为精确提取浮选泡沫表面的崩塌、新合成气泡, 减少噪声和光照影响, 提出一种结合非下采样Shearlet变换(NSST)域显著性检测及图割的泡沫红外图像分割方法。对泡沫红外图像进行NSST多尺度分解, 采用GBVS算法对低频子带图像进行显著性检测, 通过马尔科夫链特征差异计算显著性值, 对各个高频方向子带进行噪声系数去除和边缘、弱边缘系数非线性增强。对处理后的多尺度高频子带、低频子带图像进行NSST重构, 通过低频子带图像的显著性检测结果构建显著性约束项, 采用高斯拟合函数构建气泡亮度约束项, 然后构造图割能量函数, 最后利用最大流/最小割算法对目标区域进行分割。实验结果表明: 该方法受光照影响小, 一定程度上解决了过分割和欠分割问题。正常浮选检测准确率为91.8%, 欠浮选为87.1%, 过浮选为88.9%, 分割精度较现有方法有明显提高, 能有效提取出崩塌或新合成的气泡, 表现出良好的抗噪性, 且在不同工况下均表现出良好的鲁棒性。

针对浮选加药状态在线检测困难、识别效率低和主观性强等问题,提出了一种基于多尺度卷积神经网络(CNN)特征及行列自编码核极限学习机(RAE-KELM)的浮选加药状态识别方法。首先,对浮选泡沫图像进行非下采样Shearlet多尺度分解,用CNN提取每个尺度图像的深度特征并进行多尺度特征融合;然后,构建RAE-KELM,将用量子计算改进的细菌觅食算法用于RAE-KELM的参数优化;最后,通过自建数据集训练得到最优的RAE-KELM模型,实现了浮选加药状态的自适应识别。实验结果表明,本方法的识别准确率可达到98.88%;且本方法减少了人工干预,有利于提高生产效率。

针对浮选泡沫表面图像动态变化、光照影响、噪声干扰导致流动特征难于提取的问题, 提出了一种在 NSST域改进 ORB的泡沫流动特征提取方法, 并应用于浮选加药状态识别。对相邻两帧泡沫图像 NSST分解, 对多尺度高频子带先通过尺度相关系数去除噪声再分为多个内层和外层, 在各内层通过方向模极大值检测提取兴趣点, 然后在本层和上下层通过非极大值抑制提取特征点, 采用多尺度 BRIEF描述子对特征点描述, 结合泡沫的运动趋势动态调整搜索的匹配区域, 根据匹配结果计算泡沫流动特征。最后, 构建行列自编码极限学习机对泡沫形态、尺寸分布特征和流动特征进行融合, 然后通过自适应随机森林对加药状态分类识别。实验结果表明, 改进的 ORB受噪声和光照影响小, 流动特征检测精度和效率较现有方法有较大提高, 能准确地表征不同加药状态下泡沫表面的流动特性, 加药状态的平均识别精度达 97. 85%, 较现有文献方法有较大提升, 为后续的加药量优化控制奠定基础。

为了提高雾霾天气条件下交通图像的对比度, 清晰度和颜色保真度, 减少图像退化所带来的负面影响, 提出了一种采用快速引导滤波平滑约束的Retinex及自适应分数阶微分的雾霾天气交通图像增强算法。首先, 该方法将原图像从RGB转换到YCbCr颜色空间, 提取亮度分量构建初始图像; 其次, 构建变分模型, 借助快速引导滤波构造目标函数的平滑约束项来准确估计初始照射分量; 然后, 使用Retinex模型获得初始反射分量, 再采用自适应分数阶微分掩膜对初始反射分量进行增强得到亮度分量的增强结果, 该方法在图像噪声抑制和细节增强方面性能良好; 最后, 将处理后的反射分量结合Cb, Cr色差信息从YCbCr转换到RGB颜色空间即得到最终增强图像。本文对不同的雾霾交通图像进行了对比实验, 实验结果表明, 新方法的标准差(STD)和平均梯度(AG)较原图至少提高1.12倍和4倍以上, 信息熵(E)至少提高4.76%以上, 综合性能优于其他的对比算法。新方法在图像增强和细节保持方面得到了很好地改进, 有效地提高了雾霾天气条件下公路交通图像的颜色保真度、对比度和细节清晰度等, 使得增强后的图像视觉效果和可视度明显改善, 更加真实自然。

针对可见光图像特征驱动的浮选工况识别方法的不足, 提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine, KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解, 设计双通道CNN网络对双模态多尺度图像进行特征提取及融合, 将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取, 然后通过核极限学习机映射到更高维空间进行决策, 最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明: 采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%, 自适应深度自编码KELM模型具有较好的分类精度和泛化性能, 各工况识别的平均准确率达到95.98%, 识别精度和稳定性较现有方法有较大提升。

针对欧式距离加权的稀疏子空间聚类在对多个同步运动刚体进行运动分割时不考虑刚体流形结构的局限性, 提出了一种由光流轨迹流形拓扑结构加权的稀疏子空间聚类算法, 在光流轨迹的时空相似度邻接矩阵里计算各轨迹相似度的流形距离并嵌入稀疏子空间字典表达的权值矩阵进行稀疏系数求解, 使得流形距离较近的轨迹优先成为稀疏自表达字典, 从而减少对欧式空间相距较小但不属于同一物体的同步运动刚体轨迹的聚类混叠, 经过同步移动和同步摆动两种情况算法对比实验表明：本文提出算法可以将混叠降低到1%以下,最后, 在双针床经编机贾卡针同步摆动的运动分割结果表明算法具有进一步的工业视觉应用前景。

针对浮选表面气泡图像边界弱、光照不均匀和气泡分布不均匀导致气泡提取困难的问题, 提出了一种结合非下采样Shearlet变换(NSST)和多尺度边界检测及融合的浮选气泡提取方法。对气泡图像进行NSST分解, 得到低频子带和多尺度多方向高频子带图像, 通过构造自适应分数阶微分谷底检测模板提取低频子带的山谷边界, 结合尺度相关系数及方向模极大值检测获取高频子带的边缘信息, 再通过山脊特性判定从边缘信息中提取气泡的边界细节, 最后进行多尺度边界融合、边界形态学处理以实现气泡提取。实验结果表明：该方法受噪声和光照的影响小, 能有效提取出不同分布类型的气泡, 其平均检测效率和准确率较现有方法有较大的提高, 能够满足浮选工况动态变化的需求。

针对传统的路面检测方法无法直接获得路面的深度信息, 设计了一种基于三维激光扫描技术的路面断板深度检测方法。该方法首先通过三维激光扫描仪得到路面点云数据, 其次将路面断板数据沿水平方向分为若干切片, 然后对每一断板切片上下平面分别进行拟合, 最终根据上下平面之间的距离确定断板的深度。根据实际工程需要, 提出了一种基于动态阈值的平面拟合迭代算法, 不仅可以有效地识别并去除断板点云数据中的无效点, 而且可以在点云数据三个方向都存在误差的情况下实现平面计算。实验结果表明, 该方法不仅能得到整个路面断板的深度信息, 还能反映出断板深度沿水平方向的变化趋势。