課題研究研究的目的及意織物疵點(diǎn)種類繁多，且新的疵點(diǎn)不斷涌現(xiàn)，這都為疵點(diǎn)檢測(cè)帶來了。紡織品疵結(jié)合，自動(dòng)檢測(cè)和識(shí)別各種織物的不同疵點(diǎn)。隨著的發(fā)展，機(jī)器視覺和圖機(jī)和檢測(cè)系統(tǒng)的形式呈現(xiàn)，但主要還是以和專利的形式被。國內(nèi)外研究從20世紀(jì)70年代初，國內(nèi)外的研究開始重視織物疵點(diǎn)檢測(cè)技術(shù)，到90年代后期的時(shí)候形成一個(gè)研究。、、韓國、、以色列和瑞科的科研成果，了大量的相關(guān)文章和研究，紡織物疵點(diǎn)檢測(cè)的理論水國外研究通過對(duì)計(jì)算機(jī)理論、模式識(shí)別、自動(dòng)控制理論的深入研究和綜合I-TEX驗(yàn)布系統(tǒng)、Uster公司Fabriscan自動(dòng)驗(yàn)布系統(tǒng)和比利時(shí)BARCO公司的驗(yàn)布圖像邊緣檢測(cè)。該方法是基于目標(biāo)與背景之間在灰度或紋理特性上存在系統(tǒng)的工作像處理單元、圖像處理單元、顯示輸出單元。（2-1）織物疵點(diǎn)斷經(jīng)類疵點(diǎn):布面上由經(jīng)紗形成或沿經(jīng)紗方向呈現(xiàn)的疵點(diǎn)。在經(jīng)紗循環(huán)中，缺少一至數(shù)根經(jīng)紗，使布面正常紋路改變，呈經(jīng)向稀條狀的疵點(diǎn)稱為斷經(jīng)(圖2-2)。2-22-3粗糙（圖2-4。2-42-5要進(jìn)行圖像復(fù)原，盡可能的恢復(fù)圖像的本來面目。圖像分割是把圖像中有用的平滑均勻，想辦法增加在直方圖統(tǒng)計(jì)中所占比例高的像素和其他占的比例少的像間在中調(diào)用histeq函數(shù)進(jìn)行實(shí)現(xiàn)斷經(jīng)類疵點(diǎn)直方圖均衡化效果對(duì)比圖（3-劃痕類疵點(diǎn)直方圖均衡化效果對(duì)比圖（3-破洞類疵點(diǎn)直方圖均衡化效果對(duì)比圖（3-油污類疵點(diǎn)直方圖均衡化效果對(duì)比圖（3-圖像濾聲和椒鹽噪聲，運(yùn)用編程實(shí)現(xiàn)不同濾波方法來去除噪聲作對(duì)比。并對(duì)其進(jìn)行窗口可以是線性、方形、圓形、形等。中值濾波可以克服線性濾波器所帶來的（xy（x，yg（x，y=1/mf（x，ymI1=imread('油污11.jpg');J=imnoise(I2,'salt&pepper',0.02);title('3*3的窗口鄰域?yàn)V波');斷經(jīng)經(jīng)濾波對(duì)比圖像（3-5、3-劃痕濾波對(duì)比圖像（3-7、3-破洞濾波對(duì)比圖像（3-9、3-油污濾波對(duì)比圖像（3-11、3-SS，但是當(dāng)模板窗口（領(lǐng)域S）選擇太小時(shí)，去噪效果不理想。因此均值領(lǐng)域方法不太圖像的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和拉斯銳化sobel拉斯算子是n維空間中的一個(gè)二階微分算子，定義為梯度的散度I=rgb2gray(I);H=fspecial('Laplacian');%應(yīng)用Laplacian算子濾波銳化圖像laplacianH=filter2(H,I);title('laplacian算子銳化圖像');H=fspecial('sobel');%應(yīng)用sobel算子濾波銳化圖像sobelH=filter2(H,I);title('sobel斷經(jīng)疵點(diǎn)銳化圖像（3-3-13斷經(jīng)兩種算子銳化圖像對(duì)比劃痕疵點(diǎn)銳化圖像（3-破洞疵點(diǎn)銳化圖像（3-3-15油污疵點(diǎn)銳化圖像（3-Laplacian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Sobel部分合并都會(huì)破壞這種一致性。由圖像相似性。