高光谱数据中不仅含有关键性信息还存在一些干扰信息和无效信息, 带有干扰信息和无效信息的数据建立模型会降低效率和模型精度。 从全波段数据中提取特征波长是提高关系模型精度的有效方法。 有序预测选择(OPS)是一种依据信息向量选择有效波长变量的特征波长提取算法, 在特征波长变量筛选方面表现了较好地性能。 但由于建立模型时, 没有去除重要性较低的变量, 导致过多的无效变量参与到模型中, 降低了模型的准确率。 论文以羊肉高光谱数据作为研究对象, 提出了一种改进的特征波长变量选择方法, 基于信息向量和指数衰减函数的有序预测选择方法(AW-OPS)对羊肉新鲜度进行检测, 该算法通过光谱数据和理化值数据之间的关系来计算信息向量并对波长变量进行排序, 采用指数衰减函数(EDF)通过多次迭代去除一些信息向量绝对值比较低的波长变量, 最后在已获取的有效波长变量中逐渐增加波长点建立多元回归模型, 选取交叉均方根误差(RMSECV)最小值的波长变量子集为特征波长变量。 实验时, 将OPS法和AW-OPS法在选取特征波长变量后, 分别构建羊肉TVB-N的偏最小二乘(PLS)关系模型, 同时与全光谱波段PLS模型的效果相比较。 结果表明: OPS算法运行程序平均用时为175.9 s, 优选出370个特征波长变量, OPS-PLS模型相关系数(RP)平均为0.963 1, 均方根误差(RMSEP)平均为0.727; 而改进的有序预测选择法(AW-OPS)运行程序平均用时为57.6 s, 优选出275特征波长变量, AW-OPS-PLS模型平均提升到0.973 1, RMSEP平均降低为0.572 8; 全光谱波长数目为1 414个波长变量, 其PLS模型的平均为0.920 8, RMSEP平均为1.048 3。 AW-OPS-PLS模型相较于OPS-PLS模型测试精度提高了21.2%, 相较于全光谱-PLS模型, 测试精度提高了45%, 证明AW-OPS是一种有效特征波长变量筛选方法, 提高了OPS模型精度和程序运行效率, 降低了模型复杂度。

提出了基于粒子群优化(PSO)与引力搜索(GSA)混合算法(PSOGSA)的多阈值图像分割方法来解决图像阈值搜寻过程中单一优化算法局部搜索能力不强的问题.提出了图像阈值分割领域中的广义反向学习策略,在阈值寻优过程中提高群体多样性,增强了全局搜索能力;采用了全局最优解的正态变异策略,扩展了全局最优的搜索区域,避免了算法的早熟收敛.在此基础上,实现了基于广义反向粒子群与引力搜索混合算法的多阈值图像分割方法.最后,使用本方法对复杂多目标图像进行了多阈值分割实验,并与引力搜索算法和萤火虫算法进行了比较.实验结果表明,本文方法的分割精度优于引力搜索算法与萤火虫算法,其分割目标函数值在连续运行时的标准差降低了90%以上,是一种精度高、稳定性强的多阈值图像分割方法.

为获得均匀光照，提高视觉测量系统图像的品质，对前置对称安装的矩形发光二极管(LED)光源布置问题进行了研究。考虑到解析法要求光轴与辐照面法线平行，提出采用优化的方法布置光源。根据光源的结构特征，以方差作为主要指标，建立优化目标函数。考虑到目标函数的非凸性，采用模拟退火算法（SA）对问题进行求解。搭建实验平台对照度分布进行了测量，考察均匀度在95%以上的区域，优化方法的结果与实验结果基本一致，误差在4%以内。结果表明，确定的优化目标合理，提出的光源优化布置方法有效。

