基于Contourlet变换的多方向织物疵点边缘检测

基于小波的多尺度织物疵点边缘检测算法只能在水平、垂直和对角方向获取边缘信息,容易造成方向性边缘的丢失。提出一种基于Contourlet变换的多方向织物疵点边缘提取算法,对织物疵点图像Contourlet分解后多个方向上的高频子带系数进行自适应阈值去噪,求取各方向子带系数的模极大值,将高频模极大值系数与低频系数进行反变换,通过直方图统计及去除孤立点的细化方法得到织物疵点边缘。仿真结果表明,该方法得到的疵点边缘信息更加丰富,尤其对棉结等区域类疵点能得到更加逼近疵点真实边缘的检测结果。     

基于小波自适应去噪和最大熵的织物疵点检测

提出了一种基于小波域Context模型系数自适应阈值去噪和最大熵分割原理相结合的织物疵点检测方法。对织物疵点图像各层小波分解后的高频Context模型系数进行自适应阈值处理．然后利用最大熵原理进行分割。该方法在提高峰值信噪比的同时能够更有效的检测出织物疵点区域。     

基于纹理边缘周期性与局部方向性的织物疵点检测

根据织物纹理图像自身的特点,提出一种基于纹理边缘周期性与局部方向性的织物疵点检测新方法。通过正常纹理边缘的周期性与方向性特征剔除同类有疵点纹理图像的背景纹理信息,突出疵点信息,进而快速有效地检测出无特定方向的织物疵点。经过对大量常见织物疵点图像的检测实验,表明该方法对于纹理边缘清晰、方向一致性较好的织物疵点图像具有较好的检测效果。     

基于计算机视觉的织物疵点自动检测

介绍了基于计算机视觉的织物疵点自动检测的工作原理;分析了织物疵点自动检测的功能结构和自动检测硬件组成框图;阐述了织物疵点图像的半阈值化处理、边缘检测和疵点特征求取方法;给出了织物疵点自动检测的程序框图、织物疵点的坯布图像及其疵点统计结果。     

基于改进自适应小波基的织物疵点检测算法

为了改进基于自适应小波的织物疵点检测效果,提出一种基于改进自适应小波基的织物疵点检测算法。首先通过不同限定条件优化得到多个自适应小波基;然后分别对疵点图像进行小波分解,采用最大类间方差法分割子图像;最后将多种自适应小波基分割后的图像进行融合得到检测结果。实验结果证明,该算法能够在较好保留疵点信息的同时,有效地减少检测结果中的噪声点。     

基于轮廓波变换的织物疵点图像消噪新方法

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系,对Donoho多尺度分解阈值进行修正,改进了Donoho多尺度分解阈值对图像细节"过扼杀"的缺点。实验结果表明,对织物疵点图像进行基于轮廓波变换改进阈值消噪时,该方法更好地保留了织物疵点图像的轮廓细节,峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像,可以更好地应用于织物疵点图像的特征提取和疵点识别。     

基于二层自适应正交小波的疵点检测

本文提出了基于二层自适应正交小波的织物疵点检测方法.首先介绍了织物纹理图像的二维正交小波变换,在此基础上借鉴Daubechies小波构造过程,阐明了二层自适应正交小波的构造方法,然后对图象进行二层小波分解,分别比较无缺陷图像与待检测图像二层分解后的纬向和径向子图像,得到纬向和径向疵点信息,最后将两个方向上的疵点信息融合,得到检测结果.实验证明该方法是有效的.     

基于混合自适应小波基的织物疵点检测算法

为了改进具有复杂纹理织物的疵点检测效果,提出了一种基于混合自适应小波基的织物疵点检测算法,采用各自优化的自适应小波基实现对不同层织物图像的分解变换;首先对正常图像和其经一层小波分解后的低频子图像优化得到混合自适应小波基,然后用该小波基将织物疵点图像进行二层小波分解,最后采用阈值法对径向子图像进行分割得到检测结果;实验结果证明,文章提出的算法能有效实现疵点检测,具有较好的疵点分割和定位结果.     

