基于神經(jīng)網(wǎng)絡(luò)的玻璃缺陷類型識別方法設(shè)計(jì)

1、<p><b>　　畢業(yè)論文</b></p><p>　　基于神經(jīng)網(wǎng)絡(luò)的玻璃缺陷類型識別方法</p><p>　　學(xué)生姓名： 毛睿達(dá) 學(xué)號：1105064125 </p><p>　　學(xué) 院： 信息與通信工程學(xué)院 </p><p>　　專 業(yè)： 電子信息工程

2、 </p><p>　　指導(dǎo)教師： 金永 </p><p><b>　　2015年6月</b></p><p>　　基于神經(jīng)網(wǎng)絡(luò)的玻璃缺陷類型識別方法</p><p><b>　　摘要</b></p><p>　　在

3、玻璃生產(chǎn)過程中，由于受工藝和環(huán)境限制，會產(chǎn)生各種缺陷，這些缺陷不僅影響了玻璃制品的外觀質(zhì)量，也降低了玻璃的使用價(jià)值和再次加工率。為了提高玻璃質(zhì)量及方便玻璃質(zhì)量等級劃分，必須對缺陷進(jìn)行分類。本文針對玻璃缺陷圖像的特點(diǎn)，基于圖像處理與模式識別技術(shù)，研究了缺陷自動(dòng)分類算法，替代了傳統(tǒng)的人工分類方法，提高了分類的精度和效率。</p><p>　　本文首先分析了缺陷圖像的噪聲類型及特點(diǎn)，采用中值濾波算法對缺陷圖像進(jìn)行降噪處

4、理，消除了各種噪聲干擾;然后針對缺陷圖像邊緣的灰度變化特點(diǎn)，基于邊緣檢測技術(shù)，較為完整的提取出了目標(biāo)缺陷的核心輪廓，完成了圖像的預(yù)處理。</p><p>　　在預(yù)處理的基礎(chǔ)上，根據(jù)各類缺陷在形狀上的差異，利用Hu不變矩提取出了缺陷的形狀特征，并驗(yàn)證了其抗平移、抗旋轉(zhuǎn)性，將Hu不變矩提取出來的7個(gè)特征值作為缺陷分類器的輸入向量。</p><p>　　為了區(qū)分不同類型的缺陷，研究了感知器神經(jīng)網(wǎng)

5、絡(luò)分類器的設(shè)計(jì)，設(shè)計(jì)了感知器神經(jīng)網(wǎng)絡(luò)的算法。最后，通過實(shí)驗(yàn)整體驗(yàn)證了缺陷分類算法的有效性，取得了良好的識別效果，為后期地投入實(shí)際生產(chǎn)打下了堅(jiān)實(shí)的基礎(chǔ)。</p><p>　　關(guān)鍵詞: 玻璃缺陷，圖像預(yù)處理，特征提取，神經(jīng)網(wǎng)絡(luò)</p><p>　　Identification method of glass defect type</p><p>　　based on

6、 Neural Network</p><p><b>　　Abstract</b></p><p>　　In the glass production process, due to the technological and environmental restrictions, will produce a variety of defects, these d

7、efects not only affects the appearance quality of glass products, but also reduces the value of the use of glass and re processing rate. In order to improve the quality of glass and glass quality grades, we must cla

8、ssify the defects.. The according to the characteristics of glass defect image, based on image processing and pattern recognition technology of automatic</p><p>　　This paper first analyzes the noise typ

9、e and character of the defect image, the median filtering algorithm for reduction of defect image, eliminating the noise; then in accordance with the characteristics of gray level of image edge defects, based on the edge

10、 detection technique, more complete extraction of the core dimensions of the defect, completed the image preprocessing.</p><p>　　On the basis of preprocessing, according to the difference between the various

11、 types of defects in shape using Hu invariant moments to extract the features of the shape of the defects, and verified the robustness against translation, anti rotation, the Hu invariant moments to extract out of seven

12、feature values as the input vectors of the defect classifier.</p><p>　　In order to distinguish between different types of defects of perceptron neural network classifier design, design the perceptron neural

13、network algorithm. Finally, the whole experiment to verify the effectiveness of defect classification algorithm, and achieved good recognition effect, late into the actual production and lay a solid foundation.</p>

14、<p>　　Keywords: glass flaw, image preprocessing, feature extraction, neural network</p><p><b>　　1 引言5</b></p><p>　　1.1 課題背景及意義5</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀6</p>

15、<p>　　1.3課題研究內(nèi)容以及論文安排7</p><p>　　2 玻璃缺陷圖像的預(yù)處理8</p><p>　　2. 1玻璃缺陷圖像噪聲分析8</p><p>　　2.1.1攝像機(jī)產(chǎn)生的噪聲9</p><p>　　2.1.2圖像信號數(shù)字化產(chǎn)生的像素抖動(dòng)10</p><p>　　2 .2玻璃缺陷

16、圖像噪聲消除11</p><p>　　2.3 玻璃缺陷圖像的分割13</p><p>　　3 玻璃缺陷圖像特征提取18</p><p>　　3. 1缺陷特征選取的原則18</p><p>　　3. 2基于Hu不變矩特征的提取18</p><p>　　3.2.1 Hu不變矩概述18</p>&

17、lt;p>　　3.2.2基于Hu不變矩的特征提取實(shí)驗(yàn)及結(jié)果22</p><p>　　4 基于感知器神經(jīng)網(wǎng)絡(luò)的玻璃缺陷分類識別...........................................................................................22</p><p>　　4.1感知器神經(jīng)網(wǎng)絡(luò)簡介23</p>

18、<p>　　4.2 玻璃缺陷類型識別及結(jié)果分析24</p><p>　　4.2.1輸入、輸出層神經(jīng)元個(gè)數(shù)24</p><p>　　4.2.2玻璃缺陷類型識別及結(jié)果分析24</p><p>　　5 結(jié)論...........................................................................

