一、小波变换在图像边缘检测中的应用研究(论文文献综述)
陈顺[1](2021)在《几种类型图像边缘检测的相关问题研究》文中认为近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像灰度化后进行边缘检测是我们最常见的图像边缘检测方式,而彩色图像由于具有多种不同颜色空间使得边缘检测更为复杂。因此,本文将针对灰度印花织物图像、彩色图像、灰度遥感图像等图像边缘检测的相关问题展开研究。针对印花织物图像中存在丰富的纹理信息和噪声问题,本论文提出一种基于改进滤波器与小波的印花织物图像边缘提取算法。将系数相关性分析的思想运用到滤波器的改进,应用指数函数结合连分式逼近思想确定权值。将欧氏距离公式用于改进自适应中值滤波器,并采用自适应权值公式确定权值。最后改进二维Otsu算法求得最优梯度阈值用于小波模极大值法。针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,本论文提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理,然后运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角,最后对梯度幅值进行非极大值抑制,并采取自适应双阈值处理得到边缘检测图像。针对遥感图像对比度低和含有大量噪声问题,本文提出一种结合图像增强的遥感图像边缘检测算法。其基本思想是对NSCT(非下采样轮廓波变换)分解的高低频分量采用Top-hat变换进行图像增强突出细节信息,然后采用改进Canny算子得到边缘图像,并去除部分孤立点得到最终边缘图像。针对含噪齿轮图像边缘检测中存在难以有效抑制噪声等问题,提出一种融合Canny算子和数学形态学的边缘检测算法。首先对图像进行小波分解得到各层子图像,然后分别对子图像采用自适应加权融合,最后重构图像得到边缘检测图像。
李雪松[2](2021)在《基于机器视觉的机械零件在位检测技术的研究与实现》文中研究指明随着科学和生产技术的进步,自动化程度不断升级,机器视觉也在检测中发挥着越来越重要的作用,代替人工保证了高效快速可重复性的工作,在实际生产生活中有广阔前景。本文在分析了机器视觉在现代生产中应用的研究基础上,对机械零件在生产线上进行在位检测进行研究。本文以齿轮和涂层展开板为研究对象,对其进行流水线上的在位检测。对在位检测系统进行总体方案设计,详细设计了硬件系统基本结构,包括相机、镜头、光电开关、My-Rio、气缸和暗箱等,进行硬件系统的选型及搭建,设计了图像采集和光源照明系统方案;提出图像预处理方案,在图像预处理中,通过图像滤波,图像分割,边缘检测等步骤,得到图像清晰的边缘。介绍了相机成像原理,对齿轮进行合格性检测,提出涂层展开板直线自动分区的检测方法,根据谱带形状及灰度特征进行自动分区检测,提出多项式插值与最小二乘回归拟合相结合来求取各点坐标,将Labview和Matlab相结合实现混合编程,将检测得到的数据通过RS232传输到数控机床进行实时加工。对齿轮和涂层展开板进行现场实验测试,将人工检测与在位检测系统的结果进行对比,并对实验结果进行分析,对实验过程中的环境误差、硬件误差、软件误差及加工过程中的误差进行分析及优化。本文所研究的基于机器视觉机械零件在位检测技术,创新之处是将Labview与Matlab相结合,进行混合编程,并设计了基于几何形状与灰度特征相结合的自动分区方法,同时设计了多项式插值法与最小二乘回归相结合的拟合法,机床得到检测数据进行实时加工,能够实现快速识别及精确计算,具有较高的检测精度及检测速度。
曹辉[3](2020)在《基于漏磁内检测的输油管道缺陷识别方法研究》文中研究说明为了保证输油管道输送的安全、高效,减少由于如磨损、腐蚀、意外损伤等各种原因引起的管道潜在的泄漏风险,需要对管道进行定期的检测和维护,避免管道泄漏造成的能源浪费和环境污染;需要在管道泄漏发生之前预先检测出管道中的异常,识别缺陷,从而对管道进行修复,保证管道安全使用。目前,管道检测技术中,漏磁检测(Magnetic flux leakage,简写为MFL)技术通常用于检测钢铁管道中的金属损失缺陷,该技术作为最常用的非破坏性检测技术之一,为评价管道的安全性、预测管道寿命、对管道进行检修维护等提供可靠依据。本文针对长输管道漏磁内检测数据进行研究,将管道漏磁内检测数据转化成漏磁图像,对漏磁图像进行智能检测和识别,同时对检测到的缺陷区域进行三维轮廓重构。针对上述问题开展了大量的研究和创新工作。论文研究了管道异常边缘提取方法。在进行漏磁图像缺陷的智能化识别中,异常边缘提取是十分重要的环节,异常边缘的精确程度直接影响到后续的反演评估环节。由于数据噪声的存在,使得边缘提取特别是复杂异常边缘提取精度大大下降,而且,面对庞大的漏磁数据,一般机器学习算法耗时较多。小波多尺度边缘检测方法被广泛用于工业异常提取中,因此,针对漏磁内检测中异常边缘提取问题,提出一种基于数据融合的小波变换漏磁异常边缘提取算法,将传统的小波多尺度极大值边缘提取和数据融合的思想结合在一起,在算法中加入数据层融合、特征层融合和决策层融合,最终对漏磁内检测中的异常边缘进行精确的边缘提取。论文研究了管道微小异常区域提取方法。针对管道中微小异常区域,提出一种基于U-Net深度网络的微小异常区域提取方法。U-Net网络是改进的全卷积神经网络,使用少量数据就可以较好对图像的细节特征进行提取,应用在管道漏磁内检测中,可以有效的对微小异常区域进行准确提取。为了提升提取确性,本文对U-Net网络模型进行改进,并提出一个基于对抗网络的训练方法。所提方法能准确、完整地对微小异常区域进行提取,保留漏磁图像异常区域细节特征,具有较强的鲁棒性、较高的精度和效率。论文研究了管道组件和缺陷的识别方法。针对管道内检测中组件和缺陷的识别,提出一种基于卷积神经网络的深度网络缺陷识别方法。该方法采用改进的卷积神经网络算法,可以提高管道组件和缺陷图像的识别精度,精度指标可达到90%以上。该方法不仅对信噪比不明显样本有较高的识别灵敏度,对漏磁图像也具有良好的位移鲁棒性和畸变鲁棒性。论文研究了管道缺陷轮廓重构方法。在漏磁检测中,可以通过测量的漏磁信号重建缺陷的轮廓,缺陷的三维轮廓重构可以对缺陷进行定量的研究,无论对缺陷的尺寸评估还是对于实际项目缺陷重构的可视化展示,都有一定的实际意义。本文提出一种基于偏差估计的随机森林缺陷三维轮廓重构方法。该方法利用随机森林算法通过估计信号和实际信号之间的偏差估计重构轮廓偏差,通过优化参数更新缺陷轮廓,最终可实现缺陷三维轮廓的重构。所提出的方法在缺陷轮廓重构精度上具有良好的效果。本文通过基于数据融合的小波变换提取漏磁异常边缘,并通过U-Net网络进一步提取漏磁图像的细微异常区域;通过改进的卷积神经网络对漏磁图像的组件和缺陷进行智能识别;通过基于偏差估计的随机森林缺陷三维轮廓重构方法对检测到的缺陷区域进行轮廓重构,实现了对长输管道缺陷进行智能检测和识别的目的,确保管道运输安全。
