機(jī)器視覺檢測(cè)中的圖像超分辨率復(fù)原算法及應(yīng)用研究.pdf

1、機(jī)器視覺系統(tǒng)已經(jīng)廣泛地應(yīng)用于產(chǎn)品質(zhì)量檢測(cè)、零件識(shí)別、生產(chǎn)監(jiān)視等現(xiàn)代工業(yè)自動(dòng)化生產(chǎn)的各種環(huán)節(jié)。機(jī)器視覺系統(tǒng)檢測(cè)產(chǎn)品質(zhì)量首先使用即時(shí)圖像攝取裝置抓拍圖像，然后將之傳送到處理單元進(jìn)行數(shù)字化處理，再采用通用或?qū)Ｓ玫奶幚硭惴?，根?jù)顏色、亮度、邊緣、輪廓等特征進(jìn)行判斷，最后根據(jù)判斷結(jié)果控制現(xiàn)場(chǎng)設(shè)備動(dòng)作。圖像的質(zhì)量對(duì)于機(jī)器視覺的效果至關(guān)重要，而實(shí)際應(yīng)用中采集到的原始圖像往往質(zhì)量并不完美。提高機(jī)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(duì)圖像進(jìn)

2、行超分辨率復(fù)原。
　　本文從工業(yè)機(jī)器視覺的具體應(yīng)用出發(fā)，針對(duì)基于學(xué)習(xí)的圖像超分辨率復(fù)原中的若干問題，結(jié)合支持向量機(jī)、基因表達(dá)式編程、神經(jīng)網(wǎng)絡(luò)三種機(jī)器學(xué)習(xí)技術(shù)，提出三種新的超分辨率算法。
　?。?）針對(duì)范例學(xué)習(xí)的運(yùn)算量大、誤匹配和復(fù)原質(zhì)量差等問題，提出基于支持向量機(jī)預(yù)分類學(xué)習(xí)的圖像超分辨率復(fù)原算法。首先采用支持向量機(jī)算法篩選出與目標(biāo)圖像相關(guān)性高的樣本子庫，然后在此基礎(chǔ)上實(shí)現(xiàn)圖像超分辨率復(fù)原。實(shí)驗(yàn)結(jié)果顯示，與 Freeman提出

3、的經(jīng)典的基于范例學(xué)習(xí)的超分辨率復(fù)原算法相比，該算法的PSNR提高了8.18％，運(yùn)行時(shí)間減少了73.24%。
　　（2）為了從顏色、紋理等多種圖像特征的角度篩選出與目標(biāo)圖像相關(guān)性高的樣本子庫，在多標(biāo)記框架下進(jìn)行樣本預(yù)分類?；谀：龜?shù)學(xué)理論提出基因表達(dá)式編程多標(biāo)記分類的超分辨率算法，進(jìn)一步縮小低分辨率圖像塊的匹配范圍，提高復(fù)原質(zhì)量。實(shí)驗(yàn)結(jié)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、　　（3）針對(duì)線性多類預(yù)測(cè)器學(xué)習(xí)復(fù)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(luò)的非線性多類預(yù)測(cè)器學(xué)習(xí)。設(shè)計(jì)了神經(jīng)網(wǎng)絡(luò)多類預(yù)測(cè)器，采用小生境基因表達(dá)式編程方法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)。通過學(xué)習(xí)樣本集對(duì)預(yù)測(cè)器進(jìn)行訓(xùn)練，學(xué)得學(xué)習(xí)樣本中的先驗(yàn)知識(shí)，進(jìn)而根據(jù)從低分辨率圖像塊提取的特征矢量預(yù)測(cè)圖像高頻信息、完成圖像超分辨率復(fù)原。實(shí)驗(yàn)結(jié)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(fù)原結(jié)果具有