殷开成[1]2014年在《服装疵点检测的数字化表征》文中提出我国是世界最大的服装出口大国,服装生产中质量控制与检测非常重要,服装疵点检测是其中最为重要的部分。人工服装疵点检测不仅劳动强度高、心里负担大,而且效率低、误差大,能否借助于计算机图像处理与分析技术和现代数学的疵点自动识别技术成为人们关注的课题。本文研究了适用于服装疵点快速、准确的检测方式和方法的多个环节的解决方案,并尝试了部分服装疵点的在线检测与分析。这在目前大多服装疵点的在线检测还处于探索阶段,与实用存在距离的现状下,对解决实用服装生产中疵点的自动检测具有学术和实用价值。本文主要的研究贡献如下：(1)双图像融合方法仿真实现本文给出了小波多尺度分解的图像融合方案。提出了图像的混合多分辨率分析设想,将不同多尺度几何分析方法之间具有互补特性的不同图像变换方法以串联的形式结合,获得图像的混合多分辨率分解。构建了混合多分辨率分析图像融合框架,在混合多分辨率分解域内对分解系数进行融合,然后通过逆变换得到融合图像。结合小波变换与Curvelet变换的互补特性构造了混合小波与Curvelet变换。传统多聚焦图像的融合图像往往会损失源图像部分清晰特征,本文通过模拟手工剪与贴方法,构建了分割合并相结合的多聚焦图像区域特征融合框架,提出了依据图像清晰测度直接对图像进行分割,进而实现区域级多聚焦融合的设想,运用图像空间频率和形态小波变换系数区域清晰度标准设计区域级图像算法。采用像素邻域空间频率作为其清晰度测量,结合形态学算子直接得到清晰区域与模糊区域的划分。并以两幅不同角度拍摄的有两个印花疵点和织物疵点的多聚焦图像为对象,进行了双图像融合方法效果的实际验证。(2)服装疵点图像的预处理仿真实现对浅易纹理疵点(纹理的灰度值为服装疵点的灰度值的70%以下,含70%)图像,通常进行预处理过程有消噪、图像增强等。为了凸现图像中疵点区域的结构特征,采用对图像二值化的处理,使疵点区域与背景分离。并以浅易纹理缝线为例详细介绍了浅易纹理疵点图像预处理过程。图像处理结果显示缝线线迹非常清晰的提取出来了,疵点比较完整的保留在线迹上。对繁杂纹理疵点(纹理的灰度值为服装疵点的灰度值的70%以上到85%,含85%)图像,进行的图像预处理过程有消噪、图像增强等。这一类的疵点图像最重要图像处理方法是边缘检测。并以繁杂纹理缝线为例详细介绍了繁杂纹理疵点图像预处理过程。图像处理结果显示虽然提取的线迹没有原缝线图像那么清晰,但大致的疵点特征也都完整的保留了。对超繁纹理疵点(纹理的灰度值为服装疵点的灰度值的85%以上)图像,进行的图像预处理过程有消噪、图像增强等。为了将疵点部分凸现出来,需要进行疵点部分的局部增强。由经向、纬向类疵点在灰度图像上表现。对于超繁纹理疵点,以缝料皱褶疵点图像为例介绍了超繁纹理疵点图像预处理过程。图像处理结果显示虽然提取的疵点特征没有原图像那么清晰,但大致的疵点特征也都完整的保留了。(3)服装疵点图像的特征提取仿真实现为了使用尽可能少的特征量达到最优的分类能力,对八种纹理特征彼此之间的相关性进行了考察,两个特征的相关系数越小,即信息内容差别大,说明两个特征间相互独立；对于图像来说,相似性越少,则图像的信息冗余量越小,对疵点的分类越有利,且计算量减少。同时,选择特征相关系数之和较小的六个特征值：均值、标准偏差、平滑度、叁阶矩、一致性和熵6个纹理特征参数来描述区域,作为最终的描述不同类型的纹理特征。并对图像处理后浅易纹理缝线疵点图像、繁杂纹理疵点图像、超繁杂纹理疵点图像为对象作了均值、标准偏差、平滑度、叁阶矩、一致性和熵6个纹理特征计算分析,提取的参数值比对发现,浅易纹理缝线疵点图像(如重线疵点)均值、标准偏差、叁阶矩明显的区别于标准线迹。