论文部分内容阅读
机器视觉系统已经广泛地应用于产品质量检测、零件识别、生产监视等现代工业自动化生产的各种环节。机器视觉系统检测产品质量首先使用即时图像摄取装置抓拍图像，然后将之传送到处理单元进行数字化处理，再采用通用或专用的处理算法，根据颜色、亮度、边缘、轮廓等特征进行判断，最后根据判断结果控制现场设备动作。图像的质量对于机器视觉的效果至关重要，而实际应用中采集到的原始图像往往质量并不完美。提高机器视觉效果的一种有效手段便是在采用算法处理图像之前对图像进行超分辨率复原。 本文从工业机器视觉的具体应用出发，针对基于学习的图像超分辨率复原中的若干问题，结合支持向量机、基因表达式编程、神经网络三种机器学习技术，提出三种新的超分辨率算法。 （1）针对范例学习的运算量大、误匹配和复原质量差等问题，提出基于支持向量机预分类学习的图像超分辨率复原算法。首先采用支持向量机算法筛选出与目标图像相关性高的样本子库，然后在此基础上实现图像超分辨率复原。实验结果显示，与 Freeman提出的经典的基于范例学习的超分辨率复原算法相比，该算法的PSNR提高了8.18％，运行时间减少了73.24%。 （2）为了从颜色、纹理等多种图像特征的角度筛选出与目标图像相关性高的样本子库，在多标记框架下进行样本预分类。基于模糊数学理论提出基因表达式编程多标记分类的超分辨率算法，进一步缩小低分辨率图像块的匹配范围，提高复原质量。实验结果显示，该算法的PSNR和SSIM比Freeman算法分别提高了16.55%和7.69%。 （3）针对线性多类预测器学习复原所得图像的边缘部分较为平滑的问题，提出基于神经网络的非线性多类预测器学习。设计了神经网络多类预测器，采用小生境基因表达式编程方法优化反向传播神经网络。通过学习样本集对预测器进行训练，学得学习样本中的先验知识，进而根据从低分辨率图像块提取的特征矢量预测图像高频信息、完成图像超分辨率复原。实验结果显示，该算法的PSNR和SSIM比Freeman算法分别提高了14.93%和14.1%，且主观上，复原结果具有更丰富的细节。 最后，将所提出的基于学习的图像超分辨率复原算法应用于机械质量检测，如齿轮缺陷检测等。作为相应的机器视觉检测算法的预处理模块，所提出的超分辨率算法取得了良好的效果。