機(jī)器視覺中的聚類檢測(cè)新方法.pdf

1、20世紀(jì)80年代,隨著數(shù)字圖像處理技術(shù)的興起,以及大規(guī)模集成電路的迅速發(fā)展,視覺檢測(cè)技術(shù)作為一種無(wú)損檢測(cè)手段越來(lái)越引起人們的重視,聚類分析作為一種統(tǒng)計(jì)學(xué)習(xí)方法在機(jī)器視覺檢測(cè)中具有重要應(yīng)用。本文對(duì)聚類的新方法及其在機(jī)器視覺檢測(cè)中的應(yīng)用進(jìn)行研究,主要內(nèi)容包括四個(gè)方面:群體智能聚類方法、核密度估計(jì)聚類方法、基于小波和共生矩陣的紋理表面缺損檢測(cè)以及X射線魚刺檢測(cè)。 特征提取是聚類分析和視覺檢測(cè)的一個(gè)重要環(huán)節(jié),特征提取的好壞直接影響檢測(cè)的

2、效果.本文首先對(duì)統(tǒng)計(jì)特征、形狀特征、色度特征和紋理特征及機(jī)器視覺檢測(cè)中特征提取和選擇的方法進(jìn)行了綜述。 本文的創(chuàng)新性工作有: 1.提出了基于蟻群算法的圖像聚類方法。蟻群算法被廣泛應(yīng)用于優(yōu)化問(wèn)題,本文將其與模糊聚類方法相結(jié)合,改進(jìn)啟發(fā)式引導(dǎo)函數(shù),增加其正反饋的能力,通過(guò)設(shè)置初始聚類中心,將蟻群算法中螞蟻之間的計(jì)算轉(zhuǎn)化為螞蟻同聚類中心之間的計(jì)算,從而大大降低計(jì)算量。研究了粒子群方法在圖像聚類中的應(yīng)用。根據(jù)最小類內(nèi)距離和最大類

3、間距離原則設(shè)計(jì)了粒子群方法中的適應(yīng)度函數(shù),將其與模糊聚類方法相結(jié)合。 2.提出了最優(yōu)帶寬的核密度估計(jì)聚類方法。核密度估計(jì)中的帶寬參數(shù)選擇以及核密度估計(jì)的局部極大值搜索是影響核密度估計(jì)聚類結(jié)果的兩個(gè)關(guān)鍵問(wèn)題。根據(jù)帶寬參數(shù)與灰度密度估計(jì)熵的關(guān)系,選擇最優(yōu)帶寬參數(shù),并結(jié)合meaJl sllifI密度極大值搜索方法進(jìn)行聚類。 3.提出了多尺度方法和聚類方法相結(jié)合的檢測(cè)技術(shù)。紋理表面檢測(cè)是通過(guò)紋理特征提取實(shí)現(xiàn)紋理特征聚類,本文采

4、用小波變換對(duì)紋理圖像進(jìn)行多尺度分解,通過(guò)分析各分解層上的子圖像灰度共生矩陣特征得到濾除紋理的低頻近似子圖像,在此基礎(chǔ)上采用聚類方法實(shí)現(xiàn)缺損檢測(cè)。 4.提出和實(shí)現(xiàn)了聚類方法對(duì)X射線圖像進(jìn)行魚刺檢測(cè)。根據(jù)X射線圖像中灰度分布特點(diǎn),首先對(duì)圖像進(jìn)行預(yù)處理,采用高斯分布函數(shù)選取包含魚刺及與魚刺灰度相近部分的感興趣區(qū)域,以降低待處理數(shù)據(jù)量保證算法速度,在此基礎(chǔ)上,采用粒子群聚類方法進(jìn)行檢測(cè),并根據(jù)魚刺一般為極細(xì)小的點(diǎn)或線狀特征檢出魚刺。仿真