基于小波分解和奇异值分解的织物疵点检测

探讨基于小波分解和奇异值分解的织物疵点检测效果。运用三种算法进行了织物疵点检测。采用基本奇异值分解法进行机织物疵点检测,检测结果受噪声影响较大;采用Haar小波对待测图像进行除噪,边缘检测性较弱。利用Gabor小波良好的图像边缘敏感度、方向和尺度选择性,进行图像滤波,再进行SVD分解。结果表明:Gabor小波和SVD的融合算法可以对图像多种方向多种尺度进行调节,检测效果较好。认为:Gabor小波和奇异值分解相融合算法可应用于机织物疵点检测。     

基于小波的多尺度图像边缘提取的实验设计

设计了基于小波的多尺度图像边缘算法的实验。通过此实验,在熟练掌握图像边缘提取的经典算法基础上,了解小波对于图像多层提供可实现上述方法的matlab程序代码,学生可利用相关程序对图像进行边缘提取,比较边缘提取利用不同方法获得不同特征的边缘。在数字图像实验中首次引入小波的多尺度图像边缘算法。     

基于小波变换及投影分析的织物倾斜度检测算法

为了实现对织物倾斜度的精确检测,本文基于小波变换及投影分析提出一种有效的倾斜度检测算法。首先,待检织物图像经过一层小波分解,并提取出纬线边缘;然后利用形态学滤波方法中的腐蚀操作消除边缘噪声;最后将处理好的边缘图像在一定角度范围内以一定的步长进行旋转,并求出在每一个角度下的投影向量,通过判定函数确定织物图像的倾斜角度。实验结果证明,对于平纹图像,可获得大于95%的准确率,即使对于纹理较为复杂的花纹图像,仍能获得大于88%的准确率。可见提出算法具有较高的准确率和较好的实用性。     

小波域中的块运动估计法

将小波变换引入到视频图像运动估计中,运用三次B样条小波对图像进行边缘提取,同时,对图像进行了小波分解,提出了小波域中基于边缘的分块方法.该方法主要运用了帧内灰度的相关性信息,减少传输的比特率,降低了运算复杂度,同时能够保证图像的边缘部分的估计精确度.通过计算机模拟试验,得出了测试序列结果.     

织物疵点图像边缘检测算法研究

阐述了一阶、二阶微分，Canny和基于小波等多种图像边缘检测方法，并对织物疵点图像进行了边缘检测，分析了各种方法在图像边缘检测应用中的优势和缺陷，结果表明，Canny和小波检测算法对织物疵点图像的边缘检测能够得到满意的效果，提供了较好的织物疵点边缘检测的途径。     

基于小波与模糊相融合的苹果分级算法

为了准确获取苹果图像的边缘,实现苹果自动分级,提出一种基于小波与模糊相融合的苹果分级算法。对苹果图像进行全向小波变化,经模糊算法处理,通过自适应阈值,提取出苹果图像的边缘,再利用漫水填充算法,获取苹果图像的面积,根据苹果类圆特性,将面积转换为直径,并根据直径大小,完成苹果分级。仿真试验结果表明,该算法对3个级别苹果的分级正确率均在98%以上,说明该算法能够用于苹果的分级检测。     

小波变换和曲波变换的图像边缘检测新算法

边缘包含着图像的许多信息,它也是图像最基本的特征。目前,图像边缘检测是一个热门的研究问题,许多专家对其进行了研究,也取得了较理想的研究成果。专家就图像边缘检测的问题提出了许多新的算法,其中就包括小波变换和曲波变换相结合的图像边缘检测新算法。文章就边缘检测问题,探讨了小波变换和曲波变换的图像边缘检测新算法。     

基于图像融合的边缘提取新方法研究

提出一种基于数学形态学和Canny算子边缘提取的方法。传统的基于形态学的边缘提取方法有较好的去噪能力,其得到的信息往往不完整,不能反映图像全部的边缘信息。为了得到比较完整的图像边缘信息特征,利用数学形态学的方法和Canny算子方法先对图像分别进行边缘提取,然后将两种方法处理后的图像利用小波分解进行图像融合,实验结果表明,该方法得到的图像边界较细腻完整,且具有较好的抗噪性。     

基于多分辨率B样条小波分析的大米裂纹检测研究

针对目前大米外观裂纹指标检测方法落后、检测结果缺乏客观性,可重复性差等缺点,提出一种基于双正交B样条小波变换的大米裂纹检测方法。通过图像增强、图像滤波等步骤从原始图像中提取单体米粒图像。并对提取出的单体米粒图像进行小波变换以突出米粒裂纹特征,大大提高了裂纹检测的定位精度。结果表明,该方法可以比较全面地检测出图像中的实际裂纹,检测边缘位置和实际边缘位置十分接近,并且避免了单个边缘产生多个响应的情况,为进一步完善大米品质检测提供了理论和实践基础。     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。     

基于模极大值算法的迷彩织物图像边缘检测

边缘检测是彩色图像处理的一个重要部分。针对传统彩色图像边缘提取方法是基于RGB色度空间,存在不能体现人类视觉特征,彩色分量计算不能确切体现图像中目标物体特征的缺点,通过对HSV的观察,提出了基于HSV色度空间,应用小波分析原理对彩色迷彩图像进行边缘提取的方法。实验结果显示该方法能够准确、快速检测出图像的边缘,不仅处理简单,而且效果较好。     