李钢[4](2020)在《视觉烟雾检测中的变换域局部特征建模》文中研究说明视觉烟雾检测已成为当前早期火灾探测领域的研究热点和难点,其检测率直接影响到视觉火灾探测技术的应用。近年来,随着数字图像处理、视频分析、模式识别、机器学习等技术的发展,视觉火灾探测对烟雾的检测率有了更高的要求。火灾中烟雾的视觉特征通常呈现出形态多变、颜色各异、透明度差异大、运动无规律等特点,易受外界环境影响,稳定性差,这使得从视频和图像中提取表达能力强、鲁棒性好的烟雾特征成为了提高烟雾检测率的技术难题。因此,研究视觉烟雾检测中的烟雾特征建模方法,对早期火灾预警具有重要的理论价值和实践意义。烟雾的变换域特征和静态纹理特征是两种重要特征。变换域蕴涵了原始图像中较高层的抽象信息,提取变换域上的特征有利于增强烟雾特征的表达能力。烟雾的局部特征能很好地表达烟雾的静态纹理信息,是一种稳定的烟雾特征。因此,本文围绕变换域和局部特征模式对烟雾特征建模展开研究,以提高烟雾检测的检测率,降低误报率和错误率,促进视觉烟雾检测技术的发展。本文的主要研究工作如下。(1)提出了边缘变换域局部特征建模方法。图像中的烟雾多表现为边缘模糊弯曲、少直线,而其他人造物体通常存在清晰的直线边缘。基于这一现象,该方法利用边缘特征图上的局部特征来增强烟雾特征的表达能力。为保证边缘检测方法的适应性,该方法使用了自适应Canny算子检测边缘。针对二值的边缘特征图,该方法提出了两种局部特征模式(局部边界求和模式与局部区域求和模式)。提取边缘特征图的局部边界求和模式特征与局部区域求和模式特征、原图和边缘特征图的局部二值模式特征之后,该方法对所提特征进行选择得到最终特征。该方法利用边缘变换域解决了图像中目标物体的边缘信息没有得到利用的问题。(2)提出了Gabor变换域局部特征建模方法。图像变换常被用于传统视觉烟雾检测,而烟雾特征提取过程通常只使用单一尺度的变换域,较少采用具有多尺度特性的Gabor变换域。因此,该方法引入了具有多尺度、多方向特性的Gabor小波,通过提取Gabor特征图的局部特征来增强烟雾特征的表达能力。首先,该方法通过构造聚合Gabor核,减少了传统Gabor核的数量和传统Gabor核之间的冗余信息。然后,改进了传统局部二值模式的编码方式,采用自定义比较函数替代原始的二值化函数,很好地利用了Gabor特征图中丰富的像素值信息。最后,利用改进的局部二值模式提取原始图像和Gabor特征图的特征,并串联所有特征生成最终特征。该方法利用Gabor变换域解决了传统局部特征不具有多尺度、多方向特性的问题。(3)提出了基于Gabor变换域和边缘变换域的局部特征建模方法。Gabor特征图能够提取原始图像中所蕴涵的抽象特征,具有丰富的像素值信息。为更好利用Gabor特征图上的像素值信息,该方法改进了局部三值模式。针对传统局部三值模式中使用固定阈值不能很好适应所有图像的问题,该方法提出了置信水平局部三值模式,利用置信水平阈值来计算三值化函数的高低阈值,并设计了新的三值化函数来生成编码特征图,提高了局部三值模式的适应性。针对Gabor特征图上所提特征的融合方法过于简单而导致不能反映各特征重要程度的问题,该方法使用Gabor特征图的信息熵来计算对应特征的权重,从而生成加权特征。另外,边缘特征图能捕获原始图像中特定的高频信息,体现了物体的边缘特征,故该方法也使用了原始图像的边缘特征图。利用置信水平局部三值模式,该方法分别计算了原始图像和边缘特征图的特征、Gabor特征图的加权特征,并将这些特征融合、降维生成最终特征。该方法很好地解决了多个Gabor变换域的局部特征融合方法过于简单的问题,同时利用Gabor变换域和边缘变换域捕获了原始图像上两种不同的抽象信息。(4)提出了多层Gabor变换域局部特征建模方法。使用Gabor核的传统特征提取方法中,每个Gabor核通常只执行一次卷积运算,无法同时提取到原始图像在不同层次上的抽象特征。为此,该方法构建一个多层Gabor卷积网络,提取了原始图像在多个层次上的抽象特征,生成了多层级的Gabor特征图。该网络含有一个图像输入层和多个Gabor特征计算层。Gabor特征计算层包含Gabor卷积子层和Gabor特征融合子层。在卷积子层利用Gabor核生成Gabor特征图后,该网络能利用特征融合子层融合Gabor特征图,避免了网络中图像数量呈指数级增长。在利用Gabor卷积网络输出多个层级的图像后,该方法计算了这些图像的局部二值模式特征。最后利用特征选择权重向量对各层的特征进行选择,并对所选特征进行融合、降维生成最终特征。针对Gabor核仅使用一次卷积运算的问题,该方法通过构建多层Gabor卷积网络很好地捕获了原始图像上多个层次的抽象信息。(5)为验证上述4种局部特征建模方法的性能,本文分别在烟雾识别和视频烟雾检测实验中使用了这4种方法来提取烟雾特征,并且视频烟雾检测实验使用了由烟雾识别实验训练的分类模型。实验结果显示:烟雾识别实验中,这4种方法都能获得较高的检测率,所提特征具有很好的烟雾辨识能力;视频烟雾检测中,分类模型能够很好地检测出烟雾视频中的烟雾,具有较好的烟雾检测效果。
王伟如[5](2020)在《基于果蝇优化算法的零件图像边缘检测算法研究》文中研究说明随着现代工业的快速发展,对机械零件的测量精度要求越来越高。传统的接触式测量方法,不仅测量效率低,不能实现对各加工环节的反馈控制,无助于机械制造过程的自动化和信息化,因此亟待一种更加有效的测量方法。近年来随着计算机图像处理技术的发展,这种非接触式测量方式,具有高精度、高效率、非接触、自动化程度高等优点,在现有的工业环境中具有广泛的应用前景。其中基于零件图像边缘检测的方式,是实现无损测量的重要手段之一。传统的Canny算子对噪声过于敏感,容易检测出孤立的边缘点和伪边缘,其原因在于阈值检测中采用双阈值方法定位边缘,高、低阈值的设定取决于先验知识,无法准确定位全部边缘;而且在实际检测中由于噪声、光照等其他因素的影响使得边缘点出现多个响应,容易造成边缘点定位不准确、角点漏检等现象。针对边缘点定位不准确和角点漏检的问题,本文引入果蝇优化算法(FOA),结合改进的Canny算子及Hilbert变换,提出了一种基于果蝇优化算法的零件图像边缘检测算法与实现。果蝇优化算法作为一种群智能算法具有快速收敛,参数少,步骤简单,不受内在因素影响等优点,但在参数组合的选取上,如果没有很好的经验,算法往往易陷入局部收敛,本文通过对候选解机制、搜索半径机制、飞行策略机制进行优化使得算法的效率有了较大的提升。本文首先通过Canny算子的原理提取边缘点信息,并通过对高、低阈值进行线性组合将得到的阈值进行划分,从而获得边缘点的先验知识;然后运用Hilbert变换提取角点,通过将边缘点和角点作为启发信息建立基于果蝇优化算法的边缘检测模型;最后利用相关机制得到单像素边缘。实验仿真结果表明,算法在无噪声边缘检测的条件下,相比传统的Canny边缘检测算法本文算法在精度上有较高的提升;并通过基于机器视觉的边缘检测硬件平台对零件图像进行采集,采用检测软件Cognex(Connolly 2009)对图像边缘进行对比验证,实验证明本文算法对零件图像的检测精度较高,具有一定的实用价值。
刘晓明[6](2020)在《多尺度几何变换在金属表面缺陷识别中的应用》文中研究表明表面缺陷是影响金属板带产品质量的重要因素之一,国内板带材产品用户质量异议事件很大一部分归因于表面缺陷。基于机器视觉的表面检测系统可以对表面缺陷进行在线检测和实时反馈,已成为现代钢铁企业主要的检测手段。目前基于机器视觉的表面检测系统面临的主要难题是缺陷识别率较低,如何在满足在线检测速度的前提下进一步提高缺陷的识别率是一个重要研究内容。特征提取的好坏直接影响表面检测系统的应用效果,因此寻求有效的特征提取方法是提高缺陷识别率的关键。金属表面缺陷在不同方向和不同尺度上具有不同的信息量,缺陷的整体轮廓和几何形状等信息主要表征在图像的粗尺度上,局部边缘和灰度突变点等细节信息则主要体现在图像细尺度上,因此提取表面缺陷的多尺度和多方向信息对于提高缺陷识别率非常重要。多尺度几何变换比小波变换具有更多的方向选择性且基函数满足各向异性的尺度关系,在描述高维信号时能以更少的系数、更优的逼近阶逼近信号奇异处。因此本文针对酸洗带钢、中厚板、铝板等4种金属表面缺陷检测的特点,开发了相应的基于多尺度几何变换的检测算法。本文主要研究内容与创新成果如下。(1)针对酸洗带钢生产线运行速度快、图像背景简单、缺陷种类少的特点,提出基于 Contourlet 变换和 KSR(Kernel Spectral Regression)降维的Contourlet-KSR特征提取方法。通过Contourlet变换对图像进行多尺度、多方向分解,并对分解得到的子带提取统计特征,采用KSR非线性降维算法去除冗余特征,将得到的低维特征输入分类器进行分类识别。与几种常用的特征提取算法进行了对比,Contourlet-KSR方法对酸洗带钢缺陷识别率达到了96.76%,比小波方法、局部二值模式方法、幅值谱方法分别提高了 3.05%、15.66%、5.14%。