基于机器视觉的毛杆缺陷检测方法

建立了一套羽毛毛杆缺陷在线检测的完备方案,该方案运用机器视觉方法对羽毛进行无损检测。其重点是把图像检测过程分为三步,首先区别羽毛和背景,其次从羽毛中分割出毛杆,最后检测毛杆上是否存在缺陷。本文对每步都提出有效算法:用阈值法快速简便地区分羽毛和背景;用气球力的主动轮廓模型来分割毛杆;用小波分解和统计分析法来判断缺陷的存在。在小波分解前,根据毛杆缺陷特征,把图像的二维信号变换到一维信号,把缺陷的检测变为信号中奇异点的检测。在分析缺陷大小和特征后提出小波基的选择方法和分解层次的限制。该方案经过试验验证行之快速有效。     

基于小波变换的墙地砖缺陷图像分割

目的改进原有的图像分割算法在分割图像时的精度和准确度，进一步准确地研究墙地砖缺陷图像的基本特征，提出一种有效的图像分割方法．方法根据墙地砖表面的纹理特点，采用Daubechies小波对原始图像进行处理．结果仅保留图像的近似信息，从而有效降低了纹理特征对缺陷分割的干扰．同时，图像数据量减少为原始图像的1／4．因此，在有效提取近似信息的基础上提高了系统的实时性，便于图像分割应用．该方法增强了缺陷纹理图像。能抑制背景纹理对缺陷纹理检测的干扰，并通过减运算有效地实现了缺陷纹理和背景纹理的分割．结论基于小波变换的墙地砖缺陷图像分割方法能够对随机纹理图像进行可靠、有效、快速的分割，尤其适用于具有随机纹理的墙地砖缺陷实时检测．     

基于塔形小波和特征加权的墙地砖纹理图像分割方法

目的基于小波变换的图像分割方法对随机纹理图像进行分割.方法通过墙地砖表面的原始纹理特征,改进原有的图像分割算法,对原始纹理图像进行高阶小波分解.结果图像整体中的背景纹理边缘被有效去除,降低了图像纹理带来的干扰,在有效提取近似信息的基础上提高了系统的实时性.结论根据墙地砖的纹理特征,采用基于塔形小波的改进分割方法,对墙地砖的原始图像进行处理,提高了边缘准确性和区域性,降低了分割错误率.     

基于小波框架分解和模糊软聚类的纹理图像分割方法

提出了一种新的纹理图像分割方法．该方法利用小波框架分解提取纹理图像的特征参量,利用模糊软聚类方法在特征空间中进行纹理边界的粗划分,然后应用细化算法确定纹理边界区域的精确边界．文末给出了算法的一个典型实验．     

基于局部相似性测度的SAR图像多层分割

针对谱聚类算法计算复杂度高,不适用于合成孔径雷达图像分割的问题,利用谱聚类算法与权核k均值之间的等价性,提出一种基于局部相似性测度的SAR图像多层分割算法．首先提取图像中每个像素的小波纹理特征,利用每个像素点的纹理特征计算各自的局部尺度参数,进而构造像素点之间的邻接关系,然后利用最近邻规则对此邻接关系进行逐层合并,进行基础聚类和逐层细化实现像素点聚类,最终得到图像的分割结果．对人工纹理图像和SAR图像的分割结果表明了新算法避免了传统谱聚类算法对尺度参数的敏感性,获得了更优的分割性能．     

基于小波分解的织物疵点检测

根据小波在奇异信号分解中的特点,提出了一种基于小波分解的疵点检测新方法．首先根据织物纹理特点,确定小波函数．其次对被检测图像进行小波变换,获得分解后的子图;根据织物纹理组织单元,把高频子图分割成若干子窗口,统计子窗口的能量标准差与均值加权求和作为提取的特征．最后通过测试图像子窗口特征与标准予窗口特征相比较,判断疵点是否存在．实验表明,该检测方法是有效的,检测正确率达到90％以上．     

基于SVM的SAR图像分割方法

先去噪再分割的SAR图像分割方法会损失有用的纹理信息,因此本文给出了一种直接对含噪SAR图像进行分割的方法.首先利用小波变换提取SAR图像的纹理特征,计算图像的灰度均值作为图像的灰度特征,然后用完全无监督的聚类算法进行分类,最后将特征值与类别标记作为支持向量机的训练样本,用训练后的分类器对图像进行分割.实验结果表明:本文所给出的方法在分割的准确性和抗噪性方面都优于几种有代表性的分割方法.     