提高边缘细节清晰度的图像融合改进算法

为解决图像融合过程中边缘信息以及细节内容易于丢失的问题,提出图像融合的改进算法。对源图像进行小波变换分解,将分解后的高低频系数用矩阵存储。对于低频子带的系数,采用形态学边缘检测的方法,提取出边缘轮廓系数,后运用加权平均法对其进行融合得到用于重构的低频系数。对于各高频子带的系数,先采用区域能量法构造出判断矩阵,经多数筛选法和形态学处理后得到二值融合决策图,并根据此决策图选取出用于重构的高频系数。最后,进行图像重构得到融合图像。实验结果表明,该算法增强了图像边缘细节的清晰度,其图像融合效果在相同融合条件下比其它算法更好,熵、标准差和平均梯度等图像融合的评价指标提高了0.5%～5%,可以更有效地应用于医学或多聚焦图像的融合。     

图像检测技术在皮革缺陷检测排样系统的应用研究

介绍一种计算机皮革缺陷检测与排样切割系统的构成原理与设计思想.该系统对皮革纹理图像采用小波包分解去噪,并用共生矩阵提取皮革图像的纹理特征向量,用改进模糊聚类方法对样本特征样本向量进行聚类分析.提出了一种基于类间方差和类内方差的自适应确定分割区域数的方法.该算法可以准确的检测出皮革表面缺陷信息,其在线缺陷检测结果与人工判断缺陷类别的一致性在89.1%以上,实现了对皮革缺陷的自动检测,优化排样.     

针织物疵点自动检测与分类方法的研究

设计了针对圆筒针织物的疵点检测系统,在该检测系统的基础上,研究了一种基于小波分解的疵点检测方法和一种基于极限学习机的疵点分类方法。对采集得到的针织物疵点图像进行图像灰度转换、光照不匀校正、中值滤波等预处理,并采用Bior3.7小波分解图像,对分解后得到的纵向和横向纹理子图像提取特征值,选取针织物中常见的破洞、花针、漏针和直稀路4种疵点作为研究目标,将提取的特征值输入极限学习机中进行训练。结果表明,此方法可以有效地检测和分类白坯针织物的常见疵点。     

机器视觉在服装尺寸自动测量中的应用

利用机器视觉技术精确地提取服装图像的轮廓边缘和确定图像拐点位置,采用快速模糊边缘检测算法和有效的基于Freeman链码的拐角点检测算法,准确地检测图像的边缘和图像上的拐点。并具有实现简单,处理速度快,鲁棒性强的特点。     

织物纹理分析中小波基的选择和分解级数的确定

在基于小波变换的织物图像纹理分析中,小波基的选择和分解级数的确定对纹理参数的有效性有显著影响.为此,以织物图像经小波分解后输出的高频子图像能量最小作为逼近条件,从小波库中优选出最佳小波基.对选出的最佳小波基,采用相邻两层的高频子带能量之比值小于1作为最佳分解级数的选择依据.实验证明,选用coif5小波基对织物纹理图像进行2级分解,提取分解后7个细节图像的熵作为纹理特征参数,采用ISODATA算法聚类分析时,可取得较高的正确分类率.     

小波包变换技术在图像处理中的应用

为了避免图像视觉效果在传输和获取过程中受到混合噪声的影响,采用小波包分解和重构的算法、空域滤波器进行去噪和小波进行图像融合的方法对图像进行技术处理.实验表明,利用小波包变换技术能对含多种噪声的图像进行增强处理,既能去除图像噪声,又能保持细节背景清晰的图像增强效果.     

基于边界跟踪测量麻纤维横截面参数的算法研究与应用

针对在同一纤维横截面图像中难以同时测量多根纤维参数的问题,提出了一种基于边界跟踪测量麻纤维横截面参数的算法。首先利用边缘提取算法提取麻纤维的边缘,通过修改边缘提取算法的敏感度阈值获取合适的边缘检测图像,然后采用边界跟踪算法对边缘检测图像中的麻纤维进行识别和标记,利用循环标记出图像中所有的麻纤维并保存边界跟踪的路径点坐标,最后利用算法测量麻纤维的周长、面积和圆度。实验结果表明:该方法能够同时测量多根麻纤维的横截面参数;根据用于测试的标准圆的数据可知,本算法测得的麻纤维的周长偏差大约为3%,面积偏差大约为4%,数据误差较小。     

经编贾卡织物纹理分割与轮廓提取技术

为进一步提高经编贾卡织物智能分析水平与设计技术,提出一种基于小波变换和Canny算子的贾卡织物纹理分割和轮廓提取算法.该算法首先采用具有局部定域能力和多分辨率能力的小波变换作为分析工具,将织物图像中的低频部分作递归金字塔结构分解;然后从分解后的最大尺度水平开始,逐层图像聚类,并融入下一尺度水平上的高频信息实现纹理的重构...     

基于机器视觉的低对比度纸病识别算法研究

利用机器视觉识别纸病时,若背景与目标纸病的对比度低,且采用单一的边缘检测算法,将会出现对目标纸病边缘定位不准确、抗噪性能不好等问题。对此,提出了一种解决方法,即首先分别用LOG算子和基于数学形态学的边缘检测方法对低对比度纸病图像进行边缘检测,然后对这两种边缘检测算法得到的图像进行小波融合,融合得到的图像中纸病边缘定位准确且具有一定的抗噪性,最后,对此进行了实验验证。研究结果表明,文中提出的解决方法可行,即可将该方法用于基于机器视觉的低对比度纸病识别。