机器视觉中的聚类检测新方法

论文摘要

20世纪80年代,随着数字图像处理技术的兴起,以及大规模集成电路的迅速发展,视觉检测技术作为一种无损检测手段越来越引起人们的重视,聚类分析作为一种统计学习方法在机器视觉检测中具有重要应用。本文对聚类的新方法及其在机器视觉检测中的应用进行研究,主要内容包括四个方面:群体智能聚类方法、核密度估计聚类方法、基于小波和共生矩阵的纹理表面缺损检测以及X射线鱼刺检测。特征提取是聚类分析和视觉检测的一个重要环节,特征提取的好坏直接影响检测的效果。本文首先对统计特征、形状特征、色度特征和纹理特征及机器视觉检测中特征提取和选择的方法进行了综述。本文的创新性工作有:1.提出了基于蚁群算法的图像聚类方法。蚁群算法被广泛应用于优化问题,本文将其与模糊聚类方法相结合,改进启发式引导函数,增加其正反馈的能力,通过设置初始聚类中心,将蚁群算法中蚂蚁之间的计算转化为蚂蚁同聚类中心之间的计算,从而大大降低计算量。研究了粒子群方法在图像聚类中的应用。根据最小类内距离和最大类间距离原则设计了粒子群方法中的适应度函数,将其与模糊聚类方法相结合。2.提出了最优带宽的核密度估计聚类方法。核密度估计中的带宽参数选择以及核密度估计的局部极大值搜索是影响核密度估计聚类结果的两个关键问题。根据带宽参数与灰度密度估计熵的关系,选择最优带宽参数,并结合mean shift密度极大值搜索方法进行聚类。3.提出了多尺度方法和聚类方法相结合的检测技术。纹理表面检测是通过纹理特征提取实现纹理特征聚类,本文采用小波变换对纹理图像进行多尺度分解,通过分析各分解层上的子图像灰度共生矩阵特征得到滤除纹理的低频近似子图像,在此基础上采用聚类方法实现缺损检测。4.提出和实现了聚类方法对X射线图像进行鱼刺检测。根据X射线图像中灰度分布特点,首先对图像进行预处理,采用高斯分布函数选取包含鱼刺及与鱼刺灰度相近部分的感兴趣区域,以降低待处理数据量保证算法速度,在此基础上,采用粒子群聚类方法进行检测,并根据鱼刺一般为极细小的点或线状特征检出鱼刺。仿真试验表明取得了较好的效

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 研究意义
• 1.3 研究背景
• 1.4 主要研究内容
• 第2章 视觉检测的特征提取与选择
• 2.1 引言
• 2.2 机器视觉检测特征
• 2.3 特征提取与选择
• 2.4 本章小结
• 第3章 群体智能聚类方法
• 3.1 引言
• 3.2 基于蚁群算法的模糊聚类方法
• 3.3 基于粒子群优化的模糊聚类方法
• 3.4 基于群体智能的图像聚类方法
• 3.5 实验结果及分析
• 3.6 本章小结
• 第4章 核密度估计聚类方法
• 4.1 引言
• 4.2 核方法理论基础
• 4.3 基于核密度估计的聚类方法
• 4.4 图像的核密度估计及MEAN SHIFT聚类
• 4.5 本章小结
• 第5章 基于小波和共生矩阵的纹理缺损检测
• 5.1 引言
• 5.2 纹理表面缺损检测方法
• 5.3 小波变换
• 5.4 基于小波和共生矩阵的纹理表面缺损检测
• 5.5 本章小结
• 第6章 X-射线图像鱼刺检测
• 6.1 引言
• 6.2 肉品检测研究
• 6.3 鱼刺检测
• 6.4 本章小结
• 第7章 总结及展望
• 博士期间发表的学术论文
• 致谢
• 参考文献