1、機器視覺建立在諸多先進成像器件和成像技術之上,廣泛應用于醫(yī)療、天文、國防工業(yè)及科學研究等領域。典型機器視覺系統(tǒng)分為圖像采集、圖像處理和運動控制三部分,涉及信息科學、計算機科學、數(shù)學、物理學以及生物學等學科的知識。群體智能(SwarmIntelligence,SI)優(yōu)化算法是近年來興起的一種模擬生物的群體行為的演化計算方法,以粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法為典型代表,它通過模擬鳥群之間的集

2、體協(xié)作行為來進行問題求解。具有量子行為的粒子群優(yōu)化(Quantum.behaved ParticleSwarm Optimization,QPSO)算法是在深入研究PSO算法的基礎上提出,由于只涉及初等運算,具有尋優(yōu)過程更簡單、控制參數(shù)更少、收斂速度更快等特點,將其改進算法應用于機器視覺領域,可以有效提高系統(tǒng)的適應性。
　　 圖像處理與分析是機器視覺的核心部分,本文將群體智能優(yōu)化算法引入機器視覺的主要圖像處理過程,提出了基于改進

3、的QPSO算法的圖像增強、圖像復原、圖像分割和目標識別等算法,運用算法的并行搜索特性顯著提高了算法的收斂速度。最后將基于群體智能的圖像處理算法應用到提出的機器視覺高速異纖在線檢測系統(tǒng)中,提高了異纖檢測的準確率和系統(tǒng)穩(wěn)定性。論文具體內容如下:
　　 (1)圖像增強和圖像復原用于解決機器視覺系統(tǒng)的采集圖像退化問題。針對普通圖像增強算法僅適用于特定降質圖像的缺點,首先對QPSO算法進行自適應性改進,然后將改進算法應用于圖像增強。標準測

4、試函數(shù)的仿真結果表明提出的QPSO改進算法具有更好的收斂性,與其他基于群體智能的圖像增強算法的對比實驗表明,提出的圖像增強方法具有更好的增強效果和通用性。針對非線性圖像復原算法計算量大的缺陷,提出了一種基于上述改進算法的Lucy-Richardson圖像復原算法,對比實驗結果顯示,提出的圖像復原算法有效地降低了圖像復原的時間復雜度。
　　 (2)圖像分割是機器視覺系統(tǒng)對圖像進行分析和識別的前提。針對最小誤差閾值法的圖像分割方法無

5、法利用圖像空間信息的缺點,將最小誤差閾值法從一維直方圖推廣到二維直方圖進行圖像分割。首先對QPSO算法進行多群體與多階段改進,然后將改進算法應用于二維最小誤差閾值法的尋優(yōu)過程,用得到的一對閾值進行圖像分割。標準測試函數(shù)的仿真結果表明改進的QPSO算法具有更好的收斂性。最后將提出的圖像分割算法與其他基于群體智能的圖像分割算法進行對比,實驗結果表明提出的圖像分割方法具有更好的圖像分割效果和穩(wěn)定性。
　　 (3)圖像分類和目標識別是機

6、器視覺系統(tǒng)的最終目的之一。針對目前基于支持向量機(Support Vector Machine,SVM)的圖像分類算法的樣本訓練時間復雜度高的缺點,本文提出了基于群體智能的SVM分類器樣本訓練方法,并應用于目標識別。首先將二次規(guī)劃(Quadratic Programming,QP)問題分解為若干子問題,然后用群體智能優(yōu)化算法進行QP子問題的優(yōu)化,通過核主成分分析(Kernel Principal Component Analysis,K

7、PCA)方法將得到的特征向量輸入到支持向量機構造分類器,最后對測試樣本圖像樣本進行分類識別。大量實驗表明,基于群體智能和支持向量機的目標識別方法縮短了樣本訓練時間,是一種有效的目標識別方法。
　　 (4)設計了一種機器視覺高速異纖在線檢測系統(tǒng)。為了突破圖像處理速度這一主要瓶頸,采用FPGA和DSP構建高速圖像采集處理卡進行快速異纖檢測,并引入群體智能異纖識別算法,實驗證明了算法在異纖檢測中的有效性,提高了棉花異纖檢測的準確率,具