機器視覺檢測中的圖像超分辨率復原算法及應用研究.pdf

1、機器視覺系統(tǒng)已經(jīng)廣泛地應用于產(chǎn)品質量檢測、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，再采用通用或專用的處理算法，根據(jù)顏色、亮度、邊緣、輪廓等特征進行判斷，最后根據(jù)判斷結果控制現(xiàn)場設備動作。圖像的質量對于機器視覺的效果至關重要，而實際應用中采集到的原始圖像往往質量并不完美。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、行超分辨率復原。
　　本文從工業(yè)機器視覺的具體應用出發(fā)，針對基于學習的圖像超分辨率復原中的若干問題，結合支持向量機、基因表達式編程、神經(jīng)網(wǎng)絡三種機器學習技術，提出三種新的超分辨率算法。
　?。?）針對范例學習的運算量大、誤匹配和復原質量差等問題，提出基于支持向量機預分類學習的圖像超分辨率復原算法。首先采用支持向量機算法篩選出與目標圖像相關性高的樣本子庫，然后在此基礎上實現(xiàn)圖像超分辨率復原。實驗結果顯示，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性高的樣本子庫，在多標記框架下進行樣本預分類。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，提高復原質量。實驗結果顯示，該算法的PSNR和SSIM比Freeman算法分別提高了16.55%和7.69%。

4、　?。?）針對線性多類預測器學習復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)絡的非線性多類預測器學習。設計了神經(jīng)網(wǎng)絡多類預測器，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。通過學習樣本集對預測器進行訓練，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測圖像高頻信息、完成圖像超分辨率復原。實驗結果顯示，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，復原結果具有