基于视觉熵注意机制的微靶球快速检测方法研究

摘要

随着机器视觉相关技术的发展，微视觉领域在检测精度以及自动化程度方面的要求也越来越高。传统人工精密检测的方法，存在误差较大、效率较低等问题。机器视觉技术以其独有的非接触性、高精度等特性，逐渐占据越来越多的市场份额，在工业领域的应用也逐渐增多。 但是在微视觉领域，普遍存在低信噪比、大数据量、视野范围较小等问题，以上问题会直接影响检测的精度及效率，尤其在本文研究内容涉及的微靶球检测领域尤为明显。因此本文结合信息论理论和视觉注意算法，提出了一种在微视觉环境下的基于视觉熵注意机制的微靶球快速检测方法。 (1)首先采用多视场协同检测的方法，利用低分辨率但视野较大的镜头采集微靶球的大视场图像。应用视觉注意算法，获取大视场图像中的感兴趣区域，进而获取感兴趣区域坐标，得到小视场图像。在小视场图像中提取微靶球的特征，进行处理、筛选，最终融人大视场图像中获取微靶球坐标位置。 (2)在视觉注意算法的研究过程中，本文以微视觉环境为研究背景，将信息论理论和机器视觉相结合，提出了一种基于熵值计算方法的视觉注意算法。算法的推导以生物学中人眼的余光感知机制为起点，结合概率论理论和信息论熵值理论，经演变推导得到视觉熵注意算法，以此算法来提取大视场中的感兴趣区域。文中实验结果表明，在微视觉环境下，视觉熵注意机制能够精确、高效的获取大视场中的显著区域。 (3)由于微视觉图像低信噪比的特点，需要进行图像增强处理，来获取更清晰、准确的微靶球图像。但由于微靶球的高度聚集性，使得视野的大部分区域都没有微靶球的分布。为了降低无目标区域的噪点对整体图像的影响，本文采取局部图像增强的方法，应用目标边缘增强和照度增强相结合的算法，来获取精确的微靶球信息。文中实验表明在图像增强这一环节所应用的方法相对其他方法能够有效、精准的增强微靶球的显示效果。 (4)在成功获取大、小视场之后，针对大、小视场图像的目标进行特征提取及匹配处理，但是由于微视觉图像大数据量、低信噪比等特征，造成传统的特征提取匹配算法无法得到精确的结果。因此在传统算法的基础上，文中提出一种目标轮廓差分熵敛散性判别算法，有针对性的消除误识别、误匹配现象，提高筛选精度。

目录

声明

摘要

第一章绪论

1．1课题研究背景及意义

1．2显微检测方法研究现状

1．3视觉注意的发展及研究现状

1．3．1视觉生物基础

1．3．2视觉注意的理论研究现状

1．3．3视觉注意计算模型研究现状

1．4论文主要内容和章节安排

1．4．1论文主要内容

1．4．2论文章节安排

第二章基于视觉熵的视觉注意算法

2．1引言

2．2微视觉图像噪声滤波

2．2．1噪声滤波常用的算法介绍

2．2．2噪声分析及微视觉降噪方法

2．3视觉熵注意算法的实现

2．3．1视觉显著性分析

2．3．2视觉信息论理论基础

2．3．3视觉熵及其计算方法

2．4小视场定位结果及分析

2．5本章小结

第三章微视觉图像局部信息增强方法

3．1引言

3．2图像增强算法相关研究

3．2．1空域图像增强算法

3．2．2频域图像增强算法

3．3微视觉图像局部增强算法融合原理

3．4实验结果及熵值评估分析

3．4．1图像局部增强实验

3．4．2图像增强熵值评估分析

3．5本章小结

第四章微靶球特征识别优化算法

4．1引言

4．2目标轮廓识别相关方法研究

4．2．1 S／FT算法

4．2．2SURF特征

4．3 ORB特征检测算法

4．3．1 ORB算法分析

4．3．2 ORB算法实验分析及误差分析

4．4微靶球轮廓差分熵敛散性判别识别算法

4．4．1差分熵算法介绍

4．4．2差分熵算法原理

4．4．3微靶球轮廓差分熵敛散性判别实验

4．4．4实验结果及分析

4．5本章小结

第五章微靶球测量实验

5．1微靶球测量标定实验

5．1．1标定原理

5．1．2标定实验

5．2测量算法及实验分析

5．2．1边缘检测算法原理

5．2．2测量实验结果及分析

5．3本章小结

第六章总结与展望

6．1总结

6．2展望

参考文献

发表论文和参加科研情况说明

附录

致谢