19、................................................................................28</p><p><b>　　1 引言</b></p><p>　　1.1 課題背景及意義</p><p>　　浮法玻璃生產(chǎn)工藝是世界上先進(jìn)的玻璃制造工藝，可是在生產(chǎn)過程中，仍然會產(chǎn)

20、生一些缺陷，如氣泡、劃痕、夾雜等。這些缺陷不僅會影響玻璃制品的外觀質(zhì)量，還會影響其光學(xué)均一性和機(jī)械強(qiáng)度，降低了玻璃的使用價(jià)值和再次加工率。為了提高浮法玻璃質(zhì)量及方便玻璃質(zhì)量等級劃分，必須對玻璃的缺陷進(jìn)行分類。</p><p>　　國外從上世紀(jì)90年代初就開始研究玻璃缺陷自動(dòng)檢測及識別技術(shù)，憑借其雄厚的經(jīng)濟(jì)實(shí)力和先進(jìn)的技術(shù)基礎(chǔ)，至今己研制出多種檢測設(shè)備，不僅價(jià)格昂貴，且技術(shù)資料保密，規(guī)模小的企業(yè)難以負(fù)擔(dān)，在我國己經(jīng)

21、建成投產(chǎn)的140多條浮法玻璃生產(chǎn)線中，僅有少數(shù)幾家大公司采用。國內(nèi)也有類似設(shè)備和技術(shù)的研究，但和國外相比，在檢測及識別速度、精度方面還存在著較大的差距，因此許多玻璃生產(chǎn)廠家仍依靠人工分類的方法，人工檢查除了速度慢，還存在以下缺點(diǎn):(1)誤判率較高。由于工人的勞動(dòng)強(qiáng)度較大，長時(shí)間進(jìn)行觀察，人眼很容易出現(xiàn)疲勞，會直接影響了分類的準(zhǔn)確性。(2)分類質(zhì)量標(biāo)準(zhǔn)不統(tǒng)一，人工檢查時(shí)，對于很小缺陷的情況，合格與否是檢查者根據(jù)感覺主觀判斷的，不同的人甚至

22、同一人在不同的狀態(tài)下的判斷標(biāo)準(zhǔn)很難做到統(tǒng)一。因此，提高浮法玻璃缺陷分類的自動(dòng)化程度對于減小人為誤差，降低玻璃生產(chǎn)成本，確保玻璃生產(chǎn)效率，增加企業(yè)的經(jīng)濟(jì)效益具有重要的作用和意義。</p><p>　　隨著圖像處理及模式識別相關(guān)理論的不斷完善，以及計(jì)算機(jī)自動(dòng)處理信息能力的不斷提高，使得運(yùn)用計(jì)算機(jī)對缺陷類型自動(dòng)識別變得切實(shí)可行。如果采用合適的圖像識別的技術(shù)，不斷提高軟件運(yùn)行的質(zhì)量，就可以有效得提高分類的準(zhǔn)確性并優(yōu)化玻璃

23、缺陷檢測系統(tǒng)的整體性能。</p><p>　　基于以上原因，本文基于模式識別及圖像處理技術(shù)，研究了璃缺陷軟件分類方法，該方法針對不同類型的玻璃缺陷有良好的識別能力，不但解決了傳統(tǒng)的人工檢測難題，提高了分類的自動(dòng)化程度，也為優(yōu)化玻璃切割系統(tǒng)和玻璃等級打標(biāo)裝置提供數(shù)據(jù)，滿足了眾多國內(nèi)浮法玻璃生產(chǎn)線的迫切需要。</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀</p><p>

24、　　模式識別是借助計(jì)算機(jī)技術(shù)和數(shù)學(xué)方法來完成事物識別的一種綜合技術(shù)，它用于樣品的分類識別，揭示的是事物內(nèi)部規(guī)律和隱含性質(zhì)。一個(gè)模式識別系統(tǒng)主要由數(shù)據(jù)獲取、預(yù)處理、特征提取、分類器設(shè)計(jì)與識別四部分組成，而特征提取和分類器的設(shè)計(jì)在很大程度上決定了識別的準(zhǔn)確率，也是識別領(lǐng)域的兩個(gè)研究熱點(diǎn)。</p><p>　　特征提取是在一個(gè)模式分類的問題中，為了實(shí)現(xiàn)模式類內(nèi)距離最小化和類間距離最大而對原始的數(shù)據(jù)信息的提煉，其任務(wù)是用

25、最小的數(shù)據(jù)表征圖像的特征，從而保留那些最反映圖像本質(zhì)的信息，提高計(jì)算機(jī)的識別效率。圖像的特征可以分為灰度、邊緣、紋理特征、形狀特征等。目前，不變矩與紋理特征提取是應(yīng)用比較廣泛的兩種提取技術(shù)。</p><p>　　矩特征主要表征了圖像區(qū)域的幾何特征,又稱為幾何矩， 由于其具有旋轉(zhuǎn)、平移、尺度等特性的不變特征，所以又稱其為不變矩。在圖像處理中，幾何不變矩可以作為一個(gè)重要的特征來表示物體，可以據(jù)此特征來對圖像

26、進(jìn)行分類等操作。因此，本文采用Hu不變矩來提取玻璃缺陷的特征。</p><p>　　在分類器的設(shè)計(jì)領(lǐng)域，目前己經(jīng)發(fā)展出很多種方法，例如基于統(tǒng)計(jì)的分類器、基于模板的分類、基于神經(jīng)網(wǎng)絡(luò)的分類等。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。它是近年來再度興起的一個(gè)高科技研究領(lǐng)域，也是信息科學(xué)、腦科學(xué)、神經(jīng)心理學(xué)等多種學(xué)科近幾年研究的一個(gè)熱點(diǎn)。這

27、種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入一輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。目前，己有近40種神經(jīng)網(wǎng)絡(luò)模型，其中有前向型神經(jīng)網(wǎng)絡(luò)、自組織映射、反饋型神經(jīng)網(wǎng)絡(luò)、波耳茲曼機(jī)、適應(yīng)諧振理論等。將神經(jīng)網(wǎng)絡(luò)用于玻璃缺陷識別及分類時(shí)，一般分為

28、兩個(gè)工作階段:訓(xùn)練學(xué)習(xí)階段和實(shí)際運(yùn)用階段，訓(xùn)練學(xué)習(xí)階段的工作是將玻璃缺陷的訓(xùn)練模式樣本輸入網(wǎng)絡(luò)，通過有指導(dǎo)或無指導(dǎo)學(xué)習(xí)方式尋找一組合適的網(wǎng)絡(luò)連接權(quán)值，確定出適當(dāng)?shù)木W(wǎng)絡(luò)聯(lián)結(jié)模式;實(shí)際運(yùn)用階段的工作則是用己學(xué)習(xí)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行模式識別及分類。</p><p>　　1958年，美國心理學(xué)家Frank Rosenblatt提出一種具有單層計(jì)算單元的神經(jīng)網(wǎng)絡(luò)，成為Perceptron，即感知器。</p>&l

29、t;p>　　感知器是模擬人的視覺接受環(huán)境信息，并由神經(jīng)沖動(dòng)進(jìn)行信息傳遞的層次型神經(jīng)網(wǎng)絡(luò)。感知器研究中首次提出了自組織、自學(xué)習(xí)的思想。而且所能解決的問題存在著收斂算法，并能從數(shù)學(xué)上嚴(yán)格證明，一次對神經(jīng)網(wǎng)絡(luò)的研究起了重要推動(dòng)作用。</p><p>　　綜上可以看出，感知器人工神經(jīng)網(wǎng)絡(luò)的研究開始得較早，技術(shù)較成熟，有較多的成功實(shí)例和資料可以參考，因此具有應(yīng)用和成本優(yōu)勢。所以，本文主要采用感知器神經(jīng)網(wǎng)絡(luò)進(jìn)行玻璃缺陷

