基于畸变校正与视觉显著特征的纺织品瑕疵检测

针对含有复杂图案的纺织品瑕疵检测问题,提出基于畸变校正与视觉显著特征的纺织品瑕疵检测方法.首先,计算图像周期,获取最佳分块模板,根据模板对图像进行畸变校正.再对图像进行卡通纹理层分解,只保留具有图像主要特征的卡通层.然后,采用改进的上下文视觉显著性算法提取卡通层的显著性特征,分离具有高显著性特征的瑕疵与低显著性特征的背景.最后,采用K-means聚类算法突出显著图中的瑕疵,完成瑕疵检测.实验表明,文中方法对星型、箱型和点型图案纺织品的瑕疵检测的平均查全率较高,同时平均查全-查准效果也较优.     

基于机器视觉的产品表面瑕疵检测算法

在自动化生产中产品的表面异物瑕疵影响其质量、外观,如何准确、快速、高效的检测和识别出表面异物瑕疵至关重要。为提升产品表面异物瑕疵的检测效率,提出一种区段瑕疵检测算法。对区段瑕疵检测原理进行说明,设置最佳的检测方式,采用基于PLC+工控机的控制方式,设计总体机械方案,采用总面积瑕疵检测法,依托CV-X系列视觉系统,对杯子异物进行有效检测。为验证检测算法的有效性,将机器视觉检测与人工检测作对比,实验结果表明机器视觉检测具有更好的准确性和快速性,有效提升杯子异物检测效率。     

基于视觉显著图的异性纤维彩色图像分割方法

为实现对棉花异性纤维自动视觉检测系统采集的彩色图像的精确分割,提出了基于视觉显著图的异性纤维彩色图像分割方法.通过计算颜色显著图,实现彩色异性纤维目标的识别;通过计算亮度显著图,实现灰色异性纤维目标的识别;将彩色和灰色目标进行融合,得到全部异性纤维目标.实验结果表明,该方法可以准确分割出异性纤维彩色图像中含有的各种异性纤维目标.通过比较发现,该方法在分割精度上明显优于其它方法,可以实现对异性纤维彩色图像的精确分割.     

基于图像分割的筷子瑕疵检测研究

针对筷子瑕疵人工检测存在效率低、成本高、工作环境恶劣等缺点,提出了一种基于图像分割的筷子瑕疵检测研究分析方法。该方法采用图像采集设备获取筷子图像,利用图像处理技术对筷子图像进行增强、边缘检测及图像分割,获取筷子图像的RGB数据;对RGB三通道所占百分比及百分比方差进行统计分析。实验结果表明,该方法能有效地将目标筷子的彩色图像与筷子的背景图像分离,得到准确的筷子RGB数据,数据分析结果对筷子瑕疵检测有很大的参考价值。     

融合显著物体检测的图像显示适配

目的 图像显著适配旨在自动调节图像尺寸,对图像内容进行非均匀缩放,以便在受限的展示空间内更好地保留显著物体。为了解决显示适配过程中显著物体部分扭曲的问题,提出一种基于显著物体检测的图像显示适配方法。方法 本文方法采用显著物体分割结果来替代显著性图,以改进显示适配结果。首先,采用显著性融合和传播的方法生成显著性图;接着,结合输入图像和显著性图,采用自适应三阈值方法实现显著物体分割;然后,以此为基础,生成输入图像的曲边网格表示;最后,通过对不同网格的非均匀缩放,生成符合目标尺寸的适配结果。结果 在面向图像显示适配的公开数据集RetargetMe上,将本文方法与现有的10种代表性显示适配方法的结果进行了人工评估和比较。本文方法可以有效地减少显著物体出现部分扭曲的现象,能在48.8%的图像上取得无明显缺陷的适配效果,比现有最好的方法提高了5%。结论 基于显著物体检测的图像显示适配方法有助于提高显示适配过程中对显著物体处理的一致性,减少由于显著物体部分扭曲而引起的明显人工处理痕迹,从而达到提升显示适配效果的目的。     

基于DCT域视觉的场馆监控图像显著区域检测

针对传统图像显著区域的目标运动检测能力不足,提出一种基于DCT域视觉的图像显著区域检测方法.以MCU为基本单位将监控图像分割成图块,利用DCT系数对颜色、亮度、纹理等特征向量进行提取计算得到全局对比度,运用最大类间方差法计算阈值将图像分割,获得视觉显著区域.同时,以全局背景判断图像中的注视区范围、注视点位置,计算注视点...     