(2)针对Contourlet变换方法进行下采样操作导致的图像信息丢失问题,提出 了改进 Contourlet 变换方法 ICT(Improved Contourlet Transform),在此基础上,提出ICT-KSR特征提取方法,并应用于中厚板表面缺陷识别。对Contourlet变换方法进行了如下改进:在多尺度分解时采用了非子采样的金字塔滤波器NSP(Non-Subsampled Pyramid),用来消除了尺度分解带来的频率混叠和信息丢失,然后将图像输入到双通道方向滤波器组DFB(directional filter banks)中进行方向分解。ICT-KSR方法对于中厚板每类缺陷的识别率均达到了 97.62%以上,整体识别率达到了 99.21%。(3)针对铝板图像对比度低、缺陷细小、干扰因素多等难以识别的特点,提出基于NSST(non-subsampled shearlettransform)特征提取方法。对铝板样本图像进行对比度拉伸处理,再利用NSST对图像进行水平锥和垂直锥子带分解,对得到的各个子带系数提取均值和方差统计特征并组成NSST特征矩阵,再利用非线性降维算法去除提取的冗余特征,最后将低维特征矩阵和类别标签数据输入分类器中进行缺陷识别。该方法对铝板表面缺陷识别率达到了 97.92%。(4)针对连铸坯生产线运行速度慢、图像背景复杂、干扰因素多等特点,提出了 DNST(discrete non-separable shearlettransform)与 GLCM(gray level co-occurrence matrix)纹理特征融合的提取方法。对连铸坯样本进行DNST分解,提取各个子带的统计量,再对连铸坯样本计算灰度共生矩阵并提取能量、熵、惯性矩等5个纹理参数,对这5种纹理参数分别计算均值和方差统计量,将DNST与GLCM两者的统计特征进行连接组成特征融合矩阵,利用非线性降维算法得到用于分类的特征。该方法对连铸坯缺陷的整体识别率达到了96.37%,裂纹识别率达到了 95.50%。(5)利用复剪切波变换(complex shearlettransform,CST)具有相位信息的特点,提出了基于复剪切波变换的缺陷区域提取算法,在带钢表面夹渣和铝板表面划伤图像上进行了测试,该算法可以准确地提取带钢夹渣缺陷和铝板划伤缺陷区域。针对连铸坯表面缺陷识别的特点,提出了基于CST的特征融合方法,得到连铸坯缺陷的识别率为95.97%。
王嘉俊[7](2020)在《水面目标图像的边缘检测方法研究》文中指出目标边缘检测作为计算机视觉的一个重要方向,它是后续目标分割和识别的重要基础。近年来,随着视频技术的飞快发展,它已经在银行、医院、超市、交通等公众场所广泛应用。我国幅员辽阔,拥有很长的海岸线和广阔的海域,水面目标检测具有重要的现实意义和应用价值。它在海洋维权、海事监管和海洋环境保护等军事、民用方面都发挥了很好的作用。由于水面场景环境复杂多变,对水面目标检测提出了极大地挑战。本文通过前期大量文献资料的阅读和前人在目标边缘检测的研究基础上,主要做了如下工作:介绍了Canny算子边缘检测算法和数学形态学的基本概念、算法流程,分析了在运用Canny算子进行图像边缘检测时存在两个问题,一是不容易设定高斯滤波参数,对不同的图像缺乏自适应性。二是受噪声的影响较大,在进行一阶偏导有限差分计算梯度时,由于导数计算对噪声非常敏感,从两个方向对图像进行边缘检测,容易出现伪边缘和漏检现象。为此,本文改进了传统的Canny算子边缘检测算法,利用一种改进的双边滤波代替高斯滤波,以及通过Sobel算子计算梯度幅值方向,并在梯度非极大值抑制过程中,将极大值点作为候选边缘点,将极大值二次刷选,保留8邻域内候选边缘点不相邻的非极大值点,最后利用Otsu计算图像高低阈值,结果证明,该方法能更准确的检测边缘信息,且具备较强的自适应性。其次,利用传统形态学算法对图像进行边缘检测,如果噪声浓度较高,检测效果就不理想。因此,本文提出了一种改进的抗噪形态学边缘检测算法,且利用两个不同的结构元素进行边缘检测。改进的抗噪形态学边缘检测算法能很好地减弱噪声,得到的图像较平滑,轮廓清晰,包含的信息也较为丰富。同时,主观效果与客观评价都有所改善。最后,根据水面目标边缘检测存在的一些困难,本文采用了一种基于小波变换的边缘检测算法对水面目标图像进行边缘检测,通过改进的Canny算子边缘检测算法和改进的抗噪形态学边缘检测算法提取的边缘图像,利用小波变换将其进行融合,得到最终的水面目标边缘图像。获得的边缘图像在信息熵、均方根误差、相关系数和扭曲程度方面均好于两种改进的方法,视觉效果也令人满意。
刘冬梅[8](2019)在《视觉显着性检测及显着目标分割方法研究》文中研究指明随着社会的快速发展、科学技术的突破以及互联网的日益普及,人们获取图像的手段日益方便与灵活,获取到的图像数据量也急速增长。相对海量的并不断增长的图像数据而言,计算资源是有限的,如何利用有限的计算资源自动高效准确地分析和理解图像内容,是计算机视觉领域面临的巨大挑战。视觉注意力机制使得人类在面对一个复杂的视觉场景时,能够快速地找到场景中显着的或感兴趣的某个或某些局部内容并对之进行处理,其核心任务就是视觉显着性检测及分割。本文在现有研究的基础上,对视觉显着性检测和显着目标分割展开深入研究,主要内容及创新点归纳如下:1.针对当前的基于频域的视觉显着性检测方法获得的显着性图一般不具备清晰边界的问题,提出一种基于非下采样轮廓波变换全局和局部信息的视觉显着性检测算法,可以较好地检测图像中的显着目标并进行显着目标的分割。非下采样轮廓波变换具有多分辨率、局部化、多方向性和各向异性等特点,使得其具有有效描述图像细节和精确逼近光滑轮廓的能力。首先应用非下采样轮廓波变换对图像进行分解;然后对高频系数进行分类和优化,对这些优化后系数进行逆变换得到特征图;从全局对比度和局部对比度出发度量全局和局部显着性,最后将全局显着性和局部显着性进行融合得到最终的显着性图。在MSRA10K数据库上的实验结果证明了该方法的有效性。2.基于各个策略的显着性检测方法很少考虑图像光照对检测效果的影响,以及之前的一些基于频域的显着性检测方法一般是利用图像的高频信息进行分析而没有考虑低频信息,针对这些问题,设计一种基于非下采样轮廓波变换的由粗到精的显着性检测框架。首先讨论了场景光照对显着性检测的影响,并利用Retinex理论对传统方法进行改进并进行实验验证。在此基础上,运用Retinex校正的显着性检测方法对非下采样轮廓波分解后的低频分量进行粗糙显着性度量,在粗糙显着性的基础上对高频特征图进行增强并从全局和局部角度出发计算精细显着性,可以有效利用低频分量和高频分量并抑制光照带来的影响。在ASD、DUT-OMRON和MSRA-10K数据集上进行定性和定量评测,验证了所提方法的可行性和有效性。3.针对亮度不均和复杂背景自然图像中的显着目标分割,提出两种结合显着性信息的水平集分割方法。(1)提出结合亮度校正和显着性信息的区域型水平集分割方法,通过对图像进行Retinex亮度校正可以抑制光照带来的亮度不均并且增强后续显着检测;将校正的图像和显着性信息嵌入到区域型水平集能量泛函中,通过曲线演化完成分割。(2)提出嵌入显着性信息的区域和边缘相结合的水平集分割方法,首先引入Retinex理论对显着性检测进行校正,抑制亮度不均对显着性检测和后续分割的影响;然后将显着性信息嵌入到区域能量项中,可以突出复杂图像中的显着目标;最后结合边缘能量项,可以使分割结果的边界更加精确和平滑。对两种方法均进行实验验证,结果表明所提方法的鲁棒性和有效性。4.小波变换的基缺乏各向异性,在稀疏逼近目标轮廓方面不如非下采样轮廓波,而水平集方法可以通过曲线演化达到逼近目标轮廓的目的,且有很好的扩展性。因此本文使用水平集方法弥补小波变换逼近轮廓的局限,设计一种基于小波变换显着性信息和水平集方法的显着目标分割方法。首先通过GBVS算法计算图像显着性,结合CV水平集方法自动定位初始轮廓;然后对图像进行小波分解,将高频分量进行重构得到特征图并利用GBVS显着性进行增强;从全局对比度和局部对比度出发度量显着性;结合自动定位的初始轮廓和基于小波变换的显着性信息,依据水平集能量泛函指导曲线演化,对显着目标实施分割。在数据库上的实验结果可以验证基于小波变换和水平集方法进行显着性目标检测和分割的有效性。
