基于小波变换三维编织件表面纹理分析 37页

基于小波变换的三维编织件表面纹理分析何晓莉计算机软件与理论智能控制与CAD2001级摘要论文所研究的三维编织件是先进的多功能复合材料制件和主承力复合材料制件所必需的一种新型、高级增强体织物，是航空、航天等领域所急需的一种新材料。复合材料三维整体编织技术是二十世纪八十年代发展起来的高新纺织技术。它具有整体性能好和结构设计灵活等特点。因而这种复合材料在国内外均备受关注。三维编织件的两个关键结构参数：表面编织角和花节长度，是三维编织件的质量监测和质量控制的关键。因此，准确而快速的测出这两个结构参数就有着重要的意义。论文主要着眼于对表面编织角的计测，对三维编织件的表面图像处理系统和表面图像测试系统进行了研究，取得了如下一些研究成果：1．针对三维编织件表面图像含有大量的毛刺与噪声及其图像自身的纹理特点，采用基于小波变换的图像增强技术实现了三维编织件表面图像边缘的提取。利用小波所固有的时、频特性，结合图像增强中反锐化掩模法，对三维编织件表面图像进行了增强处理，提取了纹理，达到了比传统边缘提取算子（Roberts算子、Sobel算子、Prewitt算子、Krisch算子、高斯—拉普拉斯算子）更好的效果。2．利用图像的内部方差信息提出了改进的局部阈值选择法，对三维编织件表面图像进行分割，达到了良好的分割效果。研究证明，此算法可很好地避免处理区域光照均匀程度不同的影响。3．把直线拟合的思想应用到三维编织件单位表面编织角计测的数学建模上，使一个纹理单位内的所有像素的灰度信息都参与到表面编织角的求解中来，从而得到了较好的计测效果。4．着眼于自组织竞争型神经网络，对基本竞争型神经网络作了扩展性的应用研究，使获胜模式成为某一基本模式方向上的动态最优，能取得更好的三维编织件编织角的计测效果。5．改进了传统的模板匹配方法，用于定位一幅纹理图像中的各个纹理单位，并结合直线拟合法和改进的自组织神经网络法，能够实现对整幅图像体现的平均编织角的计测和编织角的不规则性的评价。从而为编织件的工艺提供更全面的技术支持。关键字：小波变换，反锐化掩模法，改进的局部阈值法，直线拟合，自组织神经网络，模板匹配，表面纹理分析，三维编织件。1 AnalysisaboutSurfaceTextureofthree-dimensionalWeavingPieceBasedonWaveletTransformationHeXiaoliComputerSoftwareandTheoryIntelligenceControlandCAD2001GradeAbstract:Thethreedimension-weavingpiecestudiedinthethesisisanew,advancedenhancedfabricanditisnecessaryforadvancedandmulti-functioncompositeform.Itisanewmaterialneededbadlyinfieldsofaviationandspaceflight.Thethreedimensionweavingtechnologyofthecompositeisanewandhightechnologydevelopedineightiesofthe20thcentury.Theglobalcanofitisgoodandthestructureofitisdesignedflexibly.Sothiscompositereceivesmuchconcernathomeandabroad.It’stwoparameters:theweavingangleandthelengthofthetexturearethekeyofmonitoringandcontrollingthequalityofthreedimensionweavingpiece.Soitisverymeaningfultodeterminethetwoparameters.Thesubjectismainlyfocusedontheweavingangle’sdetermination,studiesthesurfaceimageprocessingsystemandthesurfaceimagetestingsystemandmakesomeachievementsinresearch.1.Directedagainstthethreedimensionweavingpiece’simage’slotsofnoiseanditsowntextureproperties,Theimagestrengthentechnologyonthebasisofthewavelettransformsisusedtorealizetheedge’sdrawingofthethreedimensionweavingpiece’ssurfaceimage.Thewavelet’stime,frequencycharacteristiccombinedwiththeunsharpmaskingisusedtoenhancethesurfaceimageofthethreedimension-weavingpieceandtheedgecanbedrew.Thebetterresultcanbeobtainedcomparedwiththetraditionaledgedrawingoperators(Robertsoperator,Sobeloperator,Prewittoperator,Krischoperator,Gauss-Laplasoperator).2.Thepart-thresholdselectingalgorithmisimprovedbyuseoftheinsidedifferenceoftheimage.Itisusedinsurfaceimagesegmentingofthethreedimension-weavingpieceandgoodsegmentingresultcanbeobtained.Itcanbeprovedbytheresearchthatusingthisalgorithmcanavoidthereflectingofdifferentevendegreeofillumination.3.Theideaoflinearfittingisappliedtotheunitweavingangle’scomputationofthethreedimension-weavingpiece.Linearfittingmethodmakesfulluseofthehistograminformationofallpixelsinatextureunitandgoodresultcanbeobtainedthroughthismethod.4.Focusingontheself-organizationartificialneuralnetwork,thebasiccompetingneuralnetworkcanbeexpended,whichmakesthemodethatwinsvictorygainedthroughtheneuralnetworkisthedynamicoptimizationin thedirectionofsomemode.Sobettercomputationresultoftheweavinganglecanbeobtained.5.Thetraditionaltemplatematchingmethodisimprovedtodefinethepositionofeverytextureunitina2 textureimage.Combinedthisimprovedmethodwiththelinearfittingmethodandtheself-organizationartificialneuralnetworkmethod,theaverageweavinganglecanbeobtainedandatthesametimetheirregulardegreeoftheweavinganglecanbeevaluated.AndthenmoreoveralltechnicalsupportcanbeofferedtothemakingofthethreedimensionalWeavingPiece.KeyWords:Wavelettransforms;Unsharpmasking;Improvedpart-thresholdselectingalgorithm;Linearfitting;Self-organizationartificialneuralnetwork;Templatematching;SurfaceTextureAnalysis;threedimensionalWeavingPiece. 