基于对比度的背景先验显著性检测算法

图像显著性检测的研究已经成为了一个热门领域,应用范围很广.基于背景先验的算法,可以使显著目标较好地突显,使显著图更清晰,但背景先验依赖于图像中背景的有关先验理论,对于背景复杂图像的处理效果不好.针对以上问题,建立基于对比度的背景先验算法,算法首先将局部和全局显著图在一定方式下融合,然后,利用融合算法的结果提取图像边界区...     

基于视觉显著性的零件缺陷检测

为了提高零件缺陷检测的准确率,提出了一种基于视觉显著性算法的零件缺陷检测方法。首先将采集零件缺陷图像进行高斯差分滤波,以最大程度消除背景信息的干扰。然后对高斯差分滤波后的零件缺陷图像进行超像素分割,并利用全局图像对比方法构建超像素图像显著图,从而有效的提高缺陷的显著性。最后,采用最大类间方差法分割缺陷。试验表明该方法能提高零件缺陷的检测准确率。     

基于候选区域对比度的显示屏缺陷检测方法

显示屏在生产、组装过程中易出现多种类型的缺陷,传统的人工检测方法工作量大,主观性强,检测标准难以量化,误判率高。为此,提出一种使用折线阈值对候选区域对比度进行阈值判断的显示屏缺陷检测方法。通过计算候选区域对比度来检出点状、块状、Mura缺陷,候选区域对比度的计算方式克服了显示屏亮度不均匀产生的影响,使用折线阈值对候选区域对比度进行阈值判断,提高了低对比度Mura缺陷的检测精度。     

基于图像的缸体零件表面缺陷检测方法

针对人工抽样目测方法和超声波、电磁波等测量技术用于新型检测方法存在各式各样的缺点,为了实现在线高速检测汽车制动缸内壁是否存在缺陷,基于数字图像处理技术,提出了一种能很好满足要求的图像处理和缺陷检测方法.通过CCD相机采集零件需要检测表面的图像;用Matlab软件对图像进行必要的处理、对边缘进行提取;通过腐蚀和膨胀运算优化边缘,再采用连通域标记,通过计算缺陷区域处面积和周长两个物理量来判断缺陷类型和特征.结果表明:此方法能检测出缸体内表面缺陷,基本上能满足缺陷快速检测要求.     

焊缝缺陷的超声检测图像识别方法

内部缺陷是影响焊接结构质量的主要因素．为了分析焊缝内部缺陷,快速得到敏感度高、边缘清晰的图像数据,本文根据焊缝缺陷的特点,结合声图像的特殊性,采用基于形态学的有噪彩色图像边缘检测方法,对原始图像进行滤波处理,实现了缺陷信息的有效分割,然后根据缺陷的特点通过数学统计的方法统计缺陷的特征值,最后通过实验证明该方法对缺陷的正确识别具有比较好的效果．     

基于AC图像显著性的皮革缺陷检测

皮革缺陷检测是皮革生产过程中极为重要的一道工序,现有技术在检测效率和准确率方面仍存在较大挑战。利用红外热成像和图像融合技术提出一种基于图像显著性的皮革缺陷检测方法。首先采用拉普拉斯金字塔将自然光图像和红外热成像图像分解,基于融合规则对不同图层融合并重构融合图像。提出一种改进的AC显著性检测算法对融合图像生成显著图,并利用最大类间阈值分割算法检测其中缺陷。实验结果表明,相比传统方法该算法可检测出皮革孔洞和表面缺陷,缺陷分割完整、轮廓清晰,检测精度可达87.7%,平均交并比为0.8654,虚警率为4%。     

基于空时显著性感知的运动目标检测方法*

从视觉系统生理结构出发,对Itti视觉注意力模型进行了改进,融入运动特征,提出了一种基于视觉空时显著性感知的运动目标检测方法。首先提取图像的空间特征,形成空间显著图;然后利用相邻帧图像的全局运动、局部运动和相对运动,确定运动目标与背景的运动差异,形成运动显著图,并且对各显著区的空间特征和运动特征进行融合形成空时显著图,检测出运动目标。理论分析和实验结果表明,该方法能快速、准确地发现目标,减少目标的截获时间,提高目标跟踪性能。     

基于机器视觉的导光板漆面缺陷检测方法及实现

针对导光板在生产过程中人工检测效率低的问题,提出了一种基于机器视觉的导光板漆面缺陷检测方法。根据划痕、起泡、暗点、色差等各类典型缺陷的特点设计了对应的检测流程。改进了对比度调整算法,提出了一种以Sigmoid函数为映射曲线的自适应灰度变换方法增强起泡、划痕等点状、线状缺陷特征,采用局部自适应直方图均衡化算法突出色差缺陷轮廓,最后结合形态学处理、边缘检测等算法实现了对应缺陷的检测。实验结果表明该方法对各类点状、线性、色差缺陷的检出率达到90%。     

基于区域对比的图像显著性检测方法

随着计算机视觉的发展,图像显著区域检测在图像处理领域越来越重要。为了对自然图像中的显著区域进行准确的检测,提出了一种基于区域对比的图像显著性检测方法。首先对图像进行超像素分割预处理,然后利用图像的颜色特征和空间特征算出区域对比度,再结合图像子区域与其邻域像素平均特征向量的距离以及中心优先原则得到图像高质量的显著图。仿真实验结果表明,与其他的显著性检测算法相比,可以更加有效地检测出显著性目标,更好地抑制背景。     

