1、“.....遍历图片内存。统计的区域划分如图所示图分区域法示意图对蓝色区域的共个区域分别进行直方图统计，每个区域都求出相对应的阈值，遍历该区域内的像素点成员当,的像素值与阈值之间的灰度差距大于人为设定的参数时，就说明该点与周围像素环境之间存在着明显的不同。可将该点的灰度值赋值为。否则该点赋值为。公式如下当时当时公式最终从得到的新二值图像内存数组命名为。该数组的亮度信息如图所示。图二值图可以在上图中看出，瑕疵的信息因为局部二值化的关系而被很好的保留了下来。瑕疵特性参数计算瑕疵特征的提取主要包括瑕疵面积长度和宽度的计算等。为了要提取出这些信息，可以用区域生长法来完成。区域生长法提取普通的区域生长法是连通法。就是对个点的上，左上，右上，左，右，下，左下，右下共个方向进行遍历扫描，如果在该遍历方向上也存在与当前遍历点的像素值相同的点时，就将该个点看做都是属于同个瑕疵上的像素点。但是考虑到当前系统中捕捉到的瑕疵往往是属于狭长的缝。而用连通法提取狭长缝隙的信息时就很有可能就会造成缝的断裂。最终会导致将条缝的信息分为了块或多块连通区域信息来处理。为了避免这现象......”。

2、“.....结构体成员信息可以是瑕疵长，瑕疵宽，瑕疵面积等等。本系统采用的是可调节的全方位拓展法求区域生长。设每个方向上向外拓展个像素。如图全方位拓展法求所示，点上的每个方向的像素都向外拓展了个像素，即。入队出队图全方位拓展法求区域生长扫描内存数组信息里的目标圆环区域，如果发现点的像素值,等于时，就将该点标记为点，并堆入队列中。每次遍历队列，如果发现队列不为空，就让队尾元素出队，出队的同时，记录下当前出队的点的坐标位置并以该点做为基准往个方向连通个像素出去，形成个的窗口如图全方位拓展法求所示。遍历窗口里的点成员如果该点位于内存数组的目标圆环检测区域内，并且该点对应的像素值,等于时，就亦将该点标记为点，并堆入队列中。如此依次循环。在往复的过程中如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。如果发现当前出队点的轴坐标大于在它之前出队的点的轴，就将的值赋值给变量。如果发现当前出队点的轴坐标小于在它之前出队的点的轴，就将的值赋值给变量。如果发现当前出队点的轴坐标大于在它之前出队的点的轴......”。

3、“.....直循环到队空为止。此时，则说明条瑕疵的信息遍历结束。记录下此时的，四个值，并统计好之前的入队的个数。则有公式公式这样，对于瑕疵信息数组，每个成员都代表的是每个瑕疵在维图像上的所有信息。瑕疵的判断虽然我们根据全方位拓展法求得了瑕疵数组。但是并不是所有的瑕疵都会影响产品的合格与否。所以我们还要通过计算各个瑕疵的特性，排除掉些无关紧要的瑕疵。对于般密封圈表面来说，些很小的点瑕疵，极短的缝瑕疵，以及位于圆环表面的瑕疵都对密封圈的使用没有任何影响。所以我们要通过计算，将这些瑕疵排除在外。瑕疵面积的计算法在本系统中瑕疵的面积可以直接用来代替，当瑕疵面积小于人为设定的参数时，我们就对该瑕疵判断为合格。反之，则判断为不合格。瑕疵长的计算法计算瑕疵长时，基于瑕疵的线性特征，首先对瑕疵做细化操作，得到单像素宽的瑕疵骨架曲线。瑕疵的长度实际上就是骨架图像骨干点之间的长度之和。骨化后的图像是个单像素宽度的连通性好的骨干图像。可以分别求取相邻像素之间的长度，然后把所有的相邻像素之间的距离求和即为所得，如下式公式,和,是相邻骨干点的两个点是水平方向的比例因子......”。