3 目录摘要......................................................................................................................................................................................................1Abstract:...............................................................................................................................................................................................2第一章引言....................................................................................................................................................................................61.1课题的来源......................................................................................................................................................................61.21.3课题的研究现状........................................................................................................................................................6课题的主要研究内容..............................................................................................................................................7第二章基于小波变换的纹理检测.........................................................................................................................................72.1传统的边缘检测算子...................................................................................................................................................72.1.1Roberts边缘检测算子.......................................................................................................................................82.1.2Sobel边缘算子....................................................................................................................................................82.1.3Prewitt边缘算子.................................................................................................................................................92.1.4Krisch边缘算子..................................................................................................................................................92.1.5高斯—拉普拉斯算子.....................................................................................................................................102.2小波变换的定义..........................................................................................................................................................112.3基本小波的性质[8,12]................................................................................................................................................122.4基于小波变换的反锐化掩模法在二维图像增强中的应用............................................................................152.4.1小波与图像增强...............................................................................................................................................152.4.2反锐化掩模法...................................................................................................................................................15第三章基于改进的局部阈值选择法的图像分割............................................................................................................173.1方差法和最大熵法的理论依据...............................................................................................................................183.1.1基于最大最小方差的阈值选取法..............................................................................................................183.1.2基于最大熵的阈值选取法............................................................