1、圖像處理技術(shù)是電子封裝設(shè)備(如無線射頻識別(RFID:RadioFrequencyIdentification)封裝設(shè)備)開發(fā)的關(guān)鍵技術(shù)。實際應(yīng)用中,受環(huán)境、機械振動等因素的影響,數(shù)字圖像在獲取和傳輸過程中會不可避免地被噪聲污染,嚴(yán)重影響視覺定位與RFID芯片的精密操作Pick-and-Place,進而影響整臺設(shè)備的運行性能。傳統(tǒng)的圖像去噪方法在去除噪聲的同時難以保存圖像的邊緣等細(xì)節(jié)特征,為此,本文系統(tǒng)地研究了脈沖噪聲、高斯噪聲以及兩者

2、混合噪聲的保邊緣圖像去噪算法,并應(yīng)用到自主開發(fā)的RFID設(shè)備及視覺軟件平臺FAMT_MV中。主要研究內(nèi)容和創(chuàng)新性成果包括:
　　(1)提出了基于八方向搜索的自適應(yīng)加權(quán)均值脈沖噪聲(EDS-AWM:EightDirectionalSearching-AdaptiveWeightedMean)濾除方法,解決了中值類濾波方法的缺陷。論文深入分析了中值類脈沖噪聲濾波方法的缺陷:1)在濾波階段,通常選用未受污染的像素計算中值時,未考慮像素的

3、分布均勻性;2)濾波的結(jié)果完全決定于一個中值像素,只考慮了局部像素之間的大小關(guān)系,而沒有考慮像素與像素之間的其它關(guān)聯(lián)性以及非局部信息。為此,論文提出了基于八方向的搜索方法:以被處理像素為中心,沿著八個不同的方向進行搜索,成功解決了像素分布的均勻性問題,同時引入了非局部的思想;引入了用于去除高斯噪聲的加權(quán)均值濾波的思想,提出了基于空間相似性和灰度相似性的自適應(yīng)權(quán)重計算,實現(xiàn)了對脈沖噪聲的濾波。由于EDS-AWM在濾波過程中使用了更多的像素

4、及其它相關(guān)信息,提高了算法的保邊緣能力。
　　(2)提出了基于權(quán)重對稱技術(shù)和滑動平均的快速非局部均值高斯噪聲濾除算法(FNLM:FastNonlocal-means),解決了非局部均值(NLM:Nonlocal-means)的效率問題。原始NLM效率低下,無法得到實際應(yīng)用,基于此,論文提出了權(quán)重對稱技術(shù)和滑動平均的加速方法,提高了算法的效率?？紤]到算法在加速的同時會引起質(zhì)量下降,論文提出的方法結(jié)合了改進權(quán)重函數(shù),提高了算法對異常圖

5、像塊的處理能力,降低了異常圖像塊對去噪質(zhì)量的影響;并從統(tǒng)計學(xué)的角度,研究了殘余圖像的性質(zhì),從理論上證明殘余圖像中含有一定的結(jié)構(gòu)信息,分析其對提高圖像去噪質(zhì)量的可行性,提出了一種可行的應(yīng)用方案,使得算法的質(zhì)量得到了進一步的提升。在相似性圖像塊的選取問題上,提出了基于結(jié)構(gòu)相似性(SSIM:StructuralSimilarity)的選擇方法,提高了選取的穩(wěn)定性及對噪聲的魯棒性。
　　(3)提出了基于穩(wěn)健異常度比率和非局部均值的混合噪聲

6、濾除方法(ROR-NLM:RobustOutlyingnessRatio-Nonlocal-means),解決了噪聲檢測和NLM用于脈沖噪聲去除的問題。論文首次提出了用于描述像素異常程度的穩(wěn)健異常度比率(ROR:RobustOutlyingnessRatio)統(tǒng)計量,并根據(jù)ROR將圖像中的像素分成四個不同的異常度水平,在每一個水平中采用不同的噪聲檢測方式,構(gòu)建了全新的噪聲檢測框架。在檢測的過程中,為了提高檢測方法的精度以及對噪聲密度的穩(wěn)

7、健性,論文引入了由粗到精和迭代的檢測策略。由于NLM原始是用于高斯噪聲的去除,通過引入?yún)⒖紙D像,論文成功解決了將NLM應(yīng)用于脈沖噪聲去除中的問題,首次實現(xiàn)了NLM對脈沖噪聲的去除,并結(jié)合提出的噪聲檢測方法構(gòu)建了新的混合噪聲去除框架ROR-NLM。
　　(4)在RFID封裝設(shè)備對圖像處理技術(shù)的需求上,數(shù)字制造裝備與技術(shù)國家重點實驗室開發(fā)了統(tǒng)一的視覺軟件平臺FAMT_MV。將以上研究成果融于FAMT_MV中,并對RFID設(shè)備中的圖像進