4。1  总体设计 25

4。2  主要系统模块设计与实现 26

4。3  本章小结 33

5  性能分析 34

5。1  实验环境 34

5。2  实验性能评估指标 34

5。3  实验结果与分析 35

5。4  本章小结 38

结  论 39

致  谢 40

参 考 文 献 41

1  绪论

1。1  课题研究背景

人类获得的信息中，70%来自于视觉，可见图像中包含了大量的信息。图像之间的匹配，即根据一幅图像寻找和它相似的图像是一个热门且尚待发展的领域。图像匹配的初级阶段是在不同图像中寻找一种相同或非常相似的物体，这个阶段提取出的是所识别物体的像素级的特征，这也属于图像配准问题；中级阶段是在不同图像中寻找相似或者具有某种共同特征的区域，这个阶段已经提取出了图像中的语义特征；高级的阶段则是可以做到类似人眼，在不同图像中寻找相似与不同，做出联想。论文网

从图像中提取信息并进行处理一直是人工智能领域的一个热点领域，人工智能主要应用于此的技术之一就是神经网络。神经网络模拟人脑中的神经元，自上世纪80年代掀起热潮后，在许多领域被应用，有些已经投入商业使用。目前的神经网络发展，一方面来说，理论已经比较成熟，可以进入实际应用，另一方面来说，还有很多领域可以去拓展和开发，值得深入学习研究，并将其应用在新的领域。

集装箱在残损情况下需要修补，否则可能会在运输过程中发生危险。目前检验集装箱残损情况的手段大多是人工或者半人工方法，效率低且人工成本较高。集装箱图像中的残损部分，在空间域上的特征很杂乱，而且集装箱自身的条纹甚至箱号都对残损部分的检测产生的很大的干扰。本项目的目的就是提供一种全自动的集装箱残损检测方法。

集装箱图像中残损部位位置和类型的识别这个问题，本质上属于目标识别的领域。目标识别的一个比较经典的应用是文本自动分析：获取包含有文本的区域的一幅图像，对该图像进行预处理，之后分割各个字符，以某种方法识别这些个别字符。它和集装箱图像残损部位识别的共同之处在于都是目标识别，都要对图像进行预处理，并对需要识别的部位进行分割，最后识别。不同之处在于，第一，残损是一类没有特定形状的图像，不能进行准确的配准；第二，集装箱本身的纹理以及喷涂的箱号都会对残损区域的检测与识别带来不利影响。所以，需要一种新的方法去提取残损的位置以及残损部分图像的特征。

在集装箱残损位置和类型检测整个流程中，轮廓特征是重要的特征。但是由于集装箱图像的纹理周期性问题，加之计算量大，传统算法的变现一直欠佳，检测结果中常包含有大量的伪轮廓信息，所以，如何去除由集装箱本身纹理所产生的影响是提取残损部位轮廓信息的关键任务。另外，图像的特征提取关系到识别的精度与速度，一个好的特征在图像识别问题中是最要的问题，如何提取特征也是本文要重点讨论的。

1。2  研究价值

如今，数字图像处理与神经网络都是当今热门的研究领域，有着巨大的发展空间和应用前景。已有的残损识别研究，主要有药厂的胶囊残损识别、纺织厂的布料残损识别、道路残损识别等，思路主要有两类，一类是空间域上的统计分析，一类是频域的特征值分析。本项目所用的显著目标检测思路是一种新的思路，只是由于显著目标检测在目前仍不够成熟，所以并未广泛应用。希望本文的这个方法可以在其它应用领域提供新的研究思路。