结合显著性和边缘信息的水平集图像分割方法

针对 LBF 模型对初始轮廓的依赖性和对边缘的弱控制能力,研究了一种结合显著性和边缘信息 的水平集图像分割方法。首先,结合小波分析理论,基于视觉注意机制构造图像显著图;然后,利用小波分解 所描述的图像边缘信息,构造边缘检测函数,同自适应初始轮廓一起引入到 LBF 水平集模型中,并用有限差 分法进行数值求解。实验结果表明,提出的图像分割方法能有效降低初始轮廓位置对活动轮廓模型的影响,对 合成图像、自然图像均有较好的分割结果,相较于其他传统方法具有更高的演化效率和分割质量。     

基于Canny算子的织物疵点边缘检测

介绍了Canny算子边缘检测的方法,运用Canny算子对织物疵点进行边缘检测,获得了织物疵点的二值化图像,准确地反映了织物疵点的边缘.通过对不同边缘检测算子仿真实验结果的比较,结果表明,该方法可以取得较好的疵点边缘检测结果,是一种实用有效的方法.     

引入视通路视觉响应与融合模型的轮廓检测

目的 为了提高轮廓检测的综合性能,特别是增强弱轮廓边缘的提取能力,在结合视觉机制的基础上提出了本文方法。方法 模拟视觉信息在视通路中的传递和处理过程,首先根据神经节细胞的中心周边拮抗机制,实现初级轮廓信息的快速提取;接着利用高斯函数与高斯差函数之间的差异性来模拟外膝体非经典感受野的调制作用,实现纹理背景的抑制;然后构建了一种V1区多朝向简单细胞感受野模型,提出了一种基于负值效应的DOG（difference of Gaussians）响应改进评价模式;最后考虑V1区复杂细胞在表征视觉高级特征的能力,给出了一种基于并行处理的视通路视觉响应融合模型,实现目标轮廓的检测与增强。结果 为了验证本文方法对自然场景图像的轮廓检测具备有效性,本文选取RuG轮廓检测数据库中的40幅自然场景图进行轮廓检测实验,并与二维高斯导函数模型（DG）、组合感受野模型（CORF）和空间稀疏约束纹理抑制模型（SSC）等3种典型的自然图像轮廓检测方法进行了分析比较。结果表明,本文方法检测提取到的主体轮廓更加完整,具有较高的图像纯净度,整体上反映了本文所提轮廓检测方法所具备的生物智能性。本文方法的平均P指标为0.45,相较于对比方法具有更好的轮廓检测性能。结论 本文方法具有较好的自然轮廓检测提取能力,尤其对于图像包含部分弱轮廓边缘的检测。本文构建的新模型将有助于对视通路中各层级功能和内在机制的理解,也将为基于视觉机制的图像分析和理解提供一种新的思路。     

一种新的基于纹理分水岭的纺织品缺陷检测方法

纺织品缺陷检测是纺织品自动检测的重要环节,而纺织品缺陷检测的目的是为了准确地对纺织品的缺陷区域进行定位.为了对纺织品缺陷进行准确有效的检测,提出了一种新的基于纹理分水岭的纺织品缺陷检测方法.该方法首先利用小波变换提取了图像的各子带纹理特征;然后对各子带纹理特征求梯度,并通过融合各子带梯度来获得纹理梯度,使其在纹理梯度中能有效地突出纹理区域的边界;最后在此基础上,结合分水岭分割,即能准确地检测出纺织品的缺陷区域.通过对一组6类纺织品缺陷进行检测的实验证明,该新算法是有效的.     