基于多任务深度卷积神经网络的显著性对象检测算法

针对当前基于深度学习的显著性对象检测算法不能准确保存对象边缘的区域,从而导致检测出的显著性对象边缘区域模糊、准确率不高的问题,提出了一种基于多任务深度学习模型的显著性对象检测算法。首先,基于深度卷积神经网络（CNN）,训练一个多任务模型分别学习显著性对象的区域和边缘的特征;然后,利用检测到的边缘生成大量候选区域,再结合显著性区域检测的结果对候选区域进行排序和计算权值;最后提取出完整的显著性图。在三个常用标准数据集上的实验结果表明,所提方法获得了更高的准确率,其中F-measure比基于深度学习的算法平均提高了1.9%,而平均绝对误差（MAE）平均降低了12.6%。     

Fabric defect detection based on saliency histogram features

In order to increase the automatic quality control level in the textile industry, depending on the big data collected by the Internet of things of the textile factories, this paper proposes a novel visual saliency–based defect detection algorithm, which has the capability of automatically detecting defect in both nonpatterned and patterned fabrics. The algorithm employs the histogram features extracted from the saliency maps to detect the fabric defects. The algorithm involves three main steps: (1) saliency map generation to highlight the defective regions and suppress the defect‐free regions, (2) saliency histogram features extraction and selection to obtain the feature vectors that can effectively discriminate between the defective and defect‐free fabric images, and (3) fabric defect detection using a two‐class support vector machine classifier that has been trained using sets of feature vectors extracted from defective and defect‐free fabric samples. Experimental results show that our method yields accurate detections, outperforming other state‐of‐the‐art algorithms.     

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。     

基于断层图像的内部缺陷边缘检测

针对结构件内部缺陷形状复杂、随机性大及其计算机断层图像噪声严重等特点,提出了一种新的基于统计学和数学形态学原理的边缘检测算法。为了自动提取每一像素点的梯度阈值,选择以该点为中心的3×3区域为研究对象,并考虑到人的视觉对灰度的分辨能力限制,进而得到缺陷图像的预边缘。然后应用多个结构元素对预边缘进行形态学腐蚀操作,以滤除噪声并细化边缘。实验结果表明,所提出的算法不仅具有很好的边缘提取能力,而且抗噪性、稳定性强、鲁棒性好。     

基于离散小波变换的织物疵点检测方法

提出了一种基于离散小波变换的织物疵点检测新方法。首先通过对采集织物图像进行小波变换,然后把子图分割为相互连接、互不交叠的子窗口,计算每个子窗口小波系数的标准差作为特征值,最后对这些特征值再次计算标准差与极差,以此作为依据与正常织物进行比较,实现对织物疵点的检测。通过对不同疵点进行检测实验,证明了该算法是可行有效的,检测的正确率平均可达90%以上。     

基于显著性检测的自适应机器人拣选系统

在分析了现有拣选系统需要事先进行样本特征提取的情况下,为适应复杂多变的拣选环境,提出了基于显著性检测的自适应目标拣选算法.该方法通过前景目标的相互对比,识别出最具显著性特征的物体作为拣选对象,避免了预先学习的过程,并能用分析结果不断修正识别特征,提高了系统的工作效率和自动化程度.设计了适用于工业机器人的拾取控制系统,涉及网络通信、总线管理和运动控制等多方面.实验结果表明了系统的准确性与稳定性.     

基于视觉显著度的皮革表面瑕疵检测

针对汽车内饰皮革的瑕疵检测易受皮革自身纹理干扰、检测难度较大的问题,发现瑕疵存在于均匀变化图像中局部变化明显的区域,符合人眼注意机制,故提出了基于视觉显著模型的皮革瑕疵检测方法。首先提取皮革图像的颜色和亮度特征,然后利用中心周围差算子分别计算特征显著图,再融合成最终显著图,最后在此基础上利用区域生长方法对瑕疵区域进行分割,以实现瑕疵的准确定位。实验结果表明,与FCM聚类分割法、阈值分割法及SVM分类法相比,本文提出的方法具有较高的检测精度及较快的检测速度,解决了皮革瑕疵检测过程中受纹理干扰严重等问题,能有效应用于皮革瑕疵的机器自动检测中。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性，提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模，将预处理后的图像与背景图像进行差分操作；其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断，以增强差分图的对比度；随后利用此特征改进最大熵阈值分割，采用自适应加权因子对目标熵进行全局可变加权，并选择出一个合适的阈值使熵值最大化，使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰；最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计，并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除，以实现钢轨表面缺陷检测。仿真实验结果表明，新方法可以对钢轨表面缺陷进行很好的检测，其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%，平均错误分类误差值为0.006 4，具有一定的实用价值。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性,提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模,将预处理后的图像与背景图像进行差分操作;其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断,以增强差分图的对比度;随后利用此特征改进最大熵阈值分割,采用自适应加权因子对目标熵进行全局可变加权,并选择出一个合适的阈值使熵值最大化,使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰;最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计,并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除,以实现钢轨表面缺陷检测。仿真实验结果表明,新方法可以对钢轨表面缺陷进行很好的检测,其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%,平均错误分类误差值为0.006 4,具有一定的实用价值。