基于稀疏表示的圖像缺陷檢測算法研究.pdf

1、表面缺陷檢測是工業(yè)流水線上的重要一環(huán)。傳統(tǒng)的表面圖像缺陷檢測方法一般分為兩個階段：特征選取和缺陷識別。這類方法受限于圖像特征的選擇，針對不同的對象要設(shè)計不同的特征提取方法，提取不同的特征，因此適用于多對象的通用圖像缺陷檢測算法將是一個重要的研究方向。近年來，稀疏表達在多個領(lǐng)域得到廣泛應(yīng)用，并且在圖像處理領(lǐng)域取得了良好的效果。本文著重研究了將稀疏表示應(yīng)用于圖像缺陷檢測的三個關(guān)鍵步驟:缺陷檢測模型、字典學習和稀疏分解。主要研究內(nèi)容如下：

2、r>　　(1)查閱了大量國內(nèi)外參考文獻，討論了現(xiàn)階段圖像缺陷檢測算法中的關(guān)鍵技術(shù)，分析了傳統(tǒng)方法存在的不足。在稀疏表示理論基礎(chǔ)上，提出新的缺陷檢測模型，以圖像在冗余字典下表出系數(shù)的稀疏度判斷圖像是否為缺陷圖像，然后用全局系數(shù)特征對缺陷進行提取，得到缺陷的二值化圖像。
　　(2)分析比較了現(xiàn)有的幾種經(jīng)典字典學習算法，討論了將其應(yīng)用于圖像處理時存在的缺點，提出新的字典學習算法，新算法在OLM字典學習算法基礎(chǔ)上引入BPG算法，在求解多重

3、凸優(yōu)化問題時引進遞推系數(shù)，在保留OLM算法優(yōu)點的同時，解決了OLM算法在更新字典時采用的塊坐標法效率不高的問題。實驗結(jié)果表明，新的字典學習算法相比OLM和其他算法學習速度更快，訓(xùn)練出的字典性能更佳。
　　(3)針對OMP稀疏分解算法復(fù)雜度高的問題，考慮到用于字典訓(xùn)練的無缺陷圖像樣本和待檢測的圖像之間存在很大的相關(guān)性，受遷移學習思想的啟發(fā)，在OMP算法的基礎(chǔ)上引入先驗矩陣，提出改進的OMP算法。并用樣本集對算法進行了驗證，改進的OM