區(qū)域的像素一般具有某種相似閾值分割算法灰度閾值分割法是一種最常用的并行區(qū)域技術(shù)，它是圖像分割中應(yīng)用數(shù)量最多的一類。閾值分割算法的關(guān)鍵是確定閾值，如果能確定一個(gè)合適的閾值就可準(zhǔn)確地將圖像分割開來。閾值確定后，將閾值與像素點(diǎn)的灰度值比較和像素分割可對(duì)各像素并行地進(jìn)行，分割的結(jié)果直接給出圖像區(qū)域。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max和最小灰度值min，讓初始閾值設(shè)置為最大灰度值和最小灰度值的中間值，然后利用迭代算法將疵點(diǎn)的圖像和背景圖像分割出來。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(shè)置為1，其余部分設(shè)置為0。最后得到了將疵點(diǎn)部分突出的效果，為后面的邊緣檢測(cè)做準(zhǔn)備。結(jié)果分

4-1斷經(jīng)疵點(diǎn)迭代閾值分割結(jié)果4-24-3破洞疵點(diǎn)迭代閾值分割結(jié)果4-4性能直接關(guān)系到后續(xù)圖像處理的質(zhì)量。主要是用于提取的特征值，以便于圖像分割。一般邊緣檢測(cè)的算子有四類：Prewitt算子、Sobel算子、Canny算子和Roberts算子。圖像運(yùn)行5-15-25-4運(yùn)行結(jié)果對(duì)比分、Log算子首先通過高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，因此對(duì)噪聲的抑制、Canny算子也采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，因此具有較強(qiáng)的去性較Log算子要好，因此邊緣定位精度較高。該算子與其它邊緣檢測(cè)算子的不同之處在于，它使用2種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且僅當(dāng)弱邊緣相連時(shí)才將弱邊緣包含在輸出圖像中，因此這種方法較其它方法而言不容易被噪聲“填充”BW1=[BW1,thresh1]=LogBW1=edge(I,'log',0.005);[BW2,thresh2]=%返回當(dāng)前零交叉檢測(cè)邊緣檢測(cè)的閾值disp(thresh2)subplot(334),imshow(I);BW2=BW3=edge(I,'canny');[BW3,thresh3]=%返回當(dāng)前Canny算子邊緣檢測(cè)的閾值disp('Canny算子自動(dòng)選擇的閾值為：')BW3=edge(I,'Canny',[0.20.5]);[0.10.5]Canny目標(biāo)特征模式識(shí)別是基于對(duì)象模式的目標(biāo)識(shí)別及分類技術(shù)，是研究圖像或各種物理對(duì)象與過程的分類和描述的學(xué)科，在視覺領(lǐng)域中稱為圖像識(shí)別。模式識(shí)別是上世紀(jì)60年代迅速發(fā)展起來的一門學(xué)科。特別是隨著近年來大量科研成果的出現(xiàn)，在很多領(lǐng)域得到了成功的應(yīng)用。為了有效的實(shí)現(xiàn)分類識(shí)別，就要對(duì)原始圖像數(shù)據(jù)進(jìn)行變換，得到最能反映分類本質(zhì)的圖像特征。圖像特征是指圖像的原始特征或?qū)傩?。每一幅圖像都有其本身的特性，其中有些是視覺直接感受到的自然特征，如亮度、邊緣、紋理或色彩等；有些是需要通過變換或測(cè)量才能得到的人為特征，如譜、直方圖等。為了正確的對(duì)缺陷圖像進(jìn)行有效識(shí)別，需要從圖像中提取有效的數(shù)據(jù)或信息，生成非圖像的描述或表示，如數(shù)值、符號(hào)等，即抽取圖像特征。一般地，把原始數(shù)據(jù)組成的空間叫做“測(cè)量空間”，把分類識(shí)別賴以進(jìn)行的空間叫做“特征空間”。