基于弯曲小波变换的航空构件断口图像识别新方法研究

论文摘要

本论文是在国家自然科学基金(50775208、51075372)和无损检测技术教育部重点实验室开放基金(No.ZD200829003)资助下,针对传统的金属断口图像处理方法存在的不足,将Bandelet变换应用于金属断口图像处理中,提出了基于Bandelet变换的金属断口图像处理方法,取得了比较好的创新性成果。其主要内容包括以下几个方面：第一章,论述了本课题的提出及其研究意义。综述了金属断口图像识别国内外研究现状和Bandelet变换的国内外发展现状,提出了本论文的主要内容及创新之处。第二章,论述了小波变换理论及其在断口图像识别中存在的不足。在此基础上,论述了第二代Bandelet变换的理论和算法。通过仿真实验,说明Bandelet变换与小波变换在断口图像处理中的不同和优点。本章的内容是整篇论文的理论基础。第三章,提出了基于Bandelet变换的会属断口图像消噪方法。在提出的方法中,首先用对带噪声的金属断口图像进行四叉树分割,同时得到各分割区域内的最佳几何流方向,并沿Bandelet块的最佳几何方向进行曲波变换,最后利用SUREShink计算各Bandelet块的自适应阈值,然后采用多层软阈值去除噪声,进行Bandelet逆变换重构图像。实验表明,该方法是有效的,与传统的小波子带多阈值去噪法相比,该算法不仅提高了去噪后图像的峰值信噪比(PSNR),而且具有更强的边缘保持能力。同时,还研究了基于Bandelet变换的金属断口图像增强方法,并与基于小波变换的金属断口图像增强方法进行了对比分析,仿真和实验结果表明,在金属断口图像增强方面,也显示了Bandelet变换比小波变换的优势。第四章,结合Bandelet变换和神经网络的各自特点,提出了一种基于Bandelet变换的金属断口形貌非线性识别方法,在提出的方法中,利用Bandelet变换提取金属断口图像的Bandelet熵作为特征向量,神经网络作为非线性分类器,对几种典型的金属断口图像进行了实验验证。同时,提出的方法与基于传统的小波变换的金属断口图像识别方法进行了对比,实验结果表明,由于Bandelet变换克服了小波变换在处理金属断口图像边缘存在的不足,得到了比传统的小波变换方法更好的识别效果。第五章,结合脉冲耦合神经网络(PCNN)和Bandelet变换理论,提出了一种新的金属断口模式识别方法,在提出的方法中,将断口图像首先进行PCNN分割,然后对断口图像进行Bandelet变换得到Bandelet熵,并且将其作为断口识别的特征,根据不同图像之间特征向量的欧式距离MSE的数值大小进行金属断口的识别,实验结果表明：与BP神经网络和Kohonen等神经网络相比,PCNN不需要学习或者训练,能从复杂背景下提取有效信号,具有同步发放和全局耦合等特性。因此,此种识别方法的识别效率大大增加。第六章,对本论文的研究工作进行了全面总结,并对下一步开展的工作做了展望。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 课题背景及研究意义
• 1.2 金属断口图像识别国内外研究现状
• 1.3 Bandelet变换的国内外发展现状
• 1.4 论文的主要内容及创新之处
• 1.4.1 主要内容
• 1.4.2 关键问题及创新点
• 1.5 本章小结
• 2 Bandelet变换理论和算法
• 2.1 引言
• 2.2 小波变换理论及在断口图像处理中的不足
• 2.2.1 连续小波变换
• 2.2.2 离散小波变换
• 2.2.3 小波变换在断口图像处理中的不足
• 2.3 第一代Bandelet变换
• 2.4 第二代Bandelet变换
• 2.4.1 第二代Bandelet变换的基本理论
• 2.4.2 图像的四叉树预分割
• 2.4.3 最佳几何流方向的计算
• 2.4.4 四叉树的修剪和剖分块几何方向的确定
• 2.4.5 Bandelet化
• 2.5 Bandelet变换与小波变换在断口图像处理中的对比分析
• 2.6 本章小结
• 3 Bandelet变换在金属断口图象消噪和增强中的应用
• 3.1 引言
• 3.2 金属断口噪声的来源
• 3.3 Bandlet变换的消噪原理
• 3.3.1 小波变换的去噪原理和过程
• 3.3.2 Bandelet变换的去噪过程
• 3.4 Bandelet变换在断口图像去噪中的应用
• 3.5 Bandelet变换在断口图像增强中的应用
• 3.5.1 基于小波变换的图像增强算法
• 3.5.2 基于Bandelet变换的图像增强算法
• 3.5.3 实验研究
• 3.6 本章小结
• 4 基于Bandelet变换特征提取的神经网络识别方法研究
• 4.1 引言
• 4.2 基于断口图像Bandelet熵特征提取方法研究
• 4.2.1 熵的概念、物理意义和算法
• 4.2.2 Bandelet熵的定义和算法
• 4.2.3 基于Bandelet熵的特征提取方法
• 4.3 BP神经网络基本理论及算法
• 4.3.1 BP神经网络基本理论
• 4.3.2 BP网络算法
• 4.4 Bandelet熵-BP断口图像识别方法研究
• 4.4.1 BP网络设计
• 4.4.2 实验研究
• 4.5 本章小结
• 5 结合脉冲耦合神经网络和Bandelet变换的识别方法研究
• 5.1 引言
• 5.2 脉冲耦合神经网络的基本原理及算法
• 5.2.1 PCNN基本原理
• 5.2.2 PCNN的脉冲机制分析
• 5.2.3 PCNN用于图像分割
• 5.3 基于PCNN和Bandelet变换的识别方法
• 5.3.1 识别模型及参数设置
• 5.3.2 识别原理及方法
• 5.4 实验研究
• 5.5 本章小结
• 6 结论与展望
• 6.1 本文总结
• 6.2 展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果