繁杂纹理疵点图像(如重线疵点)均值、标准偏差、叁阶矩明显的区别于标准线迹。超繁杂纹理疵点图像(如缝料皱褶疵点)均值、标准偏差、叁阶矩明显的区别于标准线迹,这些参数可作为识别服装疵点和服装疵点分类的重要数据。将它们输入到神经网络进行训练就可以得到关于这几种疵点的识别和分类器。(4)服装疵点图像的模式分类仿真实现本研究使用BP、径向基(RBF)神经网络构成服装疵点图像分类器,并重点给出了BP网络及其改进。从分别对结合形态算子与空间频率的双(多)图像融合算法图像融合后的2000份服装浅易纹理疵点(正常线、断线、重线、跳线、平纹面料、平纹面料疵点、水印疵点、染色疵点各250份)、繁杂纹理疵点(标准线、重线、针织物面料、针织物疵点、梭织物面料、梭织物疵点、机织物面料、机织物疵点各250份)、超繁纹理疵点(缝料标准线迹、缝料皱褶疵点、经向疵点、浮经疵点、吊经疵点、纬向疵点、纬纱疵点、破洞疵点各250份)样品分类结果看,经典BP算法无法对服装疵点图像进行分类。对BP网络进行了改进,引入动量及自调节1rBP梯度递减训练函数和Levenberg-Marquardt优化算法。动量法可抑制网络陷于局部极小。L-M优化算法比BP及其它改进算法迭代次数少,收敛速度快,("trainlm"的训练步数只要19步)精确高。从实验结果看,训练函数"traingdx"的正确率约75%,训练函数"trainlm"的正确率约92%。结果令人满意。从分别对结合形态算子与空间频率的双(多)图像融合算法图像融合后的2000份服装浅易纹理疵点、繁杂纹理疵点、超繁纹理疵点样品分类结果看,基网络算法可以实现对服装疵点分类。实验得知：正确率约85%,结果也令人满意。说明不仅BP网络可以对服装疵点图像模式进行识别,其它网络也行,只是存在一个最优的问题。(5)双图像获取系统方案设计进行了双图像获取系统的自由度和选取基线的基本计算过程,对矩阵视觉平台的机械驱动控制实现的关键问题作了详细的介绍。设计了双图像获取系统主要装置硬件结构,用两个摄像头模拟人眼,通过其背后的十字机构实现上下和左右的转动。双图像获取系统主要装置机构的设计可实现水平扫视,俯仰,摄像头转向,叁者能实现快速、动态地交互调整。采用了四个直流直接驱动电机驱动实现四个自由度的控制。采用89C51单片机作为主CPU,给出了软件流程图。采用PID控制算法实现单片机对目标速度的反馈控制,在精度和实现性上都比较完整和成熟。要在工业上实现服装疵点检测,不需要很复杂的步骤和苛刻的条件。客观、精确地实现对服装生产中自动疵点检测,使服装生产中实现优质自动化质量控制与检测控制成为可能。是本文研究的最主要的动因。本文提出的适用于服装生产中疵点检测的服装疵点视觉检测系统各个环节的解决方案,为实现服装疵点的在线测量和检测打开了一个新的思路。对于今后研发此类系统具有一定的参考价值。
宋卫荣[2]2003年在《基于小波变换和人工神经网络的图像识别研究》文中指出利用小波变换以及人工神经网络在信息处理方面的优势解决图像识别问题是本文研究的目的和重点。 本文围绕图像识别这一个中心课题，研究了目标图像原始数据的获取、预处理、不变性特征的提取方法以及神经网络识别技术。 在图像的预处理部分，先对获取的图像进行平滑、去噪，随后对其进行边缘检测、增强，最后，由于获取的图像目标和摄像机位置关系的不同，可能出现平移、尺度变化、扭曲、旋转等不同的变化，将图像进行归一化处理，使其成为对平移、尺度变化、扭曲具有不变性的规格化图像。 在旋转不变性和特征提取方面，研究了目标的Zernike不变矩方法，并且提出了用小波分析在目标图像特征提取方面的应用，分别用Zernike矩和小波分析方法提取了目标的特征值，将两者提取的特征值分别作为目标识别分类器的输入。 在神经网络分类识别方面，采用BP神经网络方法分别对用Zernike不变矩和小波分析方法提取的特征值进行训练并进行识别，实验结果表明，用小波分析方法提取目标图像的特征值比用Zernike矩不变量方法有更好的识别效果，并且取得了较好的识别率。