通過特征提取，把維數(shù)較高的測(cè)量空間中表示的模式轉(zhuǎn)化在維數(shù)較低的特征空間中表示的模式，從而為圖像識(shí)別提供數(shù)據(jù)樣本[40]。特征選取對(duì)于待識(shí)別的織物疵點(diǎn)圖像（主要是四類疵點(diǎn)，通過相關(guān)的處理對(duì)其經(jīng)過分割和邊緣提取后，可以得到圖像的原始特征。但是原始特征的數(shù)量很大，圖像樣本是處于一個(gè)空間中，如何從眾多的特征中選出一些最有效的特征以達(dá)到降低特征空間維數(shù)的目的，是特征選擇和提取的基本任務(wù)。在樣本數(shù)量不是很多的情況下，用很多特征進(jìn)行分類器的設(shè)計(jì)，從計(jì)算復(fù)雜程度和分類器性能來看都是不合適的。因此研究如何把特征空間特征轉(zhuǎn)化到低特征以便有效地識(shí)別圖像就很關(guān)鍵。例如，通過機(jī)把一個(gè)物體轉(zhuǎn)換為一個(gè)二維灰度陣列。一個(gè)1000×1000灰度陣列圖像相當(dāng)于1000×1000維測(cè)量空間中的一個(gè)點(diǎn)，不便于識(shí)別，更重要的是這樣一種描述并不能直接反映圖像的本質(zhì)。目前，幾乎還沒有解析的方法能夠指導(dǎo)特征的選擇，一般情況下，根據(jù)經(jīng)驗(yàn)和相關(guān)理論基礎(chǔ)先列出一些可能的特征表，然后用特征排序方法計(jì)算不同特征的識(shí)別效率。利用結(jié)果對(duì)表進(jìn)行刪減，以選取最優(yōu)的特征組合。具體地，選擇特征的依據(jù)如下：可區(qū)別性。對(duì)于屬于不同類的圖像而言，它們的特征應(yīng)具有明顯的可靠性。對(duì)于同類圖像，特征值應(yīng)該比較接近。獨(dú)立性好。所選擇的特征值之間應(yīng)彼此不相關(guān)。需要注意的是，有時(shí)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(dú)的特征使用。數(shù)量少。圖像識(shí)別系統(tǒng)的復(fù)雜程度隨著系統(tǒng)維數(shù)（特征個(gè)數(shù)）成正比增加。特征數(shù)量如果過多，雖然識(shí)別的效果會(huì)更好一些，但是識(shí)別時(shí)計(jì)算更加耗時(shí)，難度更大[40]。圖像特征分析方圖像特征分析的方法有很多種，但具體到每幅圖像，只會(huì)根據(jù)該幅圖像的特有性質(zhì)而選擇其中的一種或者幾種方法對(duì)其特征進(jìn)行分析，圖像的特征主要有圖像的形狀特征、圖像的征紋理特征、圖像的顏色特征等。圖像的形狀特征分析：經(jīng)過圖像預(yù)處理和圖像分割，就可以得到目標(biāo)區(qū)域的大小及邊緣信息，從而得到疵點(diǎn)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(biāo)信息。通常，人們關(guān)心的主要是目標(biāo)信息的形狀，而不是其他信息。所以，可以把圖像的邊界或者賦值“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(biāo)形狀信息的二值圖像。目標(biāo)信息的特征量有長(zhǎng)度、面積、周長(zhǎng)、寬度、長(zhǎng)寬比等，可以通過這些特征量來對(duì)疵點(diǎn)進(jìn)行判別以及為以后的疵點(diǎn)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(fù)、圖像區(qū)域內(nèi)紋理總體均勻和非隨機(jī)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(jì)方法、幾何方法、信號(hào)處理方法及結(jié)構(gòu)方法等。此方法很早就被提出，但因?yàn)槠渲写嬖诘囊恍﹩栴}，在實(shí)際工程應(yīng)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(shí)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(jì)特征分析中最常用的一種，主要RGB和HIS兩類彩色坐標(biāo)系統(tǒng)。