基于反向P-M扩散的钢轨表面缺陷视觉检测

研制了一种基于反向P-M(Perona-Malik)扩散的钢轨表面缺陷视觉检测装置,该装置可自动获取钢轨表面图像,并实现实时检测与定位钢轨表面缺陷.钢轨图像具有光照变化、反射不均、特征少等特点,为了在运动过程中从复杂的钢轨表面图像提取缺陷,首先将图像进行反向P-M扩散,然后将扩散后的图像与原图像进行差分,从而减小了上述因素的影响,最后将差分图像进行二值化操作,根据缺陷边缘特性和面积进行滤波,分割出缺陷图像.实验仿真和现场测试结果表明,该方法能很好地识别块状缺陷和线状缺陷,并且检测速度、精度、识别率和误检率都能很好地满足要求.

改进的P-M扩散方程在相干斑抑制中的应用

直接基于Perona-Malik扩散方程的滤波算法对于加性噪声非常有效,但是对于乘性噪声(如合成孔径雷达(SAR)图像相干斑噪声)收效甚微。提出了一种基于改进的Perona-Malik扩散方程抑制SAR图像相干斑噪声的新算法。分析对数变化对相干斑噪声的影响,为将P-M扩散方程应用于相干斑噪声抑制奠定了理论基础;通过P-M扩散和稳健统计学的联系,建立了基于Biweight Estimator误差模型的扩散系数;同时利用非线性衰减技术对梯度阈值的选择改进。实验表明,该方法不仅有效抑制了SAR图像相干斑噪声,较好地保持了细节和边缘信息,而且视觉效果比较好。

基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统

针对医用输液容器组合盖在生产制造中出现的黑点、毛发、气泡等缺陷问题,设计了基于逆向P-M扩散的医用组合盖缺陷检测系统。首先设计了机械执行、电气控制、图像采集系统,然后采用逆向P-M扩散增强缺陷区域,通过差分后二值化提取缺陷区域,并进行图像滤波,接着利用SVM支持向量机对缺陷与非缺陷区域进行分类,通过交叉验证法自动选择最佳分类参数,解决了医用组合盖表面纹理对缺陷检测的干扰,实现了医用组合盖缺陷检测功能,有效提高了分类器的性能。实验结果表明,该方法要求训练样本少,适用于不同组合盖缺陷类型检测和检测环境,准确率95%以上。

P-M扩散方程图像去噪方法分析

目的对P-M扩散方程图像去噪方法的原理及参数选取问题进行分析。方法通过傅立叶变换法和图像特征方向的正交坐标系方法。结果该方法比从P-M扩散方程本身出发讨论其去噪原理更为直观。结论为P-M扩散方程图像去噪的参数选取提供了理论依据。

结合各向异性扩散和分水岭算法的图像分割

传统分水岭算法受到噪声干扰时容易出现过分割现象,为了抑制噪声的同时尽可能多地保留住图像边缘信息,提出了一种基于各向异性扩散的分水岭分割算法。首先对原始图像进行滤波操作,传统P-M算子通常人为设定固定边界阈值,容易丢失细节信息,应用梯度模的变化设定阈值并连结图像结构张量形成一个扩散函数,边缘处沿切线方向扩散易于保留边缘细节,平坦处具有各向同性易于平滑噪声,这样保证了良好的分水岭结构。其次对图像的梯度信息进行计算,为了使梯度信息得到补偿,采用数学形态学的开闭运算对图像梯度信息进行处理。然后运用形态学极小值标定方法标记处理后的图像局部极小值,最后用分水岭算法对图像进行分割。实验对无噪声图像和加噪声图像进行分割,结果表明该方法具有良好的分割效果,尤其对噪声图像有较好的鲁棒性。

嵌入固有模态函数的各向异性扩散方程用于图像降噪

该文利用经验模态分解技术对图像进行分解,获得表示图像不同频率属性的各个固有模态函数分量,并将代表图像高频信息和次高频信息的固有模态函数嵌入到Perona-Malik模型中。改进后的模型不仅在对高斯噪声降噪时优于原Perona-Malik模型,而且对椒盐噪声也能较好地去除。

拟合扩散的自适应图像去噪方法

针对纹理等细节信息丢失和图像边缘退化的问题,提出一种拟合扩散的自适应阈值图像去噪算法。首先,改进了扩散方程中的扩散系数,建立拟合扩散系数,克服因扩散强度过大带来的纹理细节信息丢失和边缘退化的弊端;然后,对阈值函数进行了自适应设计和改进,使其根据图像的最大灰度值和迭代次数自动控制阈值,进一步保留图像边缘和细节特征;最后,对新算法进行分析和仿真。实验结果表明,提出的新算法在图像去噪和保边缘、纹理等细节信息方面效果明显,峰值信噪比有了大幅提高,新算法性能优异,有利于实际应用。

