受商品经济全球化的影响,纺织品行业对织物的质量要求越来越高,围绕织物中的瑕疵展开的布匹质量控制便成了纺织品行业生产过程中的重要环节。传统的布匹瑕疵识别方法依赖于人工识别,这种方法劳动力成本高、检测率低。随着计算机技术的不断发展,布匹瑕疵自动化识别逐渐替代人工检测方式,成为行业发展趋势。虽然布匹瑕疵自动化识别的研究取得了很大的成果,但是由于布匹瑕疵种类繁多,并且采集到的图像还会受到噪声、光照变化等环境因素的影响,使得布匹瑕疵识别依旧是一个研究热点。本文主要研究布匹瑕疵识别中的检测算法,针对5类常见瑕疵的检测问题进行深入研究,取得了以下主要研究成果:(1)针对利用灰度共生矩阵进行瑕疵检测时存在计算量大以及纹理信息因滑动窗口设计繁琐而出现丢失等问题,提出了一种基于图像分块的灰度共生矩阵布匹瑕疵检测方法。该方法利用一阶灰度统计的相关操作对灰度共生矩阵的处理过程进行优化,不采用滑动窗口,而是以分块后的子图像来代替原有的图像,这样在进行灰度共生矩阵计算时,可以有效地保留更多重要的纹理信息。同时,该方法不需要进行先验知识的学习,而且子块的性能还优于滑动窗口,这使得该方法在计算方面所需资源甚少。采用子图像进行纹理特征分析时,方便绘制相应的特征曲线,进而判定瑕疵的位置。实验结果表明,所提方法能够快速有效地实现布匹瑕疵检测。(2)针对上述检测方法在进行瑕疵检测时只考虑了布匹图像的纹理信息而忽略了图像本身所固有的视觉信息的状况,提出利用视觉显著性特征对布匹瑕疵进行检测的方法。该方法将灰度共生矩阵的熵特征和能量特征作为自底向上的显著性特征,利用超像素分割、显著性滤波提取自顶向下的显著性特征,并将这些显著性特征进行融合,得到布匹图像的视觉显著性区域。实验结果表明,该方法的检测正确率高于基于图像分块的灰度共生矩阵法。(3)在VS2010平台下,采用模块化思想,设计并实现了具有图像预处理、瑕疵检测和瑕疵定位等功能的布匹瑕疵检测原型系统。其中瑕疵检测功能实现了本文所提的两种检测方法。