30、識別的應(yīng)用研究。</p><p>　　1.3課題研究內(nèi)容以及論文安排</p><p>　　本文主要針對玻璃缺陷中常見的四種類型:氣泡、夾雜、劃痕進(jìn)行類型識別，論文主要完成的工作及內(nèi)容安排如下:</p><p>　　第一章說明了選題的背景及意義，詳細(xì)介紹了玻璃缺陷檢測以及模式識別技術(shù)的國內(nèi)外發(fā)展與現(xiàn)狀;</p><p>　　第二章針對缺陷圖像中

31、存在的噪聲，利用中值濾波算法對缺陷圖像進(jìn)行了預(yù)處理，并用邊緣檢測將缺陷目標(biāo)區(qū)域從圖像中分割出來;</p><p>　　第三章結(jié)合玻璃缺陷的特點(diǎn)，基于Hu不變矩提取了各類缺陷的特征值。</p><p>　　第四章闡述了感知器神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)以及進(jìn)行的改進(jìn)，并將其應(yīng)用于玻璃缺陷圖像的識別，最后通過實(shí)驗(yàn)驗(yàn)證了其有效性;</p><p>　　第五章總結(jié)本文主要研究內(nèi)容。

32、</p><p>　　2 玻璃缺陷圖像的預(yù)處理</p><p>　　預(yù)處理是目標(biāo)識別系統(tǒng)中的重要環(huán)節(jié)，它有選擇地加強(qiáng)了對特征提取有用的信息，從而增強(qiáng)所提取特征的穩(wěn)定性和準(zhǔn)確性。對于玻璃缺陷檢測系統(tǒng)，預(yù)處理主要包括圖像濾波和目標(biāo)分割。其中圖像濾波是為了抑制在玻璃缺陷圖像獲取過程中由于受設(shè)備、信道等條件的限制和許多隨機(jī)因素的干擾造成的輸出缺陷圖像噪聲與失真噪聲，從而降低噪聲對目標(biāo)特征的影響，提

33、高特征的穩(wěn)定性;目標(biāo)分割是為了消除背景的影響，并提高特征提取的準(zhǔn)確性。本章就這兩個(gè)內(nèi)容分別進(jìn)行分析和研究。</p><p>　　2. 1玻璃缺陷圖像噪聲分析</p><p>　　玻璃圖像在成像、數(shù)字化和傳輸?shù)冗^程中會不可避免的產(chǎn)生各種干擾，形成噪聲。這些噪聲使得圖像上像素點(diǎn)灰度值不能正確反映空間物體對應(yīng)點(diǎn)的光強(qiáng)值，降低了圖像的質(zhì)量，尤其對于含有缺陷的圖像，噪聲會使玻璃缺陷邊緣顯得模糊不清，

34、層次感變差，還有可能在缺陷附近隨機(jī)出現(xiàn)亮斑或暗斑(見圖2.1)，最終導(dǎo)致缺陷識別錯(cuò)誤。因此，需要用濾波手段消除噪聲，而具體的濾波技術(shù)必須通過分析缺陷圖像噪聲的特征后才能進(jìn)行選擇。</p><p>　　圖 2.1 含有噪聲的玻璃劃痕缺陷圖片</p><p>　　圖 2.2 含有噪聲的玻璃夾雜缺陷圖片</p><p>　　圖2.3 含有噪聲的玻璃氣泡缺陷圖片</p

35、><p>　　缺陷圖像中的噪聲來源主要有兩個(gè)，一個(gè)來自于攝像機(jī)，另外一個(gè)來自于圖像信號數(shù)字化過程中產(chǎn)生的像素抖動(dòng)誤差，下面分別對這兩種來源的噪聲進(jìn)行闡述。</p><p>　　2.1.1攝像機(jī)產(chǎn)生的噪聲</p><p><b>　　(1)光子噪聲</b></p><p>　　根據(jù)量子理論，光子運(yùn)動(dòng)具有波粒二相性，因此感光像元

36、在單位時(shí)間內(nèi)接受的光子數(shù)目是一個(gè)隨機(jī)數(shù)，會在平均值上下微小波動(dòng)，從而產(chǎn)生的電荷量也做相應(yīng)的波動(dòng)。這樣形成的噪聲稱為光子噪聲(photon noise)。這種噪聲信號滿足泊松分布，即和圖像信號不獨(dú)立，不滿足高斯分布，不是可加性噪聲。其標(biāo)準(zhǔn)差等于均值的平方根。在低照度、低反差條件下，當(dāng)其它噪聲用各種方法抑制后，光子噪聲成為主要噪聲，決定了一個(gè)器件的極限噪聲水平。</p><p><b>　　(2)暗電流噪聲

37、</b></p><p>　　由于某些原因感應(yīng)像元會產(chǎn)生出與光電子無法區(qū)分的電子，這會使感光像元產(chǎn)生“暗電流”，即在無光情況下也會產(chǎn)生的電流。這樣形成的噪聲稱為暗電流噪聲(dark current noise)。根據(jù)產(chǎn)生電子的機(jī)理不同，暗電流噪聲可分為熱電噪聲和固定結(jié)構(gòu)噪聲。熱電噪聲是由于熱電效應(yīng)(耗盡層)熱激發(fā)，即由于熱能作用而從感光像元材料中釋放出的電子形成的噪聲，這種噪聲滿足泊松分布。另外還有由

38、于感光像元組的中心非均勻分布，特別是某些感光像元位置上的缺陷形成的暗電流峰而形成的噪聲。由于這種噪聲是固定的，因此稱為固定結(jié)構(gòu)噪聲。實(shí)際實(shí)驗(yàn)表明:當(dāng)曝光時(shí)間少于一定量，暗電流噪聲可以忽略不計(jì)。對于傳統(tǒng)的視頻圖像，由于每幅圖像曝光時(shí)間很短，因此可以不考慮這種噪聲的影響。</p><p>　　(3)光響應(yīng)非均勻性噪聲</p><p>　　CCD各個(gè)感光像元在均勻光源照射下具有光響應(yīng)非均勻性，它

39、主要與件的制造工藝有關(guān)。由于近紅外光在硅中的穿透能力較強(qiáng)，光響應(yīng)非均勻性還受襯底材料非均勻性的影響。光響應(yīng)非均勻性沒有一定的規(guī)律，因器件而異，具有很大隨機(jī)性。因此，對于弱信號的應(yīng)用，應(yīng)進(jìn)行實(shí)際測量，然后加以補(bǔ)償以達(dá)到均勻響應(yīng)。</p><p><b>　　(4)讀出噪聲</b></p><p>　　讀出噪聲(read-out noise)是在感光像元產(chǎn)生的電荷信號被讀

