的起球等级客观评价效果。

发明内容

本发明的目的是提供一种基于视觉注意机制的织物起球等级评价方法，能够快速、准确地对织物起球等级进行客观评价。

本发明所采用的技术方案是，基于视觉注意机制的织物起球等级评价方法，包括以下步骤：

步骤1、采集织物起球图像；

步骤2、对织物起球图像进行小波多层分解：

步骤3、确定织物起球图像的中央层子图与周边层子图；

步骤4、构建织物起球显著图；

步骤5、获取织物起球目标；

步骤6、提取织物起球特征；

步骤7、对织物起球等级进行评价。

步骤2中，对织物起球图像进行小波多层分解的具体步骤为：

选取DB2小波对织物起球图像进行小波多层静态分解：

设h为低通滤波器，g为高通滤波器，得到小波多层分解后的二维数字图像：

其中：LL_j-1(k₁,k₂)表示第j-1层近似子图，LL_j(x,y)、LH_j(x,y)、HL_j(x,y)、HH_j(x,y)分别表示第j层近似子图、第j层水平细节子图、第j层垂直细节子图、第j层对角线细节子图，k₁、k₂表示滤波器系数序号，分别表示低通滤波器不同的滤波器系数，分别表示高通滤波器不同的滤波器系数。

步骤3中，确定织物起球图像的中央层子图与周边层子图的具体步骤为：

分别计算织物起球图像的近似子图能量、水平细节子图能量、垂直细节子图能量、对角线细节子图能量：

分别表示第j层近似子图能量、第j层水平细节子图能量、第j层垂直细节子图能量、第j层对角线细节子图能量；

计算织物起球图像的细节子图能量：

表示第j层细节子图能量，表示相加融合；

计算织物起球图像的细节子图能量梯度：

其中，表示第j-1层的细节子图能量梯度，表示第j-1层细节子图能量，分别表示第j-1层近似子图能量、第j-1层水平细节子图能量、第j-1层垂直细节子图能量；

拟合织物起球图像的细节子图能量梯度曲线S；

选择S中拐点处的细节子图能量梯度所在层的后一层作为中央层，选择中央层的后一层作为周边层；选择中央层的近似子图、水平细节子图、垂直细节子图作为中央层子图，选择周边层的近似子图、水平细节子图、垂直细节子图作为周边层子图。

步骤4中，构建织物起球显著图的具体步骤为：

步骤4.1、对中央层子图和周边层子图进行高斯滤波，消除中央层子图和周边层子图中的噪声信息，提高起球显著性；

其中，f(u,v,σ)表示高斯滤波函数，σ表示二维高斯函数，u,v分别表示σ的自变量，σ为f(u,v,σ)的标准差，即为f(u,v,σ)的宽度参数，选择织物组织的基元尺寸半径大小作为σ的值；

高斯滤波模板的尺寸选择为(6σ+1)*(6σ+1)；

步骤4.2、在织物起球图像的中央层子图和周边层子图之间进行中央-周边操作：

其中：Θ表示中央-周边操作，c表示中央尺度，s表示周边尺度，δ_s-c表示周边尺度与中央尺度差，s＝c+δ_s-c，LL(δ_s-c)、LH(δ_s-c)和HL(δ_s-c)分别表示近似差分子图、水平细节差分子图和垂直细节差分子图；

步骤4.3、对近似差分子图、水平细节差分子图、垂直细节差分子图进行归一化处理：

步骤4.4、对归一化后的近似差分子图、水平细节差分子图和垂直细节差分子图进行相加融合，形成织物起球显著图：

其中，表示相加融合，f_s表示织物起球显著图。

步骤5中，获取织物起球目标的具体步骤为：

统计f_s的灰度概率密度分布，形成织物起球显著图的灰度直方图H，以H的轮廓曲线梯度最小处所对应的灰度值，作为织物起球分割的阈值δ，对f_s进行阈值分割，形成织物起球显著二值图：

对织物起球显著二值图进行滤波，获得织物起球目标：

其中：δ表示织物起球分割的阈值，[f_s(x,y)]表示织物起球显著二值图，S_i[f_s(x,y)]表示织物起球显著二值图中的第i个前景目标区域的面积，mean{S_i[f_s(x,y)]}表示织物起球显著二值图的前景目标区域的平均面积；

