随着计算机技术、图像处理技术的发展，使得基于计算机视觉的织物疵点检测成为可能。随工业自动化水平的不断提高，众多学者在该领域的研究取得了很好的突破，从他们发表相关方面的研究论文，研究方法按照图像处理方法的不同，学者在织物疵点自动检测的研究途径方面可分为两种，一种是在空间域，即直接对图像的灰度值进行计算，并提取特征值；另外一种是在频率域，即通过快速傅立叶变换(FFT)、Gabor变换、小波变换等方法，把图像转换到频率域后再进行分析计算。

一．分析方法

（1）基于空间域图像处理的疵点检测识别方法

在图像处理中，纹理特性提取是对物体图像灰度级变化的特征进行量化， 一般来说，纹理特征与物体的位置、走向、尺寸、形状有关。在空间域常用的纹理分析方法有灰度共生矩阵、马尔科夫随机场、灰度直方图统计法和灰度匹配法等，但这些方法基本上都存在着由于计算量大而导致处理速度慢等

（二）基于频率域图像处理的疵点检测识别方法

在频率域中，主要有傅立叶变换和小波变换等。

二维傅立叶变换能包括全部纹理信息，因此如同从物体本身导出纹理特征一样，从傅立叶频谱导出特征值也是非常有用的。近几年小波变换由于其检测奇变信号的优良特性，使之成为傅立叶变换之后在信号检测中最具有发展前途的研究工具之一。

小波分析法：小波变换中由于引入了尺度因子，使之具有分析频率时降低视野自动放宽的特点，能够将各种交织在一起的不同频率组成的混合信号分解成不相同频率的块信号，且对高频成分采用逐渐精细的时域或空域取样步长，从而可以聚焦到对象的任意细节，因而能有效地应用于模式识别和边缘检测等。

现阶段对织物疵点的研究都是处于实验研究阶段，检测疵点的种类较少，只能检测到比较明显的疵点。但是我们可以看出疵点自动检测研究都把傅立叶变换、小波分析和神经网络作为疵点自动识别的重要工具。其中神经网络在基于样本的自适应学习和故障模式快速分类方面具有非凡的优势，在有实时性要求的监控场合更有应用价值，这也决定了神经网络在织物疵点自动检测和识别系统中的重要地位。