機器視覺檢測中的圖像超分辨率復(fù)原算法及應(yīng)用研究.pdf

1、機器視覺系統(tǒng)已經(jīng)廣泛地應(yīng)用于產(chǎn)品質(zhì)量檢測、零件識別、生產(chǎn)監(jiān)視等現(xiàn)代工業(yè)自動化生產(chǎn)的各種環(huán)節(jié)。機器視覺系統(tǒng)檢測產(chǎn)品質(zhì)量首先使用即時圖像攝取裝置抓拍圖像，然后將之傳送到處理單元進行數(shù)字化處理，再采用通用或?qū)Ｓ玫奶幚硭惴ǎ鶕?jù)顏色、亮度、邊緣、輪廓等特征進行判斷，最后根據(jù)判斷結(jié)果控制現(xiàn)場設(shè)備動作。圖像的質(zhì)量對于機器視覺的效果至關(guān)重要，而實際應(yīng)用中采集到的原始圖像往往質(zhì)量并不完美。提高機器視覺效果的一種有效手段便是在采用算法處理圖像之前對圖像進

2、行超分辨率復(fù)原。
　　本文從工業(yè)機器視覺的具體應(yīng)用出發(fā)，針對基于學習的圖像超分辨率復(fù)原中的若干問題，結(jié)合支持向量機、基因表達式編程、神經(jīng)網(wǎng)絡(luò)三種機器學習技術(shù)，提出三種新的超分辨率算法。
　?。?）針對范例學習的運算量大、誤匹配和復(fù)原質(zhì)量差等問題，提出基于支持向量機預(yù)分類學習的圖像超分辨率復(fù)原算法。首先采用支持向量機算法篩選出與目標圖像相關(guān)性高的樣本子庫，然后在此基礎(chǔ)上實現(xiàn)圖像超分辨率復(fù)原。實驗結(jié)果顯示，與 Freeman提出

3、的經(jīng)典的基于范例學習的超分辨率復(fù)原算法相比，該算法的PSNR提高了8.18％，運行時間減少了73.24%。
　?。?）為了從顏色、紋理等多種圖像特征的角度篩選出與目標圖像相關(guān)性高的樣本子庫，在多標記框架下進行樣本預(yù)分類。基于模糊數(shù)學理論提出基因表達式編程多標記分類的超分辨率算法，進一步縮小低分辨率圖像塊的匹配范圍，提高復(fù)原質(zhì)量。實驗結(jié)果顯示，該算法的PSNR和SSIM比Freeman算法分別提高了16.55%和7.69%。

4、　?。?）針對線性多類預(yù)測器學習復(fù)原所得圖像的邊緣部分較為平滑的問題，提出基于神經(jīng)網(wǎng)絡(luò)的非線性多類預(yù)測器學習。設(shè)計了神經(jīng)網(wǎng)絡(luò)多類預(yù)測器，采用小生境基因表達式編程方法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)。通過學習樣本集對預(yù)測器進行訓練，學得學習樣本中的先驗知識，進而根據(jù)從低分辨率圖像塊提取的特征矢量預(yù)測圖像高頻信息、完成圖像超分辨率復(fù)原。實驗結(jié)果顯示，該算法的PSNR和SSIM比Freeman算法分別提高了14.93%和14.1%，且主觀上，復(fù)原結(jié)果具有