基于改进多尺度Retinex图像增强和支持向量机的苹果表面缺陷检测

目的 使用改进多尺度Retinex(Multi-Scale Retinex,MSR)图像增强技术和支持向量机(Support Vector Machine,SVM)分类技术实现苹果表面缺陷检测。方法 对苹果实验图像进行MSR图像增强,消除光照不均匀和表面颜色复杂干扰。对图像增强结果图使用自适应gamma矫正提高光晕区域对比度,并使用基于局部灰度的多阈值比较分割消除光晕现象干扰,获得初步缺陷分割结果。在此基础上,提取苹果梗萼与疤痕的颜色特征,并引入SVM对梗萼和疤痕进行分类,并对梗萼进行剔除,仅保留疤痕作为最终检测结果。结果 将本研究的方法部署到嵌入式设备OpenMV4H7Plus中并经实验证明,梗萼识别准确率达到93.8%,疤痕检测准确率达到92.8%。结论 利用改进MSR图像增强技术和SVM分类技术可以在光照不均匀和颜色信息复杂的苹果表面实现疤痕的有效检测。     

基于改进图像阈值分割算法的纱线疵点检测

针对纺织行业纱线疵点检测方法可靠性差、灵敏度低、检测速度低的问题,提出一种基于数字图像处理的纱线疵点判定方法。首先,搭建纱线图像采集系统,完成纱线图像采集;其次,针对纱线边缘信息难处理以及传统双边滤波对椒盐噪声处理效果差的问题,对双边滤波进行改进,改进后的双边滤波可有效保存纱线边缘信息;再者,针对传统阈值分割计算量大、最佳阈值难以寻找的问题,对传统阈值分割算法进行改进,改进的阈值分割算法在保证处理效果的同时提高了整体算法的处理速度;最后,采用亚像素对纱线边缘进行计算,提高了纱线疵点检测的精确度。实验结果验证了算法的有效性及可靠性,该算法在提高精确度的同时将检测速度提高了20%以上,对提高纱线质量检测的准确性具有重要意义。     

基于改进的引导滤波的织物疵点检测算法

为解决织物疵点自动检测算法对不同种类疵点检测的鲁棒性问题以及算法的实时性问题,提出针对疵点图像的改进的引导滤波算法及其疵点检测算法。实验表明:引导滤波在保持边缘的同时速度最快,该改进算法使用高斯滤波后图像作为输入图像,原图像为引导图像,在保持细节的同时锐化并保持边缘,一张图片滤波时间为26.2 ms。该检测算法使用改进后引导滤波,再进行光照校正等处理得到疵点检出图片。实验表明,该检测算法疵点检出率为97.35%,检测时间为158.1 ms,保持检出率的同时达到实时性要求。     

基于遗传算法的视频图像增强研究

由于彩色视频图像R、G、B三个分量并不具有均等的线性表达,因此采用原有的灰度图像算法对三个色彩分量分别进行增强会产生颜色不协调等问题。为此,文章采用Retinex模型将原始视频图像转换到亮度和颜色分离的彩色空间,并通过遗传算法来实现照度信息增强,最终将处理结果转换到RGB色彩空间,以取得更好的增强效果。     

一种非线性滤波算法应用

在数字图像处理技术中,中值滤波是一种对干扰脉冲和点状噪声有良好抑制作用,而能较好地保持图像边缘的非线性图像增强技术。介绍了中值滤波算法的原理、中值滤波的特性以及中值滤波的编程实现。     

一种红外图像增强算法研究

针对传统红外图像存在的一些不足,提出一种融合多尺度Retinex和小波变换的红外图像增强算法。该算法综合了小波变换多尺度、多分辨率的优点,以及多尺度Retinex红外增强的特性,利用小波变换对图像信号进行分解,对低频系数进行多尺度Retinex算法处理,而对小波分解的高频细分量进行消除噪声并改善图像细节部分,并同时也改善了性噪比、对比度以及亮度均匀性等性能指标。通过仿真该算法可增强图像细节,优化图像整体视觉效果。     

基于边缘和颜色特征的织物印花花型检索

针对织物印花花型同型不同色和同形异构的特点,提出了一种综合花型边缘和颜色特征的图像检索算法。首先利用中值滤波对花型图像进行滤波去噪,并采用Canny算子获取花型边缘;以边缘像素坐标加权中心点为圆心,将各边缘点划分到若干等距环面内,提取花型边缘距离直方图,并在对边缘像素点直线拟合基础上,提取边缘方向直方图;然后在HSV空间内对彩色边缘进行颜色量化,提取各颜色分量构成颜色直方图;最后对3种特征分别进行相似性度量,并赋予三者不同权重予以结合,获得图像间相似度。结果表明,该算法具有平移、缩放、旋转不变性,并能兼顾边缘特征和颜色特征对检索结果的影响,准确区分同型不同色和同形异构的花型图案,该算法平均查准率可达93.17%。     

烟草异物剔除系统中实时低照度图像增强算法

为解决烟草异物剔除系统随照度衰减后系统剔除性能下降问题,采用优化的高斯同态滤波算法在系统中增设了图像增强功能。先将低照度烟叶图像从RGB(Red-Green-Blue)空间快速转换到HSV(Hue-Saturation-Value)空间,实现色彩与亮度的分离,采用实时性较高的空域同态滤波方法对亮度分量V进行增强,引入自适应系数对亮度进行拉伸,最后将HSV转换到RGB模式。结果表明,该方法能有效校正低照度图像的颜色、对比度和亮度,对光照不均有很好的均衡作用,具有较好的自适应性;能够较好地保持系统剔除性能,增强系统的可维护性、易操作性;与其他图像增强算法相比,本方法运算速度更快,能较好地满足实时增强彩色图像的需求。     