................................................................183.2改进的局部阈值选择算法........................................................................................................................................193.3实验结果........................................................................................................................................................................20第四章三维编织件表面图像纹理分析...............................................................................................................................224.1三维编织件表面特征.................................................................................................................................................224.2直线拟合法用于编织角的计测...............................................................................................................................234.3自组织神经网络法用于编织角的计测.................................................................................................................254 4.3.1基本竞争型神经网络及其学习规则..........................................................................................................264.3.2基本竞争型神经网络在三维编织件表面编织角计测中的应用.......................................................274.4谱分析用于三维编织复合材料预制件表面编织角的计测............................................................................284.5基于模板匹配的纹理定位方法...............................................................................................................................294.5.1传统的模板匹配算法.....................................................................................................................................294.5.2模板匹配方法在三维编织件纹理单元定位中的应用.........................................................................304.6实验结果........................................................................................................................................................................31结束语................................................................................................................................................................................................33参考文献...........................................................................................................................................................................................34致谢....................................................................................................................................................................................................375 第一章引言1.1课题的来源三维编织件是先进的多功能复合材料制件和主承力复合材料制件所必需的一种新型、高级增强体织物，是航空、航天等领域所急需的一种新材料。复合材料三维整体编织技术是二十世纪八十年代发展起来的高新纺织技术。它具有整体性能好和结构设计灵活等特点。因而这种复合材料在国内外均备受关注。为了加速我国三维编织复合材料的研究和产品开发，天津市科学技术委员会为天津工业大学下达了“三维编织件表面纹理分析”课题[项目编号：013601211]。其目的是：研制一种先进的计算机辅助测量技术来精确地测量三维编织件的两个关键结构参数：表面编织角和花节长度，从而为三维编织件的质量监测和质量控制提供保证。该项目主要由以下四部分组成：A、三维编织材料表面图像采集系统。B、三维编织材料表面图像处理系统。C、三维编织材料表面图像测试系统。D、三维编织材料表面图像监视系统。课题主要是着眼于对表面编织角的求解，对“图像处理系统”部分和“图像测试系统”部分进行了研究，课题研究题目是：“基于小波变换的三维编织件表面纹理分析”。1.2课题的研究现状为了保证各种预制件测量的可靠性，天津工业大学课题研究组对现有的图像卡及其软件进行了充分的调研与分析。目前，现成的图像图形卡基本上是为计算机播放流媒体而开发的，工业分析采集卡大多是PCI总线，采用单机界面。由于三维编织件是膨胀、松散的，并且内部纱线会对表面形态造成一定影响，现成的图像卡采集的三维编织复合材料图像不稳定，精度也远远不能满足预制件表面测量的要求。基于上述原因，天津工业大学课题研究组已研制了基于动态双口RAM的，采集速率30MHz的图像卡。图1为系统配置原理图。预制件面阵像卡图计算机滤波处理输出监视器图1系统结构图6CCDD/A 通过上述图像采集系统，就可得到符合要求的原始图像。对于原始图像的处理，可采用Sobel算子进行滤波，但由于三维编织件表面图像含有大量的毛刺与噪声及其图像自身的纹理特点，Sobel算子进行检测并不能得到良好的效果。1.3课题的主要研究内容三维编织预制件的结构参数，表面编织角和花节长度等，直接影响了纱线（或纤维束）在预制件内部的走向，影响预制件的纤维体积含量，从而影响三维编织复合材料的性能。因此精确和快速测量这两个参数对加强三维编织预制件的质量控制，从而保证三维编织复合材料的性能要求是十分重要和必要的。课题的主要研究内容就是：通过对CCD摄像系统采集到的图像进行处理，提取纹理，精确地计算出三维编织件（织物）的结构参数：表面编织角。