视觉检测技术及智能计算PDF电子书下载

第1章 绪论 1

1.1 关于视觉检测 1

1.1.1 视觉检测技术 1

1.1.2 仿生视觉检测 2

1.2 视觉检测技术概述 2

1.2.1 视觉检测技术的相关概念 2

1.2.2 通用的视觉检测系统架构 4

1.3 国内外研究及应用现状和涉及的图像处理方法 5

1.3.1 视觉检测技术国内外研究及应用现状 5

1.3.2 视觉检测涉及的图像处理方法 8

1.4 视觉仿生技术及应用现状 11

1.5 视觉检测面临的主要问题 13

第2章 仿生视觉检测系统模式研究 15

2.1 引言 15

2.2 视觉检测的生物学证据及其视觉信息加工机制 15

2.2.1 人类视觉感知系统的生理机制 15

2.2.2 人类视觉感知系统的信息加工特点 17

2.2.3 人类视觉感知系统的信息加工机制 19

2.2.4 视觉注意机制 19

2.3 视觉显著性检测方法 21

2.3.1 视觉显著性的特点 21

2.3.2 视觉显著性的描述方法 22

2.3.3 视觉显著性的度量方法 25

2.4 基于注意机制的视觉检测系统架构 26

2.4.1 仿人眼的视觉检测系统模式 27

2.4.2 视觉显著性的检测模式 28

2.4.3 基于注意机制的视觉检测系统模型 30

2.5 本章小结 31

第3章 成像变换及相机模型 32

3.1 三维变换 32

3.1.1 三维坐标 32

3.1.2 平移 32

3.1.3 旋转 34

3.1.4 刚性变换和相似变换矩阵 37

3.2 相机类型及其参数 37

3.2.1 区域扫描相机 38

3.2.2 线扫描相机 40

3.3 摄像机标定 42

3.3.1 摄像机标定概述 42

3.3.2 摄像机模型 43

3.3.3 摄像机标定坐标系 44

3.3.4 张氏标定算法 47

3.3.5 双目标定 50

3.3.6 标定结果和误差分析 50

第4章 面向视觉检测任务的图像配准 60

4.1 图像配准的基本步骤 60

4.1.1 特征提取 60

4.1.2 特征匹配 63

4.1.3 搜索映射函数 64

4.1.4 图像变换和重采样 66

4.2 基于灰度的图像配准 67

4.2.1 模板匹配 67

4.2.2 基于互信息的配准方法 68

4.2.3 基于互信息的模板配准方法 69

4.2.4 实验结果及分析 71

4.3 基于特征的图像配准 74

4.3.1 SIFT特征提取 74

4.3.2 Harris角点检测 75

4.3.3 小波金字塔法 76

4.3.4 分层配准方法 77

4.3.5 实验结果及分析 78

4.4 全局配准 80

4.4.1 无序图像间的排列 80

4.4.2 捆绑束调整 81

4.5 本章小结 82

第5章 面向视觉检测任务的图像融合 83

5.1 加权平均法 83

5.2 基于塔型变换的多尺度分解方法 84

5.3 基于小波变换的多尺度分解方法 85

5.4 图像融合的客观评价法 86

5.5 迭代融合方法 88

5.6 实验结果及分析 89

5.7 本章小结 93

第6章 基于PSO-ICA的视觉检测 94

6.1 引言 94

6.2 PSO-ICA算法 94

6.2.1 ICA基本模型 95

6.2.2 ICA预处理 96

6.2.3 PSO-ICA算法介绍 96

6.2.4 实验结果与分析 97

6.3 基于PSO-ICA重构的缺陷检测 100

6.3.1 太阳能电池的IC分量属性 101

6.3.2 缺陷检测算法 104

6.3.3 实验结果与分析 105

6.4 基于PSO-ICA滤波的缺陷检测 107

6.4.1 缺陷检测算法 107

6.4.2 实验结果与分析 109

6.5 本章小结 112

第7章 基于多元统计分析的视觉检测 113

7.1 引言 113

7.2 多元统计分析方法 113

7.2.1 多元随机变量和多元统计分析 114

7.2.2 HotellingT2统计量 114