步骤6中，提取织物起球特征的具体步骤为：

从织物起球目标中，采用连通邻域法统计起球数目N；

计算起球平均面积A_avg：

计算起球密度p_d：

其中，A_i表示第i个起球面积，A_interesting表示织物起球图像的面积；

将起球数目N、起球平均面积A_avg、起球密度p_d作为起球特征。

步骤7中，对织物起球等级进行评价的具体步骤为：

步骤7.1：获取起球标准特征库

在纺织行业起球数据库中的1～5级起球标准图像中，每个等级随机选取若干幅起球标准图像，按照步骤6提取起球标准图像的起球特征，组成1～5级起球标准特征库A；

步骤7.2：获取待测织物的起球特征

按照步骤1～步骤6，提取待测织物的起球特征；

步骤7.3：起球等级评价

将待测织物的起球特征分别与A中的起球特征进行比较，如果待测织物的起球特征符合A中某级的起球特征，即可判断待测织物的起球等级为该级。

本发明的有益效果是：

(1)由于构建织物起球显著之前，采用小波多层静态分解，得到织物起球图像的细节子图能量梯度曲线，准确确定织物起球图像的中央层子图与周边层子图，再进行中央-周边操作，提高了起球目标显著性、减少了计算量；

(2)在获取织物起球目标时，以织物起球显著图的灰度直方图的轮廓曲线梯度最小处所对应的灰度值，作为织物起球分割的阈值，能够有效分割出起球信息；同时，以分割出的各前景目标区域的平均面积作为滤波阈值，有效滤除噪声信息，提取织物起球特征，进而快速、准确地对织物起球等级进行客观评价。

附图说明

图1是基于视觉注意机制的织物起球等级评价方法的流程图；

图2是小波4层静态分解中第一层的近似子图；

图3是小波4层静态分解中第二层的近似子图；

图4是小波4层静态分解中第三层的近似子图；

图5是小波4层静态分解中第四层的近似子图；

图6是小波4层静态分解中第一层的水平细节子图；

图7是小波4层静态分解中第二层的水平细节子图；

图8是小波4层静态分解中第三层的水平细节子图；

图9是小波4层静态分解中第四层的水平细节子图；

图10是小波4层静态分解中第一层的垂直细节子图；

图11是小波4层静态分解中第二层的垂直细节子图；

图12是小波4层静态分解中第三层的垂直细节子图；

图13是小波4层静态分解中第四层的垂直细节子图；

图14是小波4层静态分解中第一层的对角线细节子图；

图15是小波4层静态分解中第二层的对角线细节子图；

图16是小波4层静态分解中第三层的对角线细节子图；

图17是小波4层静态分解中第四层的对角线细节子图；

图18是织物起球图像的细节子图能量梯度曲线图；

图19是织物起球图像的近似差分子图；

图20是织物起球图像的水平细节差分子图；

图21是织物起球图像的垂直细节差分子图；

图22是织物起球显著图的二维视图；

图23是织物起球显著图的三维视图；

图24是织物起球显著二值图；

图25是前景目标面积分布示意图；

图26是织物起球目标示意图；

图27客观评价和主观评价起球等级评价用时比较图；

图28客观评价起球等级的准确率图；

图29主观评价起球等级的准确率图；

图30加入σ为0.01的高斯噪声后客观评价起球等级的准确率图；

图31加入σ为0.01的高斯噪声后主观评价起球等级的准确率图；

图32加入σ为0.03的高斯噪声后客观评价起球等级的准确率图；

图33加入σ为0.03的高斯噪声后主观评价起球等级的准确率图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，基于视觉注意机制的织物起球等级评价方法，包括以下步骤：

步骤1、采集织物起球图像；

步骤2、对织物起球图像进行小波多层分解：

步骤3、确定织物起球图像的中央层子图与周边层子图；

步骤4、构建织物起球显著图；

步骤5、获取织物起球目标；

步骤6、提取织物起球特征；

步骤7、对织物起球等级进行评价。

步骤2中，对织物起球图像进行小波多层分解的具体步骤为：

选取DB2小波对织物起球图像进行小波多层静态分解：

为了实现织物起球图像中的周期性纹理信息与起球信息分离，必须选择合适的小波对织物起球图像进行多层分解；织物起球信息属于正常信号的奇异点，即奇异信号，检测奇异信号必须选择具有有利于奇异点定位的紧支性、有利于起球局域化分析的震荡性和快速衰减性、有利于数值计算正交性的小波，且小波的支集长度越短越有利于起球信息的定位和计算量的减小；DB2小波不仅具有紧支性、良好的振荡性和快速衰减性、正交性，而且支集长度最短，因此，选择DB2小波对织物起球图像进行小波多层静态分解；

小波多层静态分解层数确定原则：采用DB2小波每分解一层时，计算当层细节子图能量占当层各子图总能量的比重，当某层细节子图能量占当层各子图总能量的比重最大时，该层所在层数即为最大分解层数；

以选取DB2小波对织物起球图像进行小波4层静态分解为例：

设h为低通滤波器，g为高通滤波器，得到小波4层静态分解后的二维数字图像：

其中：LL_j-1(k₁,k₂)表示第j-1层近似子图，LL_j(x,y)、LH_j(x,y)、HL_j(x,y)、HH_j(x,y)分别表示第j层近似子图、第j层水平细节子图、第j层垂直细节子图、第j层对角线细节子图，k₁、k₂表示滤波器系数序号，分别表示低通滤波器不同的滤波器系数，分别表示高通滤波器不同的滤波器系数。