改进的各向异性复扩散模型的医学图像去噪方法

对医学图像进行有效的去噪并保持边缘信息,有利于图像的后续处理.本文分析P-M模型和Gilboa的复扩散模型以及它们的不足,提出一种改进的各向异性复扩散模型.该方法先用中值滤波对图像进行预处理,去除梯度值大的噪声点,然后用图像的虚部求扩散系数,以此引导扩散模型中的边缘检测函数,再进行八邻域像素的扩散过程.实验表明,该方法能达到较理想的去噪和保持边缘的效果,而且减少了迭代次数,缩短了计算时间.

基于各向异性扩散滤波的边缘提取算法

针对Canny边缘检测算法在滤波方面的不足,提出了一种基于各向异性扩散滤波的边缘提取算法,用各向异性扩散的平滑方式代替Canny算法中的高斯滤波,弥补Canny算法中滤波方法的不足.研究了各向异性扩散的P-M方程,得出了其离散化形式,并确定了其中分量的表达式,进而用Matlab编程实现了对图像的各向异性扩散处理.通过误差和结构相似度评定,得出经过各向异性扩散处理的图像滤波效果优于高斯滤波.对经过两种滤波方法处理后的图像用Canny算法提取边缘,通过灰度值比较,验证了各向异性扩散处理在边缘特征保持方面优于高斯滤波.

改进的偏微分扩散方程图像增强方法

通过改进P-M扩散系数和融入相干增强扩散改善了传统的P-M模型,使得裂缝图像非边缘处以改进后的P-M扩散为主,在边缘处以相干增强扩散为主,达到了对裂缝图像去噪和增强的目的.理论分析和仿真实验表明,提出的方案较传统的P-M模型能使地面图像的特征得到更好的保护,使裂缝更加明显,利用该方法对裂缝图像进行预处理后,提高了路面裂缝目标检测的准确性,体现了该方法的优越性.

基于曲率滤波和反向P-M电动车充电孔检测方法

为了解决电动车人工充电作业的效率低下、场合限制、漏电隐患等难题,研究了基于曲率滤波和反向P-M扩散的电动车充电孔检测与定位方法,该方法能够从充电座图像中精确高效地提取目标物充电孔的特征,实现机器人的自动化充电。针对图像信号受强电磁干扰,采用了具有噪点识别能力和边缘保持特性的曲率滤波法进行图像除噪;由于充电座图像背景复杂、亮度不均以及干扰项多,导致常规分割方法失效,故研究了反向P-M扩散和BP神经网络(BPNN)相结合的分割方法。预处理图像经反向P-M扩散、差分运算、滤波及空洞填充得到P-M精确分割的连通域,再利用形态学击中算法,在P-M连通域中搜寻由BPNN粗略提取的连通域,从而得到精确的充电孔目标区域。最后,对所提出的方法进行验证测试,实验结果表明该方法能有效识别充电孔,并且检测速度、定位精度很好地满足充电机器人作业要求。

基于偏微分方程扩散系数的图像去噪研究

在偏微分方程P-M模型图像去噪过程中,扩散系数的选择会影响图像去噪的效果;为此提出了一个新的扩散系数模型来实现图像去噪。首先分析讨论了P-M模型中扩散系数和梯度阈值的选取对图像去噪的重要性;并对比了两个扩散系数的优点和缺点,在此基础上提出一个新的扩散系数;并应用到正则化P-M模型和四阶偏微分方程YK模型中进行数值离散实验。实验结果表明,采用新的扩散系数在正则化的P-M模型和YK模型的去噪效果教好,提出的扩散系数能够有效地进行图像去噪。

基于小波变换模改进Perona-Malik模型的强噪声信号滤波算法

鉴于偏微分方程在图像去噪中的原理和应用,针对传统机械振动信号去噪方法的局限性,提出了一种基于小波变换模改进Perona-Malik模型的强噪声信号滤波算法并用于机械振动信号去噪。首先研究了小波阈值去噪和Perona-Malik非线性各向异性扩散滤波模型之间的相关性,其次用小波变换模替代梯度模构建改进的扩散系数,并推导出了基于小波变换模的改进Perona-Malik模型。实验结果表明,与传统去噪方法和基本Perona-Malik模型相比,改进Perona-Malik模型不仅较好地实现了强噪声背景信号有效去噪,而且同时保留了信号细节特征,改进算法抗噪声干扰能力强,去噪之后信号畸变小,改进算法使信噪比平均提高了约3 dB。