前者是面向已經(jīng)系統(tǒng)的，相對(duì)簡(jiǎn)單，而后者主要是用來描述顏色特征。在顏色特征分析中，一般先把RGB空間轉(zhuǎn)換為HIS空間，主要是因?yàn)樵赗GB彩色坐標(biāo)系中，存在著很多的不足。第一，RGB彩色坐標(biāo)系對(duì)不同的色彩不能用準(zhǔn)確的數(shù)值來表示，進(jìn)而很難進(jìn)行定量分析；第二，RGB彩色坐標(biāo)系對(duì)含有較高相關(guān)性的圖像擴(kuò)展對(duì)比度時(shí)，只能擴(kuò)大圖像的明亮程度，而對(duì)圖像的色調(diào)差異的增強(qiáng)沒什么效果；第三RGB彩色坐標(biāo)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(diǎn)的形狀特征來對(duì)圖像進(jìn)行分析，主要有疵點(diǎn)的周長(zhǎng)、疵點(diǎn)的面積、疵點(diǎn)的圓度、疵點(diǎn)的矩形度以及疵點(diǎn)的經(jīng)緯向伸長(zhǎng)度等。本文所研究疵點(diǎn)的本文介紹了四種織物疵點(diǎn)的類型，分別是斷經(jīng)、劃痕、破洞和油污。根據(jù)這些疵點(diǎn)的類型和形狀特征，選擇了五個(gè)特征量對(duì)其進(jìn)行分析，分別為疵點(diǎn)的周長(zhǎng)、疵點(diǎn)的面積、疵點(diǎn)的圓度、疵點(diǎn)的矩形度以及疵點(diǎn)的經(jīng)緯向伸長(zhǎng)度。這些疵點(diǎn)特征值的計(jì)算過程如下：疵點(diǎn)部分的周長(zhǎng)周長(zhǎng)是采用計(jì)算疵點(diǎn)部分邊緣檢測(cè)后的圖像邊緣像素點(diǎn)來計(jì)算的。疵點(diǎn)的面積不管什么樣形狀的目標(biāo)圖像區(qū)域，均可以把它限制于一個(gè)矩形方框內(nèi)，矩形區(qū)域的面積為L(zhǎng)×W，如圖6-1所示。通過掃描整個(gè)矩形區(qū)域里的每個(gè)像素點(diǎn)，可直接得到灰度值為“1”的像素點(diǎn)的總個(gè)數(shù)，表示為：6-1區(qū)域面積計(jì)算在最后的二值化織物圖像內(nèi)，把疵點(diǎn)區(qū)域內(nèi)的各個(gè)像素點(diǎn)的灰度值進(jìn)行統(tǒng)計(jì)，灰度值為“1”的像素點(diǎn)的個(gè)數(shù)即為疵點(diǎn)的面積特征參數(shù)S，表示為：(3）疵點(diǎn)的圓度（緊密度的倒數(shù)疵點(diǎn)的緊密度又稱為疵點(diǎn)緊湊度，把它定義為L(zhǎng)2/4πS。式子中，L代表疵點(diǎn)區(qū)域的周長(zhǎng)（即疵點(diǎn)區(qū)域輪廓的長(zhǎng)度，Sπ是圓周率。從式子中可以看到，若疵點(diǎn)區(qū)域?yàn)橐粋€(gè)正圓，其區(qū)域周長(zhǎng)就為2πR(R為區(qū)域圓的半徑)，面積為πR2，那么疵點(diǎn)的緊密度就為1，即一個(gè)正圓的緊密度為1。非正圓的緊密度相對(duì)會(huì)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(gè)圖形與矩形的相似程度，在本文中就指的是疵點(diǎn)圖像與矩形的相似程度。H、WS則是疵點(diǎn)的面積。(5）疵點(diǎn)的經(jīng)緯向伸長(zhǎng)度疵點(diǎn)經(jīng)緯向伸長(zhǎng)度R就是疵點(diǎn)的長(zhǎng)寬比，即為前面所求的疵點(diǎn)的長(zhǎng)度和疵點(diǎn)的寬度W的比值，疵點(diǎn)長(zhǎng)寬比R表示為：參數(shù)R能夠較好的描述區(qū)域類和方向性疵點(diǎn)的特征形狀，通常，能夠認(rèn)定為：斷經(jīng)疵點(diǎn)圖像和經(jīng)線連續(xù)粘并疵點(diǎn)圖像的經(jīng)緯伸長(zhǎng)度R值比較大；漿斑疵點(diǎn)圖像經(jīng)緯伸長(zhǎng)度R值大約靠近于1；劈縫疵點(diǎn)圖像的經(jīng)緯伸長(zhǎng)度R值適中。