课题要达到的主要技术指标是：三维编织件表面编织角测试误差：<±1.5º为了达到上述目标，首先对三维编织件的表面图像进行了传统边缘提取算子的研究，效果不太理想，为此研究了小波变换技术在图像增强中的作用，从而确定了采用基于小波变换的反锐化掩模法来实现图像纹理的提取。其次，研究了局部阈值法在图像分割中的作用，提出了利用图像内部方差信息而改进的局部阈值选择算法，得到了较好的分割效果。最后着重对三维编织件表面图像的纹理进行了分析，把直线拟合法用于编织角的求解上；在自组织基本竞争型神经网络的基础上作了扩展性地应用；并对传统的模板匹配方法进行了改进，用于定位图像中的每一个纹理单位，从而在对每一个纹理的编织角进行计测的同时，也能对整幅图像中编织角的平均加工水平进行测评。全部算法经编程实现和样本测试，证明方法可靠有效。第二章基于小波变换的纹理检测2.1传统的边缘检测算子三维编织件由于材料、结构、编织技术的不同，其表面图像有着本质的区别，再有三维编织件大多是由碳纤维和玻璃纤维编织而成，毛羽对图像影响较大。针对三维编织件表面图像特征，论文进行了Roberts算子、Sobel算子、Prewitt算子、Krisch算子以及高斯—拉普拉斯算子提取边缘的研究。7 2.1.1Roberts边缘检测算子Roberts边缘检测算子[1]是一种利用局部差分算子寻找边缘的算子，它可定义为：g(x,y)=|f(x,y)−f(x+1,y+1)|+|f(x+1,y)−f(x,y+1)|（1）其中f(x,y)是具有整数象素坐标的输入图像。经验表明，Roberts对具有陡峭的低噪声图像响应最好。Roberts算子对三维编织复合材料图像进行边缘检测的实验结果如图2所示：复合材料图像图2Roberts算子边缘图像Roberts算子边缘检测2.1.2Sobel边缘算子Sobel算子[2]的定义如下：S(i,j)=|(f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1))-(f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1))|+|(f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1))-(f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1))|（2）如图3所示的两个卷积核形成了Sobel边缘算子，图像中的每个点都用这两个核做卷积，一个核对通常的垂直边缘响应最大，而另一个对水平边缘响应最大。两个卷积的最大值作为该点的输出位。运算结果是一幅边缘幅度图像。图3Sobel模板先进行高斯滤波，然后用Sobel算子对三维编织复合材料图像进行边缘检测的实验结果如图4所示：8-1-2-1000121-101-202-101 复合材料图像图4Sobel算子边缘检测Sobel算子边缘图像2.1.3Prewitt边缘算子图5所示的两个卷积核形成了Prewitt边缘算子[3]。图像中的每个点都用这两个核进行卷积，取最大值作为输出。Prewitt算子也产生一幅边缘幅度图像。图5Prewitt模板用Prewitt算子对三维编织复合材料图像进行边缘检测的实验结果如图6所示：复合材料图像Prewitt算子边缘图像图6Prewitt算子边缘检测2.1.4Krisch边缘算子krisch边缘算子[4]是对数字图像{f(i,j)}的每一个像素(i,j),考察它八个邻点的灰度变化，以其中三个相邻邻点的加权和减去剩下五个邻点的加权和。令三个邻点环绕(i,j)不断移9-1-1-100011110-110-110-1 位，取其中差值的最大值作为Kirsch算子值。即：K(i,j)=max{1,max[5Si-3Ti]},Si=f(Ai)+f(Ai+1)+f(Ai+2)i=0—7Ti=f(Ai+3)+f(Ai+1)+f(Ai+5)+f(Ai+6)+f(Ai+7)（3）取阈值TH，作如下判断：若K(i,j)>TH，则(i,j)为阶跃边缘点，{K(i,j)}为边缘图像。图7所示的8个卷积核作成了Krisch边缘算子。图像中的每个点都用8个掩模进行卷积，每个掩模都对某个特定边缘方向作出最大响应，所有8个方向中的最大值作为边缘幅度图像的输出。最大响应掩模的序号构成了边缘方向的编码。图7Kirsch模板用Kirsch算子对三维编织复合材料图像进行边缘检测的实验结果如图8所示：复合材料图像图8Kirsch算子边缘图像Kirsch算子边缘检测2.1.5高斯—拉普拉斯算子由于拉普拉斯算子[5]是一个二阶导数，它将在边缘处产生一个陡峭的零交叉。由于噪声点对边沿检测有一定的影响，所以高斯拉普拉斯算子是效果较好的边沿检测器。他把高斯平滑滤波器和拉普拉斯锐化器结合了起来，先平滑掉噪声，再进行边沿检测，所以效果更好。常用的高斯拉普拉斯算子是5*5的模板，如图9所示：1055-350-3-3-3-3-3-3-3-305-355-3-3-350-355-3-355-305-3-3-3555-30-3-3-3-3 -3-3-3-30-3555-3-35-305-3-355-3-350-35-3-3 图9高斯-拉普拉斯模板用高斯-拉普拉斯算子对三维编织复合材料图像进行边缘检测的实验结果如图10所示：复合材料图像图10高斯-拉普拉斯算子高斯-拉普拉斯算子边缘检测由上述研究可见，传统的边缘检测算子，虽然在某些场合具有良好的边缘提取效果，但由于三维编织件表面图像含有大量的毛刺与噪声及其图像自身的纹理特点，这些算子进行检测并不能得到良好的效果，而考虑到小波变换在时域和频域都具有良好的局部化特征，而且小波变换在时空域中的分辨率随频率的大小而调节，低频粗疏，高频精密，这样就可以方便地使信号与噪声分离，并且小波变换对奇异特性尤为敏感，使得它更适合检测图像的边缘和细节。所以，论文又进行了基于小波变换的图像增强技术在纹理提取方面的作用的研究。2.2小波变换的定义回顾傅立叶变换，它使用的是正弦曲线波作为它的正交基函数。之所以称为波是因为它们类似于大海的波涛在其它媒体中传递。对于积分变换来说，这些函数都在两个方向上无限扩展。离散傅立叶变换的基向量也在它们的整个域中非零。也就是说，它们并不是紧支集。但是，图像中的许多重要特征（例如边缘）是在空间位置中高度局部化的。这些成分并不类似于任何一个傅立叶基函数，并且，它们的变换系数（即频谱）也不是紧凑分布的。这使得傅立叶变换在分析瞬态或局部化成分的信号和图像时，得不到最佳表示。即使傅立叶变换能够通过一些变化，消去一些正弦波，构造出在大部分区间都为零的函数，但此函数在频谱上却只11-2-4-4-4-2-4080-4-48248-4-4080-4-2-4-4-4-2 能呈现出一幅相当混乱的构成。为了克服这些缺陷，数学家和工程师们已经开发出若干种使用有限宽度基函数进行变换的方法，这些基函数不仅在频率上而且在位置上是变化的，它们是有限宽度的波，并被称为小波（wavelet）。基于它们的变换被称为小波变换（wavelettransforms）。连续小波变换（continuouswavelettransform,CWT）是由Grossman和Morlet[6]引入的。下面给出有关定义：若函数ø(x)∈L1IL2满足Cø=∫R|øˆ(ù)|2|ù|dù<∞（4）令12x−ba)（5）则函数f(x)∈L2的小波变换定义为Wf(a,b)=〈f,øa,b〉=|a|−12∫Rf(x)ø(x−ba)dx（6）其相应的反变化公式为1f(x)=Cø2∫∫R2Wf(a,b)øa,b(x)dadba2（7）式中，øˆ(ù)为ø(ù)的傅立叶变换。与标准正交基函数族{eiùx|ù∈R}构造类似（即其他基函数均是由单函数eix膨胀生成的），函数øa,b(x)也是基本小波ø(x)作移位和伸缩之结果。可见，ø(x)是“小”的，因为规定ø(x)∈L1，则∫R|ø(x)|dx<∞，即ø(x)具有衰减属性，特别地ø(x)是局部非零的紧支函数；ø(x)是“波”，由式（4）的积分有界可推，当ù=0时，ø(x)的傅里叶变换必须为零，即∫Rø(x)dx=0此即说明ø(x)具有波动性。2.3基本小波的性质[8,12]设函数ø(x)∈L1IL2，且可按下式：12−− 12x−ba)b∈R,a∈R−{0}（8）生成的函数族{ø(a,b)}叫分析小波或连续小波，而ø(x)叫做基本小波或母小波。ø(x)可以由研究者自行构造，小波变换没有固定的核函数，这是它与其它常用积分变换的显著区别。如傅里叶变换的核函数就是eiùt，而不可以是其它。当然也不是所有任何函数都可以做小波变换的核函数——基本小波ø(x)。