基于FCM的刀具特征自適應提取.pdf

1、在機器視覺和圖像理解中，圖像分割是非常重要的環(huán)節(jié)，是圖像處理等領域中主要研究課題之一。圖像分割結果的好與壞直接決定了后續(xù)圖像分析、圖像理解和模式識別的結果，因此具有較高的研究價值。一種快速刀具圖像分割以及特征檢測方法，對于提高視覺數(shù)控刀具檢測儀工作效率、進行圖像匹配、圖像識別，甚至圖像三維建模都有著重要意義。
　　 本文研究的主要內容是基于模糊C均值聚類(fuzzy c mean clustering，F(xiàn)CM)算法的刀具圖像分割

2、、輪廓跟蹤以及特征提取的研究。針對傳統(tǒng)的FCM算法在樣本數(shù)和特征數(shù)較多時，運算較為復雜以及耗時較多的問題，提出了一種直方圖相關性作為約束采樣率的快速多閾值FCM分割算法，控制圖像失真，使得需要運算的數(shù)據(jù)量減少，來獲得較快的分割速度以及較好的自適應性。對經(jīng)過FCM算法分割出來的刀具圖像，進而又研究了輪廓跟蹤算法，通過實驗對比鄰域輪廓跟蹤算法的優(yōu)缺點，引入了編碼技術，得到刀具連續(xù)輪廓。通過檢測到的輪廓，分別進行了三點求曲率、Harris角點

3、檢測、三次B樣條曲線擬合求曲率，計算得到了刀具圖像的特征點。
　　 本文實現(xiàn)的快速模糊C均值聚類算法，在分割灰度圖像時耗時比傳統(tǒng)FCM算法明顯減少；平均運算迭代步驟數(shù)也比傳統(tǒng)FCM算法少，在保證了分割效果的情況下，取得了較滿意的圖像分割效率，使得應用在高像素圖像的分析成為可能。對分割后圖像進行了串行方式的跟蹤，得到有效的輪廓點集，減少采用并行方式進行邊緣檢測易產生斷點的缺點，提高了特征檢測正確率。同時，對于混合編程技術也進行了一