织物起球图像小波4层静态分解的效果如图2～图17所示；

步骤3中，确定织物起球图像的中央层子图与周边层子图的具体步骤为：

分别计算织物起球图像的近似子图能量、水平细节子图能量、垂直细节子图能量、对角线细节子图能量：

分别表示第j层近似子图能量、第j层水平细节子图能量、第j层垂直细节子图能量、第j层对角线细节子图能量；

计算织物起球图像的细节子图能量：

表示第j层细节子图能量，表示表示相加融合；

织物起球图像的细节子图能量包含水平细节子图能量与垂直细节子图能量之和，对角线细节子图以噪声信息为主，细节子图能量不包含对角线细节子图能量；

计算织物起球图像的细节子图能量梯度：

其中，表示第j-1层的细节子图能量梯度，表示第j-1层细节子图能量，分别表示第j-1层近似子图能量、第j-1层水平细节子图能量、第j-1层垂直细节子图能量；

拟合织物起球图像的细节子图能量梯度曲线S，如图18所示；

选择S中拐点处的细节子图能量梯度所在层的后一层作为中央层，选择中央层的后一层作为周边层；选择中央层的近似子图、水平细节子图、垂直细节子图作为中央层子图，选择周边层的近似子图、水平细节子图、垂直细节子图作为周边层子图。

正常的织物纹理是一种结构化的周期性的纹理，其信息非常丰富，能量较大，当织物起球图像的细节子图不含周期性纹理信息，仅以起球信息为主时，织物起球图像的细节子图能量会发生突变，S的拐点即为正常周期性纹理与起球信息的分界点，分界处的前一层主要包含周期性纹理信息，分界处的后一层主要包含起球信息，选择主要包含起球信息的子图作为中央层子图，选择主要包含非周期性的背景纹理信息的子图作为周边层子图。

如图18所示，S在出现拐点，说明第2层的细节子图主要包含丰富的纹理信息，第3层的细节子图主要包含起球信息，第4层的细节子图为非周期性的背景纹理信息；因而，在图4、图8、图12、图16中，LL₃、LH₃、HL₃子图中主要包含起球近似信息和细节信息，还有部分缓慢变化的背景纹理信息和光照不均信息，而周期性纹理信息被有效抑制；在图5、图9、图13、图17中，LL₄、LH₄、HL₄子图中主要为缓变的织物不平度、光照不均的近似信息和细节信息；如果在第三层子图与第四层子图之间进行中央-周边差分操作必将抑制缓变的背景信息，有利于起球显著度的提高；因此，选用第三层的LL₃、LH₃、HL₃子图作为中央层子图，选用第四层的LL₄、LH₄、HL₄子图作为周边层子图。

步骤4中，构建织物起球显著图的具体步骤为：

步骤4.1、对中央层子图和周边层子图进行高斯滤波，消除中央层子图和周边层子图中的噪声信息，提高起球显著性；

其中，f(u,v,σ)表示高斯滤波函数，σ表示二维高斯函数，u,v分别表示σ的自变量，σ为f(u,v,σ)的标准差，即为f(u,v,σ)的宽度参数，选择织物组织的基元尺寸半径大小作为σ的值；

高斯滤波函数进行滤波时，必须在一定尺寸的滤波窗口进行，高斯滤波模板尺寸的选择即为滤波窗口尺寸的选择；高斯滤波模板尺寸与σ有关，当高斯滤波模板尺寸大于6σ时滤波作用很小，因此，起球疵点的高斯滤波模板尺寸选择为(6σ+1)*(6σ+1)；

步骤4.2、在织物起球图像的中央层子图和周边层子图之间进行中央-周边操作：

其中：Θ表示中央-周边操作，c表示中央尺度，s表示周边尺度，δ_s-c表示周边尺度与中央尺度差，s＝c+δ_s-c，LL(δ_s-c)、LH(δ_s-c)和HL(δ_s-c)分别表示近似差分子图、水平细节差分子图和垂直细节差分子图；中央-周边操作保留了中央层子图和周边层子图的差异信息，从而提高了织物起球图像的显著性；

对中央层子图和周边层子图进行中央-周边操作，得到如图19所示的近似差分子图、如图20所示的水平细节差分子图、如图21所示的垂直细节差分子图，能够看出，各差分子图分别对应的起球近似信息、水平细节信息以及垂直细节信息显著性得到了提高；