40、出和放大的電路中產(chǎn)生的噪聲。這種噪聲是一種隨機(jī)噪聲。包括由復(fù)位電路產(chǎn)生的復(fù)位噪聲(KTC)和1/ f噪聲。復(fù)位噪聲是指場效應(yīng)晶體管復(fù)位開關(guān)中電阻產(chǎn)生的熱噪聲。1/ f噪聲是由于信號跟隨放大器而產(chǎn)生的噪聲。</p><p><b>　　(5)雜波噪聲</b></p><p>　　該噪聲主要來源于傳輸通道及各種器件，如時(shí)鐘信號和電源電壓不穩(wěn)定，以及傳輸中受到的電磁干擾等。

41、這類噪聲多滿足無規(guī)則隨機(jī)性，頻譜較寬，幅度不等。</p><p>　　(6) A/D轉(zhuǎn)換的誤差噪聲</p><p>　　A/D轉(zhuǎn)換的誤差噪聲是獨(dú)立于圖像信號的，具有高斯分布和可加性。該項(xiàng)誤差通常很小，與其它誤差相比可以忽略。</p><p><b>　　(7)其它噪聲</b></p><p>　　由于鏡頭的清潔度而產(chǎn)生的

42、噪聲，如鏡頭內(nèi)外部落灰、手印、劃痕等引起的噪聲。</p><p>　　2.1.2圖像信號數(shù)字化產(chǎn)生的像素抖動(dòng)</p><p>　　如果使用標(biāo)準(zhǔn)復(fù)合視頻信號輸出攝像機(jī)，則用圖像采集卡將模擬視頻圖像數(shù)字化中的像素抖動(dòng)(pixel fitter)就成為測量系統(tǒng)的主要誤差來源之一。像素抖動(dòng)是一個(gè)籠統(tǒng)單色概念，主要包括下面三個(gè)方面的誤差因素:</p><p>　　(1)行同步

43、相位誤差</p><p>　　標(biāo)準(zhǔn)視頻信號中只有垂直、水平兩種同步信號來分別保證奇偶兩場和每行圖像達(dá)到同步顯示。因此要進(jìn)行視頻信號數(shù)字化必須要建立精確的像素時(shí)鐘。一般圖像采集卡總用鎖相環(huán)技術(shù)來使視頻水平同步和圖像卡內(nèi)部像素時(shí)鐘的相位一致，兩者相位一致程度決定了相位誤差的大小。這種誤差表現(xiàn)為整行像素的整體前移或后移。</p><p><b>　　(2)頻率誤差</b>&

44、lt;/p><p>　　圖像卡內(nèi)部像素時(shí)鐘的頻率變換產(chǎn)生的誤差。在每行的開始這種誤差不存在或極小，但在結(jié)束時(shí)候可能會變得較大而不可忽略。</p><p><b>　　(3)像素抖動(dòng)</b></p><p>　　由于像素時(shí)鐘本身的波動(dòng)而造成了采樣時(shí)間的變化，由于視頻信號是變化的，因此產(chǎn)生了像素值對應(yīng)位置的變化。像素抖動(dòng)表現(xiàn)為一種隨機(jī)誤差。</p

45、><p>　　2 .2玻璃缺陷圖像噪聲消除</p><p>　　由于成像傳感器噪聲、相片顆粒噪聲、圖像在傳輸過程中的通道傳輸誤差等，會使圖像上出現(xiàn)一些隨機(jī)的、離散的和孤立的像素點(diǎn)，也即圖像噪聲。圖像噪聲在視覺上通常與它們相鄰的像素明顯不同，表現(xiàn)形式為黑區(qū)域上的白的或白區(qū)域上的黑點(diǎn)，影響了圖像的視覺效果和有關(guān)處理工作，因此需要對圖像上的噪聲進(jìn)行消除。圖像的噪聲處理一般有兩種方法：（1）鄰域平均濾

46、波方法（2）鄰域中值濾波方法。</p><p>　　均值濾波也成為線性濾波，其采用的主要方法為領(lǐng)域平均法。線性濾波的基本原理是用均值代替原圖像中的各個(gè)像素值，即對待處理的當(dāng)前像素點(diǎn)，選擇一個(gè)模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值富裕當(dāng)前像素點(diǎn)，作為處理后圖像在該點(diǎn)上的灰度，即，為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。</p><p>　　由于圖像的邊緣主要包

47、括了圖像細(xì)節(jié)和高頻信息，因此在利用鄰域平均方法進(jìn)行圖像噪聲消除的同事，會使圖像的邊緣變得有些模糊。中值濾波則是一種能夠很好地彌補(bǔ)領(lǐng)域平均方法不足的圖像噪聲消除方法。</p><p>　　中值濾波的基本思想是對一個(gè)窗口內(nèi)的所有像素的灰度進(jìn)行排序，取排序結(jié)果的中間值作為原圖像中心點(diǎn)出的像素的灰度值。中值濾波器是基于次序統(tǒng)計(jì)完成信號恢復(fù)的一種典型的非線性濾波器，通常選用的窗口有線形、十字形、方形和圓形等。本文采用方形的

48、窗口，窗口大小為。下面為各種玻璃缺陷中值濾波后的圖像。</p><p>　　圖 2.4 中值濾波后劃痕的圖像</p><p>　　圖 2.5 中值濾波后夾雜的圖像</p><p>　　圖 2.6 中值濾波后氣泡的圖像</p><p>　　2.3 玻璃缺陷圖像的分割</p><p>　　經(jīng)過預(yù)處理后的圖像盡管濾除了干擾，

49、但是目標(biāo)缺陷的表達(dá)形式還不夠緊湊，不能直接進(jìn)行特征提取，為了進(jìn)一步分析和辨識目標(biāo)，需要將缺陷特征相對集中的區(qū)域從整幅圖像中分割出來。圖像分割是計(jì)算機(jī)圖像處理的一個(gè)基本問題，也是進(jìn)行許多后續(xù)圖像分析任務(wù)的先行步驟，其定義是指將圖像被劃分成或分隔成為具有相近特征的區(qū)域并提取出感興趣的目標(biāo)的過程。感興趣的部分也可以稱為目標(biāo)或前景，它們一般對應(yīng)圖像中特定、具有獨(dú)特性質(zhì)的區(qū)域，其余的區(qū)域則稱為背景。目前針對灰度圖像的分割技術(shù)主要有五種類型:基于像

50、素的技術(shù)、基于邊緣檢測的技術(shù)、基于區(qū)域生長的技術(shù)、基于模型的技術(shù)和混合技術(shù)，本文著重研究了基于邊緣檢測及基于區(qū)域生長的分割技術(shù)。</p><p>　　基于邊緣檢測的分割技術(shù)主要依賴于對圖像中不同區(qū)域間的不連續(xù)性，即邊緣的識別達(dá)到分割效果。所謂邊緣是指其周圍像素灰度值有階躍變化或拋物線變化的那些像素點(diǎn)的集合，它是灰度值不連續(xù)的結(jié)果，也是圖像分割所依賴的重要特征。邊緣的種類可以分為兩種:一種稱為階躍性邊緣，它兩邊的像