一种图像分割算法的选择方法

提出了一种基于模糊联想神经网络图像分割算法的选择方法。通过树型小波变换提取图像特征,再用模糊联想分类神经网络将待分割图像划分为灰度图像或纹理图像,并根据分类结果确定分割算法。     

基于Radon和小波变换的纹理图像检索

提出一种新的基于Radon和小波变换的图像纹理特征检索算法．针对检索图像进行Radon变换,并对投影矩阵进行中心化使其具有平移不变性．利用图像的统计值对投影数据规范化,分别沿 和t方向对投影矩阵进行TSI小波分解,得到具有平移、旋转和尺度不变的小波分解．提取各子带能量作为图像的纹理特征,并对特征向量进行高斯归一化．以两幅图像归一化特征向量间的Canberra距离作为图像的相似度进行检索．基于纹理特征的图像检索试验结果表明,该方法对高斯噪声具有较强的鲁棒性,与其他方法相比具有较高的检索率．     

无须反复初始化的活动围道纹理分割方法

针对纹理图像分割问题,提出了一种无须反复初始化的快速活动围道纹理分割模型．与现有的基于几何活动围道的纹理分割技术相比,该分割模型具有三个优点:一是使用图像的灰度信息和纹理信息来驱动活动围道进行图像分割,因而,不仅适用于分割纹理图像,而且适用于分割非纹理图像;二是使用局部二进制模式来提取纹理特征,计算复杂度小;三是模型求解时,增加了约束项不需要对符号距离函数进行反复初始化,因此可采用大的时间步长,迭代步数明显减少,从而提高了活动围道的收敛速度．对自然界真实图像和合成纹理图像的分割试验结果说明,无须反复初始化的活动围道纹理分割方法精度高、速度快．     

基于保局映射的图像纹理聚类

为了解决图像检索中的聚类问题,提出一种改进的图像纹理聚类算法.在纹理特征提取阶段,采用双树复小波对图像进行分解,然后对每个高频段提取直方图签名作为纹理特征;在聚类阶段,根据数据分布的密度来动态地计算数据点的邻接矩阵,再采用保局映射进行降维,对降维后的数据进行k-means聚类.通过采用直方图签名的方式能有效地表示图像纹理在各个方向上特征信息,同时根据数据密度构建的邻接矩阵,能够和保局映射一起更有效地发掘数据之间的局部相关性.实验表明:相对于传统方法,该算法具有更高的聚类正确性.     

Biomedical Image Processing Using FCM Algorithm Based on the Wavelet Transform

An effective processing method for biomedical images and the Fuzzy C-mean ( FCM ) algorithm based on the wavelet transform are investigated. By using hierarchical wavelet decomposition, an original image could be decomposed into one lower image and several detail images. The segmentation started at the lowest resolution with the FCM clustering algorithm and the texture feature extracted from various sub-bands. With the improvement of the FCM algorithm, FCM alternation freqneney was decreased and the accuracy of segmentation was advanced .     

基于LBP驱动的区域围道纹理分割模型

纹理分割是图像处理的难点之一。针对此问题,提出了一种基于局部二进制模式(localbinary pattern,LBP)驱动的区域围道分割模型。该模型首先将均匀模式的思想用于LBP/C算子,使纹理模式的数量减少了77%,明显降低了提取纹理特征所需的时间;其次对无边缘活动围道模型进行了改进,使其能用纹理特征来演化曲线或曲面分割纹理图像;然后用多级分层的策略对提出的模型进行了延拓,可用于分割多类目标的图像,避免了多相位模型初始围道难以选择的问题,提高了模型收敛的速度;最后运用AOS(additive operator splitting)算法以改善模型求解的效率,进一步提高了图像分割的速度。对合成纹理图像和遥感图像的实验结果说明,提出的分割方法具有分割速度快、精度高的优点。     

基于神经网络与遗传算法的纹理图像分割

运用两维自动回归模型、分形维数、均值和方差从每一小区域的数据中抽取纹理特征，把纹理特征作为自组织特征映射神经网络的输入层进行训练确定最优的纹理区域分割数，最后运用遗传算法优化图像分割。实验结果证明神经网络和遗传算法相结合能有效地分割纹理图像。