基于輪廓波變換的金屬斷口圖像處理方法研究.pdf

1、本論文是在國(guó)家自然科學(xué)基金(51075372)和無(wú)損檢測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(No.ZD200829003)資助下,將輪廓波(Contourlet)變換應(yīng)用于金屬斷口圖像處理中,并在此基礎(chǔ)上,深入研究了基于Contourlet變換的金屬斷口圖像處理方法,取得了一些創(chuàng)新性成果。本論文的主要內(nèi)容包括以下幾個(gè)方面:
　　 第一章,論述了本課題的提出及其研究意義,綜述了金屬斷口圖像的國(guó)內(nèi)外研究現(xiàn)狀,并對(duì)Contourlet變換的

2、國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了闡述,提出了本論文的主要內(nèi)容及創(chuàng)新之處。
　　 第二章,針對(duì)小波變換在圖像處理領(lǐng)域中的不足,論述了Contourlet變換的基本理論和算法,同時(shí),通過(guò)仿真實(shí)驗(yàn)對(duì)比了Contourlet變換和小波變換在圖像處理中的優(yōu)缺點(diǎn),給出了離散Contourlet變換的特性。本章的內(nèi)容是整篇論文的理論基礎(chǔ)。
　　 第三章,針對(duì)Contourlet變換在圖像處理中存在的低頻變換產(chǎn)生冗余性的不足,即Contourlet

3、變換中的拉普拉斯分解是有冗余的,并考慮到Grouplet變換是基于圖像幾何流最佳稀疏表示的正交變換,可以最大限度的利用圖像的幾何特征,提出了一種無(wú)冗余的基于Grouplet-Contourlet變換的金屬斷口圖像去噪和增強(qiáng)方法,提出的方法利用Grouplet變換代替Contourlet變換中的拉普拉斯塔形分解,消除了Contourlet變換的冗余性。同時(shí),將提出的算法與基于傳統(tǒng)的小波變換和Contourlet變換的圖像去噪和增強(qiáng)算法進(jìn)行

4、了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明,該算法優(yōu)于基于傳統(tǒng)的小波變換和Contourlet變換的圖像去噪和增強(qiáng)算法,提高了去噪和增強(qiáng)圖像的峰值信噪比,同時(shí)也很好的保留了圖像的輪廓信息。
　　 第四章,基于小波的Contourlet變換是一種新的無(wú)冗余和完美重構(gòu)的變換,與小波變換和Contourlet變換相比較,能更好地挖掘圖像的方向、紋理等信息。脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)是一種可視化貓激勵(lì)的神經(jīng)網(wǎng)絡(luò),具有同步脈沖發(fā)放和全局耦合等特性,它不需

5、要學(xué)習(xí)或者訓(xùn)練,能從復(fù)雜背景下提取有效信息。結(jié)合兩種方法的各自的優(yōu)點(diǎn),提出了一種基于WBCT-PCNN的圖像融合方法。在提出的方法中,首先對(duì)待融合的兩幅圖像進(jìn)行WBCT變換,然后對(duì)得到的各對(duì)應(yīng)的低頻和高頻子帶系數(shù)采用PCNN融合規(guī)則選取融合系數(shù),最后對(duì)融合后的子帶系數(shù)采用逆WBCT變換生成融合圖像。同時(shí),將提出的算法與基于PCNN、小波-PCNN、Contourlet-PCNN、NSCT-PCNN的融合算法進(jìn)行了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明,

6、該算法在圖像融合方面具有一定的優(yōu)勢(shì)。
　　 第五章,將峭度的概念和Contourlet變換引入到金屬斷口圖像處理中,并結(jié)合Contourlet變換和峭度的各自優(yōu)點(diǎn),給出了Contourlet峭度的定義和算法,與L1范數(shù)、平均能量相比較,Contourlet峭度能夠更敏感地反映金屬斷口的紋理特征,并且對(duì)方向不敏感。在此基礎(chǔ)上,提出了一種基于Contourlet峭度的金屬斷口圖像識(shí)別方法。該方法首先對(duì)金屬斷口圖像進(jìn)行三級(jí)Contou

7、rlet變換,將各個(gè)頻帶輸出的峭度作為斷口識(shí)別的特征,輸入到分類器中進(jìn)行識(shí)別。同時(shí),提出的方法還與基于厶范數(shù)和平均能量的識(shí)別方法進(jìn)行了比較。試驗(yàn)結(jié)果表明,提出的方法是有效的。
　　 關(guān)聯(lián)向量機(jī)(relevence vectormachine,RVM)具有很好的泛化能力,能對(duì)類別的歸屬給出一種概率度量。本章還結(jié)合RVM和Contourlet變換各自的優(yōu)點(diǎn),提出了一種基于Contourlet-RVM金屬斷口圖像識(shí)別方法。在提出的方法

8、中,首先對(duì)金屬斷口圖像進(jìn)行兩級(jí)Contourlet變換,將各個(gè)頻帶輸出的厶范數(shù)作為斷口識(shí)別的特征,然后采用RVM分類器進(jìn)行分類。同時(shí),提出的方法還與Contourlet-SVM識(shí)別方法進(jìn)行了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明,提出的方法是有效的,不論在正確識(shí)別率方面,還是在訓(xùn)練速度方面,Contourlet-RVM識(shí)別方法都優(yōu)于Contourlet-SVM識(shí)別方法。
　　 第六章,對(duì)本論文的研究工作進(jìn)行了總結(jié),并提出了值得進(jìn)一步研究的問(wèn)題。