特征提取識(shí)別運(yùn)行(1）斷經(jīng)疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-2斷經(jīng)疵點(diǎn)檢測(cè)結(jié)果(2）劃痕疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-3劃痕疵點(diǎn)檢測(cè)結(jié)果(3）破洞疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-4破洞疵點(diǎn)檢測(cè)結(jié)果(4）油污疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-5油污疵點(diǎn)檢測(cè)結(jié)果[1]，彭天強(qiáng)，.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(cè)濾波尺度自適應(yīng)選擇算法[J].自動(dòng)化[3]，，等.數(shù)字圖像處理技術(shù)[M].：冶金工業(yè)[4]等.基于機(jī)器視覺和圖像處理的織物疵點(diǎn)檢測(cè)研究新進(jìn)展[J].紡織學(xué)報(bào)，2014，35（3[5]步紅剛等.基于計(jì)算機(jī)視覺的織物疵點(diǎn)檢測(cè)的近期進(jìn)展[J].東華大學(xué)學(xué)報(bào)，2006，32（3[6]O.GSezera,1,AErcilb,AErtuzunc.《Usingperceptualrelationofregularityandanisotropyinthetexturewithindependentcomponentmodelfordefectdetection》韓其睿,池楠.編織物疵點(diǎn)檢測(cè)及類型識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用2014,李春雷,,等.基于紋理差異視覺顯著性的織物疵點(diǎn)檢測(cè)算法[J].山東大學(xué)學(xué)報(bào)：工學(xué)版,2014,(4). ,姚桂國,等.織物疵點(diǎn)圖像的直方圖處理與增強(qiáng)[J].絲綢,2009,(5):35-,黃秀寶.圖像處理用于織物疵點(diǎn)自動(dòng)檢測(cè)的研究進(jìn)展[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2002,28(4):118-122.:10.3969/j.issn.1671-0444.2002.04.027.王婧,. 圖像處理技術(shù)在針織物疵點(diǎn)檢測(cè)中的應(yīng)用[J].電腦知識(shí)與技術(shù),2009,5(11).:10.3969/j.issn.1009-3044.2009.11.091.,劉京南,余.幾種圖像分割閾值的比較與研究[J].電氣技術(shù)與自動(dòng)．?dāng)?shù)字圖像分割及變形技術(shù)研究 ．浙江大學(xué)．?dāng)?shù)字圖像處理及其應(yīng)用研究 ．河海大學(xué)，焦國太，杜燁，基于數(shù)學(xué)形態(tài)學(xué)的織物疵點(diǎn)檢測(cè)方法[J].測(cè)試技術(shù)學(xué)報(bào)，2007,21（6，紅外圖像灰度直方圖統(tǒng)計(jì)分析的研究[J]，紅外，2009,30（4：14-，黃秀寶.圖像處理用于織物疵點(diǎn)自動(dòng)檢測(cè)的研究進(jìn)展[].東華大學(xué)學(xué)報(bào)（自然科學(xué)2022（48.圖像處理和分析[M].:，2003，，.基于優(yōu)化Gabor濾波器的織物疵點(diǎn)算法[J],服裝學(xué)院學(xué)報(bào)[23]，謝春萍 基于神經(jīng)網(wǎng)絡(luò)在織物疵點(diǎn)識(shí)別技術(shù)[J].