低照度彩色图像的自适应亮度增强

为恢复低照度场景图像的原有色彩信息和细节信息,本研究提出自适应亮度调节的低照度彩色图像增强方法。该方法首先对低照度场景连续拍摄多帧图像,并对其进行自适应伽马亮度校正;然后将多帧亮度校正后图像转换到YUV色彩空间并行两种处理,一种是提取Y通道分量分组进行基于权值调整二阶盲辨识的盲源分离降噪,一种是进行帧平均后提取Y通道分量与多个盲源分离降噪的Y通道分量依次进行结构匹配,并选出匹配最佳Y通道分量;再将最佳Y通道分量进行基于皮尔生长曲线的亮度调整后与经帧平均处理的U、V通道分量重新组合;最后将重组图像转换回RGB空间,即可得到视觉效果显著提升的彩色图像。本文提出的图像增强方法满足实时处理要求,可将原彩色图像的极低亮度提高54.4倍、中等亮度提高3.5倍;并将图像信息熵提高1.3～2.9倍。与典型的图像增强算法相比,本文提出的方法对低照度彩色图像在降低噪声、均衡光照和恢复细节方面有较大改善。     

基于模拟多曝光融合的低照度全景图像增强

针对低照度全景图像存在的对比度低、视觉效果差等问题,提出了一种基于模拟多曝光融合的低照度全景图像增强算法。首先,将原图像从RGB颜色空间转换到HSV颜色空间,以图像信息熵作为度量估计最佳曝光率,采用亮度映射函数对V分量进行增强处理,再将其转回RGB颜色空间得到过曝光图像;接着,以低照度图像和过曝光图像为输入,采用曝光插值法合成中等曝光图像;然后,采用多尺度融合策略将低照度图像、中等曝光图像和过曝光图像进行融合,得到融合后的图像;最后,通过多尺度细节增强算法对融合后的图像进行细节增强,得到最终的增强图像。通过与NPE,LIME,SRIE,Li,Ying,RtinexNet算法相比,在不同场景的全景图像上,亮度顺序误差(LOE)最小为322,自然图像质量评估器(NIQE)最小为2.32,无参考空间域图像质量评估器最小为5.71,结构相似度(SSIM)最高达到0.82,综合性能优于其他对比算法。实验结果表明,本文算法能够有效地提升低照度全景图像的质量。     

基于神经网络的飞行器空中侦查时低照度图像增强系统

飞行器航拍时,由于飞行环境和飞行姿态的影响,会导致图像出现细节丢失和颜色失真从而影响图片质量,对图像中的目标准确识别带来挑战。针对这一问题,提出了一种Ritinex理论和基于神经网络深度学习相结合的方法,利用低照度图像增强算法来提高图像质量,从而实现侦查目标的准确识别。在AlexNet神经网络构架中引入U-net结构,根据Retinex理论采用分组卷积和深层卷积块构建了用于低照度图像增强神经网络构架,并加入亮度调整因子对分解结果进行增强。实验表明,本研究提出的方法和其它常用算法相比,有较好的整体视觉效果。另外,基于该方法所开发的低照度图像增强系统在搭建的无人机航拍平台上的应用也显示了其可靠性和准确性。     

基于迁移学习和模型融合的粗糙度检测系统设计

针对传统粗糙度测量方法识别准确率不高的问题,提出了基于迁移学习和模型融合的粗糙度检测方法。首先,采用所设计粗糙度检测系统中的CCD相机模组采集工件表面图像并制作数据集;其次,通过迁移微调VGGNet-19、Inception-V3 以及DenseNet121进行多模型融合,得到了适用的粗糙度检测模型;最后,用数据集进行网络训练以提取图像中的纹理细节特征,实现对粗糙度等级的精准识别。针对车削、铣削和磨削共15种粗糙度等级图像进行实验验证,系统识别精度可达91%。结果表明,所提出的系统可有效地实现粗糙度等级自动检测。     

HSI颜色空间下的直线导轨表面缺陷检测方法

为解决直线导轨表面微小缺陷受背景纹理影响、无法准确检测的问题,提出了一种HSI颜色空间下的直线导轨表面缺陷视觉检测方法。将直线导轨表面图像由RGB空间转换到HSI空间,得到色调、饱和度和亮度的分量图;采用主成分分析法对各分量图像进行降维,建立混合灰度模型;利用粒子群算法优化其相应的加权系数;通过阈值分割完成缺陷检测。实验及计算结果表明,相比RGB空间的缺陷提取,该方法能准确检测出常见的直线导轨表面四种类型缺陷。     