引入初级视通路计算模型的轮廓检测

目的 轮廓是对图像目标的一种稀疏表达方式，从图像中提取出有效物体轮廓可以更好地完成后续的视觉认知任务，所以轮廓检测在计算机视觉领域具有较好的应用。本文考虑到初级视通路中视觉信息传递和处理流程中的特点，提出了一种基于初级视通路计算模型的轮廓检测方法。方法 在视网膜神经节环节，提出一种体现方向选择特性的经典感受野（CRF）改进模型，利用多尺度特征融合策略来模拟视网膜神经节细胞对图像目标的初级轮廓响应；在视网膜神经节到神经节-外膝体（LGN）的视通路中，提出一种反映视觉信息时空尺度特征的时空编码机制，模拟神经节-外膝体通路对初级轮廓响应的去冗余处理；利用非下采样轮廓波变换和Gabor变换协同作用，模拟非经典感受野（NCRF）的侧向抑制特性。最后利用初级视皮层对整体轮廓的前馈机制，实现对轮廓局部细节信息的完整性融合。结果 选择将RuG40图库的所有图像作为测试集合进行模型性能测试，对检测结果进行非极大值抑制和阈值处理，最终将得到的二值轮廓图与基准图比较，整个数据集和单张图的最优平均P指标分别为0.49和0.56。对于单个图像最优参数条件下的检测结果均值，将本文方法与非经典感受野抑制模型（ISO）和多特征外周抑制模型（MCI）比较，较两者分别提高了19.1%和7.7%。结果表明本文方法能有效突出主体轮廓并抑制纹理背景。结论 面向图像处理应用的初级视通路计算模型，将为后续图像理解和分析提供一种新的思路。     

基于边缘检测的斜纹布匹瑕疵检测

为了对布匹瑕疵进行快速准确的检测,提出了一种基于边缘检测的新算法。利用布匹图像中瑕疵与正常纹理产生的纹理边缘,将布匹瑕疵作为正常纹理的边缘检测出来。利用Sobel算子的方向性,分别对织物疵点在水平和垂直方向进行增强,计算出RGB图像中水平与垂直方向的梯度后进行边缘检测,通过图像融合和二值化完成最终检测。实验证明,该方法准确性高并且检测速率大大提高。     

基于纹理周期性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的周期性这个重要的视觉特征入手,提出了基于纹理周期性分析的织物疵点检测方法。通过对大量不同疵点图像检测实验,证明提出方法对织物疵点检测具有较好的有效性和可靠性,而且具有检测的疵点种类多、实用性好的特点。     

多路径卷积神经网络的轮廓感知

目的 引入视觉信息流的整体和局部处理机制,提出了一种多路径卷积神经网络的轮廓感知新方法。方法 利用高斯金字塔尺度分解获得低分辨率子图,用来表征视觉信息中的整体轮廓;通过2维高斯导函数模拟经典感受野的方向选择性,获得描述细节特征的边界响应子图;构建多路径卷积神经网络,利用具有稀疏编码特性的子网络（Sparse-Net）实现对整体轮廓的快速检测;利用具有冗余度增强编码特性的子网络（Redundancy-Net）实现对局部细节特征提取;对上述多路径卷积神经网络响应进行融合编码,以实现轮廓响应的整体感知和局部检测融合,获取轮廓的精细化感知结果。结果 以美国伯克利大学计算机视觉组提供的数据集BSDS500图库为实验对象,在GTX1080Ti环境下本文Sparse-Net对整体轮廓的检测速度达到42幅/s,为HFL方法1.2幅/s的35倍;而Sparse-Net和Redundancy-Net融合后的检测指标数据集尺度上最优（ODS）、图片尺度上最优（OIS）、平均精度（AP）分别为0.806、0.824、0.846,优于HED （holistically-nested edge detection）方法和RCF （richer convolution features for edge detection）方法,结果表明本文方法能有效突出主体轮廓并抑制纹理背景。结论 多路径卷积神经网络的轮廓感知应用,将有助于进一步理解视觉感知机制,并对减弱卷积神经网络的黑盒特性有着重要的意义。     

基于Gabor小波和神经网络的布匹瑕疵检测

为了实现布匹表面瑕疵的在线视觉检测,利用Gabor小波函数与神经网络的结合,提出了一种有效提取Gabor滤波最优参数的方法。该方法通过离线构建Gabor小波神经网络,结合Levenberg-Marquardt算法优化得到最优解,重构无瑕疵的布匹图像,以削弱在线检测时布匹纹理对瑕疵检测的影响,从而能够于在线实时监测过程中凸显布匹瑕疵,最终从融合图像中得到瑕疵区域。通过对霉点、断经、油污、破洞四种常见的布匹瑕疵图像进行检测,表明该方法能够满足对瑕疵的实时分割要求。