Automatic Image Inspection of Fabric Defects Based on Optimal Gabor Filter

An effective method for automatic image inspection of fabric defects is presented. The proposed method relies on a tuned 2D-Gabor filter and quantum-behaved particle swarm optimization( QPSO) algorithm. The proposed method consists of two main steps:( 1) training and( 2) image inspection. In the image training process,the parameters of the 2D-Gabor filters can be tuned by QPSO algorithm to match with the texture features of a defect-free template. In the inspection process, each sample image under inspection is convoluted with the selected optimized Gabor filter.Then a simple thresholding scheme is applied to generating a binary segmented result. The performance of the proposed scheme is evaluated by using a standard fabric defects database from Cotton Incorporated. Good experimental results demonstrate the efficiency of proposed method. To further evaluate the performance of the proposed method,a real time test is performed based on an on-line defect detection system. The real time test results further demonstrate the effectiveness, stability and robustness of the proposed method,which is suitable for industrial production.     

海面小型快速运动目标的探测方法

常规扫描相关积累(SIC)算法在探测快速运动目标时易失效，提出了一种与海杂波抑制技术相结合的新型SIC算法．新算法由两分支组成：一个分支通过扫描加权对杂波进行衰减；另一分支确保快速目标的探测。应用海杂波抑制技术可以进一步提高信杂比，降低雷达检测门限，增大小目标的检测概率．仿真结果表明，本方法显著提高了舰载雷达探测小型快速运动目标的能力．     

基于统计的显微图像边缘检测阈值分析方法

针对复杂噪音干扰的显微图像, 提出一种新的基于统计原理的边缘检测阈值分析方法. 应用统计函数提取图像中梯度大的一个区域, 再由非极值抑制算法提取边缘像素. 在选择阈值前, 对每一像素的梯度值进行局部标准化, 去除模糊和全局阈值选择的不合适性. 所做分析的统计特性使得输入参数的选择对噪音图像具有鲁棒性, 能有效处理图像中的随机噪音. 实验结果表明, 所提出的算法具有稳定性强、 鲁棒性好的 特性.     

联合多尺度块匹配的非局部均值去噪算法

针对非局部均值（Non-Local Means, NLM）图像去噪算法易产生伪影与平滑细节的问题,提出一种联合多尺度图像块匹配的像素相似性测度,提高NLM算法去噪性能。首先,研究与分析了加权欧氏距离与欧氏距离两种相似性度量以及图像块尺寸设置对NLM算法的影响。其次,通过引入图像特征信息并利用K-means聚类方法将图像划分为平坦区域和包含边缘与纹理的结构区域,对每个类别中的像素点,联合两种尺度图像块匹配计算像素的平滑权重。最后,优化了算法的滤波参数。实验结果表明,提出的算法在噪声去除与细节保持方面明显优于经典的NLM算法,相比其他改进的NLM算法也有优势。     

基于改进马尔可夫随机场探地雷达有效信号提取方法

针对探地雷达图像背景含有大量噪声导致有效信号提取识别困难等问题,提出了一种基于改进马尔可夫随机场结合大津算法的探地雷达去噪的方法。该方法先使用大津算法,将探地雷达图像数据二值化,划分出前景和后景图像,后对图像使用改进马尔可夫随机场结合迭代条件模式算法(iterated conditional mode, ICM)进行降噪处理,得到只含有效信号的二值图。将二值图像与带噪图像结合比对,使用中值滤波法降噪,最后得到优化后的探地雷达图像。根据实验结果,该方法在探地雷达数据降噪和有效信号提取方面均具有较好的效果。同其他传统方法和原始马尔可夫随机场降噪方法相比,该方法在探地雷达各类评价方法中表现最优,具体表现为信号单道波波形对比中拟合度最高,峰值信噪比达52.528 1 dB,结构相似度为0.998 1。使用结合二值图像的滤波图像,可以使图像波形更清晰。因此,该方法在使用探地雷达进行探测、探伤工程项目中有一定实用价值。     

PCA显著性检验结合相关分析的图像缩放法

针对内容感知图像缩放法的显著图，引入主成分分析（PCA）法检测图像的显著性，并结合相关分析法进行图像缩放。先根据图像每个像素点构造3×3领域，通过PCA算法得到每点的显著得分并定义行、列的显著度；再结合图像行列相关分析得到的行列相近度，给出各行各列的重要值，删除或放大较小重要值的行列实现图像的缩放。实验结果表明，该方法理论简单、运行高效，不仅能够完整地保护重要区域，同时还可以让图像的整体概貌过渡良好。     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