谌华[9](2019)在《SAR图像目标自动检测与识别方法研究》文中认为随着合成孔径雷达(Synthetci Aperture Radar,SAR)卫星数量的不断增加,获取的SAR图像数量也呈几何级数增长,然而SAR图像的解译技术却发展相对滞后,SAR图像目标检测和识别是SAR图像解译的主要目标。目前,SAR图像目标检测与识别主要靠人工干预,自动化程度较低,不能满足工程化应用需求。如何提升SAR图像目标检测与识别的自动化程度,提升处理效率和精度成为近年来世界各国的研究热点。只有对图像去噪、图像分割、目标检测和识别这些处理步骤中所用算法都进行优化才能最终提升SAR图像目标检测与识别的效率和精度,因此,开展SAR图像目标自动检测与识别方法研究对于推动SAR的工程化应用有重要意义。为此,本文在分析SAR图像特性的基础上,开展了SAR图像去噪方法、目标分割方法、基于小线变换的SAR图像目标自动检测方法和基于深度学习的SAR图像目标自动识别方法等相关研究。本文首先对SAR图像特性进行了研究分析,针对SAR相干成像机制造成的图像斑点噪声,对已有的SAR图像去噪方法分析基础上,将超小波变换中的Bandelet变换用于SAR图像预处理的工程实践中,Bandelet变换在图像噪声抑制中,能够更好地保留图像的边缘和方向性信息,具有一定的先进性。其次,在SAR图像分割中,提出了基于全局Maxflow邻域生长算法SAR图像分割方法,将纹理及边界两种信息相结合,该方法对于SAR图像分割的鲁棒性比较强,测试出来的结果比较好,通过选择合适的门限阈值,可以将图像中的干扰滤除,对提高目标识别精度有积极的意义。接着,通过分析已有的目标检测方法,面向线状目标,研究了小线变换理论,在目标检测中采用小线算法,提出一种基于Beamlet小线变换的SAR图像目标检测方法,克服了强噪声背景对目标检测提取的影响,在强噪声背景下,能够完成目标线条的提取、星系分布和目标形状的渐进编码,对目标的检测具有较好的效果。最后,针对已构建SAR自动目标识别系统分类识别精度不够高的现状,在研究分析卷积神经网络的模型理论及其发展的基础上,通过对目标识别领域内主流框架LeNet-5模型进行修改,得到LR、LR-1、LR-2等系列新模型,通过对BMP卡车,BTR装甲车,T72坦克等3类机动目标试验验证,其目标分类精度分别达到94.5%、98.6%和99.6%。本论文主要创新点如下:1.提出了一种全局Maxflow的Otsu分割算法和邻域生长算法相结合的SAR图像分割方法。将全局Maxflow算法纹理及边界两种信息进行综合利用,进行图像分割,创造性地改进了基于形态学的领域生长法,干扰得到有效的抑制,为提高目标识别率奠定了良好的基础。2.提出了一种基于Beamlet小线变换的SAR图像线状目标检测方法。相比传统的边缘检测算子(如Sobel算子、Robert梯度算子、Prewitt算子、Log算子、Canny算子等),该方法可以较好地消除图像噪声的影响,检测线状目标边缘效果更好,提高目标检测的精度。3.提出一种基于LeNet-5模型改进的LR系列模型。针对已构建SAR自动目标识别系统分类精度不够高的现状,在研究分析卷积神经网络的模型理论及其发展的基础上,通过对目标识别领域内主流框架LeNet-5模型不断改进,得到LR、LR-1、LR-2等系列模型,相比传统SAR图像识别流程方法中的特征提取方法(如神经网络、高阶矩、SVM等),该模型有效地提升了目标分类的精度,自动化程度更高。本论文以SAR图像目标检测和识别自动处理流程为主线,在深入研究SAR图像特性的基础上,针对图像噪声抑制处理、目标分割、目标检测和目标识别等关键步骤中现有处理方法的不足,分别提出了相应的改进方法,目的是能够有效地提升SAR图像目标检测和识别分类的效率和精度,提高SAR图像目标检测与识别的自动化程度,以便更好地满足工程化应用的需求,从而推动SAR图像在军事和民用上的应用。
吕彦诚[10](2019)在《图像边缘检测及模式识别技术研究》文中研究指明基于计算机视觉的图像识别技术近年来受到了高度关注,由此发展而来的在线检测技术也以其独特的优势在国内外得到了广泛应用与深入研究。目前,生产线产品在线检测大多仍采用人工目检的方式,这种传统的检测方法存在消耗工时、检测效率与准确率低等不足,因此,在线检测技术方法与系统的研发对于节省成本、提高产品质量、提高生产效率具有重要意义。本文针对基于图像在线检测技术中的去噪与评价、图像边缘检测与特征提取、基于特征的模式分类等关键问题进行研究,以手机膜的缺陷检测为应用背景对论文所取得的关键技术进行验证。本文对比小波阈值去噪算法与其他去噪算法,分析小波阈值去噪算法的优势及缺点,针对全局固定小波阈值存在的问题提出一种逐层变化的自适应阈值设置方法,特别对软、硬阈值处理函数造成图像失真等缺点提出一种介于两种阈值处理函数之间的光滑函数,实现传统小波阈值去噪函数的改进,实验结果表明改进算法具有良好的去噪效果。分析图像梯度边缘检测的基本原理,比较不同边缘检测算子的边缘检测效果,对比图像明暗度对边缘检测结果的影响。对传统Canny算子的缺陷进行分析,采用OTSU方法进行阈值设置,改进小波阈值去噪与自适应中值滤波去噪相结合的方法进行去噪,提高Canny算子的自适应能力及抗噪能力。分析边界点相对位置与边界方向之间关系,提出一种基于优先搜索方向的边界跟踪算法,缩小搜索范围,提高搜索效率,在考虑边界存在断边情况上,提高跟踪结果的准确性。将边界图像的Hu矩与Zernike矩作为图像特征进行模式识别,对比分析二者模式识别效果,采用效果较优的Zenike矩作为图像特征,对手机钢化膜图像进行了分类实验,获得良好分类效果。
二、小波变换在图像边缘检测中的应用研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波变换在图像边缘检测中的应用研究(论文提纲范文)
(1)几种类型图像边缘检测的相关问题研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 织物图像边缘检测研究现状 |
1.2.2 彩色图像边缘检测研究现状 |
1.2.3 遥感图像边缘检测研究现状 |
1.2.4 齿轮图像边缘检测研究现状 |
1.3 图像去噪预处理研究 |
1.3.1 图像噪声分类 |
1.3.2 图像卷积处理 |
1.3.3 图像去噪方法 |
1.3.4 图像去噪效果客观评价指标 |
1.4 研究内容 |
1.5 论文结构安排 |
1.6 本章小结 |
2 印花织物图像边缘提取 |
2.1 传统滤波器介绍 |
2.1.1 高斯滤波器 |
2.1.2 均值滤波器 |
2.1.3 修正的阿尔法均值滤波器 |
2.1.4 中值滤波器 |
2.1.5 自适应中值滤波器 |
2.2 改进滤波器 |
2.2.1 改进修正的阿尔法均值滤波器 |
2.2.2 改进自适应中值滤波器 |
2.3 小波模极大值法边缘检测 |
2.3.1 经典小波模极大值法 |
2.3.2 传统Otsu算法 |
2.3.3 改进的小波模极大值法 |
2.4 印花织物图像边缘检测实验过程 |
2.4.1 高斯噪声平滑实验分析 |
2.4.2 椒盐噪声平滑实验分析 |
2.4.3 混合噪声平滑实验分析 |
2.4.4 印花织物图像边缘提取实验分析 |
2.5 本章小结 |
3 彩色图像边缘检测研究 |
3.1 基于小波变换的去噪算法研究 |
3.1.1 小波变换的基本理论 |
3.1.2 基于小波变换的去噪方法介绍 |