4、“.....即水平方向上的像素个数与实际情况垂直长度的比值是两个相邻像素之间的长度。总长度即为所有相邻像素之间的长度之和。当瑕疵长小于人为设定的参数时，我们就对该瑕疵判断为合格。反之，则判断为不合格。瑕疵宽的计算法计算瑕疵宽时，仍然对瑕疵做细化操作后，骨架各点所在的瑕疵的位置的宽度反应出瑕疵各段的宽度。由于骨架曲线是单像素曲线，则个骨架点与相邻点的其他两个骨架点相接，分别求出与相邻点的斜率。则每个斜率的垂线与瑕疵边缘相交两点，两点的连线的大小即为宽度值。比较这两个宽度值其中较小的为这个瑕疵的宽度。设骨架曲线的其中个骨架点用,表示，其相邻骨架点分别为,和,。骨架线在点的斜率近似用直线的,,,,,导师评语率表示，则斜率表示为公式过骨架点斜率为的直线与瑕疵图像边缘交于两点，记为,。则此瑕疵的宽度表达式为公式同理，骨架线在点的斜率近似用直线表示，同样的原理求出，然后比较与的大小，取较小值作为瑕疵的宽度。最后结果,。当瑕疵宽小于人为设定的参数时，我们就对该瑕疵判断为合格。反之，则判断为不合格。实际的检测效果如下......”。

5、“.....图算法最终的处理结果为本算法得到的最终的处理结果，可以看到，所有位于密封圈表面上的瑕疵都被检测出来了图密封圈灰度图图算法最终的处理结果实验结果我们的最终成果如图所示，我们已经搭建出了检测平台包括相机光源嵌入式主板触摸屏显示器等元素。软件的识别算法也能达到预计的水平。图成果图本章小结本章主要讲述了密封圈表面识别算法的主要流程。并对每个步骤用文字公式和图片的方式进行了详细的解说。第章总结与展望本文讲述了密封圈的图像采集结束后如何通过利用嵌入式图像处理技术，对密封圈上的瑕疵图像进行处理，提取出瑕疵的信息，并对瑕疵的特征参数与密封圈合格标准参数进行比较，筛选出合格的密封圈的过程。根据瑕疵的特有的特征，对比当前流行的图像识别算法，改进出套更加适合密封圈检测的图像识别算法。算法中对均值滤波和中值滤波图像二值化特征提取等过程均作了改进。实现了较为快速适合的密封圈识别算法。当前所有的算法都是用语言在上实现的，但是能否直接用在工业上检测密封圈，该算法还需要在速度上和精确性上得到提高，在之后的这段时间我会继续努力在机器视觉上寻求新的突破。将来展望机器视觉将完全代替人工肉眼完成所有的检测识别......”。

6、“.....第个显示器中也含有滤波后的波形以便与原周期信号进行比较。第四个是噪声信号。从图中可以分析出,开始输出信号为,经过次迭代后,自适应滤波器张少博基于算法自适应滤波器的设计慢慢调整权值使输出信号逼近原周期信号,最后与周期信号基本重合。图和图分别是阶数位和的仿真输出所示。图阶数波形显示界面图图阶数波形显示界面图将图图及图中的第个显示器中的波形比较可以发现,当阶数位时，自适应速度慢而且滤波效果差，噪声较大，当阶数位时，自适应的滤波器大幅提高，但滤波效果较阶数位时就差了许多，因此，为了提高滤波器的滤波效果，在设计自适应滤波器时阶数尽量选择附近。如图和图分别的滤波后的幅度响应和功率频谱。张少博基于算法自适应滤波器的设计图幅度响应图功率频谱经过次的叠加，自适应滤波器的幅度和功率均趋于平稳。通过上述仿真结果可以看出，基于的自适应滤波器滤除噪声系统能够有效地从噪声中恢复出原始信号，但在实际应用中，要注意参考信号与噪声信号的相关性，相关性越大，自适应噪声抵消系统的噪声抵消效果越好。张少博基于算法自适应滤波器的设计第章结论本文首先介绍了课题的来源和研究本课题的意义......”。