复杂光照下的两步法颜色恒常性算法

根据视觉信息处理的分模块性原理,给出了一种新颖的两步法颜色恒常彩色图像增强算法。首先利用边缘附近像素估计原图像偏色信息,白平衡对偏色图像进行偏色纠正。然后根据RGB颜色空间三分量颜色相关性特点,通过获取亮度增益曲面对彩色图像的RGB三分量进行同比增强得到最终的彩色图像同时保持颜色不变。该算法克服了传统颜色恒常性的不适定问题,实验结果表明该算法对于存在偏色、低照度等复杂光照下的图像均能较好的保持颜色的恒常性,同时能有效提升图像的亮度信息。     

强反射表面缺陷图像预处理

为了校正强反射表面图像的亮度不均匀性,抑制局部强亮度现象,同时使其保留足够多的原始图像信息,研究了强反射表面缺陷图像的预处理方法。分析了强反射表面的光学特性,研究了偏微分方程理论及同态滤波算法,在此基础上提出了一种基于偏微分方程的同态滤波算法,即采用热传导方程滤波算子对同态分解的图像进行处理。引入信息熵对不同尺度参数下的处理效果进行评价,从而确定热传导同态滤波的尺度参数,并将该算法与背景去除法、基于小波的同态滤波算法进行了比较。对比实验表明,采用提出的算法处理后得到的图像其灰度级均匀分布在1～6之间,信息熵值均在91%以上。该方法校正了图像亮度的不均匀性,提高了图像质量,同时能保留足够多的原始图像信息。     

复杂光照下的两步法颜色恒常性增强

根据视觉信息处理的分模块性原理,研究了复杂光照下的颜色恒常性,给出了一种两步法颜色恒常彩色图像增强算法.利用边缘附近像素估计原图像的偏色信息,采用白平衡的方法对偏色图像进行偏色纠正.然后,根据RGB颜色空间三分量的颜色相关性特点,获取亮度增益曲面并对彩色图像的RGB三分量进行同比增强得到最终的彩色图像.在SFU数据库进行了实验,结果表明该算法的对比度是原图的4倍以上,且亮度改变适中.该算法克服了传统颜色恒常性的不适定问题,对于存在偏色、低照度等复杂光照下的图像均能较好地保持颜色的恒常性,同时能有效提升图像的对比度和亮度.     

非接触式表面粗糙度识别方法的研究

提出了一种机加工纹理非接触式表面粗糙度识别的方法。该方法用纹理周期度来描述机加工纹理的表面粗糙度,通过采集表面粗糙度标准样块的图像,用图像处理方法提取相应的纹理特征值(如纹理周期度)存入数据库,再用同样的方法获取未知粗糙度等级的零件表面图像的纹理周期特征值,并与库中粗糙度标准样块图像的纹理周期特征值进行比较,按照最近似的原则得到所求表面的粗糙度。该方法识别精度较高,具有对光照条件不同的免疫力。     

基于HSI颜色空间的深度学习单幅图像去雾方法

针对传统的单幅图像去雾算法容易受到雾图先验知识制约导致颜色失真等问题,本文提出了一种基于HSI颜色空间的深度学习多尺度卷积神经网络单幅图像去雾方法,即通过设计深度学习网络结构来直接学习雾天图像与其无雾清晰图像色调、饱和度和亮度之间的映射关系,从而实现图像去雾.该方法首先将有雾图像从RGB颜色空间转换到HSI颜色空间,然后设计了一个端到端的多尺度全卷积神经网络模型,通过色调H、饱和度I、强度S三个不同的去雾子网分别进行多尺度提取,深度学习得到有雾图像与清晰图像之间的映射关系,从而恢复出无雾图像.实验结果表明,本文方法对于雾天图像具有良好的去雾效果,在主观评价和客观评价上均优于其它对比算法.     

纹理图像分析技术在表面粗糙度测量中的应用

以MATLAB软件为设计平台,构建了零件表面粗糙度的检测系统。采用同态滤波等图像处理技术,对零件表面图像进行预处理,选取图像灰度直方图参数为表征纹理的像元特征值,灰度共生矩阵参数为表征纹理结构的区域特征值,建立了BP神经网络,实现了对零件表面粗糙度参数的测量,并对测试结果与电动轮廓仪的测量结果进行了对比和分析,验证了系统的可行性。     

Accurate estimation of surface roughness from texture features of the surface image using an adaptive neuro-fuzzy inference system

Accurate estimation of surface roughness of workpieces in turning operations play an important role in the manufacturing industry. This paper proposes a method using an adaptive neuro-fuzzy inference system (ANFIS) to establish the relationship between actual surface roughness and texture features of the surface image. The accurate modeling of surface roughness can effectively estimate surface roughness. The input parameters of a training model are spatial frequency, arithmetic mean value, and standard deviation of gray levels from the surface image, without involving cutting parameters (cutting speed, feed rate, and depth of cut). Experiments demonstrate the validity and effectiveness of fuzzy neural networks for modeling and estimating surface roughness. Experimental results show that the proposed ANFIS-based method outperforms the existing polynomial-network-based method in terms of training and test accuracy of surface roughness.     

