基于图像分析技术的纸浆纤维与纸页质量检测方法研究

论文摘要

基于图像分析技术的纸浆纤维与纸页表面质量检测是目前制浆造纸业的关键技术之一,直接影响纸页的质量,成为研究热点。对于纸浆纤维图像的分析,目标是分析显微状态下纸浆纤维的形态、尺寸。由于纤维形态的相对不确定性导致边缘的重叠交叉,对其形态进行识别,改善边缘的定位和提取;对于纸页的均匀性分析,通过图像变换,将空间域图像变换到频域或小波域进行分析,获取其特征;对于纸页的表面质量缺陷,通过纹理分析提取其正常或缺陷结构的特征,用基于人工神经网络的方法及统计模式识别方法识别纸页表面质量缺陷的类型。本论文主要完成以下工作:1.本文结合线状目标的特点,改进了基于方向小波的边缘检测方法,用于纤维边缘检测,该方法能较好的完成具有分叉或重叠结构的复杂图像的边缘检测。在此基础上,分析了基于边界对同时检测的线状目标分割方法,结合边界对的特征及空间分布关系,提出了合理的费用函数协调和增强边缘提取的效果。对纸浆纤维识别,提出了综合利用边缘和骨架线两个特征实现复杂纤维图像识别的方法,其中进行边缘提取时采用边界对同时检测法,骨架线提取时运用变向骨架线跟踪法。2.在分析国内外现有的几种主要的表征方法基础上,将小波变换多分辨分析技术与纸页匀度表征进行结合,提出一种新的纸页匀度表征指数--小波匀度指数（WIn）及表征算法,实验证明了算法的有效性。3.根据纸页缺陷图像特点,提出了综合检测分类方法:基于平稳小波变换、图像融合及奇异点检测的边缘检测技术检测缺陷;采用多个特征量作为分类器的输入进行纸页缺陷分类。实验证明了算法具有良好的抗噪声性能及检测效果。4.提出了一种新的RBF神经网络在线学习算法,该算法能在线实时地调整RBF神经网络隐层单元数目和网络参数,且使用计算量小、运算速度快的基于逆QR分解的Givens递推最小二乘算法调整网络权值,克服了离线训练方式的不足。5.提出了一种新的有效的目标跟踪算法,可以跟踪静止或运动目标的2D轮廓曲线。基于B-Snake跟踪算法,该算法采用和下一点相连向量与控制中心相连向量的夹角的正弦值正负来避免控制点交叉,而控制中心的位置通过α-β-γ滤波可有效的估计,因而能准确地跟踪运动的目标。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 引言
• 1.1 研究背景及意义
• 1.2 图像处理的基本概念
• 1.2.1 图像函数
• 1.2.2 图象采样与量化
• 1.2.3 图像噪声
• 1.2.4 图像处理、分析与理解
• 1.3 本文的主要工作
• 1.3.1 研究内容与研究思路
• 1.3.2 主要研究成果
• 1.3.3 论文结构
• 第二章 图像边缘提取、跟踪与分割
• 2.1 边缘提取
• 2.1.1 边缘检测算子
• 2.1.2 梯度算子
• 2.1.3 LoG/DoG算子
• 2.1.4 Canny边缘提取
• 2.2 边界跟踪
• 2.2.1 状态空间搜索法
• 2.2.2 费用函数的选择方法
• 2.3 图像分割
• 2.3.1 分水岭分割
• 2.3.2 匹配分割
• 2.4 目标跟踪的Snake算法
• 2.4.1 Snake算法的发展
• 2.4.2 Snake算法
• 2.4.3 改进的B-Snake跟踪算法
• 第三章 从Fourier变换到Curvelet变换
• 3.1 二维离散fourier变换
• 3.2 小波变换
• 3.3 Radon变换和Hough变换
• 3.4 Curvelet变换的实现方法
• 3.5 Curvelet变换在图像处理中的应用
• 3.5.1 图像去噪
• 3.5.2 图像增强
• 3.5.3 在纸浆纤维图像处理中应用
• 第四章 图像特征提取与模式识别
• 4.1 几种常用图像特征
