学位论文 > 优秀研究生学位论文题录展示
镀锌板表面缺陷分割算法研究
作 者: 裴广涛
导 师: 康戈文
学 校: 电子科技大学
专 业: 模式识别与智能系统
关键词: 镀锌板图像 缺陷分割 机器学习 频谱残差 Gabor滤波器
分类号: TP391.41
类 型: 硕士论文
年 份: 2008年
下 载: 81次
引 用: 0次
阅 读: 论文下载
内容摘要
纹理图像分割是连接低级视觉和高级视觉的桥梁和纽带,是大多数视觉系统中最为重要的环节之一,其结果决定了高级视觉中各种应用的最终输出质量。镀锌板图像作为一种复杂的纹理图像,其表面纹理缺陷分割是质量检测系统中至关重要的环节,缺陷分割的高效性、准确性将直接影响后续的分类和识别。本文基于图像处理技术,针对镀锌板图像纹理特点,阐述了几种有效的分割算法:将基于频谱残差的分析方法应用于镀锌板表面缺陷分割,并进行了改进,探索了它在纹理图像分割中的应用。通过去除待分割图像对数频谱中的平均成分,从而忽略图像中频繁出现的纹理特征,突出那些异常的纹理区域。提出了一种基于一维最优Gabor滤波器的镀锌板表面缺陷分割算法。Gabor滤波器具有良好的空间-频率域局部特性,有效地结合了图像的空间、频率域特征。本文中首先将二维图像信号压缩为一维信号,然后设计了一种基于一维最优Gabor滤波器的缺陷分割算法模型,这种算法可以广泛地应用于镀锌板、砂纸、皮革、木材等纹理图像的表面缺陷分割。对基于最优FIR滤波器的纹理图像分割算法的分割性能进行了详细的分析;从分割效果、鲁棒性及计算复杂度三方面,对该算法与本文介绍的算法进行了详细的对比分析,并得出以下结论:■基于频谱残差的缺陷分割算法能很好地定位和分割缺陷,对缺陷的方向、光照不均等影响因素,具有很强的适应性;该算法原理简单,运算速度较快,是一种非监督的分割算法。■单通道FIR滤波器的分割效果严重地依赖于训练时使用的缺陷纹理,鲁棒性较差。多通道FIR滤波器的分割性能不随缺陷大小、方向和背景粗糙度的改变而影响分割质量,具有很强的鲁棒性。但是,在训练过程中需要大量的缺陷纹理信息支持,并且如何将各通道的信息有效地融合使分割的结果达到最优,完全靠经验。■基于一维最优Gabor滤波器的分割算法具有良好的局部特性,对各种缺陷的分割结果优于或接近多通道FIR滤波器的分割结果,具有很强的鲁棒性,并且在训练学习过程中,不需要预知任何缺陷纹理信息。
|
全文目录
摘要 4-5 ABSTRACT 5-9 第一章 绪论 9-15 1.1 本课题的研究背景及意义 9-11 1.2 纹理图像分割的研究现状 11-12 1.3 研究的难点 12-13 1.4 本文的主要内容与组织结构 13-14 1.5 本章小结 14-15 第二章 纹理图像分割及评价概述 15-26 2.1 纹理图像分割 15-22 2.1.1 基于统计的分割方法 16-17 2.1.2 基于模型的分割方法 17-19 2.1.3 基于频域的分割方法 19-21 2.1.4 基于模板卷积的分割方法 21-22 2.2 图像分割评价 22-25 2.2.1 分析法 22-23 2.2.2 实验法 23-25 2.3 本章小结 25-26 第三章 基于频谱残差的纹理缺陷分割 26-35 3.1 频谱残差模型 26-31 3.1.1 图像的对数频谱描述 27-28 3.1.2 从频谱残差提取图像异常信息 28-30 3.1.3 缺陷纹理区域提取 30-31 3.2 实验结果及分析 31-34 3.3 本章小结 34-35 第四章 基于一维最优GABOR滤波器的纹理缺陷分割 35-49 4.1 一维Gabor滤波器缺陷分割模型的引出 35-38 4.2 基于一维最优Gabor滤波器的缺陷分割 38-42 4.2.1 二维图像信号的一维圆周投影描述 38-40 4.2.2 基于一维最优Gabor滤波器的分割模型设计 40-41 4.2.3 模型参数优化 41-42 4.3 实验结果及分析 42-48 4.4 本章小结 48-49 第五章 算法对比与分析 49-64 5.1 基于最优FIR滤波器的缺陷分割简介及分析 49-53 5.1.1 算法原理简介 49-50 5.1.2 性能分析 50-53 5.2 算法对比分析 53-62 5.2.1 分割效果对比 54-59 5.2.2 鲁棒性对比 59 5.2.3 运算速度对比 59-60 5.2.4 算法评价 60-62 5.3 各分割算法的特点总结 62-63 5.4 本章小结 63-64 第六章 总结 64-66 6.1 本文的主要内容及贡献 64 6.2 后续工作 64-66 致谢 66-67 参考文献 67-71 攻硕期间取得的研究成果 71
|
相似论文
- 基于数据分布特征的文本分类研究,TP391.1
- 基于条件随机场的中文分词技术的研究与实现,TP391.1
- 非织造布疵点检测研究,TP391.41
- 领域知识指导的半监督学习和主动学习倾向性分类研究,TP181
- Android恶意软件静态检测方案的研究,TP309
- 监督主题模型的研究与应用,TP391.1
- 基于失真效应的图像质量评价与分类,TP391.41
- 基于学习的逆向运动学人体运动合成,TP391.41
- 基于内容的网页恶意代码检测的研究与实现,TP393.092
- 学术主页信息抽取系统的研究,TP393.092
- 社会化网络中的推荐算法及其应用,TP391.3
- 数据挖掘在邮件反垃圾系统中的应用,TP393.098
- 基于自学习的社会关系抽取的研究,TP391.1
- 基于统计与图模型的若干机器学习算法及其应用,TP181
- P2P流量识别方法研究,TP393.06
- 基于粗糙集和SVM的国防生综合素质测评方法研究,E075
- 基于SIFT特征和SVM的场景分类,TP391.41
- 基于稀疏编码与机器学习的图像内容识别算法研究,TP391.41
- 随机森林特征选择,TP311.13
- 互联网流量应用基准分类技术的研究,TP393.06
- 基于丰富特征和多核学习的蛋白质关系抽取,Q51
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|