织物是由纺织纤维通过对称规则产生的一种重复纹理模式,纺织品在工业生产的过程中以及送入市场之前必须经过全面的检测和质量评估,其中瑕疵检测是最为重要的部分,其目的在于检测织物是否存在瑕疵并确定瑕疵的大体位置。目前,虽然国内外已经存在部分成熟的纺织品自动检测瑕疵系统,但是绝大部分的手工业厂的瑕疵检测还是由人工离线的方式进行作业,这种方式存在检测效率低、检验结果容易受到验布人员的主观影响,并且瑕疵误检率以及漏检率比较高等缺点。因此,织物的瑕疵检测算法是近几年来国内外学者比较热衷研究的课题之一。织物瑕疵检测的主要任务是估计出一幅织物图中瑕疵区域的位置,并输出一幅灰度图像和二值图,灰度图中每个点的像素值表示该像素属于瑕疵的可能性;二值图表示每个像素点是否为瑕疵。带纹理的织物是由一系列对称的规则产生的,因此织物的纹理部分可以看作是来自于低维的子空间的样本,但是受到了相对于织物图像来说面积较小的瑕疵的干扰,破坏了原本纹理的低秩性,所以带瑕疵的织物图可以看作瑕疵区域(稀疏结构)和重复的纹理部分(低秩结构)的叠加。由于鲁棒的主成分分析模型(Robust Principal Component Analysis,Robust PCA)是对低秩矩阵进行重建的模型,因此可以用来估计一般的带有纹理图案的织物的瑕疵区域,但是织物图像不仅仅受到瑕疵的影响,还容易受到其他噪声的干扰,比如在纺织物在采集的过程中,会受到织物的扭曲和光照变化的影响,这些噪声往往会导致传统的Robust PCA模型产生不可信的检测结果。因此,在这篇文章中,我们提出了一种改进的Robust PCA模型。首先我们在原始模型基础上添加了F范数去除多余的噪声部分。同时,对于瑕疵区域与纹理是同质的情况(即除灰度以外特征相近),Robust PCA与N-RPCA在理论上无法进行良好的矩阵分解,因此我们提出了一种瑕疵的先验引导来指导矩阵的分解,即将原始图像均匀分割成N个图像块,基于非瑕疵区域和瑕疵区域的纹理特征对比,提取初步的瑕疵图像作为引导项,利用它来指导带有不同瑕疵的织物图像的修复并进行瑕疵检测和提取。本文的实验主要是在带有不同瑕疵图案的平纹和斜纹、点纹理、方格纹理以及星状纹理织物上进行的,实验结果表明本文的方法比其他经典的方法具有更好的检测效果,并且对参数和噪声具有一定的鲁棒性。