马梅真[3]2007年在《水下目标识别技术研究》文中指出随着声纳技术的发展和成像声纳的出现，声纳图像在海洋开发领域的应用日益广泛，利用声纳图像进行目标识别己经成为数字图像处理领域的一个重要课题。本文基于形状特征和纹理特征对水下目标识别技术，进行了深入研究，研究内容及成果如下：(1)针对水下鱼雷、水雷、潜水艇的特点，提取图像形状特征，包括NMI特征、不变矩和相对矩，这叁种特征的共同特点是具有旋转不变性、尺度不变性和位移不变性，适合水下目标识别。(2)针对传统直方图缺乏对图像空间信息描述的缺点，结合声纳图像的特点，提出了一种改进的直方图方法，将主要面积的圆度信息引入到直方图中，把图像的灰度信息、空间信息和形状信息有机的结合起来，从而降低了传统直方图对灰度信息的绝对依赖，提高了声纳图像的识别率。(3)对声纳图像进行小波域分解，提取图像的纹理特征。选取图像处理中几种典型的小波基函数进行比较分析，讨论不同小波基函数对声图像识别率的影响。根据小波系数移变的特点，分别采用均值、方差、熵作为统计量提取纹理特征。(4)针对传统小波变换计算繁杂，所需内存空间较大的问题，通过提升结构构造了Haar小波，并结合声纳图像的特点提出了不同于传统塔式小波分解的提升小波分解方法。通过分类识别实验表明，将提升Haar小波变换应用在声纳图像识别上，不论在识别率还是识别时间上均优于传统小波。(5)针对分形维数不能反映图像的空间信息的问题，并结合声纳图像的特点，将提升小波变换同分形理论相结合，利用小波分解的多分辨率特点和分形维数的多尺度特性，提高图像的识别率。采用BP神经网络对不同信噪比的声纳图像进行分类识别。实验结果表明了该算法的有效性。(6)利用具有二阶收敛效应的Levenberg-Marquardt(L-M)算法优化BP的权值修正量，构造了快速收敛的LMBP学习算法，并将其应用在声纳图像识别系统中。通过与标准BP算法和几种常用改进型BP神经网络以及径向基函数网络比较，验证了用LMBP神经网络作为声纳图像识别系统中的分类器，能够提高图像的识别率，加快网络的收敛速度并具有较好的抗噪声性能。
于淑慧[4]2008年在《人脸识别系统中特征提取与识别研究》文中研究说明随着社会的发展,传统的身份认证方法已不能满足人们的需要,对快速有效的自动身份验证的要求日益迫切。生物特征是人的内在属性,因此成为身份验证的最理想依据。人脸识别与其他人体生物特征识别相比,具有直接、友好、方便的特点,易于被用户接受。人脸识别技术就是利用计算机提取有效信息进行自动识别,它涉及模式识别、计算机视觉、生理学等诸多学科,一直是当前研究热点。本文综述了人脸识别技术的研究现状和主要方法,进而对人脸识别中的关键技术进行了研究,并着眼于基于统计学的方法,提出了一种基于小波变换和改进的BP人工神经网络的主成分分析人脸识别方法。首先,通过对人脸图像进行灰度直方图修正,消除了光照强度对识别的影响,使不同成像条件下拍摄的照片具有一致性。然后用小波变换的方法提取人脸图像中相对稳定的低频子带,过滤掉人脸的表情因数,同时达到了使图像向量降维的效果,为后续算法减小了复杂度。其次,使用基于主成分分析的算法对图像进行特征提取。