一种基于视觉注意的小目标检测方法

为了方便而快速地在图像中标出目标,提出了一种基于视觉注意的小目标检测方法。该方法对Itti通用视觉注意计算模型作了改进,将目标检测过程分为亮目标检测和暗目标检测。其中亮目标检测采用了简化的Itti模型,暗目标检测主要采用侧抑制网络模型,将亮目标检测与暗目标检测各自生成的显著图合成得到最终的显著图。通过设定一阈值得到图像的预注意区域,采用模糊C-均值算法进行图像分割,以便相对完整地标出每个目标。结果表明,算法能够有效地检测待检测目标。     

基于视觉显著度的多聚焦图像融合方法

多聚焦图像存在聚焦区和离焦区,聚焦区通常吸引人的注意力,具有突出的视觉显著性。传统融合算法缺乏对聚焦区域的定位能力,对多聚焦图像融合的适应性普遍较差。为此,提出一种模拟人类视觉注意机制的多聚焦图像融合方法。利用谱残差算法计算源图像的显著度图,通过判断不同源图像相同位置上的像素显著性,选择显著度大的图像像素组成该源图像的聚焦区,显著度相等的像素构成边界带,使用腐蚀膨胀操作消除聚焦区内的孤立像素点,以每幅源图像的聚焦区域和梯度值较大的边界带像素作为融合图像的像素。实验结果表明,该方法能自主选择清晰像素,获得37d B以上的高峰值信噪比,且基本无参数设置,在不同类型图像融合中均表现出较强的鲁棒性。     

基于稀疏表示的图像显著区域检测算法

针对图像的显著区域检测问题,提出一种基于稀疏表示的显著区域检测算法。该算法首先利用稀疏编码对图像进行特征描述,然后根据图像的稀疏编码进行视觉显著性的计算,而不是对原始图像直接进行处理,提高计算的效率。最后,根据视觉显著性的计算结果,进行显著性区域分割。在公开的测试图像集上进行实验,并和目前几种流行的算法进行实验对比。实验结果表明,该算法用于图像的显著区域检测是正确有效的。     

经编机布匹瑕疵的在线视觉检测

为实现经编机织布过程中布匹瑕疵的实时检测,提出了一种基于机器视觉的实时检测方法。离线训练时分别学习有瑕疵和无瑕疵纹理布匹图像,自动求取纹理基元周期和纹理方向,用以构建实用的两方向Gabor滤波器组,进而提取有和无瑕疵图像特征。在线检测时,以离线所构建的Gabor滤波器组分解图像,以离线所求取的参数窗口化Gabor子图,进而提取子图特征并采用特征变化率来代替原始特征的方法以消除光照不均影响。实验表明,该方法可以适应不同纹理布匹检测需求,消除光照影响,布匹检测准确率高达99%,检测一帧（54 pixel×600 pixel）的平均时间为100 ms,实时性和准确性高,可实现经编机布匹瑕疵的在线实时检测。     

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.     

基于图像显著性检测的图像分割

图像分割在许多图像处理和机器视觉问题中是一个非常重要的过程,是将一幅图分割成几个显著的区域,然而不能将其中最显著的目标直接分割出来,需要进一步处理。为此本文采用显著性检测的算法实现了对目标的分割。显著性区域检测可以应用于目标检测、图像检索、图像分割等机器视觉问题。使用杨等人提出的基于图论的流形排序算法检测显著性算法得到显著性图,再结合mean-shift分割算法,实现了对视觉显著性目标分割提取,可获得可观的图像分割结果,并将此算法应用到了森林火灾检测中,能对图像中的火焰部分进行有效的分割提取。     

利用视觉显著性的图像分割方法

提出一种利用视觉显著性对图像进行分割的方法。首先提取图像的底层视觉特征,从局部显著性、全局显著性和稀少性3个方面计算各特征图像中各像素的视觉显著性,得到各特征显著图;对各特征显著图进行综合,生成最终的综合显著图。然后对综合显著图进行阈值分割,得到二值图像,将二值图像与原始图像叠加,将前景和背景分离,得到图像分割结果。在多幅自然图像上进行实验验证,并给出相应的实验结果和分析。实验结果表明,该方法正确有效,具有和人类视觉特性相符合的分割效果。     

基于视觉显著性图与似物性的对象检测

为了能够准确地检测出图像中的显著性对象,提出了一种新的基于视觉显著性图与似物性的对象检测算法。该算法首先在图像上提取大量具有较高似物性度量的矩形窗口,并估算出对象可能出现的位置,将窗口级的似物性度量转换到像素级的似物性度量;然后把原始显著性图与像素级的似物性图进行融合,生成加权显著性图,分别二值化原始显著性图和加权显著性图,利用凸包检测得到最大查找窗口区域与种子窗口区域;最后结合边缘概率密度搜索出最优的对象窗口。在公开数据集MSRA-B上的实验结果表明,该算法在准确率、召回率以及F-测度方面优于最大化显著区域检测算法、区域密度最大化算法以及似物性对象检测算法等已有的多种算法。     

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。     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.     

基于改进LBE特征的RGB-D显著性检测

针对LBE算法难以完整检测出结构复杂的目标和过度依赖深度信息的问题,提出一种基于改进LBE特征的RGB-D显著性检测算法。首先,对输入图像进行多级分割;然后,在各级分割图上计算LBE特征并融合,得到深度显著图;最后,利用色彩信息和先验信息对深度显著图进行矫正得到最终显著图。实验结果表明,改进算法与原始LBE算法相比在准确率上略有降低,在召回率上明显提升,得到的显著图更接近真实值。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。