基于异性扩散模型的图像边缘增强方法

提出了一个能增强图像边缘的异性扩散模型,结合P-M扩散模型和反热扩散模型各自的优点,能在去除图像噪声的同时增强图像的边缘,一定程度上克服了P-M扩散模型对图像边缘的模糊效应和反热扩散模型容易产生虚假边缘的缺点。实验结果表明:提出的模型有很好的去噪和增强图像边缘的效果,其峰值信噪比(Peak Signal Noise Ratio,PSNR)在强噪声水平下,较P-M扩散模型大约提高1 dB。

一种改进偏微分方程扩散系数的图像去噪方法

在偏微分方程P-M模型图像去噪过程中,扩散系数的选择会影响图像去噪的效果,为此提出了一个新的扩散系数模型来实现图像去噪。首先分析讨论了P-M模型中扩散系数和梯度阈值的选取对图像去噪的重要性,并对比了两个扩散系数的优点和缺点;在此基础上提出一个新的扩散系数,并应用到CLMC模型进行数值离散实验。实验结果表明,采用新的扩散系数得到的信噪比和峰值信噪比要比P-M方程中所给出的两个扩散系数得到的信噪比和峰值信噪比好。提出的扩散系数能够有效地进行图像去噪。

结合Tsallis熵的各向异性扩散模型

为了在有效去除图像噪声的同时,保留更多的图像细节、纹理和弱边缘特征,在Perona-Malik各向异性扩散模型(P-M模型)的基础上,考虑到图像Tsallis熵在平滑区域和边缘处熵值有差异的特点,提出了结合图像局部Tsallis熵的各向异性扩散模型。该模型的扩散系数同时依赖于图像梯度和图像局部Tsallis熵,较好的克服了P-M模型在图像部分边缘和细节失真的问题。实验结果表明,该模型不仅能很好的保持图像的弱边缘和重要细节,而且能有效的去除噪声。

改进的各向异性扩散图像去噪算法

图像去噪是图像处理中的重要环节,经典的图像去噪算法,如中值滤波、高斯滤波和加权平均滤波等,去噪效果都不是很理想。传统方法在去除噪声的同时,会使图像的边缘也变得模糊。偏微分方程(PDE)是近年比较流行的图像处理方法,它具有各向异性的特点,在去除噪声的同时,能很好地保持图像的边缘。基于现有算法,提出了一种改进的去噪算法。将传统P-M算子中的固定边缘阈值改为随梯度模变化的自适应阈值,并结合图像结构张量构造一个扩散函数。在图像平坦区,改进的P-M模型具有各向同性的特点,有利于平滑噪声;而在图像边缘处,该模型只沿切线方向扩散,有利于保护图像细节。试验表明,改进的P-M模型能很好地改善图像去噪效果,同时也能很好地保持图像的边缘。

P-M与TV模型在加性高斯白噪声去噪中的比较研究

噪声是图像获取、传输和储存过程中不可避免的现象.去噪作为图像处理的首要步骤与基本问题是后续的高层次图像处理的基础.以加性高斯白噪声为例,综述了P-M扩散方程及TV模型的原理,并从视觉与定量指标两个方面比较了去噪效果.最后,在热扩散方程模型预处理条件下比较了两种模型的去噪效果.

基于Perona-Malik模型改进的图像去噪方法

结合冲击滤波器和Perona-Malik(P-M)模型提出一种新的图像去噪模型,在增强图像细节的同时,能够抑制噪声的放大和过冲现象,同时给出的扩散函数可以使模型达到更好的图像去噪效果。仿真结果表明,使用本文模型进行去噪处理后得到的图像在视觉效果和客观评价标准方面均优于P-M模型、CLMC模型以及传统的模型,在去除噪声的同时,能够更好地保留图像的细节和边缘特征。

基于改进PDE扩散系数的图像去噪研究

基于偏微分方程的图像处理方法是近年来比较热门的一种图像处理方法,因为偏微分方程具有各向异性特点,使其在对图像去噪的同时又能够较好地保护图像的边缘。文章主要在前人研究的基础上,对P-M模型扩散系数进行改进。文章讨论了扩散系数对图像去噪的影响,并提出一种新的扩散函数,结合正则化的P-M模型,进行数值离散实验。实验结果表明,改进的扩散函数能够很好地对图像去噪,在迭代次数、运行时间、信噪比和峰值信噪比等方面都要优于P-M方程中所给的扩散函数。