紡織科學(xué)報(bào)Process{C}NationalTextileCenterAnnualReport,1996.[25]，沈國良 算法的數(shù)學(xué)推導(dǎo)及實(shí)現(xiàn)算法[J].遼寧石油化工高等專科學(xué)校學(xué)報(bào)WarrenJJ.Image ysiofmispicksinwovenfabric[J].TextileResearchJournal,1995,65；周帥,,才.基于變換的織物疵點(diǎn)圖像特征提取[J].青島大學(xué)學(xué)報(bào)：工程技術(shù)版,2013,(2):53-59. .基于閾值分割的織物疵點(diǎn)檢測(cè)方法研究與實(shí)現(xiàn)[D].河北科技大學(xué)李,,王莉.幾種圖像消噪處理算法在織物疵點(diǎn)檢測(cè)中的應(yīng)用[J].南通紡織職業(yè)技術(shù)學(xué)院學(xué)報(bào),2012,12(2):14-16. ,.織物疵點(diǎn)特征提取主要算法比較[J].毛紡科技,2011,39(1):57-劉建立,.織物疵點(diǎn)圖像消噪方法的比較[J].紡織學(xué)報(bào),2007,28(11):128-卿湘運(yùn),段紅,魏俊民.基于局部熵的織物疵點(diǎn)檢測(cè)與識(shí)別的研究[J].紡織學(xué)報(bào),2004, ,黃秀寶.用于疵點(diǎn)檢測(cè)的織物自適應(yīng)正交的實(shí)現(xiàn)[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2002,28(2):77-81. 徐增波,貢玉南,黃秀寶.基于二維連續(xù)變換的織物疵點(diǎn)檢測(cè)[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2000,26(2):10-13.:10.3969/j.issn.1671-0444.2000.02.003.徐增波,貢玉南,黃秀寶.Wold紋理模型和分形理論的織物疵點(diǎn)檢測(cè)[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2000,26(1):6-9.:10.3969/j.issn.1671-0444.2000.01.002.高水平.織物疵點(diǎn)檢測(cè)的圖像處理技術(shù)[D].青島大學(xué),2005..弱小目標(biāo)檢測(cè)前算法研究[D].杭州電子科技大學(xué),2010.藺毅.非標(biāo)準(zhǔn)輪廓曲線提取與數(shù)控加工程序生成的研究[D].大學(xué),.EMCCD圖像處理系統(tǒng)及應(yīng)用技術(shù)研究[D].中學(xué),郭振鐸,,,等.玻璃缺陷特征提取[J].中原工學(xué)院學(xué)報(bào),2010,21(2):35-在此特別感謝導(dǎo)師對(duì)悉心指導(dǎo)，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(shí)間來對(duì)進(jìn)行審閱提出修改意見。最終使我完成己的知識(shí)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(xué)進(jìn)很多。如今在我完成畢業(yè)設(shè)計(jì)之際，謹(jǐn)向電子信息學(xué)院的所有導(dǎo)師和同學(xué)表示clearall;closeall;S0=0;S1=0;forfor

fori=1:xfor

接對(duì)象，的是連續(xù)的白色像素?cái)?shù)量少于70的字符失的是連續(xù)的白色像素?cái)?shù)量少于1380的字符 forforif(myI(i,j,1)==1)PY1=MaxY;%以下為找疵點(diǎn)Y方向最小值while((Blue_y(PY1,1)>=5)&&(PY1>1))while((Blue_y(PY2,1)>=5)&