-
题名结合非局部相似性的foveated选票缺陷检测
- 1
-
-
作者
蒲杰
官磊
-
机构
中国科学院成都计算机应用研究所
中国科学院大学计算机科学与技术学院
-
出处
《计算机应用》
CSCD
北大核心
2020年第S01期220-225,共6页
-
基金
四川省科技计划项目(2018GZ0545)。
-
文摘
针对传统选票缺陷检测过程中图像配准的计算复杂度高、过程繁琐、对图案细节变化的鲁棒性差等问题,提出了一种避免图像配准、基于Patch相似性度量的foveated NL-means缺陷检测算法。该算法是对传统window NLmeans缺陷检测算法的改进,通过构建非局部相似模型,利用Patch权重和相似性关联对缺陷图像进行重构,无法重构的部分即为缺陷区域。通过foveated NL-means算法和window NL-means算法的实验对比表明,前者对缺陷区域的检测效果更加显著;其次这两种缺陷检测算法AUC分别为:0.923 5和0.863 8(小于0.923 5),数值积分表明前者对缺陷区域的预测更加精确,缺陷的分类性能更高;最后通过计算这两种算法的平均时间开销,可知foveated NL-means算法的时间效率相较于window NL-means算法平均提升了11.697 1 s,因此能够高效的完成缺陷检测任务。
-
关键词
选票缺陷检测
非局部相似模型
Patch权重
window
NL-means算法
foveated
NL-means算法
图像重构
受试者工作特征曲线
ROC曲线下的面积
-
Keywords
ballot defect detection
Non-Local(NL)similarity model
Patch weight
window NL-means algorithm
foveated NL-means algorithm
image reconstruction
Receiver Operating Characteristic(ROC)curve
Area Under the ROC curve(AUC)
-
分类号
TN911.73
[电子电信—通信与信息系统]
-