3.2 基于小波变换的小波阈值去噪算法介绍 |
3.2.1 小波阈值去噪原理 |
3.2.2 常见的小波阈值去噪函数 |
3.2.3 自适应阈值选取 |
3.3 改进小波阈值去噪函数 |
3.3.1 改进自适应阈值选取 |
3.3.2 建立多层小波阈值去噪函数 |
3.3.3 多层小波阈值去噪函数效果验证 |
3.4 四元数理论构建特征矩阵 |
3.4.1 四元数理论及基本运算 |
3.4.2 四元数表示彩色图像 |
3.4.3 四元数结合Canny算子 |
3.5 彩色图像边缘检测实验过程 |
3.6 本章小结 |
4 齿轮图像边缘检测研究 |
4.1 数学形态学边缘检测 |
4.1.1 数学形态学基本理论 |
4.1.2 数学形态学的基本运算 |
4.2 Canny算子边缘检测 |
4.2.1 传统Canny算子 |
4.2.2 传统Canny算子分析 |
4.3 改进Canny算子边缘检测 |
4.3.1 改进梯度幅值和梯度幅角计算方式 |
4.3.2 改进阈值选取方式 |
4.4 改进数学形态学边缘检测 |
4.5 齿轮图像边缘检测实验过程及分析 |
4.5.1 改进数学形态学算法去噪效果验证 |
4.5.2 齿轮图像边缘检测实验过程 |
4.6 本章小结 |
5 遥感图像边缘检测研究 |
5.1 Top-hat变换基本理论 |
5.2 改进的一维Otsu阈值分割算法 |
5.3 非下采样轮廓波变换(NSCT)基本理论 |
5.4 遥感图像边缘检测算法 |
5.4.1 边缘检测算法整体流程 |
5.4.2 边缘检测算法实验过程 |
5.5 本章小结 |
6 总结与展望 |
6.1 工作总结 |
6.2 展望 |
参考文献 |
附录 |
致谢 |
(2)基于机器视觉的机械零件在位检测技术的研究与实现(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 机械零件检测技术研究现状 |
1.3 机器视觉检测技术研究现状 |
1.4 基于机器视觉的在位检测技术研究现状 |
1.5 本文研究内容和研究路线 |
1.6 论文结构 |
第2章 基于机器视觉的机械零件在位检测系统 |
2.1 系统的特点及功能 |
2.2 系统总体架构 |
2.3 系统的硬件组成 |
2.3.1 相机选型 |
2.3.2 镜头选型 |
2.3.3 光源选择 |
2.3.4 光电开关 |
2.3.5 My-RIO |
2.3.6 暗箱 |
2.3.7 气缸 |
2.4 在位检测系统设计 |
2.5 系统的软件介绍 |
2.6 本章小结 |
第3章 机械零件在位检测中的图像处理技术 |
3.1 图像的采集与获取 |
3.2 图像预处理 |
3.2.1 灰度变换 |
3.2.2 噪声处理 |
3.3 图像分割 |
3.4 边缘检测 |
3.4.1 Sobel算子 |
3.4.2 Canny算子 |
3.4.3 拉普拉斯算子 |
3.4.4 小波变换 |
3.5 最小二乘法 |
3.6 本章小结 |
第4章 在位检测系统软件设计与实现 |
4.1 检测系统图像标定分析 |
4.1.1 相机成像原理 |
4.1.2 相机标定 |
4.2 齿轮参数在位检测的实现及合格性判定 |
4.3 基于几何形状和灰度特征相结合的自动分区 |
4.4 多项式插值与最小二乘回归拟合相结合 |
4.5 涂层拟合直线坐标的输出及数控机床的通信连接设计 |
4.6 本章小结 |
第5章 实验结果分析 |
5.1 现场测试 |
5.2 测试结果分析 |
5.3 误差分析 |
5.3.1 环境误差 |
5.3.2 硬件误差 |
5.3.3 软件算法误差 |
5.3.4 加工误差 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
(3)基于漏磁内检测的输油管道缺陷识别方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景和目的 |
1.2 国内外漏磁检测技术发展及现状 |
1.3 国内外漏磁检测缺陷识别方法研究 |
1.3.1 国外漏磁检测缺陷识别方法研究 |
1.3.2 国内漏磁检测缺陷识别方法研究 |
1.3.3 基于深度学习的缺陷识别方法研究 |
1.4 国内外漏磁检测缺陷重构方法研究 |
1.5 论文研究内容及拟解决的关键问题 |
1.5.1 论文研究内容 |
1.5.2 拟解决的关键问题 |
第2章 管道漏磁内检测原理及检测数据研究 |
2.1 管道漏磁内检测原理 |
2.1.1 漏磁检测技术 |
2.1.2 管道漏磁内检测器结构及工作流程 |
2.1.3 管道漏磁内检测原理 |
2.1.4 漏磁场理论 |
2.1.5 漏磁场分布 |
2.2 管道漏磁内检测数据研究 |
2.2.1 漏磁检测数据曲线研究 |
2.2.2 漏测检测数据图像研究 |
第3章 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
3.1 小波变换理论研究 |
3.1.1 小波变换原理 |
3.1.2 小波多尺度变换原理 |
3.1.3 基于小波变换的融合算法 |
3.2 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
3.3 基于数据融合的小波变换漏磁异常边缘提取实验及结果分析 |
3.3.1 实验准备 |
3.3.2 实验评价指标 |
3.3.3 实验过程 |
3.3.4 仿真实验 |
3.3.5 实验算法参数分析 |
3.3.6 实验算法对比 |
3.4 本章小结 |
第4章 基于U-NET网络的微小漏磁异常区域提取方法研究 |
4.1 基于U-NET的深度学习方法研究 |
4.1.1 深度学习方法研究 |
4.1.2 深度学习技术研究 |
4.1.3 U-Net网络模型的研究 |
4.1.4 Res Net网络模型的研究 |
4.1.5 对抗网络模型的研究与优化 |
4.2 改进的U-NET网络模型和算法研究 |
4.3 基于U-NET网络和对抗网络的异常区域提取实验及结果分析 |
4.3.1 实验准备 |
4.3.2 实验过程 |
4.3.3 实验评价指标 |
4.3.4 实验结果分析 |
4.3.5 噪声鲁棒性实验分析 |
4.4 本章小结 |
第5章 基于卷积神经网络的管道连接组件和缺陷识别方法研究 |
5.1 管道连接组件识别意义研究 |
5.2 基于卷积神经网络的识别方法研究 |
5.2.1 深度神经网络研究 |
5.2.2 卷积神经网络研究 |
5.2.3 改进的卷积神经网络算法研究 |
5.3 基于改进的深度网络组件及缺陷识别实验及分析 |
5.3.1 实验设置 |
5.3.2 实验算法评估标准 |
5.3.3 改进的卷积神经网络实验训练过程 |
5.3.4 焊缝法兰组件识别结果实验分析 |
5.3.5 缺陷识别结果实验分析 |
5.3.6 漏磁图像位移和畸变实验分析 |
5.4 本章小结 |
第6章 基于偏差估计的漏磁信号缺陷三维轮廓重构方法研究 |
6.1 漏磁信号缺陷三维轮廓重构 |
6.1.1 缺陷三维重构方法研究 |
6.1.2 缺陷轮廓数据分析 |
6.2 理论算法研究 |
6.2.1 有限元正演模型研究 |
6.2.2 随机森林算法研究 |
6.3 训练数据的获取 |
6.4 基于随机森林的缺陷轮廓反演算法研究 |
6.5 实验及分析 |
6.5.1 仿真实验 |
6.5.2 仿真结果分析 |
6.5.3 真实实验 |
6.5.4 实验结果分析 |
6.6 本章小结 |
第7章 结论 |
参考文献 |
在学研究成果 |
致谢 |
(4)视觉烟雾检测中的变换域局部特征建模(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 火灾危害与火灾应急管理 |
1.1.2 火灾预警与探测 |
1.1.3 视觉烟雾检测及意义 |