• 4.1.1 振幅特征
• 4.1.2 纹理特征
• 4.2 特征提取与分类方法
• 4.2.1 特征向量的距离
• 4.2.2 按欧氏距离度量的特征提取方法
• 4.2.3 基于K-L展开式的特征提取
• 4.3 基于小波变换的纹理分类
• 4.3.1 纹理分类概述
• 4.3.2 小波纹理分类
• 4.3.3 特征提取和纹理分类
• 4.4 图像模式识别
• 4.4.1 模板匹配
• 4.4.2 不变矩
• 4.5 RBF神经网络方法
• 4.5.1 函数逼近与内插
• 4.5.2 RBFNN模型
• 4.5.3 RBFNN在线学习算法
• 4.5.4 用于模式识别的小波神经网络
• 4.6 近邻法
• 4.6.1 最近邻决策规则
• 4.6.2 k-近邻法
• 4.6.3 剪辑近邻法
• 第五章 纤维形态检测
• 5.1 数学形态学方法
• 5.2 线状目标的边缘提取
• 5.3 线状物的识别
• 5.4 纤维的识别
• 第六章 纸浆纤维图像边缘提取方法
• 6.1 方向小波边缘检测算法
• 6.1.1 方向小波变换
• 6.1.2 方向小波边缘检测算法
• 6.2 基于边界对同时检测分割方法
• 6.2.1 图像预处理和3D图构建
• 6.2.2 计算费用函数
• 6.2.3 最优边界对的识别
• 第七章 纸浆纤维图像识别
• 7.1 线状目标的识别
• 7.1.1 基于知识的线状目标识别
• 7.1.2 基于匹配的线状目标识别
• 7.1.3 基于Radon变换的图像识别
• 7.2 纸浆纤维的分割
• 7.2.1 纤维边缘特征的提取
• 7.2.2 骨架提取
• 7.3 纤维识别
• 7.4 测量结果与误差分析
• 7.4.1 测量
• 7.4.2 误差分析
• 第八章 纸页匀度检测方法概论
• 8.1 研究意义及进展
• 8.2 研究内容
• 8.3 纸页匀度检测原理
• 8.3.1 光透图像匀度检测
• 8.3.2 纸页匀度标定原理
• 8.4 基于图像分析技术的纸页匀度表征方法
• 8.4.1 标准匀度指数表征
• 8.4.2 Jordan 比周长表征
• 8.4.3 区域离散系数表征
• 8.4.4 基于Fourier变换的纸页匀度表征
• 第九章 基于小波变换的纸页匀度表征
• 9.1 小波谱及其对纸页的分析
• 9.2 多分辨分析与Mallat算法
• 9.2.1 多分辨分析
• 9.2.2 Mallat算法
• 9.2.3 二维小波分析
• 9.2.4 小波基的选取及CDF（9,7）双正交小波
• 9.3 小波匀度指数
• 9.4 匀度表征过程及实验
• 9.4.1 实验方法
• 9.4.2 实验结果及分析
• 第十章 纸页缺陷检测方法概论
• 10.1 纸页表面质量缺陷检测技术的发展
• 10.2 一般纸页缺陷检测方法
• 10.2.1 阈值凼
• 10.2.2 形态学方法
• 10.2.3 灰度级统计法
• 10.3 研究内容
• 第十一章 纸页表面质量缺陷检测方法
• 11.1 小波变换在表面缺陷检测中的应用
• 11.2 基于平稳小波变换的纸页缺陷图像分割
• 11.2.1 平稳小波变换与正交小波变换
• 11.2.2 基于平稳小波变换与图像融合的图像分割
• 11.2.3 试验结果分析
• 11.3 基于奇异点检测的纸页缺陷图像分割
• 11.3.1 模极大值点与信号奇异点间的关系
• 11.3.2 利用模极大值检测图像边缘
• 11.3.3 试验结果对比与分析
• 11.4 纸页缺陷的分类识别
• 11.4.1 特征选取与分类
• 11.4.2 实验结果
• 第十二章 总结与展望
• 12.1 本文的主要工作
• 12.2 研究工作展望
• 参考文献
• 发表论文和科研情况说明
• 致谢