我们知道，任何变换只有其反变换存在才具有实际意义，但一般情况下反变换不一定存在。对小波变换而言，其反变换也必须存在，为此基本小波ø(x)必须满足下述性质。1.允许性对式（6）定义的f(x)的小波变换，能由式（7）反演出f(x)的充要条件是Cø=∫R|øˆ(ù)|2|ù|dù<∞（9）式（9）即为允许性。可以看出，能用作基本小波ø(x)的函数必须满足øˆ(ù=0)=0，否则允许性在ù=0处会趋向无穷大；其相应的时（空）域要求是∫Rø(x)dx=0，也即说，ø(ù)必须是带通的，且冲激响应ø(x)必存在震荡，使其平均值为零，这与前面对“小波”称谓之说明是一致的。2.能量比例性在允许性条件下，小波变换幅度的平方的积分与信号能量成正比，即∫R+daa|Wf(a,b)|2db=Cø∫R|f(x)|2dx（10）3.正规性原则上说，满足允许性条件的函数ø(x)便可以用作基本小波，不过往往要求更高些，即要求ø(x)还要满足所谓“正规性”条件，以保证øˆ(ù)在频域上表现较好的局域性能。为达到此目的，要求|Wf(a,b)|随尺度a的减小而迅速减小，这就意味着要求ø(x)的前n阶原点矩为零，且n越大越好，即∫RXpø(x)dx=0,p=1,2,L,n（11）上式中，当p=0时，它可以直接由允许性条件验证到。至于其他情形，能使（11）式成立的n越大越好。这是因为，此要求能尽可能的消除f(x)的多项式中xp(p≤n)的项在小波变换中的贡献，以便突出信号的高阶起伏与高阶导数中可能存在的奇点，即让小波变换充分反映信号的高阶（细节）变化。13−ˆ2∫R 4.重建性重建性指的是重建核和重建方核方程。重建核方程是小波变换又一重要性质，它说明了小波变换的冗余性，即在a–b半平面上各点小波变换的值总是相关的。在(a0,b0)处的小波变换值Wf(a,b)总可以表示成半平面上其它各处的小波变换的总贡献：Wf(a0,b0)=∫R+daWf(a,b)Kø(a0,b0;a,b)db（12）式中Kø(a0,b0;a,b)=1øa0,b0(x)øa,b(x)dx=1Cø∫1a0ø(x−b0a0)1aø(x−ba)dx（13）=1Cø〈øa0,b0,øa,b〉式中，Kø是小波øa0,b0(x)与øa,b(x)的内积，它反映了两者的相关程度，称为重建核，而式（12）称为重建核方程。综上所述，可得出下面结论：1）试图构造任何新的基本小波ø(x)，都必须使其满足允许性条件（又称可接纳性条件），否则便不能用作基本小波。2）在允许性条件下，能量的比例性是自动满足的。3）正规性条件对构造新的基本小波虽不是强制性的，但期望式（11）中的n较大，以便充分刻画信号的高阶变化。4）重建性是说，只有在a–b域上满足重建核方程的函数，才可以实现小波变化。5）Kø反映了øa0,b0(x)与øa,b(x)之间的相关性。当a0=a,b0=b时，Kø为最大；如果(a,b)偏离(a0,b0)较远，则衰减较快，二者相关性便越小。当a0≠a,b0≠b时，若Kø≡0，显然Kø具有ä函数的性质。这种情况下，a–b平面上各点的小波变换值互不相关，小波变换所含的信息才没有冗余。这就要求小波的不同位移互相正交，但当a,b为连续变量时这一要求难以达到，从而f(x)变换成Wf(a,b)后信息是冗余的。14a2∫RCø∫ 2.4基于小波变换的反锐化掩模法在二维图像增强中的应用2.4.1小波与图像增强图像增强的目的是采用一些技术手段有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，改善后的图像比原始图像更加能满足某些特殊性分析的需要，如图像的轮廓线或者纹理加强等。图像增强处理主要有两类方法：空域法（spatialprocessing）和频域法（frequencyprocessing）。图11是频域法的处理过程。在图11中频域变换可以是傅立叶变换，DCT变换，Walsh变换或小波变换。原始图像f(i,j)频域变换F(u,v)增强处理T频域逆变换G(u,v)增强图像g(i,j)图11频域空间法小波变换在图象增强的应用中其实只是充当一个频域变换的工具，但是由于小波分析的时-频局部化特性，使得它可以更加有效的提高图像增强的质量。下面就基于小波分析的反锐化掩模法进行分析。2.4.2反锐化掩模法在图象增强方法中，图像对比度是决定一幅图像主观质量的重要因素。直方图修改技术因简捷、运算速度快而被广泛应用。但由于直方图修改方法不能自适应处理不同尺寸的图像特征，图像边缘增强算法由此产生，其主要策略为:先边缘检测后勾边。反锐化掩模法（unsharpmasking）[15]就是这种策略的具体实现，即边缘化由原始图像减去拉普拉斯滤波分量而完成。其定义为fˆ(x,y)=f(x,y)−k∆f(x,y)（14）在这里，∆=∂2∂x2+∂2∂y2是拉普拉斯算子。式（14）的离散形式改写为15 fˆ(i,j)=f(i,j)+k[f(i,j)−f(i,j)*h(i,j)]（15）式中，h(i,j)是一个离散平均滤波器，“*”代表卷积。扩展式（15）的意义，设g(x,y)为高斯函数，∆g(x,y)是高斯-拉普拉斯滤波器，反锐化掩模法的定义可以写为其离散形式为fˆ(x,y)=f(x,y)−k∆[f(x,y)*g(x,y)]=f(x,y)−k[f(x,y)*∆g(x,y)]fˆ(i,j)=f(i,j)−k[f(i,j)*∆g(i,j)]（16）（17）这种带有高斯低通滤波器的反锐化掩模法包含在离散二进制小波用于增强算法的范围内[16]，也即是说，传统的反锐化掩模法式（15）与式（17）仅仅是小波应用中线性增强的两个特例。由此可见，通过小波变换和选择特定的增强函数就可以实现反锐化掩模法，而图像的增强效果直接与小波基的选择和增强函数的设计有关[18]。基于小波变换的反锐化掩模法能推广到二维图像增强处理中，其过程与上述一维信号处理完全一样。主要思路归结为：充分利用小波分解，将原始图像中高频分量和低频分量进行不同程度的分离，直接从小波变换域的子图出发，将低频子图进行滤波处理，成为原始图像的一个模糊版本，其图像仅保留了原图的低频成分，在此基础上，原始图与模糊版本图相减就能获得丰富的纹理细节特征。图13，14为采用基于小波变换的反锐化掩模算法处理原始图像（图12）得到的结果。其中图13为基于小波一级变换的处理结果，图14为基于小波二级变换的处理结果。图12复合材料图像（a）小波分解图13（b）低频部分小波还原基于一级小波变换的反锐化掩模法16（c）处理结果 （a）小波分解（b）低频部分小波还原图14基于二级小波变换的反锐化掩模法（c）处理结果可见，采用小波变换的反锐化掩模算法比传统算法有着明显的优越性。首先，小波变换使得原始图像中不同分辨率的细节特征随尺度的不同而分离开来，避免了传统算法中通过不断调整滤波器窗口大小选择增强效果的繁琐工作；其次，由于对不同尺度下的小波分量分别进行增强，原始图像中无论是较粗的边缘还是较细的边缘都能同时得到增强。而且，小波变换在时域和频域都具有良好的局部化特征，在时空域中的分辨率随频率的大小而调节，低频粗疏，高频精密，这样还可以使信号与噪声分离，达到好的纹理提取效果。第三章基于改进的局部阈值选择法的图像分割在数字图像处理、模式识别和计算机视觉的应用领域中，我们常常需要将感兴趣的部分从图像背景中分离出来，即对图像进行分割。图像分割就是把图像中具有特殊含义的不同区域区分开来，这些区域是互不相交的，每一个区域都满足特定区域的一致性[19]。而利用阈值对图像进行分割是一种常用的方法。图像阈值分割主要是利用图像中兴趣目标与背景在灰度上的差异，把图像分为具有不同灰度级的目标区域和背景区域。利用阈值对图像进行分割时，关键就是要找到恰当的阈值。当图像中目标与背景差别较大并且图像的光照均匀时，利用全局阈值就能得到较好的分割效果。但当目标与背景差别不大或光照不均时，就如课题所研究的三维编织件图像，单纯使用全局阈值就很难达到理想的分割效果。因此论文使用局部阈值选择法对图像进行处理。但简单的局部阈值选择法[20]，只是将原始图像人为地分为几个小的子图像，再对每个子图像分别求出最优分割阈值。这种做法依赖于人去判断要把图像分为哪几部分，每一部分的大小是多少，缺乏灵活性。所以论文提出一种改进的局部阈值选择算法，该算法根据图像的内部方差来决定是否需要继续缩小区域，以求取更合适的阈值。在算法编写与验证过程中，论文主要以最大方差法和最大熵法为基础对三维编织件图像进行二值化处理，取得了良好的分割17 效果。