高斯支持向量机在家具板材分类识别中的应用

针对传统的纹理分类算法在家具板材分类中难以区分同纹理不同颜色样品的问题,以及对有图案干扰的同纹理同颜色的一种样品误分多类的情况,文中采用了基于集成高斯支持向量机的分类识别算法。该方法在彩色图片的HSV颜色空间中提取纹理特征参数,利用高斯混合模型统计出的概率矩阵作为支持向量机的输入参数,且用二进制纠错码将二分类扩展到多分类。试验结果表明,该方法比贝叶斯、高斯模型、支持向量机的方法更有效,比人工神经网络有更高的效率。

结合RPCA和自适应Mean-shift的图像边缘检测

在基于边缘的轮廓提取算法中,边缘检测精度直接影响轮廓提取的效果,而边缘检测算法通常分为图像滤波和边缘提取两个步骤。图像滤波算法是以损失图像真实信息为代价达到滤除噪声的效果(通常称为图像失真),图像失真的程度直接影响后续边缘提取的准确度;边缘提取算法进行无区分性的全局图像梯度检测,然而以轮廓提取为目标的边缘检测算法期望避免检测到图像中过于琐碎的细节,以减少轮廓提取的干扰信息。针对上述问题,提出了一种辅助轮廓提取的边缘检测算法,即结合RPCA滤波和自适应Mean-shift聚类的图像边缘检测算法。首先将RPCA算法引入到图像滤波,同时定义图像保真的度量指标,优化影响RPCA算法图像估计准确度的权重因子;然后将均值-标准差之比引入Mean-shift算法,使其能够自适应识别变化平缓区域和变化剧烈区域;最后应用Canny算子对图像进行边缘提取。实验结果表明,RPCA滤波算法能实现对原图像信息的最优估计,自适应Mean-shift算法能有效抑制图像中过于琐碎的细节且保留边缘信息。该算法能准确提取到图像中主要边缘信息而忽略图像细节信息,且适用于不同类型的图像。

结合跳变法和SVM的车牌精确定位方法

针对车牌的精确定位,首先采用边缘检测和形态学处理相结的方法,依次对目标图像进行灰度化处理、高斯模糊处理、Sobel运算、二值化、闭操作、取轮廓处理,初步筛选出符合条件的候选区域,再利用车牌字符与字符间的间距特征,使用跳变法对候选区域进行进一步筛选、经过SVM分类器判定,得到最终的车牌区域,为后续的车牌字符识别作准备。经验证,提出的车牌定位算法快速准确,对环境有较好的适应性,具有一定的实用性。

激光辅助机器视觉测量两平面高度差的设计

针对超声压合手机充电头后两平面的高度差尺寸是否在允许范围问题,为了提高高度差尺寸测量自动化程度,设计一种激光水平45°照射待测充电头,激光线照射压合后的两个平面,激光线在两个有高度差的平面产生激光线错位,使用双远心镜头配合工业相机进行图像采集的机器视觉测量方法。研究四个测量点的目标区域的图像分割、特征提取和形态学分析等。测量重复精度在±0.02 mm范围,满足精度要求。