中期报告基于改进自适应阈值的织物疵点检测算法研究(编辑修改稿)

中期报告基于改进自适应阈值的织物疵点检测算法研究(编辑修改稿)内容摘要：

Huv 是低通滤波器的传递函数，滤波后图像的傅里叶变换用 ( , )Guv 表示，则低通滤波的数学表达式为： ( , )= ( , ) ( , )G u v H u v F u v (1) 1）理想低通滤波器（ Ideal LowPass Filter简称 ILPF）的设计 ILPF 物理上是不可实现的非因果系统，实际中的低通滤波器只能是它的近似，但可以在数值模拟中无限接近它。 ILPF 的传递函数为： 001 ( , )( , ) = 0 ( , )D u v DH u v D u v D  (2) 式中， 0 0D ，为 ILPF的截止频率； (, )Duv 表示频谱平面原点到 (, )uv 点的距离，即 2 2 1 2( , )=( + )D u v u v。 “理想滤波器”的名称表明在半径为 D0的圆内，所有频率段无衰减的通过滤波器，而在此半径的圆之外的所有频率完全被衰减掉。 实验中，取滤波半径 D0=15。 2）巴特沃斯低通滤波器（ Butlerworth LowPass Filter 简称 BLPF）的设计 BLPF又称为最大平坦滤波器。 与 ILPF不同，它的通带与阻带之间没有明显的不连续性，因此采用该滤波器在滤除噪声的同时，图像边缘的模糊程度明显减小。 n阶 BLPF的传递函数为： 7  201( , ) = 1 + ( , ) nH u v D u v D (3) 当 3n 时，巴特沃斯出现较明显的振铃效应，实验过程中取 n =2，取滤波半 径 D0=15 3）指数低通滤波器（ Exponential LowPass Filter 简称 ELPF）的设计 ELPF 是图像处理中常用的另一种平滑滤波器，平滑后的图像没有跳跃、振铃现象存在。 它与 BLPF 相比，具有更快的衰减性，且滤波后的图像比 BLPF 处理的图像更模糊一些。 ELPF 的传递函数为： 0( , ) = e x p ( ( ( , ) ) )nH u v D u v D (4) 实验中取 n =2，取滤波半径 D0=20。 4）高斯低通滤波器（ Gaussian LowPass Filter 简称 GLPF）的设计 高斯滤波器是一种线性平滑滤波器，它根据高斯函数的形状来选择权值， 对去除服从正态分布的噪声效果良好。 对图像来说，常用二维零均值离散高斯函数作平滑滤波器。 高斯滤波器的系统函数是平滑的，避免了振铃现象。 GLPF的传递函数为： 20( , ) = e xp ( 1 / 2 [ ( , ) /D ] )nH u v D u v (5) 实验过程中取 n =2，取滤波半径 D0=5。 画出流程图 最大类间方差法 根据 图像的灰度特性 ，把 图像分 为 背景和目标 两 部分。 背景 与 目标之间的类间方差越大 ， 说明构成图像的 两 部分的差别越大 ，如果把背景错分为目标或目标错分为背景 都会导致 两 部分差别变小。 该方法当图像中目标与背景的灰度之比很小时分割效果不佳。 自适应阈值算法对最大类间方差法进行了改进，克服了最大类间方差法的缺 8 点，在用于织物缺陷检测时可得到较好的分割效果，具体算法如下： （给出每一步的核心代码，你这种写法，一看就是从小论文上摘抄的。 毕业论文要细化的多，不然你最后怎么能写 50页以上） (1)计算各个灰度级发生的概率。 一幅图像可以用二维函数 f(x,y)来表示，函数的值是灰度级，取值 0到 1L ， L 是灰度级的数目。 灰度级 i 可能发生的概率为： Pi= iinn  灰 度 级 的 像 素 个 数图 像 中 总 的 像 素 个 数 (6) (2)求出整个图像的平均灰度级 ： 1ii=0= ipLT (7) (3)求出每类发生的概率。 在单一阈值的情况下，一幅图像的像素被分为两类，即： 12c ={0,1 t} c ={t+1 t+2,. .. ,L 1}， ..., ， ， (8) 其中 t是阈值， C1和 C2分别是目标图像和背景图像的灰度级。 这两类发生的概率分别为： 11201( ) , ( )tLiii i tw t p w t p  。