3.1方差法和最大熵法的理论依据3.1.1基于最大最小方差的阈值选取法根据模式的分类思想，对于不同类别的模式要实现很好的分类，样本距离应越远越好，即类间呈明显的远离性；而同类模式的样本距离则越近越好，即类内呈明显的团聚性。可用类间方差和类内方差来分别描述不同类别模式之间的距离和同类模式内部样本之间的距离。那么对图象进行二值化分割，就是要选取某一阈值使分割后两部分，即两类之间的类间方差最大，同时使两部分各自内部的类内方差最小。这种阈值选择方法就称为最大最小方差的阈值选取算法。3.1.2基于最大熵的阈值选取法基于最大熵原则选择阈值是常用的阈值选择方法之一，由T.Pun首先提出[21]。Kapur对Pun提出的熵法进行了改进，重新定义了物体与背景的概率分布相关的熵[22]。这种方法的目的在于：将图像的灰度直方图分成独立的类，使得各类的总熵最大。从信息论角度来说，就是使这样选择阈值获得的信息量最大。下面简单介绍由J.N.Kapur等人提出的比较典型的最大熵原则。在这里只讨论图像的二值化分割，即单阈值情况。用p0,p1,...,pn表示灰度级的概率分布，如果把阈值设置在灰度级s，将获得两个概率分布如下：C1:,PsPspPsC2:,,L,pL−11−Pssi=0与每一个分布相关的熵为：si=0piPspPsH(s)PsL−1i=s+11−Pslog()=log(1−Ps)+H(l)−H(s)1−Ps18p0p1,L,sps+1ps+21−Ps1−Ps其中Ps=∑pi。H(c1)=−∑log(i)=logPs+piH(c2)=−∑pi1−Ps si=0图像的总体熵为：L−1i=0H(i)=H(c1)+H(c2)=logPs(1−Ps)+H(s)Ps+H(l)−H(s)1−Ps则由式s=arg(max(H(i)))求出的s值就为基于最大熵的阈值。3.2改进的局部阈值选择算法当待处理图像中目标与背景差别不大或光照不均时，用全局阈值法求得的单一阈值对图像进行分割效果不理想。于是有人提出局部阈值选择算法。该算法主要是将原始图像分为几个小的子图像，再对每个子图像分别求出最优分割阈值。这种做法太多地依赖于人，缺乏灵活性。因此论文提出一种改进的局部阈值选择算法，主要是利用图像的内部方差信息，来达到求取更合适的阈值的目的。阈值求出后，同样存在着不同子图像的边界处灰度不连续，以及有人为处理痕迹的问题。所以论文算法采取全局阈值与局部阈值相配合的办法来求得好的二值化处理效果。论文算法采用递归调用，主要部分描述如下：ThresholdArea(x0,y0,xsize,ysize,image){MeanDiff(x0,y0,xsize,ysize,image);//确定阈值计算区域的递归程序//求目前处理区域的方差的平均值，并返回该值diff。If(diff>ContinueValue)//ContinueValue为是否继续缩小求阈值区域的开关值。//如大于开关值，继续缩小计算阈值区域。{ThresholdArea(x0,y0,xsize/2,ysize/2,image)；ThresholdArea(x0+xsize/2,y0,xsize/2,ysize/2,image)；ThresholdArea(x0,y0+ysize/2,xsize/2,ysize/2,image)；ThresholdArea(x0+xsize/2,y0+ysize/2,xsize/2,ysize/2,image)；}else{//如不大于开关值，计算当前处理区域的阈值。ComputeThreshold();//计算当前区域阈值，采用最大方差法和最大熵法。19其中H(s)=−∑pilogpiH(l)=−∑pilogpi。 ModifyThreshold();DivideImage();//结合全局阈值修正阈值。//根据阈值二值化当前区域。}}对算法说明如下：一：设计上述算法，主要是考虑到：当处理区域光照均匀时，该区域的方差的平均值要小；而处理区域光照不均时，方差的平均值要大得多。依据上述考虑，制定一开关值，区域方差大于该开关值时，表明当前处理区域光照不均，则需继续缩小处理区域，直至区域方差小于开关值时，表明该区域光照均匀程度已达到要求，则计算阈值。这样处理就避免了处理区域虽光照均匀程度不同，却要被同等划分，所造成的划分过渡或划分不够的情形。二：对于划分开关值的选取，主要是依据实验结果。对于不同的图像有不同的值。三：计算阈值所采用的方法，可根据不同的图像特点采用不同的方法。论文主要是采用最大方差法和最大熵法。四：区域阈值求出后，如不进行修正，则子图像的边界灰度不连续，且人为处理痕迹明显。所以要进行修正。论文采取与全局阈值相配合的方法进行修正：即全局阈值与局部阈值加权平均，或局部阈值与全局阈值相继处理的办法。3.3实验结果实验过程如下：一：图15为待处理的合成材料原图及其灰度图像。可见图像的亮度明显不均，而且需要提取的纹理与背景相差不大。其灰度图像，没有明显的双峰。（a）原图0（b）灰度图像255图15原图及其灰度图像二：首先对其进行滤波，在这儿用高斯滤波。而后进行全局阈值分割，图16分别为用最大20 方差法和最大熵法进行分割的结果。可以看出，无论是亮区还是暗区都不能得到好的分割效果。暗区存在分割不清的问题，而亮区则出现断纹的现象。（a）最大方差法图16全局阈值分割结果（b）最大熵法三：采用简单的局部阈值算法进行二值化分割，得到结果如图17，图18。其中图17为图像四分得到的结果，图18为图像十六分得到的结果。由于采用同样的分割区域大小，有些区域因划分不够未能起到均匀图像明暗度的作用，如图17；有些区域则因过度划分，处理结果也同样不好，如图18。而且图像的人为处理痕迹明显。（a）最大方差法图17（a）最大方差法图18（b）最大熵法四分局部阈值分割结果（b）最大熵法十六分局部阈值分割结果四：用论文提出的算法对原图进行二值化分割，结果如图19。可以看出，处理结果无论是在明暗均匀方面还是人为处理痕迹方面都有所改善。21 （a）最大方差法图19（b）最大熵法本文算法阈值分割结果综上可见：对于图像中目标与背景差别不大或是图像光照不均的情形，用论文提出的改进的局部阈值选择法可以得到好的处理结果。至于人为处理痕迹也可用修正的办法得到解决。第四章三维编织件表面图像纹理分析纹理是图像的重要特征，通常认为纹理反映了物体表面的粗糙与光滑的程度。纹理分析技术分为三大类：统计方法、谱分析方法和结构方法。统计方法分析纹理基于图像区域的灰度直方图，它主要用于描述图像的反差。谱分析方法是用图像区域的相关函数来描述图像的周期，由于三维编织件表面图像具有周期性，因而用谱分析方法对图像进行检测，也可完成图像平均编织角的测量[34]。下面首先具体分析三维编织复合材料的表征特性，而后提出了两种针对单个纹理的编织角的计测方法：直线拟合法和改进的自组织神经网络法。并在此基础上，结合改进的模板匹配方法定位图像中的纹理单元，以实现在对单个纹理所体现的编织角的计测过程中，同时实现对整幅图像中平均编织角的计测。4.1三维编织件表面特征三维编织复合材料是由三维编织预制件增强的一种新型的复合材料[35]。它不分层，具有优越的抗冲击性能，高比强度，高比模量，综合力学性能好，并且具有很好的功能性能，是制作结构件的和高功能制件的理想材料之一，因此受到航空航天等部门的高度重视。矩形截面的三维编织件表面状态如图20，图21所示。三维编织件的表面编织角定义为：编织纱线在表面和织物成型方向的夹角，即图20中的á角为理想状态下三维编织件表面编织角。图21为实际编制预制件的表面结构图。表面编织角是否均匀与增强后复合材料性质有着重要关系。因而用计算机对其表面纹理进行分析，测定其结构参数有着重要意义。22 图20理想三维编织复合材料表面图图21实际三维编织复合材料表面图4.2直线拟合法用于编织角的计测使用第二章提出的基于小波变换的纹理检测方法或用第三章提出的改进的局部阈值选择方法都能得到较为理想的三维编织件的二值图像。在此二值图像的基础上，以一个纹理单位为研究对象，提出了直线拟合法来计测预制件的编织角。如图22所示：开始给出左下点A、右下点B和上点O。y=k1*x+b1Oy=k2*x+b2分别给出∠AOP和∠POB的范围。计算∠AOPAPB计算∠POB图22直线拟合法示意图编织角∠AOB=∠AOP+∠POB结束图23直线拟合法流程图23 开始给定灰度值=0的像素点到由k1确定的直线的距离总和dismin初值（最大）,根据角度范围给定k1初值。修正基准点。k1+=k1增量k1在给定范围？NY由k1和A点计算b1，得到直线y=k1*x+b1。