51、素的灰度值有著顯著的不同;另一種稱為屋頂狀邊緣，它位于灰度值從增加到減少的變化轉(zhuǎn)折點(diǎn)。如果一個(gè)像素落在圖像中某一個(gè)物體的邊界上，那么它的鄰域?qū)⒊蔀橐粋€(gè)灰度級的變化帶。對這種變化最有用的兩個(gè)特征是灰度的變化率和方向，它們分別以梯度向量的幅度和方向來表示。邊緣檢測是一種突出圖像邊緣，削弱邊緣以外圖像區(qū)域，突出圖像輪廓的方法。它可以在保留關(guān)于物體邊界有用的結(jié)構(gòu)信息的同時(shí)，極大地降低處理數(shù)據(jù)量，從而簡化圖像的分析過程。</p>&

52、lt;p>　　在各類缺陷圖像中，劃痕與氣泡大量存在階躍性邊緣，以氣泡為例，透射光線在其邊緣將發(fā)生折射，因此，氣泡邊緣的光強(qiáng)增大，邊緣灰度值就偏高;而在氣泡的中心區(qū)域，光線發(fā)生反射，光強(qiáng)減弱，中心區(qū)域灰度值偏低;而對于夾雜與結(jié)石缺陷，由于固體夾雜物改變了玻璃內(nèi)部晶體的結(jié)構(gòu)，進(jìn)而影響了光線透過玻璃的均勻性，因而其邊緣灰度值存在過渡，屬于屋頂狀邊緣。如果用邊緣檢測法進(jìn)行分割，可以找出缺陷的位置和方向。常見的邊緣檢測算子有Robert算子

53、、 Sobel算子、Prewitt算子、Canny算等。</p><p>　　1 .Roberts算子</p><p>　　Roberts邊緣檢測算子采用的是對角方向相鄰的兩個(gè)像素之差，其本質(zhì)是利用局部差分算子尋找邊緣的算子，它由下式2.1給出。</p><p>　　≈+ （2.1）</p>

54、<p>　　其中是表示處理后點(diǎn)的灰度值，表示處理前該點(diǎn)的灰度值。是具有整數(shù)像素坐標(biāo)的輸入圖像，平方根運(yùn)算使處理類似于在人類視覺系統(tǒng)中發(fā)生的過程。該算法的算子模板如圖2.7所示。</p><p>　　圖 2.7 Roberts算子模塊</p><p>　　2. Sobel算子</p><p>　　Sobel邊緣算子的掩模模板是兩個(gè)3X3的卷積核。它用于邊緣提

55、取，圖像中的每個(gè)點(diǎn)都用這兩個(gè)模板來做卷積，第一個(gè)模板對垂直邊緣影響最大;第二個(gè)模板對水平邊緣影響最大。兩個(gè)卷積的最大值最為該點(diǎn)的輸出，運(yùn)算結(jié)果是一幅邊緣幅度圖像。它具有方向性，在水平方向和垂直方向上形成最強(qiáng)烈的邊緣。Sobel算子模板如圖2.8所示。</p><p>　　圖2.8 Sobel算子模塊</p><p>　　3.Canny邊緣檢測算子</p><p>　

56、　濾波器的尺度選擇一直是邊緣檢測的一大難題，Canny提出了多尺度空間邊緣檢測。其具體步驟為:</p><p>　　(1)用高斯濾波器平滑圖像;</p><p>　　(2)用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向;</p><p>　　(3)對梯度幅值應(yīng)用非極大值抑制;</p><p>　　(4)用雙閩值算法檢測和連接邊緣。</p&g

57、t;<p>　　4. Prewitt算子</p><p>　　與使用Sobel算子的方法相同，圖像中的每個(gè)點(diǎn)都用這兩個(gè)模板做卷積，并且取最大值作為輸出，結(jié)果是邊緣幅度的圖像。它與Sobel算子不同，這一算子沒有把重點(diǎn)放在接近模板中心的像素點(diǎn)。Prewitt算子模板如圖2.9所示。</p><p>　　圖 2.9 Prewitt算子模塊</p><p>

58、;　　用上述各種邊緣檢測算子對各種缺陷圖像進(jìn)行邊緣檢測，檢測效果如面所示:</p><p>　　圖 2.10 劃痕邊緣檢測結(jié)果</p><p>　　圖 2.11 夾雜邊緣檢測結(jié)果</p><p>　　圖 2.12 氣泡邊緣檢測結(jié)果 經(jīng)過比對可以看出roberts算子邊緣檢測后的圖像輪廓比較清晰，所以選用roberts算子邊緣檢測后的圖像作為經(jīng)過預(yù)處理后的圖像

59、，這位下一章提取特征值奠定了基礎(chǔ)。</p><p>　　3 玻璃缺陷圖像特征提取</p><p>　　3. 1缺陷特征選取的原則</p><p>　　特征參數(shù)的提取是玻璃缺陷識別的一個(gè)重要部分。特征參數(shù)選取的合理與否，直接關(guān)系到缺陷識別的效果。選取特征參數(shù)是識別前的準(zhǔn)備工作。所以在選取玻璃缺陷的特征參數(shù)時(shí)，要盡量反映缺陷本身的特征，盡量選取缺陷之間最能區(qū)別于其它缺陷

60、的特征。特征參數(shù)還要盡量選得精，選得少，以能把缺陷識別出來即可，太多的參數(shù)將會增加系統(tǒng)的計(jì)算量，降低系統(tǒng)的運(yùn)行速度。</p><p>　　在對玻璃缺陷的圖像觀察中發(fā)現(xiàn)，不同類型的玻璃缺陷在幾何形狀上差異較大，而相同類型缺陷的幾何形狀比較類似，只是在位置和大小上不確定，可能會出現(xiàn)平移、旋轉(zhuǎn)、比例縮放等問題;并且某些缺陷，比如氣泡、結(jié)石，改變了玻璃的透射性能，會對光線會產(chǎn)生折射、反射等現(xiàn)象，導(dǎo)致缺陷邊緣產(chǎn)生了紋理圖案

61、。根據(jù)這兩種特點(diǎn)，本章基于Hu不變矩進(jìn)行提取，利用這種方法提取出的特征可以描述缺陷，作為感知器神經(jīng)網(wǎng)絡(luò)的輸入。</p><p>　　3. 2基于Hu不變矩特征的提取</p><p>　　不變矩是一種非常重要的表示目標(biāo)總體形狀的特征量，而且它具有對旋轉(zhuǎn)和縮放變化的目標(biāo)具有良好的不變性及抗干擾性，不受待識別物體的大小、位置、方位的影響，能有效地反映圖像的形狀特征，在圖像特征提取方面得到了廣泛的

62、應(yīng)用。</p><p>　　3.2.1 Hu不變矩概述</p><p><b>　　1、矩特征定義</b></p><p>　　對于連續(xù)灰度函數(shù)f(x,y),它的m+n階二維原點(diǎn)矩Mmn的定義為:</p><p>　　m,n=0,1,2... (3.1)&

