混合反射特性表面形貌测量中光刀条纹的提取方法

该文通过分析混合反射特性表面在实施光刀法三维形貌测量过程中的噪声来源,给出了噪声与有效条纹图像形态学特征的差异。根据两者的灰度连续性差异,提出了去除噪声的图像处理方法。首先增强条纹状噪声的灰度离散化程度,使用灰度阈值的图像分割方法,分离噪声与背景亮度,同时保持有效条纹的灰度连续性;再通过基于图像形态学的处理方法去除已经颗粒化的噪声,对已去噪图像的有效条纹进行边缘修复和断线连接,得到有效条纹的二值化掩模图像。用掩模图像与原图像相乘,可提取出原图像中的有效信息。结果表明:该方法从具有噪声的光刀图像中准确地提取出了有效条纹。     

自适应条纹图像滤波方法

提出一种自适应条纹图像空域滤波方法.该方法能够自动识别条纹图像的不同频率区域.针对低频（稀疏）区域,采用一种新的基于二次曲面拟合的滤波方法进行去噪;对于高频（密集）区域,则先估计条纹空间频率,再利用该频率重新计算像素灰度的最小二乘逼近值,从而达到滤波的目的.该方法适用于各种类型光学条纹图像的降噪处理,特别是空间频率变化较大的条纹图像的处理.实验及计算机模拟结果都证明了该方法的有效性.     

基于LabVIEW和IMAQ的动车车号自动识别

随着人工智能的快速发展,机器视觉系统所具有的数字化、智能化、实时化等特点逐渐被应用到实际项目中.此系统以实现对过往动车车号识别为研究目的,采用NI公司的LabVIEW软件作为开发平台,调用IMAQ专业控件及Vision Assistant函数库,设计一款智能化,并同时包括图像采集、图像预处理、车号定位与字符识别等完整的动车车号识别系统.此系统包含背景校正算法、基本形态学算法以及字符间距分割算法等,且动车车号识别率高达99.81%,解决实际应用问题,为进一步研究奠定基础.     

结合循环迭代方法的自适应中值去噪新模型

针对传统去除椒盐噪声方法在图像噪声密度较高时去噪性能较差的缺点,本文提出了一种结合循环迭代方法的自适应中值去噪新模型,提高了高密度椒盐噪声下去噪算法的性能.该滤波器工作模式可分为三个阶段：首先,图像疑似噪声点预处理,通过极值判断法,将待处理像素点进行区分得到疑似噪声点;其次,确定噪声点处理,将已确定噪声点用邻域内的中值或均值自适应替换,从而完成去噪;最后,疑似噪声点再次处理,通过算法内置参数和条件,进一步判断疑似噪声点是否为噪声点.该模型还加入噪声标记点方法,通过迭代处理判断标记点结束去噪,得到滤波后的图像.仿真实验证明,本文提出的方法较传统的几种去除椒盐噪声滤波算法,针对无论是低密度噪声图像或是高密度噪声图像,去噪性能都有一定的提升,且能够较好地保留图像边缘和纹理等结构信息.     

带修正因子的均值和中值滤波算法研究

大部分自然图像同时包含高斯噪声和椒盐噪声,简单地运用传统的滤波算法不能得到理想的滤波效果.为了解决混合噪声图像的滤波问题,分别针对以高斯噪声为主的混合噪声图像和以椒盐噪声为主的混合噪声图像,提出了带修正因子的均值滤波算法和带修正因子的中值滤波算法.这两种算法在修正后的阿尔法均值滤波算法的基础上做了两方面的改进:首先,提出在图像邻域内为不同灰度值的像素点给出归一化的权值,用这些权值和与其对应的灰度值共同决定滤波输出.其次,所设计的权值可以用修正因子来进行微调,来获得理想的滤波效果.实验证明,其处理效果优于传统滤波算法和修正后的阿尔法均值滤波算法.     

云纹干涉条纹图像自动识别的研究

本文为得到正确的能被计算机自动识别的云纹干涉条纹,首先对图像作滤波、二值化、细化等处理。尽管滤波可以有效地消除图像中的噪声,但当图像中本身就存在很大的噪声,滤波也不能完全消除这些噪声的影响。因此在细化后的细化图像中局部可能会存在分叉以及两条或几条条纹在空域上连在一起。在本文中提出了对条纹跟踪进行控制的方法来达到条纹提取的目的。最后对跟踪到的曲线进行多项式拟合来消除噪声的影响。处理结果表明采取以上的对云纹干涉条纹图像进行处理的步骤所得到的图像可以很好的被计算机自动识别,并且图像中的数据更加有效、准确。     

快速二步交叉非局部的图像混合噪声滤波器

真实的自然图像常被各类图像噪声污染,而传统去噪方法普遍只针对一种噪声类型设计,因此在处理混合噪声时往往去噪效果不佳.针对这一问题,提出一种快速二步交叉非局部混合滤波算法.该滤波包括二步交叉滤波部分与整体滤波部分,在二步交叉滤波部分,首先找到像素灰度的极值点进行定位,并使用非局部中值滤波对极值点进行简单的去除椒盐噪声,求出图像的差值积分图,最后使用改进的加速非均值滤波进一步去除噪声.在整体滤波部分,使用非局部中值滤波整体去除噪声.实验结果表明,所提算法在高强度的混合噪声污染情况下,修复的图像获得了更高的测量指标和更加理想的视觉效果.     

基于小波收缩阈值和维纳滤波的去噪方法

针对高斯噪声图像的结构特点及传统去噪方法中所存在的问题,提出一种基于小波收缩阈值法和维纳滤波法相结合的图像去噪方法.采用小波收缩阈值法对图像进行去噪,对处理后的图像用维纳滤波法进行平滑处理.采用独立自适应阈值,对其子带阈值进行确定,并引入调节系数.仿真结果表明,所提出的方法在高斯去噪效果和保留图像细节信息性能方面优于中值滤波算法、均值滤波算法等方法.     

分数阶小波时频域的图像去噪新方法

为了提高图像的质量以及满足后续图像处理的需求,提出了一种基于分数阶小波时频域的图像去噪新方法。该方法通过二维分数阶小波变换将图像映射到分数阶小波时频域内,在时频域内实现图像的去噪处理,最后通过分数阶小波逆变换实现图像的重构。图像去噪实验结果表明:采用该方法去噪后的图像输出峰值信噪比明显提高,在抑制噪声的同时可以有效保持图像细节。     

基于L~1范数变分模型的高密度椒盐噪声滤波

针对现有图像滤波算法在去除高密度椒盐噪声方面的不足,提出了一种基于L1范数变分模型的去噪算法.该算法首先根据椒盐噪声的特点和像素的局部灰度特征分离出噪声点和信号点,在滤波过程中,对信号点不予处理,而对噪声点采用基于L1范数的变分模型进行恢复.由于椒盐噪声的灰度值与原始像素无关,因此,去噪时只利用噪声点邻域内信号点本身的灰度信息,并将已处理过的噪声点当作新的信号点,以避免对下一像素滤波时的影响.最后通过仿真实验,结果表明,在高密度噪声条件下(50%),该算法的噪声去除能力和细节保护能力均可获得令人满意的结果.