基于計算機視覺的紙漿纖維和紙張缺陷檢測方法研究.pdf

1、紙漿纖維和紙張缺陷檢測是保證成品紙質量的重要手段，傳統(tǒng)的檢測方法主要依靠人工對成品紙進行評判，效率低下、誤檢率高。近年來，利用計算機視覺檢測技術進行紙漿纖維和紙張缺陷檢測的方法已受到各國研究者的重視。本文在前人研究成果的基礎上，研究了紙漿纖維和紙張缺陷檢測涉及的圖像去噪、增強、邊緣檢測、分割及分類方法，主要工作如下：
　　首先，提出了一種基于預分類非局部均值(Non-local Means，NLM)的紙漿纖維、紙張缺陷混合噪聲去除

2、方法。在預分類的基礎上，借鑒中值濾波去噪思想對非局部均值進行改進，得到一個新的非局部均值混合噪聲濾波器。大量實驗結果表明：與濾除高斯噪聲、椒鹽噪聲及高斯椒鹽混合噪聲等3類噪聲的方法分別進行了比較，該方法具有更好的主觀視覺效果，客觀定量評價指標有較大的提高，在濾除高斯噪聲、椒鹽噪聲、二者的混合噪聲方面均有明顯優(yōu)勢。
　　然后，研究了一種基于非下采樣 Contourlet變換(Non-subsampled Contourlet Tra

3、nsform，NSCT)和Retinex的紙漿纖維、紙張缺陷圖像增強方法。利用非下采樣Contourlet變換將紙漿纖維、紙張缺陷圖像分解成低頻和高頻分量；再利用多尺度 Retinex算法(Multi Scale Retinex，MSR)調整低頻系數(shù)，對邊緣細節(jié)較多的高頻系數(shù)采用增益函數(shù)進行增強；通過非下采樣Contourlet反變換，實現(xiàn)紙漿纖維、紙張缺陷圖像的增強。大量實驗結果表明：與雙向直方圖法、小波增強法、Contourlet模

4、糊增強法、NSCT增強法相比，所提增強方法能夠提升對比度，突出紙漿纖維、紙張缺陷圖像的細節(jié)。
　　隨后，提出了一種基于非下采樣 Contourlet變換和核模糊 C-均值聚類(Kernel Fuzzy C-means，KFCM)的邊緣檢測方法。利用非下采樣Contourlet變換將圖像分解成低頻和高頻分量；對含噪較少的低頻分量提取邊緣信息，采用核模糊C-均值算法進行聚類得到低頻邊緣圖像，而對邊緣細節(jié)信息較多的高頻分量依據(jù)模極大值檢

5、測邊緣；融合上述兩部分，從而獲得完整的邊緣。實驗結果表明：與近年來提出的4種方法相比，所提出的方法有明顯優(yōu)勢，具有更好的邊緣檢測效果，邊緣定位準確、完整連續(xù)、細節(jié)豐富。
　　接著，實現(xiàn)了一種基于蜂群優(yōu)化或分解的二維Arimoto灰度熵的紙漿纖維、紙張缺陷圖像閾值分割方法。給出了Arimoto灰度熵的定義，導出了二維Arimoto灰度熵閾值分割法，并給出中間變量的快速遞推公式；然后利用一種改進的人工蜂群優(yōu)化算法(Modified A

6、rtificial Bee Colony，MABC)搜索二維 Arimoto灰度熵的最佳閾值，大大減少了運算量；最后將求解二維最佳閾值的過程分解到一維來進行，進一步降低運算復雜度。大量實驗結果表明，與近年來提出的3種方法相比，所提出方法的分割性能更優(yōu)，且擁有良好的抗噪性能。
　　最后，提出了一種基于Krawtchouk矩不變量和小波支持向量機的紙張缺陷識別方法。先計算紙張缺陷圖像的Krawtchouk矩及Krawtchouk矩不變