主成分分析法着眼于人脸图像整体的灰度相关性,所提取的特征向量既保留了原图像空间中的主要分类信息,降低了特征空间的维数,又能在均方误差最小的意义上重建原图像。本文采用的主成分分析法对标准算法进行了改进。最后,使用BP人工神经网络进行训练和人脸识别。本文将主成分分析法的特征抽取与人工神经网络的自适应性的优势相结合,取得了较高的识别率和优良的系统性能。采用很多方法对标准BP做了改进。首先使用动量法和学习率自适应调整的策略,提高了学习速率并增加了算法可靠性;其次通过改变输出层值的设置,提高了系统运算的速度。最后,本文提出了采用距离分类器和BP神经网络分类器相结合的人脸识别方法,利用两者优势,提高系统识别率。与传统的PCA方法相比,本文结合了多种算法的优势,所提取的特征更加反映了人脸之间的差异,降低了运算复杂度,提高了识别率和系统性能。通过ORL人脸库实验验证,本系统有效抑制了一定程度上的表情、姿态变化等因素对人脸识别造成的不利影响,提高了对此类人脸图像的识别率。
左永霞[5]2008年在《高速公路路面破损图像识别技术研究》文中提出本文结合吉林省科技厅高新技术项目“路基路面智能集成检测车研制”,分析了基于图像处理的高速公路路面破损识别技术实现的相关原理,提出了具体的实现方法,并进行了仿真和实验验证。论文针对路面图像去噪、图像分割、破损图像特征提取和破损识别分类等关键技术进行了研究。根据高速公路路面裂缝的特性,采用了小波包阈值去噪的方法,对路面破损图像进行了去噪处理,很好地抑制了噪声,使图像的质量得到了明显的改善。在图像分割方面,采用了一种基于分形特征的图像分割方法,对路面破损图像进行了处理,处理得到的裂缝边缘图像清晰,裂缝边缘连续性较好。最后提取了裂缝特征向量并设计了径向基概率神经网络对路面裂缝进行分类处理,实验表明,该网络能够很好的满足工程需要。本文的研究结果能够满足高速公路路面维护的需要,可以应用于路面破损识别。
常俊[6]2008年在《基于特征提取及神经网络的图像分类识别与目标跟踪》文中研究表明图像的分类识别以及运动目标的跟踪在军事,工业过程控制,医学研究,交通监控等许多领域都有着广泛的应用前景。而神经网络的兴起与引入,为图像分类识别与目标跟踪的研究注入了新的活力。本文简要介绍了图像识别与目标跟踪的基本原理,重点介绍了目前在识别与跟踪中应用最多的BP神经网络模型。在此过程中同时对图像数据的预处理、训练样本的选取、图像匹配度函数的设计都进行了讨论;对于BP网络的设计也给予了一定的讨论。引入了将小波矩特征与神经网络结合的方法,应用到图像的分类识别中,利用小波矩的旋转不变性及神经网络的记忆能力,对多种状况进行了实验仿真,证明了此方法的可行性及良好的鲁棒性。将信息熵特征提取的方法与神经网络结合,应用到复杂背景下的目标跟踪中,设计了相应的跟踪算法,通过仿真实验,取得了较好的跟踪效果。
何春香[7]2008年在《小波与BP神经网络在零件识别应用中的研究》文中研究说明机械零件自动检测是制造业中生产系统的一个重要环节,现代制造技术在各种批量生产以及在多品种的生产中,广泛地采用自动检测、产品识别来监控、保证产品质量,使得加工系统运行更可靠。它从一定程度上决定了实现企业制造自动化的进程,是制造业信息化的关键环节。因而,计算机视觉检测技术在机械制造企业的产品质量检测和加工过程检测中的广泛应用具有十分重要的意义。要实现机械零件的自动检测,首先要通过指定的测量或图像采集设备获得机械零件的图像,从而使机械零件数字化。然后对获得的零件图像进行识别,得出零件的种类。本文围绕图像(零件)识别这一个中心课题,对机器视觉识别系统的基本原理、目标图像原始数据的获取、预处理、不变性特征的提取方法以及BP神经网络识别技术等若干关键技术进行了大量试验分析和理论探讨。