面向遥感图像的小样本目标检测改进算法研究

针对传统的遥感图像目标检测中面临的小样本以及目标样本分布不均衡等问题, 提出了一种基于改进的卷积神经网络(convolutional neural network, CNN)的遥感图像小样本目标检测算法. 首先, 该算法利用 $K$ 近邻($K$-nearest neighbor, kNN)回归分别对每个点和卷积层提取特征构建局部邻域; 同时, 通过最大池化聚合所有局部特征进行全局特征表示; 最后, 采用全连接层与缩放指数型线性单元(scaled expected linear unit, SELU)激活函数计算各类别对应的概率并分类. 实验结果表明, 该算法能够更有效地融合局部特征, 提高了遥感图像小样本目标识别与检测的精度, 同时保持信息的非局部扩散.     

基于双树复小波的直方图路面裂缝检测算法

分割算法广泛用于公路路面裂缝的检测,然而低抗噪性是这类算法存在的主要问题.将双树复小波变换和直方图方向梯度相结合,提出一种基于双树复小波变换的路面裂缝检测算法.该算法用双树复小波变换对路面裂缝图像进行子带分解,对各子带图像进行直方图方向梯度矩阵计算,阈值化后确定裂缝边缘.实验结果表明,与传统边缘检测算法相比,该算法目标识别度高、抗干扰能力强及准确率高.     

基于二维EMD的图像分层放大方法

提出了一种新的图像分层放大方法,在各层上体现图像的局部和全局的相关性,弥补了传统插值放大中的不足.其原理是先将图像用二维经验模态分解(empirical mode decomposition,EMD)方法分解为具有不同复杂程度的图层,在每一分解层上分别设计一种组合放大方法,其中组合系数密切相关于图层的复杂度,最终的放大结果再由EMD逆过程得到.实验结果和数据表明这种方法能够取得良好的图像放大效果.     

利用小波域平滑和边缘保留的图像去噪算法

提出了一种基于小波域低频信号平滑及高频边缘保留的图像去噪方法.由于图像噪声主要集中在小波高频子图部分,且系数较小,常用的阈值去噪法存在阈值选取过大以致连同丢失掉边缘细节信息的缺陷,因此可以对高频子图提取边缘并保留和进行软阈值去噪处理后再融合;低频子图进行自适应维纳平滑滤波,进而得到重构出的去噪图像.实验结果表明,该方法在有效去噪的同时较好的保留了原有的边缘细节信息,效果明显.     

局部二值模式在连铸坯表面缺陷识别中的应用

为了解决传统的图像识别算法无法准确识别铸坯表面缺陷的问题,提出一种考虑图像相邻像素影响的改进的多块局部二进制算法(MB-LBP).该算法将原始图像分成多个小区域,每个小区域再做等分,并计算平均灰度值,再运用局部二进制模式算法进行计算.对现场采集到的连铸坯表面裂纹、划伤、压痕、凹坑和无缺陷共五类1697个样本进行实验,整体识别率达到94.9％,而传统局部二进制模式算法的识别率为89.1％,说明本文算法具有更好的鲁棒性和抗噪能力.     

基于小波和匹配跟踪的分层图像编码算法

提出了一种基于小波和匹配跟踪的分层图像编码算法. 该算法将原始图像划分成包含不同结构特征的平滑边缘层和纹理层,采用不同的压缩算法对不同的图像层进行编码,从而达到对整幅图像最优编码的目的. 实验结果表明,该算法不仅能够有效地捕捉图像中所包含的边缘和纹理等具有高频窄带的信号特征,而且在极低位率下的重建图像质量要优于单一小波图像编码算法.     

基于HSV和HE的复制粘贴篡改检测算法

针对块匹配检测算法不能准确提取图像面积较小区域、自然相似区域以及平滑区域特征的问题,提出一种基于HSV(hue,saturation,value)颜色空间和直方图均衡化算法的复制粘贴篡改精确检测与定位的方法。将待测图像从RGB(red,green,blue)颜色空间转换到HSV颜色空间,并通过直方图均衡化算法对图像HSV颜色空间的V通道进行特征增强;提取基于圆谐波变换的特征构建特征向量;使用最近邻搜索算法对构建的特征向量进行快速随机搜索得到稠密的偏移场;采用稠密线性拟合的方法滤除错误匹配,并通过形态学操作标识定位出篡改区域。实验结果表明,所提方法能够有效降低面积较小区域、自然相似区域和平滑区域的误检与漏检像素,从而提升检测结果并准确定位出图像的篡改区域。     