自然光线环境中的空间物体快速识别和定位算法研究

针对智能机械臂在自然光环境的三维空间中对目标物体的自主识别率和定位精度低的问题,提出了一种基于深度学习的视觉和光学雷达融合定位算法,实现自然光线下空间物体的高精度快速定位。首先,采集 RGB 图像和深度数据,利用深度学习算法对图像进行目标识别与实例分割;然后,将实例分割目标物的二维深度矩阵转换成三维空间点云;最后,用综合修正算法对位置修正,实现对目标物体在三维空间的抓取位置精准定位。 通过不同光照强度下的目标物体识别和定位实验验证了该算法的有效性和实用性,获取的目标物体的三维空间坐标较为精确,单位距离的定位误差在 0. 5%以内,受照明亮度影响较小,对机械臂智能抓取的研究具有较为重要的意义。     

基于色彩感知的无参考图像质量评价

图像发生失真会改变RGB色彩空间的颜色特征、各色彩分量的亮度分布及其间的相关性,基于此,提出了一种新的无参考图像质量评价方法。首先,标准化6种颜色系数以消除光照环境变化对RGB模型的影响,并利用各颜色系数的拟合广义高斯分布模型(GGD)的形状参数作为颜色统计特征;其次,分别计算各色彩分量的均值减损对比归一化(MSCN)系数及其邻域系数间的互信息,利用互信息作为统计特征来描述其各分量间的相关性;进而,利用人眼更为敏感的G分量MSCN系数的拟合GGD模型参数及其4方向邻域MSCN系数的拟合非对称广义高斯分布模型(AGGD)参数作为亮度统计特征;最后,分别利用支持向量回归机(SVR)和支持向量分类机(SVC)构建无参考图像质量评价模型和图像失真类型识别模型,并在LIVE等数据库上进行了算法与差异平均意见分(DMOS)的相关性、模型的鲁棒性等方面的实验。实验结果表明,本文方法的评价结果与人类主观评价具有高度的一致性;而且图像失真类型识别模型的识别准确率也高达到93.59%,明显高于当今主流无参考图像质量评价方法。     

基于同态滤波的鲁棒多尺度微运动测量算法

针对光照变化、噪声、运动不连续及大位移量等影响基于计算机微视觉的微运动测量精度的问题,提出一种基于同态滤波的鲁棒多尺度微运动测量算法.首先采用同态滤波增强方法对显微视觉图像亮度不均匀进行了校正,并增强对比度,然后利用双权重函数,自动调节不同残差数据点的权重,去除残差过大的数据点,并采用多尺度金字塔由粗到精逐层迭代,精确地估计运动矢量.实验结果显示,新算法鲁棒性好,能有效地减弱光照不均匀的干扰,同时减少噪声和运动不连续而引起的界外值的影响,微运动测量精度达到0.01个像素.     

基于视觉的铁路货车滚动轴承表面缺陷分类研究

用CCD代替人眼对轴承表面缺陷进行图像采集,采用卷积滤波与开、闭运算相结合的图像处理方法,有效去除了缺陷周围边缘点的干扰。在提取传统特征基础上增加了压缩度、线度、距离极值比、NMI特征和不变矩等特征量,增强了缺陷分类的依据;对BP神经网络的输入矩阵和归一化方法的改进,提高了神经网络的记忆能力及识别速度;通过试验对缺陷分类系统识别结果进行检测,确定了该系统的可靠性。     

An improved surface roughness measurement method for micro-heterogeneous texture in deep hole based on gray-level co-occurrence matrix and support vector machine

Microscopic vision system has been employed to measure the surface roughness of micro-heterogeneous texture in deep hole, by virtue of frequency domain features of microscopic image and back-propagation artificial neural network optimized by genetic algorithm. However, the measurement accuracy needs to be improved for engineering application. In this paper, we propose an improved method based on microscopic vision to detect the surface roughness of R-surface in the valve. Firstly, the measurement system for the roughness of R-surface in deep hole is described. Thereafter, the surface topography images of R-surface are analyzed by the gray-level co-occurrence matrix (GLCM) method, and several features of microscopic image, which are nearly monotonic with the surface roughness, are extracted to fabricate the prediction model of the roughness of R-surface accurately. Moreover, a support vector machine (SVM) model is presented to describe the relationship of GLCM features and the actual surface roughness. Finally, experiments on measuring the surface roughness are conducted, and the experimental results indicate that the GLCM-SVM model exhibits higher accuracy and generalization ability for evaluating the microcosmic surface roughness of micro-heterogeneous texture in deep hole.     

表面粗糙度的稳健提取方法研究

在讨论现有表面粗糙度高斯滤波方法的优缺点的基础上，推导了高斯回归滤波及高斯稳健滤波的卷积算法和快速傅里叶算法过程，编写了算法的C语言代码。对实测数据进行处理的结果表明，稳健滤波能很好地克服边界效应并抑制表面上深谷对滤波结果的影响。