1.2 研究现状 |
1.2.1 传统视觉火焰检测 |
1.2.2 传统视觉烟雾检测 |
1.2.3 基于深度学习的火灾探测 |
1.3 传统视觉烟雾检测的框架 |
1.4 研究目标、研究内容和技术路线 |
1.4.1 研究目标 |
1.4.2 研究内容 |
1.4.3 技术路线 |
1.5 论文结构安排 |
第2章 视觉烟雾检测相关技术 |
2.1 疑似烟雾区域检测 |
2.1.1 疑似烟雾区域检测的基本流程 |
2.1.2 三帧差分法检测运动区域 |
2.1.3 暗通道图像转换 |
2.2 特征描述 |
2.2.1 边缘特征 |
2.2.2 Gabor特征 |
2.2.3 局部特征 |
2.3 烟雾识别 |
2.4 本章小结 |
第3章 边缘变换域局部特征建模 |
3.1 问题描述与分析 |
3.2 边缘特征图 |
3.3 局部特征模式 |
3.3.1 局部边界求和模式的编码 |
3.3.2 局部区域求和模式的编码 |
3.3.3 局部边界求和模式与局部区域求和模式的特征 |
3.3.4 局部二值模式的特征 |
3.4 边缘变换域局部特征建模框架 |
3.5 烟雾识别实验 |
3.5.1 烟雾图像数据库 |
3.5.2 评价指标 |
3.5.3 烟雾识别对比实验 |
3.6 视频烟雾检测实验 |
3.6.1 烟雾视频数据库 |
3.6.2 视频烟雾检测的结果及分析 |
3.6.3 视频烟雾检测的效率分析 |
3.6.4 视频烟雾检测的预警结果及分析 |
3.7 本章小结 |
第4章 Gabor变换域局部特征建模 |
4.1 问题描述与分析 |
4.2 基于聚合Gabor核的变换域特征图 |
4.2.1 传统Gabor小波核 |
4.2.2 聚合Gabor小波核 |
4.2.3 聚合Gabor特征图 |
4.3 改进的局部二值模式 |
4.4 Gabor变换域局部特征建模框架 |
4.5 烟雾识别实验 |
4.5.1 实验说明 |
4.5.2 超参数实验 |
4.5.3 烟雾识别对比实验 |
4.6 视频烟雾检测实验 |
4.6.1 视频烟雾检测的结果及分析 |
4.6.2 视频烟雾检测的效率分析 |
4.6.3 视频烟雾检测的预警结果及分析 |
4.7 本章小结 |
第5章 基于Gabor变换域和边缘变换域的局部特征建模 |
5.1 问题描述与分析 |
5.2 改进的局部三值模式 |
5.2.1 局部三值模式 |
5.2.2 基于置信水平的高低阈值计算 |
5.2.3 置信水平局部三值模式的特征 |
5.3 变换域特征图的特征 |
5.3.1 Gabor小波核 |
5.3.2 Gabor特征图的特征 |
5.3.3 Gabor特征图的加权特征 |
5.3.4 边缘特征图的特征 |
5.4 基于Gabor变换域和边缘变换域的局部特征建模 |
5.4.1 总体框架 |
5.4.2 特征降维 |
5.5 烟雾识别实验 |
5.5.1 实验说明 |
5.5.2 不同特征组合的结果及分析 |
5.5.3 烟雾识别对比实验 |
5.6 视频烟雾检测实验 |
5.6.1 视频烟雾检测的结果及分析 |
5.6.2 视频烟雾检测的效率分析 |
5.6.3 视频烟雾检测的预警结果及分析 |
5.7 纹理分类实验 |
5.8 本章小结 |
第6章 多层Gabor变换域局部特征建模 |
6.1 问题描述与分析 |
6.2 Gabor卷积网络 |
6.2.1 Gabor小波核 |
6.2.2 Gabor特征图的融合方案 |
6.2.3 Gabor卷积网络的基本结构 |
6.3 多层Gabor变换域局部特征建模框架 |
6.4 烟雾识别实验 |
6.4.1 实验说明 |
6.4.2 超参数实验 |
6.4.3 烟雾识别对比实验 |
6.5 视频烟雾检测实验 |
6.5.1 视频烟雾检测的结果及分析 |
6.5.2 视频烟雾检测的效率分析 |
6.5.3 视频烟雾检测的预警结果及分析 |
6.6 纹理分类对比实验 |
6.7 本文所提方法对比 |
6.8 本章小结 |
第7章 总结与展望 |
7.1 论文总结 |
7.2 研究展望 |
参考文献 |
作者在攻读博士期间的科研成果 |
致谢 |
(5)基于果蝇优化算法的零件图像边缘检测算法研究(论文提纲范文)
摘要 |
Abstract |
主要符号说明 |
第一章 绪论 |
1.1 图像边缘检测算法研究现状 |
1.1.1 传统的边缘检测算法 |
1.1.2 新的边缘检测方法 |
1.2 果蝇优化算法的研究现状 |
1.3 边缘检测算法的不足 |
1.4 本文的研究内容与组织安排 |
1.5 本章小结 |
第二章 图像边缘检测的常用方法 |
2.1 一阶微分算子 |
2.2.1 Sobel算子 |
2.2.2 Roberts算子 |
2.2.3 Prewitt算子 |
2.2.4 Kirsch算子 |
2.2 二阶微分算子 |
2.2.1 Laplacian算子 |
2.2.2 LOG算子 |
2.3 Canny算子 |
2.4 Canny算子边缘检测实验结果及分析 |
2.5 本章小结 |
第三章 基于Hilbert变换的图像角点信息提取 |
3.1 图像的角点信息 |
3.2 Hilbert变换 |
3.2.1 解析过程 |
3.2.2 图像角点信息提取 |
3.3 本章小结 |
第四章 基于果蝇优化算法的边缘检测 |
4.1 果蝇优化算法的原理 |
4.2 基于果蝇优化算法的边缘检测模型 |
4.2.1 飞行策略机制 |
4.2.2 搜索半径机制 |
4.2.3 候选解机制 |
4.3 基于果蝇优化算法的图像边缘检测流程 |
4.4 通用图像试验结果及分析 |
4.4.1 与传统方法相比 |
4.4.2 循环参数对边缘检测的影响 |
4.4.3 阈值参数对边缘检测的影响 |
4.5 本章小结 |
第五章 轴类零件图像的边缘检测与应用 |
5.1 机械零件图像获取装置 |
5.2 机械零件图像实验结果对比分析 |
5.3 轴类零件图像的实际检测与分析 |
5.4 测量误差分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
个人简历在读期间发表的学术论文 |
致谢 |
(6)多尺度几何变换在金属表面缺陷识别中的应用(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 基于机器视觉的表面缺陷检测 |
1.2.1 金属表面缺陷检测系统发展概述 |
1.2.2 金属表面缺陷检测算法概况 |
1.2.3 本梯队的研究基础 |
1.3 多尺度几何变换方法发展概述 |
1.3.1 图像的稀疏表示 |
1.3.2 从傅里叶变换到小波变换 |
1.3.3 多尺度几何变换方法概述 |
1.4 论文结构与章节安排 |
2 金属表面缺陷图像及样本库 |
2.1 钢铁生产的工艺流程 |
2.2 机器视觉表面检测系统 |
2.3 酸洗带钢表面缺陷图像及样本库 |
2.3.1 酸洗带钢表面特点 |
2.3.2 酸洗带钢表面缺陷样本库 |
2.4 中厚板表面缺陷图像及样本库 |
2.4.1 中厚板表面特点 |
2.4.2 中厚板表面缺陷样本库 |
2.5 铝板表面缺陷图像及样本库 |
2.5.1 铝板表面特点 |
2.5.2 铝板表面缺陷样本库 |
2.6 连铸坯表面缺陷图像及样本库 |
2.6.1 连铸坯表面的特点 |
2.6.2 连铸坯表面缺陷样本库 |
2.7 本章小结 |
3 Contourlet-KSR特征提取方法研究 |
3.1 小波特征提取方法 |
3.1.1 直接小波特征提取方法实验 |
3.1.2 间接小波系数特征提取实验 |
3.1.3 小波特征选择实验 |
3.2 Contourlet变换在带钢表面缺陷识别中的应用 |
3.2.1 Contourlet变换 |
3.2.2 基于Contourlet变换的特征提取方法 |
3.3 Contourlet-KSR方法应用于酸洗带钢表面缺陷识别 |
