基于轮廓波变换的金属断口图像处理方法研究

论文摘要

本论文是在国家自然科学基金（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,将轮廓波（Contourlet）变换应用于金属断口图像处理中,并在此基础上,深入研究了基于Contourlet变换的金属断口图像处理方法,取得了一些创新性成果。本论文的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的国内外研究现状,并对Contourlet变换的国内外研究现状进行了阐述,提出了本论文的主要内容及创新之处。第二章,针对小波变换在图像处理领域中的不足,论述了Contourlet变换的基本理论和算法,同时,通过仿真实验对比了Contourlet变换和小波变换在图像处理中的优缺点,给出了离散Contourlet变换的特性。本章的内容是整篇论文的理论基础。第三章,针对Contourlet变换在图像处理中存在的低频变换产生冗余性的不足,即Contourlet变换中的拉普拉斯分解是有冗余的,并考虑到Grouplet变换是基于图像几何流最佳稀疏表示的正交变换,可以最大限度的利用图像的几何特征,提出了一种无冗余的基于Grouplet-Contourlet变换的金属断口图像去噪和增强方法,提出的方法利用Grouplet变换代替Contourlet变换中的拉普拉斯塔形分解,消除了Contourlet变换的冗余性。同时,将提出的算法与基于传统的小波变换和Contourlet变换的图像去噪和增强算法进行了对比分析。实验结果表明,该算法优于基于传统的小波变换和Contourlet变换的图像去噪和增强算法,提高了去噪和增强图像的峰值信噪比,同时也很好的保留了图像的轮廓信息。第四章,基于小波的Contourlet变换是一种新的无冗余和完美重构的变换,与小波变换和Contourlet变换相比较,能更好地挖掘图像的方向、纹理等信息。脉冲耦合神经网络（PCNN）是一种可视化猫激励的神经网络,具有同步脉冲发放和全局耦合等特性,它不需要学习或者训练,能从复杂背景下提取有效信息。结合两种方法的各自的优点,提出了一种基于WBCT-PCNN的图像融合方法。在提出的方法中,首先对待融合的两幅图像进行WBCT变换,然后对得到的各对应的低频和高频子带系数采用PCNN融合规则选取融合系数,最后对融合后的子带系数采用逆WBCT变换生成融合图像。同时,将提出的算法与基于PCNN.小波-PCNN、Contourlet-PCNN、NSCT-PCNN的融合算法进行了对比分析。实验结果表明,该算法在图像融合方面具有一定的优势。第五章,将峭度的概念和Contourlet变换引入到金属断口图像处理中,并结合Contourlet变换和峭度的各自优点,给出了Contourlet峭度的定义和算法,与L1范数、平均能量相比较,Contourlet峭度能够更敏感地反映金属断口的纹理特征,并且对方向不敏感。在此基础上,提出了一种基于Contourlet峭度的金属断口图像识别方法。该方法首先对金属断口图像进行三级Contourlet变换,将各个频带输出的峭度作为断口识别的特征,输入到分类器中进行识别。同时,提出的方法还与基于L1范数和平均能量的识别方法进行了比较。试验结果表明,提出的方法是有效的。关联向量机（relevence vector machine, RVM）具有很好的泛化能力,能对类别的归属给出一种概率度量。本章还结合RVM和Contourlet变换各自的优点,提出了一种基于Contourlet-RVM金属断口图像识别方法。在提出的方法中,首先对金属断口图像进行两级Contourlet变换,将各个频带输出的L1范数作为断口识别的特征,然后采用RVM分类器进行分类。同时,提出的方法还与Contourlet-SVM识别方法进行了对比分析。实验结果表明,提出的方法是有效的,不论在正确识别率方面,还是在训练速度方面,Contourlet-RVM识别方法都优于Contourlet-SVM识别方法。第六章,对本论文的研究工作进行了总结,并提出了值得进一步研究的问题。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景及研究意义
• 1.2 金属断口图像的国内外研究现状
• 1.3 Contourlet变换的国内外研究现状
• 1.4 论文的主要内容与创新之处
• 1.5 本章小结
• 2 Contourlet变换的理论和算法
• 2.1 引言
• 2.2 多尺度几何分析
• 2.3 Contourlet变换的理论
• 2.4 离散Contourlet变换的特性
• 2.5 本章小结
• 3 基于Grouplet-Contourlet变换的金属断口图像去噪和增强方法研究
• 3.1 引言
• 3.2 正交Grouplet变换
• 3.3 Grouplet-Contourlet变换原理
• 3.4 基于Grouplet-Contourlet的图像去噪方法研究
• 3.5 基于Grouplet-Contourlet的图像增强方法研究
• 3.6 本章小结
• 4 基于WBCT-PCNN的图像融合方法
• 4.1 引言
• 4.2 WBCT和NSCT变换的基本原理及算法
• 4.3 PCNN的基本原理及算法
• 4.4 基于WBCT-PCNN的图像融合方法
• 4.5 仿真研究
• 4.6 实验研究
• 4.7 本章小结
• 5 基于Contourlet变换的金属断口图像识别方法研究
• 5.1 引言
• 5.2 基于Contourlet峭度的金属断口图像识别方法研究
• 5.3 基于Contourlet-RVM的金属断口图像识别方法研究
• 5.4 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