遍历由点A和O确定的区域内的所有像素，灰度值=0时，计算该坐标到直线y=k1*x+b1的距离，并求出区域内所有这样的距离的总和dis。输出此时的对应角度即NdisSi(i=1,2,...m;i≠j)（20）Oi=0(i≠j)如果出现Sj=Si的情况，则按统一约定取左边的神经元为胜者。5.将与获胜神经元相连的各连接权按式（21）进行修正，而其他所有连接权保持不变，wi,j=wi,j+∆wi,j∆wi,j=ç(ak/M−wi,j)(i=1,2,...,n)（21）式中，ç为学习系数(0<ç<1)，反映了学习过程中连接权调整量的大小，一般取0.01——0.03，M为第k各学习模式矢量ak=(a1k,a2k,...,ank)T中元素为1的个数。6.选取另一个学习模式，返回步骤3，直至P个学习模式全部提供给网络。7.返回步骤2，直至各连接权的调整量变得很小为止。4.3.2基本竞争型神经网络在三维编织件表面编织角计测中的应用研究预制件二值图像的一个纹理单位，如图22，发现只要求得∠AOP和∠POB就能相加求得所要求的编织角，而∠AOP和∠POB可以看成是一定范围（0.0度—90.0度）内的两个模式，这样求编织角的问题就可转化为确定在一定模式范围内哪个模式竞争取胜的问题，就可构架一个基本竞争型神经网络来解决这一问题，这也正是此方法的基本出发点。于是做下述构架：首先，输入层为一维，即预制件二值图像所选取的一个纹理单位内的所有有意义的像素的坐标（有意义是指：像素的灰度值是区别于背景灰度的灰度值）。其次，设计竞争层为一定范围角度内的角度随机值。具体可为100个（具体数量可根据角度范围和需要精度来定）angle1∼angle2（angle1，angle2可根据目测具体的预制件的编织角大约在什么范围内来确定）之间的角度随机值。第三，网络输出为输入与各角度确定的直线的距离。第四，考虑到如果角度（∠AOP或∠POB）选取越合适，有意义的像素分布就会越多靠近由角度所确定的直线，既有意义的像素到角度所确定的直线的距离就会越小。所以网络的学习方法设计为计算一个输入在每一个竞争模式下的网络输出，找到输出最小的模式进行修正。修正方法为加或减一固定数值（这一数值的大小可根据需要的输出精度来确定。而且也可根据情况采取不固定修正，即开始时希望加快收敛速度，可相应加大这一数值；随着修正的进行可27 相应减小修正值以获得理想的精度）使该输出减小。最后，关于收敛判定，可选择某一模式被修正固定次数（注意说明一点这个固定次数不是指某一模式真正被修改的次数，而是指某一模式被判定为获胜的次数）也可选择当修正前后的网络输出的变化在某个固定的区间内，这个区间可根据具体的情况而定。可见，论文设计的神经网络并非只是对基本竞争型神经网络的简单应用，而是根据实际情况，作了扩展性地应用。一：论文设计的神经网络中权值并非显性地被修正，而是通过对竞争层的模式的修正隐性地体现出来的。由于不论是显性地权值修正还是本文提出的隐性修正，修正的目的旨在增加该模式获胜的机会，所以只要是能增加模式获胜的机会，都可以被认为是广义的权值修正。二：论文设计的神经网络的竞争层模式不是固定不变的，而是始终朝着获胜最优的方向在前进。即：通过论文设计的神经网络最终获胜的模式并非就是学习开始时固定的竞争层模式之一，而是在该模式方向上的优化，以求达到动态优化，追求更精确的预制件编织角的计测效果。但是此方法还是基于一个纹理单位的计测方法，与上述直线拟合法一样，如果需要计测编织角的平均加工水平时，就需要定位每一个纹理单元的位置。4.4谱分析用于三维编织复合材料预制件表面编织角的计测考虑到二维图像的自相关函数和图像的功率谱，都可以说明图像的谱特性，尤其是图像的功率谱含有图像纹理的重要特征，其波峰描述了纹理的周期信息。可以用这种波峰出现的方向来描述复合材料编织纱的纹理走向，从而测量编织角[35]。它的基本算法是基于二维傅立叶变换的。假设F（ù1，ù2）为图像序列的二维傅立叶变换。图像功率谱可用式（22）表示。Pff（ù1，ù2）=⎥F（ù1，ù2）⎥2（22）对得到的功率谱Pff（ù1，ù2）进行归一化，把Pff（ù1，ù2）用极坐标表示为Pff（r，PÖ）；r=(ù12+ù22)1/2；Ö=arctg(ù2/ù1)；以Ö为方向对Pff（r，Ö）进行积分，得到角向功率谱：PÖ（Ö）=∫Pff（r，Ö）dr；得到PÖ后,以Ö（0～180°）为横坐标，以相应的PÖ（Ö）为纵坐标，作出分布图。如下图26所示为60度的角度图像的功率谱图。图27，28分别为玻璃纤维三维编织件和碳纤维三维编织件的功率谱图像。可见，谱分析法可以方便地求得三维编织件的平均编织角。但此法对每个纹理单元的加工水平却很难准确计测。因此为了给编织工艺提供更加详细的参考信息，本文又进行了在利用模板匹配方法定位各个纹理单元的基础上，结合4.2节和28 4.3节提出的直线拟合法和自组织神经网络法对编织角进行计测的方法。（a）原始图像（a）复合材料边缘图像图26（b）功率谱图角度图象的功率谱图像（b）纹理结构图（c）角向功率谱图像（c）角向功率谱图像图27玻璃纤维材料三维编织件功率谱图像（a）复合材料边缘图像（b）纹理结构图（c）角向功率谱图像图28碳纤维材料三维编织件功率谱图像4.5基于模板匹配的纹理定位方法4.5.1传统的模板匹配算法以模板匹配为手段的目标检测在图像处理中是一种经典方法[36]。此法是将需要检测的目标图像的样板与图像中所有位置的子图进行比较，考察是否存在与模板匹配的子图。以二维图像29 的处理为例，传统的匹配算法为：设已知目标对象的图像模板为T，大小为M*N,考察的图像为I，大小为L*W(L>M,W>N)。匹配的过程就是设法把模板T叠加到图像I上，并比较T和它覆盖下的子图像的差别。若差别小于设定的阈值，则认为T在该处与I的子图像有较好的匹配，即找到了目标对象。对待匹配的整幅图像按逐个像素扫描并实施上述操作。很明显传统的模板匹配算法计算量大。其计算量随T所包含的像素增加而迅速增大，并且执行匹配的次数随待匹配图像的增大而增多，匹配效率不高。4.5.2模板匹配方法在三维编织件纹理单元定位中的应用利用4.2节和4.3节所提出的直线拟合法和自组织神经网络法都能达到对纹理图像中给定的特定纹理单元的编织角的计测。所以只要能对三维编织件纹理图像中的各个纹理单元进行准确的定位，就能实现在对每个纹理单元编织角计测的同时，对整幅纹理图像的平均编织角进行计测的功能。对纹理单元的准确定位实际就是准确确定纹理单元的左下点，右下点和高点。如图25中的A点，B点和O点。所以就可采用模板匹配法来确定这几个点。首先确定模板。确定模板之前要对纹理图像进行归整处理，使其含有若干个完整的纹理单元。然后选处理效果较好的一个纹理单元作为预处理模板。对此预处理模板进行线性整合处理，使其成为一理想的纹理单元。最终的模板就选定为这一理想的纹理单元。其次根据模板进行匹配处理。考虑到纹理图像中每个纹理单元的大小基本相同，分布基本呈规律位置排列，可对传统的模板匹配算法加以改进：1．对待处理的纹理图像不按逐个像素进行扫描匹配，而按模板大小进行递增匹配。即假设，模板大小为M*N，从坐标点（0,0）开始匹配，那么沿X方向的逐个进行匹配的基准点就是（M,n）（2M,n），…沿Y方向的逐个进行匹配的基准点就是（m,N），（m,2N），…所谓匹配基准点不是只在该点开始匹配操作，而是在该点的一个邻域内进行匹配操作。这样就可在减少匹配操作次数的同时，保证匹配的正确性。2．考虑到纹理图像中每个纹理单元的形状大致相同，又可以对需要进行匹配运算的匹配运算点进行简化，即找出待匹配图像中与模板中纹理相对应的像素点，选取该点的一个邻域，对此邻域中的灰度进行均值计算，以此均值为该像素点的灰度值进行匹配运算。这样又可大大减少一次匹配运算的时间。经过上述两方面的改进，可以很快地定位各个纹理单元，从而对每一个纹理单元的编织角利用直线拟合法或自组织神经网络法进行计测，同时还能对整幅图像的平均编织角和编织角的30 不规则性进行计测，从而为编织角的工艺过程提供更全面的技术分析与支持。4.6实验结果利用论文设计系统进行测试，部分测试结果如下：1．利用4.5.2节所提出的改进的模板匹配法，得出的纹理匹配基准点如图29所示，具体匹配点的坐标如表1所示。图29改进模板匹配结果图其中待匹配图像为256*256的纹理图像，匹配模板为64*36的理想纹理单元。可见，该方法能比较准确地找到纹理单位的匹配基准点，而其匹配效率是传统模板匹配方法所无法比拟的。