针对目前在线零件识别系统在速度和精度上的缺陷,本文对当前国内外与本项目有关的研究成果和现状进行了总结性的对比研究,给出了基于小波和BP神经网络的零件识别方法。该方法将小波变换理论与BP神经网络的思想相结合,并将其应用于零件的识别,最终完成了在线零件的识别。利用小波变换以及人工神经网络在信息处理方面的优势解决图像识别问题是本文研究的目的和重点。实验结果表明该方法不仅提高了识别的准确率还使目标的识别具有更好的抗噪能力。
吉春旭[8]2017年在《基于卷积神经网络的岩石图像分类研究与应用》文中研究表明大量的研究表明,岩石是一种很复杂的多孔介质。岩石类型和粒度、孔隙结构、断裂比、泥质含量等对岩石的渗透率、孔隙度等有直接影响。分析岩石微观结构特征,并形成一套有效的岩石微观结构特征提取与分类方法,为油气藏的研究、勘探和开发提供有保障的科学依据,这对油气田的开发研究具有重要现实意义。本文聚焦当下热点的深度机器学习方法,尤其是卷积神经网络,结合离散余弦变换、离散小波变换的相关理论,针对岩石图像分类的问题进行研究,主要工作及取得的成果如下:首先,在不同训练迭代次数下对卷积神经网络进行训练、验证和测试,提出一种卷积神经网络岩石图像分类框架,并基于这个框架对分别经过亮度调整、某些几何变换和加入噪声后的岩石图像进行分类测试,获得了一定的分类准确性。其次,提出基于离散余弦变换的卷积神经网络岩石图像分类框架,并基于其对原岩石图像以及经过亮度调整、某些几何变换和加入噪声后的岩石图像进行分类测试,其分类错误率低于上一种分类框架,且训练时间约为上一种框架的0.46倍。最后,提出了基于离散小波变换和离散余弦变换的卷积神经网络岩石图像分类框架,并用它分别对原岩石图像以及经过亮度调整、某些几何变换和加入噪声后的岩石图像进行分类测试。这种框架的训练时间约为第二种框架的0.31倍,其分类错误率约等于第二种框架。通过比较,基于离散小波变换和离散余弦变换的卷积神经网络岩石图像分类框架是训练时间短且分类错误率低的岩石图像分类框架。它用少量系数代表岩石图像,从而缩短了框架的训练时间,且将岩石图像变换到频域中提取有效特征,并基于此特征对岩石图像进行有效分类。
黄锋[9]2007年在《基于径向基函数神经网络的图像识别研究》文中研究指明利用径向基函数人工神经网络在信息处理、模式识别方面的优势解决图像识别问题是本文研究的目的和重点。图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新技术。它以研究某些对象或过程的分类与描述为主要内容。其目的在于研制能自动处理某些信息的系统，以替代人去完成图像分类和辨识的任务。图像识别所研究的领域十分广泛，如：交通监视系统中车牌识别；从机械加工中识别零件；从医学图像中识别发病细胞；从遥感图像中识别森林，湖泊和特定设施；在邮政系统中自动分拣信函；指纹和人脸识别；签字识别等。图像识别的基本任务是通过对图像进行分析，将图像中包含的一个或多个目标识别出来。本文围绕这一中心课题，研究了图像预处理，图像特征信息提取以及神经网络模式识别方法。图像预处理，就是通过数字图像处理的各种方法消除原始图像自带的噪声，消减与识别目的无关的特征并增强研究所需要的特征信息。常规的图像预处理方法包括图像增强、图像边缘检测等。图像特征多种多样，在图像特征提取阶段，阐述了用于图像识别的图像特征分类、图像特征的表示与描述方法并且着重讲述图像矩特征的提取及量化，为后面模式识别阶段作准备。图像识别作为一种基于图像信息的模式识别，几乎遵循模式识别的所有特性。