3.3.1 KSR理论 |
3.3.2 Contourlet-KSR特征提取方法 |
3.3.3 实验结果讨论 |
3.3.4 可视化结果与混淆矩阵 |
3.3.5 实验结果对比分析 |
3.4 Contourlet-KSR在其它金属表面缺陷识别的应用 |
3.4.1 中厚板表面缺陷识别 |
3.4.2 铝板表面缺陷识别 |
3.4.3 连铸坯表面缺陷识别 |
3.5 本章小结 |
4 改进Contourlet变换的特征提取方法 |
4.1 改进轮廓波变换方法 |
4.1.1 改进Contourlet变换(ICT) |
4.1.2 横向裂纹的ICT分解与重构 |
4.1.3 ICT系数的稀疏性 |
4.2 ICT方法在中厚板表面缺陷识别的应用 |
4.2.1 基于ICT的特征提取方法 |
4.2.2 与Contourlet方法的比较 |
4.2.3 与NSCT方法的比较 |
4.2.4 实验结果对比分析 |
4.3 ICT方法在其它金属表面缺陷识别的应用 |
4.3.1 铝板表面缺陷识别的应用 |
4.3.2 连铸坯表面缺陷识别的应用 |
4.4 本章小结 |
5 基于剪切波变换的特征提取方法 |
5.1 NSST原理 |
5.1.1 非子采样剪切波的构造 |
5.1.2 非子采样剪切波的离散化 |
5.2 基于NSST的特征提取方法 |
5.2.1 基于NSST的铝板特征提取方法 |
5.2.2 实验结果和讨论 |
5.2.3 与基于轮廓波的特征提取方法比较 |
5.3 DNST变换 |
5.3.1 DNST构造基础 |
5.3.2 DNST的实现 |
5.3.3 DNST变换示例 |
5.4 DNST在连铸坯表面缺陷识别中的应用 |
5.4.1 DNST-KSR特征提取方法 |
5.4.2 DNST和GLCM特征融合方法 |
5.4.3 实验结果分析与讨论 |
5.4.4 实验结果对比分析 |
5.5 本章小结 |
6 复剪切波变换在金属表面检测中的研究 |
6.1 复剪切波变换的理论 |
6.1.1 复剪切波变换的发展背景 |
6.1.2 复剪切波变换的构造 |
6.1.3 复剪切波变换的特点 |
6.2 基于复剪切波变换的缺陷区域提取 |
6.2.1 CSTED的构造原理 |
6.2.2 CSTED方法实验 |
6.2.3 基于CSTED的缺陷区域提取 |
6.3 复剪切波变换在连铸坯表面缺陷识别中的应用 |
6.3.1 特征提取参数实验 |
6.3.2 特征融合方法 |
6.3.3 CST与DNST的对比实验 |
6.4 本章小结 |
7 结论与展望 |
7.1 全文总结 |
7.2 创新点 |
7.3 展望 |
参考文献 |
附录A 小波系数矩特征向量的组合明细表 |
附录B Contourlet参数设置及结果明细表(酸洗带钢) |
作者简历及在学研究成果 |
学位论文数据集 |
(7)水面目标图像的边缘检测方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文的主要研究内容 |
1.4 论文的结构安排 |
第2章 图像边缘检测的理论基础 |
2.1 图像边缘检测简述 |
2.2 经典的边缘检测算法 |
2.2.1 基于一阶导数的边缘检测算子 |
2.2.2 基于二阶导数的边缘检测算子 |
2.3 数学形态学基本理论 |
2.3.1 集合论中的基本概念 |
2.3.2 灰值形态学原理 |
2.3.3 传统形态学边缘检测算法 |
2.4 本章小结 |
第3章 改进的Canny算子边缘检测算法 |
3.1 传统的Canny算子图像边缘检测算法 |
3.2 传统的Canny算子图像边缘检测算法的缺陷 |
3.3 改进的Canny算子图像边缘检测算法 |
3.3.1 改进的双边滤波代替高斯滤波 |
3.3.2 Sobel算子计算梯度 |
3.3.3 Otsu求取高低阈值 |
3.3.4 非极大值抑制过程的改进 |
3.3.5 改进的Canny算子边缘检测流程 |
3.4 仿真实验 |
3.5 本章小结 |
第4章 改进的抗噪形态学边缘检测算法 |
4.1 结构元素的选取 |
4.2 抗噪形态学边缘检测算法 |
4.3 改进的抗噪形态学边缘检测算法 |
4.3.1 非极大值抑制过程的改进 |
4.3.2 改进的抗噪形态学边缘检测算法步骤 |
4.4 仿真实验 |
4.5 本章小结 |
第5章 基于小波变换的边缘检测改进算法 |
5.1 小波变换基本理论 |
5.1.1 连续小波变换 |
5.1.2 离散小波变换 |
5.2 小波变换的Mallat快速算法 |
5.3 基于小波变换的图像融合 |
5.3.1 图像的小波分解 |
5.3.2 几种基于小波变换的图像融合方法 |
5.4 图像融合算法的实现过程 |
5.4.1 算法实现的具体步骤 |
5.4.2 评价分析 |
5.4.3 实验结果分析 |
5.5 本章小结 |
第6章 基于MATLAB GUI的图像边缘检测系统实现 |
6.1 系统概述 |
6.1.1 系统开发环境 |
6.1.2 开发环境优点 |
6.1.3 系统功能概述 |
6.2 水面目标边缘检测系统的设计与实现 |
6.2.1 系统的流程设计 |
6.2.2 系统界面设计 |
6.3 本章小结 |
总结与展望 |
总结 |
展望 |
参考文献 |
攻读学位期间发表的相关学术论文 |
致谢 |
论文摘要 |
(8)视觉显着性检测及显着目标分割方法研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语注释表 |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 相关概念和机制 |
1.2.1 基本概念 |
1.2.2 相关神经生理学研究基础 |
1.2.3 相关认知心理学原理 |
1.3 国内外研究现状 |
1.3.1 视觉显着性检测研究现状 |
1.3.2 显着目标分割研究现状 |
1.4 存在的问题 |
1.5 主要研究内容 |
1.6 章节安排 |
第二章 视觉显着性检测研究概述 |
2.1 引言 |
2.2 视觉显着性检测模型概述 |
2.2.1 基于视觉处理模型的显着性检测 |
2.2.2 基于统计特征的显着性检测 |
2.2.3 基于变换域特征的显着性检测 |
2.2.4 基于其他特征的显着性检测 |
2.2.5 基于学习的显着性检测 |
2.3 数据库及评价指标 |
2.3.1 显着性检测数据库 |
2.3.2 评价指标 |
2.4 本章小结 |
第三章 基于非下采样轮廓波变换全局和局部信息融合的显着性检测 |
3.1 引言 |
3.2 相关工作 |
3.3 结合全局和局部信息的显着性检测 |
3.3.1 方法概述 |
3.3.2 非下采样轮廓波分解 |
3.3.3 特征图生成 |
3.3.4 全局和局部显着性计算 |
3.3.5 综合显着图生成 |
3.4 实验结果与分析 |
3.4.1 主观评价 |
3.4.2 客观评价 |
3.4.3 显着目标分割 |
3.4.4 复杂大场景下检测结果 |
3.5 本章小结 |
第四章 基于非下采样轮廓波变换增强的由粗到精显着性检测 |
4.1 引言 |
4.2 基于Retinex校正的显着性检测改进 |
4.2.1 视网膜大脑皮层理论Retinex |
4.2.2 基于Retinex校正的显着性检测改进 |
4.2.3 实验结果与分析 |
4.3 基于NSCT增强的由粗到精显着性检测 |
4.3.1 方法概述 |
4.3.2 粗糙显着性计算 |
4.3.3 精细显着性计算 |
4.3.4 实验结果与分析 |
4.4 本章小结 |
第五章 嵌入显着性信息的水平集图像分割方法 |
5.1 引言 |
5.2 水平集方法介绍及相关工作 |
5.2.1 水平集方法 |
5.2.2 相关工作 |
5.3 结合亮度校正和显着性的区域型水平集自然图像分割 |
5.3.1 CV水平集模型 |