63、lt;/p><p>　　假設(shè)f(x,y)為分段連續(xù)的有界函數(shù)，并且在x,y平面上有限區(qū)域內(nèi)有非零值。根據(jù)唯一性定理，它的各階矩存在且唯一地被f (x,y)確定，反過來f (x,y)也唯一地被它的各階矩確定。</p><p>　　此外，還可以定義了f(x,y)的m+n階中心距為:</p><p>　　m,n=0,1,2... (3

64、.2)</p><p>　　其中分別表示圖像關(guān)于x軸和y軸的灰度重心坐標(biāo):</p><p><b>　?。?.3）</b></p><p><b>　?。?.4）</b></p><p><b>　　歸一化中心矩為：</b></p><p><b&

65、gt;　?。?.5）</b></p><p>　　其中，m+n=2,3...</p><p>　　以上是連續(xù)的情況，而數(shù)字圖像都是經(jīng)過離散化的，因此需要計(jì)算離散情況下的m+n階矩，設(shè)一幅分辨率為的二維離散的玻璃缺陷圖像的灰度函數(shù)為相應(yīng)的原點(diǎn)矩和中心距公式如下:</p><p><b>　?。?.6）</b></p>&

66、lt;p><b>　?。?.7）</b></p><p><b>　　重心坐標(biāo)為：</b></p><p><b>　?。?.8）</b></p><p>　?。?.9）2、矩特征的物理意義</p><p><b>　　(1)零階矩</b></

67、p><p>　　根據(jù)矩的定義，圖像的零階矩定義為:</p><p><b>　?。?.10）</b></p><p>　　可見，如果為灰度圖像，則表示圖像灰度值的總和，也可以看做為物體</p><p>　　的質(zhì)量;當(dāng)為二值圖像時(shí)，表示圖像的面積。</p><p><b>　　(2)一階矩&l

68、t;/b></p><p>　　圖像的兩個(gè)一階矩和用來確定圖像的灰度重心。其重心坐標(biāo)為:</p><p><b>　?。?.11）</b></p><p><b>　?。?.12）</b></p><p>　　根據(jù)中心距的定義，我們可推導(dǎo)出中心距和均為0。</p><p&g

69、t;<b>　　(3)二階矩</b></p><p>　　圖像的二階矩有三個(gè):</p><p>　　，也稱之為慣性矩(Moments of Inertia)，它們可以確定物體的幾個(gè)重要的特征，具體特性描述如下:</p><p><b>　?、僦鬏S</b></p><p>　　二階中心距常用來確定目標(biāo)

70、的主軸，目標(biāo)的主軸通常有一對長軸和短軸，分別代表</p><p>　　最大二階矩和最小二階矩的方向，根據(jù)矩理論，主軸方向角θ可以按照下述公式計(jì)算:</p><p><b>　?。?.13）</b></p><p>　　公式中θ為主軸與坐標(biāo)軸的夾角，其范圍在[-,]。</p><p><b>　?、趫D像橢圓<

71、;/b></p><p>　　由一階、二階矩可以確定一個(gè)與原圖像慣性矩等價(jià)的圖像橢圓。所謂圖像橢圓是個(gè)與原圖像的二階矩及原圖像的灰度綜合均相等的均勻橢圓。如果圖像橢圓由其長半軸</p><p>　　和短半軸表示，則有:</p><p><b>　　（3.14）</b></p><p><b>　?。?.1

72、5）</b></p><p>　　橢圓的灰度由式(3.16)確定:</p><p><b>　?。?.16）</b></p><p>　　可將橢圓中心與圖像灰度重心重合，使其主軸方向與圖像主軸方向重合，這樣更便</p><p><b>　　于分析圖像的性質(zhì)。</b></p>

73、<p><b>　　(4)三階矩</b></p><p>　　對于三階矩，使用圖像在x軸和y軸上的投影比使用圖像本身描述更方便。</p><p>　　兩個(gè)三階中心距µ30、µ03描述了圖像投影的扭曲程度。扭曲是一個(gè)景點(diǎn)統(tǒng)計(jì)量，用來衡量關(guān)于均值對稱分布的偏差程度。圖像投影在x、y軸的扭曲系數(shù)為:</p><p>&

74、lt;b>　　（3.17）</b></p><p><b>　　3 、Hu不變矩</b></p><p>　　從上面的公式可以看出，如果直接用原點(diǎn)矩或中心矩作為玻璃缺陷圖像的特征，不能保證特征同時(shí)具有平移、旋轉(zhuǎn)和比例不變性。因?yàn)閮H用中心矩，提取的缺陷圖像特征僅具有平移不變性;如果僅利用歸一化中心矩，提取出的缺陷特征，僅具有平移不變性和比例不變性，但不

75、具有旋轉(zhuǎn)不變性。為此，M. K. Hu提出了不變矩，他給出了連續(xù)函數(shù)矩的定義和關(guān)于矩的基本性質(zhì)，證明了有關(guān)矩的平移不變性、旋轉(zhuǎn)不變性以及比例不變性等性質(zhì)，具體給出了具有平移不變性、旋轉(zhuǎn)不變性和比例不變性的七個(gè)不變矩的表達(dá)式，公式如下:</p><p><b>　　（3.18）</b></p><p><b>　?。?.19）</b></p&

76、gt;<p><b>　　（3.20）</b></p><p><b>　?。?.21）</b></p><p><b>　?。?.22）</b></p><p><b>　?。?.23）</b></p><p><b>　?。?.

77、24）</b></p><p>　　這七個(gè)矩特征構(gòu)成的矩組對于平移、比例和旋轉(zhuǎn)變換都是不變的量，代表了玻璃缺陷圖像形狀的基本特征，可以將上述的7個(gè)不變矩的測量值作為特征矢量。在實(shí)際計(jì)算過程中，當(dāng)x<x0 , m為奇數(shù)或y<y0 , q為奇數(shù)時(shí)Hu不變矩可能出現(xiàn)負(fù)值。而且，7個(gè)Hu不變矩值的變化范圍很大，為了便于比較，可采用取對數(shù)的方法進(jìn)行數(shù)據(jù)壓縮。因此，實(shí)際采用Hu不變矩為:</p&

78、gt;<p>　　k=1, 2, 3, 4, 5, 6, 7 (3 .25)</p><p>　　3.2.2基于Hu不變矩的特征提取實(shí)驗(yàn)及結(jié)果</p><p>　　為了驗(yàn)證Hu不變矩在玻璃缺陷特征提取中的有效性，本文提取并分析了各類型缺陷的特征值。將每種狀態(tài)的圖像各取4幅，共12幅，經(jīng)過預(yù)處理后，基于Hu不變矩提取特征值見表3.1。這12

