随着纸机车速的提高,在生产线上生产出的纸张表面出现缺陷的可能性也随之增大。同时,在物质日益丰富的今天,人们对使用纸张的质量要求也相应地提高。并且,利用机器视觉技术进行纸病检测已成为其发展的趋势。因此利用机器视觉技术在生产线上准确地检测出缺陷,对控制生产过程中纸张的质量是十分有必要的。本文利用机器视觉和图像处理技术,研究图像滤波、图像边缘检测等纸张缺陷检测中的关键技术,针对传统纸病检测算法抗干扰性不好、检测精度不够等问题,结合CB形态学、位平面分解技术和鲁棒主成分分析法(Robust Principal Component Analysis, RPCA),研究了基于CB形态学(Contour Bougie Morphology, CB形态学)和灰度码分解的纸病检测算法和基于RPCA的纸张图像分割算法。本文的主要工作可归结如下：(1)基于多尺度CB形态学的滤波算法研究。在研究常用图像滤波算法的基础上,研究了基于多尺度CB形态学的滤波算法。结合多尺度结构元素和CB形态学的优势,该算法能够削弱形态学结果对结构元素的依赖,并用“延展度”原则将噪声与图像中的点进行有效地区分。最后,从定性和定量两方面对文中有关滤波算法进行评价。分析表明,本文所用滤波算法能够达到较好的滤波效果。(2)基于多结构元素CB形态学的边缘检测算法研究。学习常用的边缘检测算子和形态学边缘检测算法,并对其进行仿真和分析。通过选取多结构元素并结合CB形态学,研究了基于多结构元素的CB形态学边缘检测算法。该算法能够有效避免因图像纹理或边缘变复杂时形态学检测效果不好的问题。定性和定量分析表明,该边缘检测算法检测到的边缘更完整清晰,定位更准确,并且具有较好的抗干扰性。(3)基于CB形态学和灰度码分解的纸病检测算法研究。在对现有纸病检测算法进行研究时,发现纸张图像信息量大会增加算法的计算量,并因此影响算法的实时性。针对此,研究了基于位平面的纸病检测算法,该算法将纸张图像进行位平面分解,通过选取某个位平面进行缺陷检测可以有效减少算法的计算量。同时,用格雷码表示出的灰度码分解位面图可以缓解像素微小变化给检测带来的干扰。将这种分解方法分别与前面提到的滤波算法和边缘检测算法结合,就得到了本文的基于CB形态学和灰度码分解的纸病检测算法。仿真分析表明,该算法能较好地检测出缺陷,具有一定的有效性。(4)基于RPCA的纸张图像分割算法的研究。根据图像背景像素间具有线性相关或相似性的特点,发现可利用RPCA方法将纸病图像对应的矩阵分解成稀疏矩阵和低秩矩阵,其中低秩矩阵对应的内容为背景图像,稀疏矩阵则对应含有缺陷的图像。在后续检测中只需选取稀疏矩阵对应的图像进行检测就可满足检测的要求,并且可以有效减少计算量。仿真结果表明,该算法能够用于纸张图像的分割,并且具有良好的分割效果。