基于机器视觉的低对比度纸病识别算法研究

利用机器视觉识别纸病时,若背景与目标纸病的对比度低,且采用单一的边缘检测算法,将会出现对目标纸病边缘定位不准确、抗噪性能不好等问题。对此,提出了一种解决方法,即首先分别用LOG算子和基于数学形态学的边缘检测方法对低对比度纸病图像进行边缘检测,然后对这两种边缘检测算法得到的图像进行小波融合,融合得到的图像中纸病边缘定位准确且具有一定的抗噪性,最后,对此进行了实验验证。研究结果表明,文中提出的解决方法可行,即可将该方法用于基于机器视觉的低对比度纸病识别。

基于相位一致性的低对比度纸病识别算法研究

针对机器视觉检测低对比度纸病,存在常规的阈值分割会引起低对比度纸病信息丢失以及边缘检测存在鲁棒性差的问题,本课题提出了一种基于相位一致性算法识别低对比度纸病的方法,并与常规的阈值分割以及边缘检测中具有代表性的canny算子进行了对比分析。结果表明,当识别低对比度纸病时,本课题提出的方法不仅保留的有用信息较常规阈值分割的多,而且鲁棒性较canny算子的边缘检测好。

基于阈值分割及分形特征的纸病图像识别算法研究

针对脏点、孔洞、褶子和裂口等常见的典型纸病识别问题,在分析纸病图像灰度特征及分形特征基础上,提出了一种基于图像双阈值分割盒维数特征的纸病识别算法,该算法采用灰度阈值分割提取纸病区域及二值数字图像分形盒维数计算结果,确定纸病类型。实验结果表明,该算法识别率较高,且简单迅速。