79、個(gè)樣本也作為感知器神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。</p><p>　　表 3.1 各種玻璃缺陷通過Hu不變矩提取的特征值</p><p>　　4 基于感知器神經(jīng)網(wǎng)絡(luò)的玻璃缺陷分類識別</p><p>　　4.1感知器神經(jīng)網(wǎng)絡(luò)簡介</p><p>　　神經(jīng)網(wǎng)絡(luò)是由簡單處理單元組成的大規(guī)模并行分布式處理器，天然地具有存儲經(jīng)驗(yàn)知識和使之可用的特性。神經(jīng)網(wǎng)絡(luò)在

80、兩個(gè)方面與大腦相似：</p><p>　　神經(jīng)網(wǎng)絡(luò)是通過學(xué)習(xí)過程從外界環(huán)境中獲取知識的。</p><p>　　互連神經(jīng)元的連接強(qiáng)度，即突觸權(quán)值，用于存儲獲取的知識。</p><p>　　感知器在神經(jīng)網(wǎng)絡(luò)發(fā)展的歷史上占據(jù)著特殊位置：它是第一個(gè)從算法上完整描述的神經(jīng)網(wǎng)絡(luò)。它的發(fā)明者Rosenbalatt是一位心理學(xué)家。在20世紀(jì)60年代和70年代，受感知器的啟示，工程師

81、、物理學(xué)家以及數(shù)學(xué)家們紛紛投身于神經(jīng)網(wǎng)絡(luò)各個(gè)方面的研究。更值得一提的是，盡管在1958年Rosenblatt關(guān)于感知器的論文就首次發(fā)表了，感知器在今天依然是有效的。</p><p>　　感知器是一個(gè)具有單層計(jì)算單元的人工神經(jīng)網(wǎng)絡(luò)，感知器訓(xùn)練算法就是由這種神經(jīng)網(wǎng)絡(luò)演變而來的。感知器的模型如圖4.1。</p><p>　　圖 4.1 感知器神經(jīng)網(wǎng)絡(luò)的模型</p><p>

82、;　　感知器實(shí)質(zhì)上是一種神經(jīng)元模型，是一個(gè)多輸入/單輸出的非線性器件。其中，θ為閾值，為輸入，為輸出：</p><p><b>　　(4.1)</b></p><p>　　而且f為一階躍函數(shù)，即：</p><p><b>　　(4.2)</b></p><p>　　若令：

83、 (4.3)</p><p>　　則： (4.4)</p><p>　　由此可見，它可作為一個(gè)分類器，解決兩類的分類問題。即：</p><p><b>　　若：</b></p><p&g

84、t;　　則 (4.5)</p><p>　　4.2 玻璃缺陷類型識別及結(jié)果分析</p><p>　　4.2.1輸入、輸出層神經(jīng)元個(gè)數(shù)</p><p>　　感知器神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)，就是圖像經(jīng)過特征提取后的維數(shù)，在第三章中，經(jīng)過Hu不變矩提取出7個(gè)特征量，因此，輸入層的節(jié)點(diǎn)

85、數(shù)為12。輸出層節(jié)點(diǎn)由圖像類別的數(shù)目確定，由于類別模式一共有3個(gè)，分別為劃痕、氣泡、夾雜、最優(yōu)輸出的神經(jīng)元數(shù)目為，取整后得2，將輸出變量描述如下:劃痕[00]，夾雜[01]，氣泡[10]。</p><p>　　4.2.2玻璃缺陷類型識別及結(jié)果分析</p><p>　　按照前面所有章節(jié)的闡述，完成了整個(gè)識別算法的設(shè)計(jì)。最后，在Intel PC機(jī)上實(shí)驗(yàn)考察了此算法的可行性及運(yùn)算效率。實(shí)驗(yàn)中首先

86、選取三種狀態(tài)(劃痕、夾雜、氣泡)的玻璃圖像，每種狀態(tài)各4幅，共12幅作為訓(xùn)練樣本集，先按照第二章介紹的方法作預(yù)處理，再按照第三章的方法獲得7維的特征向量，然后輸入感知器神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練的結(jié)果如圖4.1所示，平均絕對誤差見圖4.2。待網(wǎng)絡(luò)訓(xùn)練完畢，重新選取6幅玻璃缺陷圖像作為測試樣本集，再次輸入神經(jīng)網(wǎng)絡(luò)，檢驗(yàn)其學(xué)習(xí)效果，感知器網(wǎng)絡(luò)判決后輸出的部分測試樣本結(jié)果見表4.1。檢測結(jié)果顯示有的夾雜形狀像氣泡的可能被檢測成氣泡可見識別度需要進(jìn)

87、一步提高，根據(jù)表4.1中的統(tǒng)計(jì)結(jié)果，對于某些測試樣本出現(xiàn)了誤判現(xiàn)象，這可能是由于缺陷物體形狀的不確定性以及前期的預(yù)處理、特征提取造成的特征信息損失，從而影響了識別率，需要在口后對算法進(jìn)一步改進(jìn)。不過對于所有缺陷樣本，平均識別率能夠達(dá)到83.3%，分類基本準(zhǔn)確，說明利用此算法對于玻璃缺陷進(jìn)行分類識別是可行的。</p><p>　　圖 4.1 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果</p><p>　　圖 4.2

88、 平均絕對誤差圖</p><p>　　表 4.1 感知器網(wǎng)絡(luò)判決后輸出的部分測試樣本結(jié)果</p><p><b>　　5 結(jié)論</b></p><p>　　本課題針對玻璃生產(chǎn)企業(yè)在缺陷分類過程中存在的問題和不足，基于圖像處理與模</p><p>　　式識別技術(shù)，提出一種玻璃缺陷的自動(dòng)識別算法，有效地提高了分類的自動(dòng)化程度

89、和準(zhǔn)</p><p>　　確性，優(yōu)化了玻璃缺陷檢測系統(tǒng)的整體性能。本文在深入分析了缺陷特征的基礎(chǔ)上，主</p><p><b>　　要完成了以下工作:</b></p><p>　　(1)在玻璃缺陷圖像的消噪過程中，針對圖像噪聲的類型和特點(diǎn)，采用中值濾波算法進(jìn)行處理，基本消除了噪聲干擾，改善了缺陷圖像的質(zhì)量。</p><p&g

90、t;　　(2)根據(jù)缺陷目標(biāo)邊緣灰度的不連續(xù)性及漸變性，利用邊緣檢測方法，定位出缺陷目標(biāo)的位置和大體輪廓，比較精確地分割出了缺陷目標(biāo)的核心尺寸。</p><p>　　(3)針對缺陷圖像幾何形狀上的差異，提出利用了Hu不變矩對于缺陷圖像具有抗平移、旋轉(zhuǎn)特性，Hu不變矩描述其形狀特征，Hu不變矩提取的7個(gè)特征值作為分類器的輸入向量。</p><p>　　(4)選擇感知器神經(jīng)網(wǎng)絡(luò)作為缺陷分類器，在