步骤4.3、对近似差分子图、水平细节差分子图、垂直细节差分子图进行归一化处理：

步骤4.4、对归一化后的近似差分子图、水平细节差分子图和垂直细节差分子图进行相加融合，形成起球显著图：

其中，表示相加融合，f_s表示织物起球显著图；

f_s的二维视图如图22所示，能够看出，织物起球图像的背景周期纹理、光照不均等被有效抑制；f_s的三维视图如图23所示，能够看出，织物起球图像的起球信息显著度明显得到了提高。

步骤5中，获取织物起球目标的具体步骤为：

统计f_s的灰度概率密度分布，形成织物起球显著图的灰度直方图H，以H的轮廓曲线梯度最小处所对应的灰度值(即为H的积分面积的95％左右所对应的灰度值)，作为织物起球分割的阈值δ，对f_s进行阈值分割，形成织物起球显著二值图：

以H的积分面积的95％所对应的灰度值作为起球分割的阈值δ为例，对f_s进行阈值分割：

如图24所示，形成的织物起球显著二值图包含起球、噪声等前景目标；

前景目标面积分布如图25所示：噪声面积较小，而起球面积较大；

对织物起球显著二值图进行滤波，获得织物起球目标：

其中：δ表示织物起球分割的阈值，[f_s(x,y)]表示织物起球显著二值图，S_i[f_s(x,y)]表示织物起球显著二值图中的第i个前景目标区域的面积，mean{S_i[f_s(x,y)]}表示织物起球显著二值图的前景目标区域的平均面积；

如图26所示，获得的织物起球目标中的大量噪声被有效抑制，织物起球目标清晰。

步骤6中，提取织物起球特征的具体步骤为：

从织物起球目标中，采用连通邻域法统计起球数目N；

以采用八连通邻域法统计起球数目N为例：

计算起球平均面积A_avg：

计算起球密度p_d：

其中，A_i表示第i个起球面积，A_interesting表示织物起球图像的面积；

将起球数目N、起球平均面积A_avg、起球密度p_d作为起球特征；

步骤7中，对织物起球等级进行评价的具体步骤为：

步骤7.1:获取起球标准特征库

在纺织行业起球数据库中的1～5级起球标准图像中，每个等级随机选取100幅起球标准图像，按照步骤6提取起球标准图像的起球特征，组成1～5级起球标准特征库A；

步骤7.2：获取待测织物的起球特征

按照步骤1～步骤6，提取待测织物的起球特征；

步骤7.3:起球等级评价

将待测织物的起球特征分别与A中的起球特征进行比较，如果待测织物的起球特征符合A中某级的起球特征，即可判断待测织物的起球等级为该级。

如图27所示，客观评价采用基于视觉注意机制的织物起球等级评价方法，主观评价采用人工主观评价，分别统计采用两种方法评价对每个进行起球等级评价平均用时；从A中每个等级随机选取20幅起球标准图像，总共100幅起球标准图像，作为测试图像，从图27中看出，客观评价对各个等级进行起球等级评价用时均小于主观评价进行起球等级评价用时，说明基于视觉注意机制的织物起球等级评价方法具有更快的起球等级评价速度。

如图28、图29所示，客观评价采用基于视觉注意机制的织物起球等级评价方法，主观评价采用3名检验人员进行人工评价，当3名检验人员评价结果不一致时，采用少数服从多数原则进行评价结果认定，如果结果互不一致，裁定此次主观评价无效,对选取的100幅测试图像进行评价，根据图28能够看出，客观评价，96幅测试图像得到正确的等级评价，起球等级评价准确率为96％；根据图29能够看出，主观评价，90幅测试图像得到正确的等级评价，起球等级评价准确率为90％；说明，基于视觉注意机制的织物起球等级评价方法的准确率高于人工主观评价的准确率。

如图30、图31、图32、图33所示，在测试图像中添加均值μ＝0，标准差σ分别为0.01，0.03的高斯噪声之后，客观评价与主观评价准确率对比；从起球等级评价结果看：客观评价，起球等级评价准确率达到93％以上，具有较强抗噪声能力；主观评价，起球等级评价准确率分别为88％和83％，准确率远低于客观评价；说明，基于视觉注意机制的织物起球等级评价方法的准确率高于人工主观评价的准确率。

人类视觉系统在数据驱动下，准确找到中央图层与周边图层也能减少计算量，通过具有差异信息的中央图层与周边图层之间的中央-周边操作，从而提高检测目标的显著性，在此基础上形成显著图，有利于快速而准确地检测目标；另外，视觉系统往往利用目标本身特点形成目标兴趣区，也有利于准确地检测目标。通过上述方式，本发明基于视觉注意机制的织物起球等级评价方法，把视觉注意机制引入到织物起球等级客观评价中，通过准确选择中央层子图与周边层子图并在它们之间进行中央-周边操作，能够提高起球目标的显著性、减少计算量；另外，对织物起球显著图进行阈值分割和滤波，能够有效提取起球目标；在此基础上，提取织物起球特征，进而快速、准确地对织物起球等级进行客观评价。