基于机器视觉的细纱接头机器人纱线断头定位方法

为实现通过机器视觉方式对细纱接头机器人的纱线断头进行定位,并简化机械结构,根据断头纱线图像特点,提出针对纱线特征的识别与定位算法。利用工业相机采集纱线被吸入吸嘴的图像,通过改进灰度增强方法增大纱线特征与背景对比度,利用Canny算子进行边缘检测,最后通过划分上下感兴趣区域以及优化的霍夫直线检测获取纱线的图像特征并利用定位算法提取所需的位置信息。结果表明:本文算法提取的位置信息精度较高,坐标点误差为1.42像素,角度误差为0.60°;相较于传统检测算法,程序运行时间得到了缩短,识别时间在10^-1 s数量级上,实时性好;研究成果可应用于细纱接头机器人产品开发中。     

应用改进Canny法检测工业零件含噪图像边缘

针对工业零件含噪图像边缘检测,根据Canny算法原理,提出了一些改进策略,形成了一种矩形透镜最大梯度模边缘检测算法。采用中值滤波完成图像平滑,有效抑制了图像噪声;采用5×5邻域一阶偏导有限差分计算图像的梯度幅值,提高了边缘定位的精度;采用最大类间方差法(OTSU)求解了最优区域分割阈值,实现了边缘的自动检测。以磁环和极片工业零件图像边缘检测为例进行了实验,结果表明,该算法具有较好的去噪和边缘检测效果。     

基于同态滤波和改进K-means的苹果分级算法研究

针对苹果在分级的过程中,光线不均所导致的表面反光和阴影问题,利用同态滤波和改进的K-means算法予以解决。同态滤波前,将苹果图像由RGB空间转换到HSV空间,再对HSV空间的V分量进行同态滤波增强,最大限度地削弱光线不均带来的影响;对传统K-means聚类算法,新增加距离度量方法、确定聚类数目和初始中心点,能较好地去除苹果阴影对图像分割的影响。从大小、果形、质量、颜色、缺陷5个方面对陕北富县的秦冠苹果进行分级,分级成功率达到97%。利用同态滤波算法结合改进的K-means算法来对苹果图像进行处理,能够大大提高苹果分级的准确性。     

基于图像处理的白酒酒花轮廓检测

依据"看花摘酒"的传统经验,采用机器视觉代替人眼,通过CCD获取摘酒酒花的视频图像,并截取不同酒度酒花图像进行直方图均衡化、图像腐蚀等图像预处理,消除了高光噪声的影响,然后采用不同边缘检测算法对酒花轮廓进行了对比研究,采用OTSU算法与Canny边缘检测算法相结合的方法,较好地实现酒花与背景的分割,提取清晰的酒花边缘轮廓,通过对大清花与小清花图像的模式识别,为摘酒自动化提供了有效分级依据。该智能化的分级摘酒方法,能够提高分级摘酒工艺的稳定性和准确性,易于实现分级摘酒工序的智能自动化。     

基于对比度受限直方图均衡化的水下海参图像增强方法

针对水下图像受到水下复杂光照的影响导致图像对比度差的现象,采用对比度受限自适应直方图均衡化方法(contrast limited adaptive histogram equalization, CLAHE)对水下海参图像进行增强处理,算法首先将原始图像分割成若干个子区域并且大小相同,再选取特定值对每个子区域的直方图进行截取,并将截取下的像素均匀分配到每个灰度级,最终得到限定对比度直方图。并通过研究算法中的相关参数,得到适用于水下海参图像增强的参数值,取得了更好的增强效果。通过评价函数均方差(mean squared error, MSE),峰值信噪比(peak signal to noise rate, PSNR)和信息熵(information entropy)对比CLAHE方法和其他一些方法,结果显示CLAHE算法在水下海参图像提高质量和保持图像细节方面表现出更好的性能,为以后水下机器人的识别定位提供了方便。     

机织物图像自动纠偏方法的研究

图像纠偏在织物组织结构参数自动识别过程中直接影响识别结果.本文通过对织物图像去噪、直方图均衡化等预处理操作后,对图像进行水平和垂直边缘检测;同时为提高倾斜角度识别的准确度和算法运行效率加入细化处理,然后对细化后的图像进行Hough变换,检测倾斜角度,最后对图像进行旋转实现旋转纠偏.通过对不同机织物图像进行纠偏处理实验,证明了该方法的有效性和可靠性.     

基于小波与模糊相融合的苹果分级算法

为了准确获取苹果图像的边缘,实现苹果自动分级,提出一种基于小波与模糊相融合的苹果分级算法。对苹果图像进行全向小波变化,经模糊算法处理,通过自适应阈值,提取出苹果图像的边缘,再利用漫水填充算法,获取苹果图像的面积,根据苹果类圆特性,将面积转换为直径,并根据直径大小,完成苹果分级。仿真试验结果表明,该算法对3个级别苹果的分级正确率均在98%以上,说明该算法能够用于苹果的分级检测。     

自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术

针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。     

一种新型大米检测图像的自适应滤波算法

针对大米检测图像中的脉冲噪声提出了一种新型的基于极值和噪声密度估计算法的自适应滤波算法，结合了EM算法和IMFLED算法的优点。实验表明该算法比现有的中值滤波去噪和保持物体的实际大小、边缘等许多重要细节的能力更强，特别在噪声密度比较高的情况。