传统匹配方法的计算量可通过下式得出：匹配计算次数n=（256-64）*（256-36）*（64*36）=973209604.5.2节所提出的改进的模板匹配法的计算量为：匹配计算次数n=（（256/64-1）*8）*（（256/36-1）*8）*180=207360表1改进模板匹配匹配点坐标2．基于模板匹配的直线拟合法测量预制件编织角的部分结果如下：表2为测试图像包含28个纹理单元的玻璃纤维平面制件利用直线拟合法的编织角测试结果。其中，不规则度量=（单次计测值-计测平均值）/计测平均值*100%。图30（a）为相应的31纹理编号1234567891011121314行301002261636667656766列0397511114718221533975111146183215纹理编号1516171819202122232425262728行128129129131131131130188190191191191191191列3397511014718321513974108145181213 纹理直线拟合结果图示。表2玻璃纤维平面制件利用直线拟合法的编织角测试结果(单位：度)3．基于模板匹配的改进的自组织神经网络法测量预制件编织角的部分结果如下：表3为测试图像包含28个纹理单元的玻璃纤维平面制件利用改进的自组织神经网络法的编织角测试结果。其中，不规则度量=（单次计测值-计测平均值）/计测平均值*100%。图30（b）为利用改进的自组织神经网络法求得的纹理角度做出的角度示意图像。32量角器32.4331.4335.1234.1434.3535.0833.3532.8635.3033.0633.3433.5835.2436.33直线拟合32.3030.0034.3033.5534.1034.3534.8034.1534.2532.6033.0033.5535.0035.00单次误差0.131.430.820.590.250.731.451.291.050.460.340.030.241.33平均误差量角器平均值（33.65）-直线拟合平均值（32.95）=0.70不规则度量%1.978.954.101.824.584.255.613.643.951.060.151.826.226.22量角器31.0632.5036.5537.9831.0230.4532.9529.8533.6731.4534.9836.8732.6434.54神经网络29.8533.8638.0338.0429.1629.0431.4228.3535.0534.8935.5838.0931.8934.08单次误差1.211.361.480.061.861.411.531.501.383.440.601.220.750.46平均误差量角器平均值（33.65）-神经网络平均值（33.82）=0.17不规则度量%11.740.1212.4512.4813.7814.137.1016.173.643.165.2012.635.710.77量角器31.0632.5036.5537.9831.0230.4532.9529.8533.6731.4534.9836.8732.6434.54直线拟合32.0030.0033.1535.0030.6530.0034.8030.5030.9530.0033.5034.0532.5534.40单次误差0.942.503.402.980.370.451.850.652.731.451.482.820.090.14平均误差量角器平均值（33.65）-直线拟合平均值（32.95）=0.70不规则度量%2.888.950.616.226.988.955.617.446.078.951.673.341.214.70 表3玻璃纤维平面制件利用自组织神经网络法的编织角测试结果(单位：度)（a）直线拟合法（b）改进的自组织神经网络法图30基于模板匹配的编织角计测结果试意图可见，对于论文提出的模板匹配改进算法能准确而快速地定位纹理单元，不论是直线拟合法还是自组织神经网络法测试的平均编织角的误差都能满足课题要求，而且还可同时计测每个纹理的角度并度量其不规则性。大大提高了三维编织件平面编织角的计测效率和计测水平。另外，通过具体试验可知，直线拟合法拟合效果的好坏与纹理基准点的选取有着直接的关系，而改进的自组织神经网络法能够大大的减小这种对纹理基准点的依赖关系，达到更好的计测效果，从而为三维编织件的工艺提供更准确、更全面的技术支持。论文所提出的所有思想、方法都经编程实现，总的代码量六千余行。结束语从论文的选题，到论文的初期准备，方案制定，再到论文的具体研究，后期的结果分析，成稿，总共历时将近一年。在这一年的论文研究过程中，取得了如下一些研究成果：1．采用基于小波变换的图像增强技术实现了三维编织件表面图像边缘的提取。利用小波所固有的时、频特性，结合图像增强中反锐化掩模法，对三维编织件表面图像进行了增强处理，提取了纹理，达到了比传统边缘提取算子更好的效果。33量角器32.4331.4335.1234.1434.3535.0833.3532.8635.3033.0633.3433.5835.2436.33神经网络31.4829.5536.8035.5035.1035.1132.0432.2437.6533.3734.0632.5736.6837.62单次误差0.951.881.681.360.750.031.310.621.350.310.721.011.441.29平均误差量角器平均值（33.65）-神经网络平均值（33.82）=0.17不规则度量%6.9212.638.814.973.783.815.264.6711.151.330.713.708.1611.24 2．设计了改进的局部阈值选择法对三维编织件表面图像进行分割，达到了良好的分割效果，为三维编织件表面图像的处理增添了新的效果较好的方法，同时为阈值选择增加了新的研究方法。3．把直线拟合的思想应用到三维编织件表面编织角计测的数学建模上，使一个纹理单位内的所有像素的灰度信息都参与到表面编织角的求解中来，从而得到了较好的计测效果。4．着眼于自组织竞争型神经网络，对基本竞争型神经网络作了扩展性的应用研究，使获胜模式成为某一基本模式方向上的动态最优，而且把这种神经网络应用到了三维编织件表面图像的测试系统的研究过程中，收到了明显的成效。5．对传统的模板匹配算法进行了征对三维编织件纹理图像特点的改进，大大提高了匹配速度，并能准确定位纹理单位，使得在准确计测平均编织角的同时，还能对单个纹理的角度以及编织角的不规则性进行计测，从而为编织件的工艺提供更全面的技术分析与支持。此次论文研究过程中，虽然取得了一些成绩，但还有许多值得进一步研究与改进的地方。例如：可通过不同小波基的选取以及小波变换与其他传统图像处理方法相结合等手段尝试进一步改善图像中纹理提取的效果。关于直线拟合法，可以通过改善基准点的修正方法来提高计测的准确性。关于模板匹配方面，在模板的选择和建立上可进一步完善方法，以求更精确的匹配效果。以上是论文研究报告，不当之处，请各位专家和教授给予批评和指正。今后，我将继续努力，继续在图像处理，模式识别以及神经网络等方面加强研究，并且致力于对多个领域的综合应用，为计算机领域的研究和发展尽一份力。参考文献[1]RobertsLG.Machineperceptionofthree-dimensionalsolids[A].inJ.T.Tippett,ed.OpticalandElectro-OpticalInformationProcessing[M].MITPress.Cambridge,MA,1965[2]DavisL.S.Asurveyofedgedetectiontechniques[J].CGIP.1979,4:248-270[3]PrewittJ.Objectenhancementandextraction[A].inB.LipkinandA.Rosenfeld,eds.PictureProcessingandPsychopictorics[M].AcadamicPress,NewYork,1970[4]KrischRA.Computerdeterminationoftheconstituentstructureofbiologicalimages[J].ComputerinBiomedicalResearch.1971,4:315-328[5]DemignyD.AnOptimalLinearFilteringforEdgeDetection.IEEETrsansactiononImage34