7、“.....综述了自适应滤波技术，为本文的研究工作打下理论基础。在第二章中详细阐述了自适应滤波器的基本原理，着重介绍了自适应算法,并对两种算法进行了比较，第三章利用的工具仿真了自适应滤波器消除噪声模型,并对其进行了分析和研究,利用图表显示了自适应滤波器参数对滤波器性能的影响,从而对滤波器有了更深刻的了解。强大的运算和图形显示功能,可使数字信号处理实现效率大大提高,使数字信号处理工作变得十分简单,为滤波器的优化设计及合理应用提文介绍了自适应滤波器原理，对自适应算法进行分析,最后用对自适应滤波器进行了仿真和实现,并分析了该自适应滤波器的性能。张少博基于算法自适应滤波器的设计第章自适应滤波器理论基础数字滤波器的基本概念凡是有能力进行信号处理的装置都可以称为滤波器。如果滤波器的输入和输出均为离散信号，称该滤波器为数字滤波器。当滤波器的输出信号为输入端的线性函数时，该滤波器称为线性滤波器，否则就称为非线性滤波器。个典型的数字滤波器的框图如图所示。图数字滤波器设输入信号为，输出信号为，该数字滤波器可用以下差分方程来表示式中，称为滤波器系数。当时......”。

8、“.....如果，时，则称为全极点滤波器或递归滤波器。由上式，可知数字滤波器的传递函数为其单位冲击响应函数为张少博基于算法自适应滤波器的设计如果当时，有，这样的滤波器系统称之为因果系统。如果冲激响应函数是有限长的，即则称此滤波器为有限冲激响应滤波器，否则，称之为无限冲激响应滤波器。如果满足如下条件,则称此滤波器是因果的，并且是稳定的。自适应滤参行分区域统计。遍历图片内存。统计的区域划分如图所示图分区域法示意图对蓝色区域的共个区域分别进行直方图统计，每个区域都求出相对应的阈值，遍历该区域内的像素点成员当,的像素值与阈值之间的灰度差距大于人为设定的参数时，就说明该点与周围像素环境之间存在着明显的不同。可将该点的灰度值赋值为。否则该点赋值为。公式如下当时当时公式最终从得到的新二值图像内存数组命名为。该数组的亮度信息如图所示。图二值图可以在上图中看出，瑕疵的信息因为局部二值化的关系而被很好的保留了下来......”。

9、“.....为了要提取出这些信息，可以用区域生长法来完成。区域生长法提取普通的区域生长法是连通法。就是对个点的上，左上，右上，左，右，下，左下，右下共个方向进行遍历扫描，如果在该遍历方向上也存在与当前遍历点的像素值相同的点时，就将该个点看做都是属于同个瑕疵上的像素点。但是考虑到当前系统中捕捉到的瑕疵往往是属于狭长的缝。而用连通法提取狭长缝隙的信息时就很有可能就会造成缝的断裂。最终会导致将条缝的信息分为了块或多块连通区域信息来处理。为了避免这现象，我们将区域生长法做了如下改进首先定义下瑕疵的结构体数组用来保存每个瑕疵的信息，结构体成员信息可以是瑕疵长，瑕疵宽，瑕疵面积等等。本系统采用的是可调节的全方位拓展法求区域生长。设每个方向上向外拓展个像素。如图全方位拓展法求所示，点上的每个方向的像素都向外拓展了个像素，即。入队出队图全方位拓展法求区域生长扫描内存数组信息里的目标圆环区域，如果发现点的像素值,等于时，就将该点标记为点，并堆入队列中。每次遍历队列，如果发现队列不为空，就让队尾元素出队，出队的同时......”。