提出了基于萤火虫算法的二维熵多阈值快速图像分割方法以改善分割复杂图像和多目标图像时存在计算量大、计算时间长的问题。首先, 分析了二维熵阈值分割原理, 将二维熵单阈值分割扩展到二维熵多阈值分割。然后, 引入萤火虫算法的思想, 研究了萤火虫算法的仿生原理和寻优过程; 提出了基于萤火虫算法的二维熵多阈值快速图像分割方法。最后, 使用该方法对典型图像进行阈值分割实验, 并与二维熵穷举分割法、粒子群算法(PSO)二维熵多阈值分割法进行比较。实验结果表明: 该方法在单阈值分割、双阈值分割和三阈值分割时分别比二维熵穷举分割法快3.91倍, 1040.32倍和8128.85倍; 另外, 在阈值选取的准确性和计算时间方面均优于PSO二维熵多阈值分割法。结果显示, 基于萤火虫算法的二维熵多阈值快速图像分割方法能快速有效地解决复杂图像和多目标图像的分割问题。

考虑数字图像滤波处理对融线性和非线性于一体的数学模型的需求，根据Weierstrass逼近理论推导建立了通用的自回归数学模型。该模型将线性自回归模型和非线性自回归模型融合于一个统一的数学表达式中，仿真实验表明其能够较好地拟合现有的线性和非线性自回归模型。用二维向量取代标量参数，推导了通用自回归模型的二维数学表达式。通过对比分析，确定采用GM(Generalized M estimator)参数估计法进行参数估计。实验结果表明，该算法收敛较快，平均迭代次数不超过6次，线性模型平均计算耗时为150 s，二次模型平均耗时为418 s。提出的二维通用自回归模型滤波方法能较好地保留图像的细节信息，图像滤波效果好。

实施移动目标检测时, 由于移动阴影与运动目标具有相似的运动特性, 常严重影响检测结果。本文假设视频序列中当前图像的阴影区域与对应的背景部分有相同的纹理特征, 提出一种新的基于纹理特征的移动阴影检测方法。为了实现纹理特征的表达, 在阴影检测过程中提出了几种纹理相似度测量方法, 并通过计算当前图像与背景图像的纹理相似度值来区分当前图像中阴影区域和前景目标。另外, 基于Ostu算法(大津算法)提出了一种自适应的阴影分割方法, 并分别对室内和室外环境下采集的视频进行了阴影检测。定性和定量分析表明, 在具有显著纹理结构的视频序列下, 所提出的方法对于阴影检测有很好的效果, 而对于图像模糊并伴有噪声的图像检测精度会有所降低。

在目标识别、抓取和视觉蔽障的背景下，提出了一种基于特征点的单目视觉测量方法以克服特征点的匹配和单特征点提取误差对测量结果的影响。介绍了基于特征点的单目视觉测距基理。首先利用小孔成像原理，得出成像点与目标点的映射关系；然后通过对目标物和目标图像的分析，得出目标物与目标图像面积的映射关系，建立了视觉测量的直线测距模型；最后通过提取目标图像的特征点，将光心与目标物的距离关系转化为光心与特征点的距离关系。对提出的测距原理进行了实验验证，针对测量误差随距离增加而变大的现象分析了误差产生的原因，并对得到的实验数据进行了修正，修正后的误差最高为1.68%。与文献<参考文献原文>得到的误差率6.72%相比，有效提高了测量精度，验证了提出方法的可行性和有效性。

研究了基于序列局部图像的视觉测量方法.分析了机械零件图像边缘的过渡分布特征,提出用边缘像素补偿法来消除实际边缘不能精确定位对测量精度的影响.以直线边缘距离测量为原型,提出了基于序列局部图像尺寸特征的测量方法:对零件进行微小区域成像,生成在空间上连续的序列局部图像;应用相关系数法和双线性插值法获得相邻序列图像的亚像素级尺寸特征线,从而得到各局部图像的尺寸特征;对这些尺寸进行求和与补偿,得到零件的总体尺寸.实验结果表明,对常规尺寸零件的单幅图像运用边缘像素补偿法,相对测量误差在0.008%以内;对大尺寸零件应用序列图像测量法,相对测量误差在0.01%以内,并具有误差积累小的优点.本文算法可基本满足板类零件的精密自动化测量要求.