7.2.3 X2测试 116

7.3 基于小波域多元统计分析的缺陷检测 116

7.3.1 小波分解 116

7.3.2 基于Hotelling T2统计量的缺陷检测 117

7.3.3 基于T2统计量的缺陷检测 119

7.4 实验结果与分析 121

7.4.1 统计单元尺寸的选取 122

7.4.2 统计法参数的选取 122

7.4.3 缺陷检测实验结果 123

7.4.4 检测性能分析 125

7.5 本章小结 126

第8章 基于视觉仿生机制的视觉检测 127

8.1 引言 127

8.2 典型的视觉注意模型 128

8.3 视觉注意模型的改进 131

8.3.1 自顶向下注意信息的提取 132

8.3.2 双向注意信息协同加工方法 134

8.3.3 基于双向协同视觉注意机制的铜带表面缺陷检测方法 137

8.4 实验及结果分析 139

8.4.1 双向注意信息协同加工实验 140

8.4.2 基于双向协同视觉注意模型的缺陷区域检测实验 142

8.4.3 算法噪声鲁棒性分析 145

8.5 本章小结 147

第9章 立体视觉测量 148

9.1 双目立体视觉视差测距原理 150

9.2 匹配约束条件说明 151

9.3 基于区域的匹配 152

9.4 种子区域生长与SIFT相结合的算法 153

9.4.1 灰度归一化预处理 155

9.4.2 SIFT算法立体匹配 155

9.4.3 种子生长匹配算法 156

9.5 匹配结果和参数调整实验 157

9.5.1 标准匹配用图的视差图求取结果 157

9.5.2 对金字塔层数的实验 158

9.5.3 σ大小对实验结果的影响 158

9.5.4 对实际图像的匹配 161

9.5.5 立体匹配算法评价 161

9.6 三维坐标求取原理 163

9.7 尺寸测量实验 165

9.7.1 图像对的采集与获取 165

9.7.2 M矩阵求取 166

9.7.3 尺寸测量结果 166

9.7.4 进行误差分析 169

9.8 误差分析 169

9.9 本章小结 170

第10章 铜带表面缺陷检测、识别与分类系统 171

10.1 实验系统的建立 171

10.1.1 实验硬件平台 171

10.1.2 实验系统软件平台 172

10.1.3 铜带表面缺陷样本库 173

10.2 铜带表面缺陷的视觉显著性检测实验 174

10.2.1 基于初级视觉特征的缺陷显著性检测 174

10.2.2 基于频谱纹理特征的缺陷显著性检测 175

10.2.3 基于纹理统计特征的缺陷显著性检测 177

10.3 基于支持向量机的铜带表面缺陷分类 180

10.3.1 SVM基本理论 180

10.3.2 分类算法 182

10.3.3 支持向量机分类实验 183

10.4 本章小结 186

第11章 交通标志检测和识别系统 187

11.1 引言 187

11.2 交通标志检测和识别系统设计 188

11.3 交通标志检测识别关键算法 190

11.3.1 注意层 190

11.3.2 中间层 190

11.3.3 交通标志分割 194

11.3.4 基于SVM的交通标志分类 199

11.4 实验与分析 202

11.4.1 注意焦点选择和转移实验 202

11.4.2 感兴趣区域选择实验 204

11.4.3 交通标志分类识别实验 204

11.5 本章小结 205

第12章 基于嵌入式技术的交通标志检测和识别系统 206

12.1 嵌入式硬件平台设计 206

12.1.1 电源模块设计 207

12.1.2 存储器模块设计 208

12.1.3 图像采集和显示模块设计 209

12.1.4 CAN总线模块设计 209

12.1.5 CPLD的设计 210

12.2 嵌入式系统软件设计 211

12.2.1 CCS 3.3集成开发环境 211

12.2.2 软件设计 212

12.2.3 实验及结果分析 216

12.3 本章小结 217

参考文献 218