多光源图像细化和细节增强的协同图像处理算法研究

多光源图像合成处理过程中,为了增强图像的轮廓和表面细节,同时使合成后的图像边缘无伪迹、保真度高,提出了一种多光源图像细化与细节增强的协同处理算法。该算法通过梯度域法构建辅助层,采用二次过滤法提取出细节层,提出了新的阴影检测算法用来去除细节层的伪迹,同时使该细节层包含了输入图像的全部信息;使用一幅输入图像构造一个基础层并进行暗区亮度增强处理;细节层和基础层进行复合处理后,重现了暗影区丢失的细节,同时增强了现有的细节。该算法与其他算法进行图像处理对比实验,结果表明,该算法用于实现多光源图像细化和细节增强是可行的、有效的,采用这种方法合成的图像看起来更自然,相对于输入图像,输出图像保持了较高的保真度。该算法具有交互性,用户可以手动或自动调整合成图像的效果。     

基于全卷积神经网络的多尺度人脸检测

如何快速而准确地定位到人脸,针对这个问题,提出了一种基于全卷积神经网络的多尺度人脸检测方法.首先用全卷积层替换VGG网络中的全连接层,然后用二分类代替分类层,最后进行该算法下的人脸检测,通过对待检测的图片进行多尺度变换并将其输入到全卷积神经网络中,得到相应的概率矩阵,人脸图框通过非极大值抑制法获取.试验结果表明,该算法的准确率较高,检测时间短,性能较好.     

基于YOLO v5l-Im的排水管道缺陷检测方法及效果分析

针对YOLO v5l算法对于小目标、少样本且背景复杂的排水管道缺陷图像检测的精度低、误检和漏检率较高等问题,提出一种基于改进YOLO v5l算法的排水管道缺陷检测方法。做了三点改进：首先提出了基于Focal EIoU的损失函数,有效提升了检测模型的性能;其次为增强检测模型对小目标缺陷的检测效果,减少缺陷误检和漏检的概率,将骨干网络中浅层特征图融合到BiFPN特征融合网络中,增加针对小目标的预测层;最后在YOLO v5l中引入CA注意力模块,提高模型对图像中感兴趣区域的敏感程度,减少冗余背景信息的干扰。三种改进对平均准确度 mAP 值的提升分别为2.0、2.9、5.9 个百分点。将三种有效改进融合到一起,检测结果表明：本文提出的改进YOLO v5l模型的mAP值达到了92.1%,较原模型的85.5%提升了6.5个百分点。由此可见,所做的改进有效增强了YOLO v5l对排水管道缺陷的检测能力。     

基于粒子群的彩色印刷品图像分层搜索定位算法

针对彩色印刷品表面质量在线检测过程中存在目标图像定位精度低、定位速度慢而导致检测误判率高、检测效率低等问题,提出了一种基于粒子群的彩色图像分层搜索定位新算法.首先采用图像金字塔结构在空间域中对彩色图像进行分层,分析尺度因子和层数的选择对提取目标图像关键特征的影响;其次,基于边缘特征建立各层的匹配模型,最后引入粒子群算法(PSO)求解每层的最优匹配参数,实现待匹配对象的快速定位.实验结果分析表明,该方法对宽幅面彩色印刷品像素大小为1024×454的目标图像平均校正偏差不超过0.1°,即水平方向上的定位误差可达0.017个像素;对角度偏移小于6°的图像,分3层搜索校正的最长时间仅为12.6 ms,以上实验结果显示出该定位方法具有较高的精度和较强的实时性.     

基于卷积神经网络的胶囊内镜息肉与溃疡辅助诊断

针对目前胶囊内镜(WCE)自动检测方法需要对每种病灶设计对应的识别算法以及识别准确率不高的问题,设计一种基于卷积神经网络的息肉与溃疡辅助诊断算法。与传统检测算法相比,卷积神经网络可自动学习病灶图像特征,实现更强泛化能力,更高准确率和效率。该方法针对具体WCE图像,首先评价图像R、G、B通道携带信息的特征;其次,分析全局直方图均衡化、伽玛变换和拉普拉斯变换对提升图像对比度的效果,选择其中表现最佳者与信息最丰富的2个颜色通道组合成3通道输入到卷积网络中训练和识别。测试表明,本算法识别准确率96.8%,比传统的经典图像检测方法高出至少16.73%,检测速度达到68.6图/s,能够推广应用到医疗辅助诊断领域。     

基于灰色绝对关联度的边缘检测算法

探讨了灰色关联度在边缘检测中的适用情况,提出并实现了基于灰色绝对关联度的灰度图边缘检测算法.该算法有效地避免了几种典型的边缘点误判,算法中简单的逻辑或操作克服了灰色绝对关联度在边缘检测中的方向性问题.实验结果表明本算法快速有效.