91、分析了感知器神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上，針對其局部性小、收斂速度慢等缺點(diǎn)，設(shè)計(jì)了基于感知器神經(jīng)網(wǎng)絡(luò)的玻璃缺陷設(shè)計(jì)。</p><p>　　(5)通過實(shí)驗(yàn)對常見的3種類型的玻璃缺陷進(jìn)行了識別，驗(yàn)證了算法的有效性。</p><p><b>　　附錄</b></p><p><b>　　1.主程序：</b></p><

92、;p><b>　　clear</b></p><p><b>　　clc</b></p><p><b>　　close all</b></p><p>　　p=[0,1000;0,1000;0,1000;0,1000;0,1000;0,1000;0,1000]</p><p

93、><b>　　t=2;</b></p><p>　　identification=newp(p,t);</p><p>　　P=load ('boliyangben.mat');</p><p>　　T=load ('shuchu.mat');</p><p>　　identific

94、ation=train(identification,P.boliyangben,T.shuchu);</p><p>　　r=input('請輸入要處理的玻璃缺陷圖片名稱','s');</p><p>　　newP=tuxiangchuli(r);</p><p>　　newT=sim(identification,newP);&l

95、t;/p><p><b>　　a1=[0;0];</b></p><p><b>　　a2=[0;1];</b></p><p><b>　　a3=[1;0];</b></p><p>　　if(newT==a1)</p><p>　　disp('該

96、樣本是劃痕')</p><p><b>　　end</b></p><p>　　if(newT==a2)</p><p>　　disp('該樣本是氣泡')</p><p><b>　　end</b></p><p>　　if(newT==a3)<

97、/p><p>　　disp('該樣本是夾雜')</p><p><b>　　end</b></p><p><b>　　2.圖像處理子函數(shù)</b></p><p>　　function tezhengjuzhen=tuxiangchuli(yangben)</p><

98、p>　　[I,map]=imread(yangben)</p><p>　　B=rgb2gray(I)</p><p>　　C=medfilt2(B,[3,3])</p><p>　　subplot(2,3,1)</p><p>　　imshow(I,map),axis image,title('原圖像')</p&

99、gt;<p>　　subplot(2,3,2)</p><p>　　imshow(C,map),axis image,title('中值濾波后的圖像')</p><p>　　BW1=edge(C,'sobel');</p><p>　　BW2=edge(C,'canny');</p><

100、;p>　　BW3=edge(C,'prewitt');</p><p>　　BW4=edge(C,'roberts');</p><p>　　subplot(2,3,3)</p><p>　　imshow(BW1,map),title('sobe算子邊緣檢測后的圖像');</p><p>

101、　　subplot(2,3,4)</p><p>　　imshow(BW2,map),title('canny算子邊緣檢測后的圖像');</p><p>　　subplot(2,3,5)</p><p>　　imshow(BW3,map),title('prewitt算子邊緣檢測后的圖像');</p><p>

102、　　subplot(2,3,6)</p><p>　　imshow(BW4,map),title('roberts算子邊緣檢測后的圖像');</p><p>　　inv_m7=getfeature4(BW4);</p><p>　　tezhengjuzhen=inv_m7';</p><p>　　3.Hu不變矩提取特征

103、值子函數(shù)</p><p>　　function inv_m7 = getfeature4(image)</p><p>　　%將圖像矩陣的數(shù)據(jù)類型轉(zhuǎn)換成雙精度型</p><p>　　image=double(image); </p><p>　　%%%=================計(jì)算 、 、 =================

104、========</p><p>　　%計(jì)算圖像的零階幾何矩 </p><p>　　m00=sum(sum(image)); </p><p><b>　　m10=0;</b></p><p><b>　　m01=0;</b></p><p>　　[row,col]=

105、size(image);</p><p>　　for i=1:row</p><p>　　for j=1:col</p><p>　　m10=m10+i*image(i,j);</p><p>　　m01=m01+j*image(i,j);</p><p><b>　　end</b></p&

106、gt;<p><b>　　end</b></p><p>　　%%%=================計(jì)算 、 ================================</p><p>　　u10=m10/m00;</p><p>　　u01=m01/m00;</p><p>　　%%%======

107、===========計(jì)算圖像的二階幾何矩、三階幾何矩============</p><p>　　m20 = 0;m02 = 0;m11 = 0;m30 = 0;m12 = 0;m21 = 0;m03 = 0;</p><p>　　for i=1:row</p><p>　　for j=1:col</p><p>　　m20=m20+i^2

108、*image(i,j);</p><p>　　m02=m02+j^2*image(i,j);</p><p>　　m11=m11+i*j*image(i,j);</p><p>　　m30=m30+i^3*image(i,j);</p><p>　　m03=m03+j^3*image(i,j);</p><p>　　m

109、12=m12+i*j^2*image(i,j);</p><p>　　m21=m21+i^2*j*image(i,j);</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　%%%=================計(jì)算圖像的二階中心矩、三階中心

110、矩============</p><p><b>　　y00=m00;</b></p><p><b>　　y10=0;</b></p><p><b>　　y01=0;</b></p><p>　　y11=m11-u01*m10;</p><p>　

111、　y20=m20-u10*m10;</p><p>　　y02=m02-u01*m01;</p><p>　　y30=m30-3*u10*m20+2*u10^2*m10;</p><p>　　y12=m12-2*u01*m11-u10*m02+2*u01^2*m10;</p><p>　　y21=m21-2*u10*m11-u01*m20+2

112、*u10^2*m01;</p><p>　　y03=m03-3*u01*m02+2*u01^2*m01;</p><p>　　%%%=================計(jì)算圖像的歸格化中心矩====================</p><p>　　n20=y20/m00^2;</p><p>　　n02=y02/m00^2;</p&g

113、t;<p>　　n11=y11/m00^2;</p><p>　　n30=y30/m00^2.5;</p><p>　　n03=y03/m00^2.5;</p><p>　　n12=y12/m00^2.5;</p><p>　　n21=y21/m00^2.5;</p><p>　　%%%=========

114、========計(jì)算圖像的七個(gè)不變矩======================</p><p>　　h1 = n20 + n02; </p><p>　　h2 = (n20-n02)^2 + 4*(n11)^2;</p><p>　　h3 = (n30-3*n12)^2 + (3*n21-n03)^2; </p&g

115、t;<p>　　h4 = (n30+n12)^2 + (n21+n03)^2;</p><p>　　h5 = (n30-3*n12)*(n30+n12)*((n30+n12)^2-3*(n21+n03)^2)+(3*n21-n03)*(n21+n03)*(3*(n30+n12)^2-(n21+n03)^2);</p><p>　　h6 = (n20-n02)*((n30+n1

116、2)^2-(n21+n03)^2)+4*n11*(n30+n12)*(n21+n03);</p><p>　　h7 = (3*n21-n03)*(n30+n12)*((n30+n12)^2-3*(n21+n03)^2)+(3*n12-n30)*(n21+n03)*(3*(n30+n12)^2-(n21+n03)^2);</p><p>　　a1=abs(log(abs(h1)));<