人工神经网络具有如下的一些特性，决定了它在图像模式识别应用中优于传统的模式识别方法：高度的并行性、分布式存储、良好的容错性、自适应性和联想记忆功能、健壮性、高度的非线性处理能力。而在诸多的神经网络模型中，前馈型网络的分类能力和模式识别能力一般强于其它类型的网络。径向基函数神经网络是基于人脑的神经元细胞对外界反应的局部性而提出的一种新颖、有效的前馈式神经网络。这种网络具有结构简单、全局逼近能力强、训练方法快速易行的优点，使得其在模式识别方面得到广泛应用。利用RBF网络对图像特征进行模式识别，首先寻求解决方案，确定径向基函数神经网络最重要的几个参数，即激活函数中心点、控制参数和隐含层与输出层之间的权值，并通过网络训练不断调整优化以上叁个参数的设置。测试结果印证了本文所提出的基于神经网络的图像识别方法的有效性，并对研究工作进行总结、对这种图像识别技术进行了深入分析和展望。
刘鹏[10]2008年在《X射线检测中缺陷智能识别技术的研究》文中进行了进一步梳理利用X射线对产品进行在线安全检测时,由于人工评片的错判、漏判以及低效问题,会影响产品质量和生产效率,为了解决生产线上评片工作所遇到的上述问题,对产品进行检测时,采用缺陷图像的智能识别软件辅助评片。本课题的研究思路是首先进行图像的预处理,预处理之后进行图像的识别。图像预处理部分主要研究内容包括:对于对比度不高问题,采用小波变换增强,收到了好的效果;对于图像存在的噪声,应用合适的中值滤波降噪方法,达到了预期的结果;对于模糊的图像,在分析原因的基础上,采用了辅以阈值判断的梯度锐化。在图像分割阶段,根据预处理图像的特点,采用迭代法阈值分割,达到很好的分割效果,在图像轮廓提取阶段,根据分割、降噪后图像特点,本文分别采用了轮廓提取方法对图像进行边缘提取,取得了理想的效果。图像识别部分主要研究利用模糊集数学方法对不同的特征向量进行有效的分类,利用遗传算法的全局寻优能力实现图像匹配,应用BP神经网络的非线性大规模并行分布式处理的特点使得它具有很强的高速信息处理及不确定性信息处理能力。关键是将模糊集理论和遗传算法应用于BP神经网络中,将优势结合,综合运用于图像识别。通过本课题的研究,可以有效地降低误判、漏判现象。替代人工评片,使在线评片工作科学化、规范化和智能化。
参考文献：
[1]. 服装疵点检测的数字化表征[D]. 殷开成. 东华大学. 2014
[2]. 基于小波变换和人工神经网络的图像识别研究[D]. 宋卫荣. 苏州大学. 2003
[3]. 水下目标识别技术研究[D]. 马梅真. 哈尔滨工程大学. 2007
[4]. 人脸识别系统中特征提取与识别研究[D]. 于淑慧. 中国地质大学（北京）. 2008
[5]. 高速公路路面破损图像识别技术研究[D]. 左永霞. 吉林大学. 2008
[6]. 基于特征提取及神经网络的图像分类识别与目标跟踪[D]. 常俊. 西安电子科技大学. 2008
[7]. 小波与BP神经网络在零件识别应用中的研究[D]. 何春香. 哈尔滨理工大学. 2008
[8]. 基于卷积神经网络的岩石图像分类研究与应用[D]. 吉春旭. 西安石油大学. 2017
[9]. 基于径向基函数神经网络的图像识别研究[D]. 黄锋. 太原理工大学. 2007
[10]. X射线检测中缺陷智能识别技术的研究[D]. 刘鹏. 中北大学. 2008
标签：计算机软件及计算机应用论文; 图像识别论文; 小波变换论文; 人工神经网络论文; 模式识别与智能系统论文; 特征提取论文; 图像融合论文; 计算机视觉论文; 图像处理论文; 模式识别论文; bp神经网络论文;