重庆理工大学两江人工智能学院, 重庆 401147
PCBA (printed circuit board assembly)元器件边缘检测的完整度直接影响装配机器人对元器件尺寸及其间隙的视觉测量精度。针对Canny算子提取密集区域目标边缘存在明显的边缘粘连和断缺现象的问题,提出一种具有高完整度的PCBA元器件边缘检测新方法。首先针对原Canny算子依据像素点灰度值梯度确定的边缘像素点,提出3×3邻域窗自适应阈值非极大值抑制方法,以有效避免密集区相邻边缘粘连;其次依据EPGVF Snake模型参数化后Snake曲线的梯度场,结合边缘保真项,提出边缘是否发生断缺的邻域窗自适应判断方法; 最后采用像素置换模板对断缺的边缘像素进行填充,以有效保留细弱边缘、避免断缺发生。实验结果表明,本文方法能有效避免PCBA密集区元器件边缘粘连和细弱边缘断缺,边缘完整度较其他方法提高了约15.5%。
机器视觉 边缘检测 Canny算子 邻域窗自适应阈值 EPGVF Snake模型
1 重庆理工大学 计算机科学与工程学院, 重庆 401320
2 重庆理工大学 两江人工智能学院, 重庆 401147
为了降低智能手机PCBA电路板元件反光特性对图像灰度产生的干扰, 提高边缘连接的完整度, 减少伪边缘的数量, 本文对传统的canny算子进行改进, 用于提取智能手机PCBA电路板的边缘信息。首先, 兼顾滤波器去噪与梯度保持特性, 使用改进的具有“动态”惩罚因子的引导滤波器替代高斯滤波器, 减少边缘点的丢失。然后, 使用近邻域局部自适应阈值法取代传统双阈值法, 用于解决元件稠密区域存在灰度变化频繁背景与目标差异较小而导致阈值分割不准确的问题。实验结果表明, 当滑动窗口保持在19大小时, 具有最好的阈值分割效果, 伪边缘数量降到最低。本文方法处理后的图像, 拥有更完整细化的边缘, 伪边缘数量大大减少, 局部元件稠密区域, 边缘细节得到保留, 符合像素级手机PCBA电路板的边缘检测精度要求。
边缘检测 Canny算法 “动态惩罚”因子 引导滤波 局部自适应阈值 edge detection canny calculation “dynamic penalty” factor guided filtering local adaptive value
1 重庆理工大学 计算机学院,重庆 400054
2 重庆理工大学 电子信息与自动化学院,重庆 400054
针对抗混叠轮廓波变换缺乏平移不变性的缺陷,构造出具有近似移不变性的抗混叠轮廓波变换。在此基础上,在变换域提出一种混合统计模型图像降噪方法。该方法充分利用变换域信号系数层间层内相关性强、噪声系数无层内相关性且在小尺度下存在较强的假层间相关性的特点,采用混合统计模型对小尺度信号系数进行估计,从而避免了非高斯双变量模型放大噪声系数的风险。实验结果表明,提出的去噪法能克服轮廓波变换中的频谱混叠,避免重构图像出现“划痕”和边缘模糊现象,得到的峰值信噪比(PSNR)值分别比轮廓波硬阈值去噪、轮廓波变换域HMT去噪和抗混叠轮廓波变换域硬阈值去噪平均高2.87,1.32和1.36 dB,在有效去噪的同时,具有较好的图像边缘和细节保护能力。
图像降噪 移不变抗混叠轮廓波变换 层内相关性 层间相关性 混合统计模型 Image denoising Shift-invariance Non-aliasing Contourlet Transform intra-scale correlation inter-scale correlation mixed statistical model 光学 精密工程
2010, 18(10): 2269
1 重庆大学 光电技术及系统教育部重点实验室,重庆 400044
2 重庆理工大学 计算机学院,重庆 400054
提出了一种基于非高斯双变量模型复数Curvelet变换的图像降噪新方法。采用具有近似移不变性的复数小波变换代替原Curvelet变换中的小波变换,并用改进的Radon变换避免了原Radon变换中一维傅里叶反变换在频域中采样不足的缺陷,从而保证了新的复数Curvelet变换具有抗混叠性能。充分利用信号系数层间相关性强而噪声系数层间相关性弱的特点,采用非高斯双变量对复数Curvelet变换域系数进行建模,并通过Bayesian MAP估计器对信号系数进行估计,从而实现降噪目的。实验结果表明,本文去噪法得到的峰值信噪比(PSNR)分别比传统Curvelet去噪法和Curvelet域HMT去噪法平均提高2.9 dB和1.5 dB,且能避免重构图像中出现“划痕”和“嵌入污点”,在有效去噪的同时,可较好地保护图像边缘和细节。
图像去噪 复数Curvelet变换 抗混叠 非高斯双变量模型 image denoising complex Curvelet transform non-aliasing non-Gaussian bivariate model