5.3.2 结合亮度校正和显着性的区域型水平集方法 |
5.3.4 实验结果与分析 |
5.4 嵌入显着性信息的区域和边缘相结合的水平集图像分割 |
5.4.1 显着性信息嵌入的区域能量项 |
5.4.2 边缘能量项 |
5.4.3 新的能量泛函 |
5.4.4 实验结果与分析 |
5.5 本章小结 |
第六章 基于小波变换显着性信息和水平集方法的显着目标分割 |
6.1 引言 |
6.2 结合小波变换显着性信息和水平集方法的显着目标分割 |
6.2.1 方法概述 |
6.2.2 基于显着性信息的初始轮廓提取 |
6.2.3 基于小波变换的显着性检测 |
6.2.4 显着目标分割 |
6.3 实验结果与分析 |
6.3.1 基于小波变换显着性检测的有效性 |
6.3.2 图像分割实验 |
6.4 本章小结 |
第七章 研究工作的总结和展望 |
7.1 研究工作总结 |
7.1.1 主要研究成果 |
7.1.2 算法问题分析 |
7.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果及参与的项目 |
学位论文评阅及答辩情况表 |
(9)SAR图像目标自动检测与识别方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 合成孔径雷达概述 |
1.2 SAR的技术优势及应用中存在的问题 |
1.3 SAR图像目标检测与识别技术发展现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 论文结构及章节安排 |
第2章 SAR图像特性与去噪预处理研究 |
2.1 SAR成像方式 |
2.2 SAR图像的特性 |
2.3 SAR图像斑噪去除方法 |
2.4 基于超小波分析的SAR图像去噪预处理 |
2.4.1 Bandelet变换 |
2.4.2 基于Bandelet去噪试验及结果分析 |
2.5 本章小结 |
第3章 SAR图像目标分割 |
3.1 SAR图像目标分割概况 |
3.2 Graph Cuts分割方法 |
3.3 基于全局Maxflow的 Otsu算法 |
3.4 基于全局Maxflow的邻域生长算法 |
3.4.1 中值滤波 |
3.4.2 邻域生长算法 |
3.5 CFAR分割技术 |
3.5.1 单参数CFAR分割技术 |
3.5.2 双参数CFAR分割技术 |
3.5.3 多分辨率CFAR分割技术 |
3.6 本章小结 |
第4章 基于小线变换的SAR图像线状目标检测 |
4.1 SAR目标检测算法发展现状 |
4.1.1 基于数据相关基-固定基相结合的检测算法 |
4.1.2 基于先验知识的SAR图像目标检测算法 |
4.1.3 SAR图像目标检测算法实用性 |
4.2 小线变换理论 |
4.3 基于小线变换的SAR图像线状目标检测 |
4.4 本章小结 |
第5章 基于联合特征的SAR图像目标自动识别 |
5.1 SAR图像目标自动识别概述 |
5.1.1 研究现状及工程应用中存在问题 |
5.1.2 SAR图像目标识别流程 |
5.2 基于联合特征的SAR图像目标特征提取 |
5.2.1 SAR图像中的几种特征 |
5.2.2 基于混合特征矩的联合特征 |
5.3 基于联合特征的SAR图像目标识别 |
5.3.1 联合特征提取及类归一化 |
5.3.2 联合特征分类效果检验 |
5.4 本章小结 |
第6章 基于深度学习的SAR图像目标自动识别 |
6.1 深度学习技术发展现状 |
6.2 卷积神经网络的理论 |
6.2.1 卷积神经网络的发展概述 |
6.2.2 卷积神经网络的模型理论 |
6.3 基于深度学习的SAR图像机动目标识别 |
6.3.1 研究数据 |
6.3.2 卷积神经网络模型改进 |
6.3.3 实验结果 |
6.4 本章小结 |
第7章 结论与展望 |
7.1 本文工作总结 |
7.2 主要创新点 |
7.3 下一步工作展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(10)图像边缘检测及模式识别技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 研究目的和意义 |
1.3 国内外研究现状 |
1.3.1 图像去噪 |
1.3.2 图像边缘检测及边界跟踪 |
1.3.3 边界表达与图像识别方法 |
1.3.4 图像识别技术在目标缺陷检测领域的应用 |
1.4 论文组织结构 |
第2章 基于改进小波阈值去噪算法的图像去噪 |
2.1 引言 |
2.2 图像去噪概述 |
2.2.1 主要图像去噪方法 |
2.2.2 去噪效果评价方法 |
2.3 改进小波阈值去噪算法 |
2.3.1 小波阈值去噪算法 |
2.3.2 小波阈值的设置 |
2.3.3 改进小波阈值设置方法的仿真实验 |
2.3.4 小波阈值函数的选择 |
2.4 改进小波阈值去噪效果仿真实验 |
2.5 本章小结 |
第3章 基于改进Canny算子的图像边缘检测及快速边界跟踪 |
3.1 引言 |
3.2 图像边缘检测概述 |
3.2.1 图像边缘类型及定位方法 |
3.2.2 微分算子 |
3.3 经典边缘检测算子对比 |
3.3.1 经典边缘检测算子 |
3.3.2 图像明暗度对边缘检测结果的影响 |
3.3.3 经典边缘检测算子检测效果对比 |
3.4 基于改进Canny算子的边缘检测 |
3.4.1 传统Canny算子的缺陷 |
3.4.2 OTSU算法求取阈值 |
3.4.3 改进小波阈值去噪与自适应中值滤波结合 |
3.4.4 改进Canny算子性能测试实验及实验结果 |
3.5 基于优先搜索方向的边界跟踪 |
3.5.1 基于优先搜索方向的边界跟踪算法 |
3.5.2 边界跟踪算法步骤 |
3.5.3 边界跟踪算法验证实验 |
3.6 本章小结 |
第4章 基于Zernike矩特征的边界图像模式识别及手机膜缺陷检测实验 |
4.1 引言 |
4.2 图像特征 |
4.3 Hu矩与Zernike矩 |
4.3.1 Hu矩 |
4.3.2 Zernike矩 |
4.4 Hu矩与Zernike矩在图像识别中的效果对比 |
4.5 基于边界图像Zernike矩特征的手机膜缺陷检测实验 |
4.5.1 手机钢化膜图像采集平台 |
4.5.2 图像透视变换 |
4.5.3 缺陷手机膜图像样本数据扩充 |
4.5.4 手机钢化膜缺陷检测实验 |
4.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
四、小波变换在图像边缘检测中的应用研究(论文参考文献)
- [1]几种类型图像边缘检测的相关问题研究[D]. 陈顺. 武汉纺织大学, 2021(08)
- [2]基于机器视觉的机械零件在位检测技术的研究与实现[D]. 李雪松. 沈阳理工大学, 2021(01)
- [3]基于漏磁内检测的输油管道缺陷识别方法研究[D]. 曹辉. 沈阳工业大学, 2020(02)
- [4]视觉烟雾检测中的变换域局部特征建模[D]. 李钢. 江西财经大学, 2020(01)
- [5]基于果蝇优化算法的零件图像边缘检测算法研究[D]. 王伟如. 华东交通大学, 2020(03)
- [6]多尺度几何变换在金属表面缺陷识别中的应用[D]. 刘晓明. 北京科技大学, 2020(03)
- [7]水面目标图像的边缘检测方法研究[D]. 王嘉俊. 江苏科技大学, 2020(03)
- [8]视觉显着性检测及显着目标分割方法研究[D]. 刘冬梅. 山东大学, 2019(02)
- [9]SAR图像目标自动检测与识别方法研究[D]. 谌华. 中国科学院大学(中国科学院国家空间科学中心), 2019(07)
- [10]图像边缘检测及模式识别技术研究[D]. 吕彦诚. 哈尔滨工业大学, 2019(02)