基于計(jì)算機(jī)視覺(jué)的紙漿纖維和紙張缺陷檢測(cè)方法研究.pdf

1、紙漿纖維和紙張缺陷檢測(cè)是保證成品紙質(zhì)量的重要手段，傳統(tǒng)的檢測(cè)方法主要依靠人工對(duì)成品紙進(jìn)行評(píng)判，效率低下、誤檢率高。近年來(lái)，利用計(jì)算機(jī)視覺(jué)檢測(cè)技術(shù)進(jìn)行紙漿纖維和紙張缺陷檢測(cè)的方法已受到各國(guó)研究者的重視。本文在前人研究成果的基礎(chǔ)上，研究了紙漿纖維和紙張缺陷檢測(cè)涉及的圖像去噪、增強(qiáng)、邊緣檢測(cè)、分割及分類方法，主要工作如下：
　　首先，提出了一種基于預(yù)分類非局部均值(Non-local Means，NLM)的紙漿纖維、紙張缺陷混合噪聲去除

2、方法。在預(yù)分類的基礎(chǔ)上，借鑒中值濾波去噪思想對(duì)非局部均值進(jìn)行改進(jìn)，得到一個(gè)新的非局部均值混合噪聲濾波器。大量實(shí)驗(yàn)結(jié)果表明：與濾除高斯噪聲、椒鹽噪聲及高斯椒鹽混合噪聲等3類噪聲的方法分別進(jìn)行了比較，該方法具有更好的主觀視覺(jué)效果，客觀定量評(píng)價(jià)指標(biāo)有較大的提高，在濾除高斯噪聲、椒鹽噪聲、二者的混合噪聲方面均有明顯優(yōu)勢(shì)。
　　然后，研究了一種基于非下采樣 Contourlet變換(Non-subsampled Contourlet Tra

3、nsform，NSCT)和Retinex的紙漿纖維、紙張缺陷圖像增強(qiáng)方法。利用非下采樣Contourlet變換將紙漿纖維、紙張缺陷圖像分解成低頻和高頻分量；再利用多尺度 Retinex算法(Multi Scale Retinex，MSR)調(diào)整低頻系數(shù)，對(duì)邊緣細(xì)節(jié)較多的高頻系數(shù)采用增益函數(shù)進(jìn)行增強(qiáng)；通過(guò)非下采樣Contourlet反變換，實(shí)現(xiàn)紙漿纖維、紙張缺陷圖像的增強(qiáng)。大量實(shí)驗(yàn)結(jié)果表明：與雙向直方圖法、小波增強(qiáng)法、Contourlet模

4、糊增強(qiáng)法、NSCT增強(qiáng)法相比，所提增強(qiáng)方法能夠提升對(duì)比度，突出紙漿纖維、紙張缺陷圖像的細(xì)節(jié)。
　　隨后，提出了一種基于非下采樣 Contourlet變換和核模糊 C-均值聚類(Kernel Fuzzy C-means，KFCM)的邊緣檢測(cè)方法。利用非下采樣Contourlet變換將圖像分解成低頻和高頻分量；對(duì)含噪較少的低頻分量提取邊緣信息，采用核模糊C-均值算法進(jìn)行聚類得到低頻邊緣圖像，而對(duì)邊緣細(xì)節(jié)信息較多的高頻分量依據(jù)模極大值檢

5、測(cè)邊緣；融合上述兩部分，從而獲得完整的邊緣。實(shí)驗(yàn)結(jié)果表明：與近年來(lái)提出的4種方法相比，所提出的方法有明顯優(yōu)勢(shì)，具有更好的邊緣檢測(cè)效果，邊緣定位準(zhǔn)確、完整連續(xù)、細(xì)節(jié)豐富。
　　接著，實(shí)現(xiàn)了一種基于蜂群優(yōu)化或分解的二維Arimoto灰度熵的紙漿纖維、紙張缺陷圖像閾值分割方法。給出了Arimoto灰度熵的定義，導(dǎo)出了二維Arimoto灰度熵閾值分割法，并給出中間變量的快速遞推公式；然后利用一種改進(jìn)的人工蜂群優(yōu)化算法(Modified A

6、rtificial Bee Colony，MABC)搜索二維 Arimoto灰度熵的最佳閾值，大大減少了運(yùn)算量；最后將求解二維最佳閾值的過(guò)程分解到一維來(lái)進(jìn)行，進(jìn)一步降低運(yùn)算復(fù)雜度。大量實(shí)驗(yàn)結(jié)果表明，與近年來(lái)提出的3種方法相比，所提出方法的分割性能更優(yōu)，且擁有良好的抗噪性能。
　　最后，提出了一種基于Krawtchouk矩不變量和小波支持向量機(jī)的紙張缺陷識(shí)別方法。先計(jì)算紙張缺陷圖像的Krawtchouk矩及Krawtchouk矩不變