机器视觉技术为烟草工业加工的自动化提供了一种可行方式。烟草异物检测技术和烟叶自动分级技术受到了广大研究人员的关注,并对其进行了一定的研究。针对现有方法检测精度和分级正确率较低的问题,研究更为有效的烟草异物检测方法和烟叶分级方法,具有重要的理论意义和实用价值。本文具体研究了烟草异物检测、烟叶图像去噪、正副组烟叶分类、正组烟叶分级等烟草图像处理方法,主要工作如下:首先,提出了一种基于非局部相似性交叉熵的含噪图像阈值分割算法,并将其直接应用于含噪烟草图像的异物检测。该算法根据含噪图像的灰度级自适应计算阈值向量组,并依次使用其中的阈值向量对含噪图像进行阈值分割;利用分割前后每个像素点的8邻域向量与阈值向量的非局部相似性,分别表示含噪图像分割前和分割后的概率分布;依据交叉熵准则选取最优阈值向量,对含噪图像进行分割以检测烟草异物。经过大量实验,与多种基于信息量的阈值分割算法相比,所提出算法表现出明显的抗噪优势,且对噪声的鲁棒性强,适用于检测与烟草灰度差别较大的异物。然后,研究了一种基于改进灰度熵的双向递推阈值分割算法,并将其应用于预处理后的烟草图像以检测异物。该改进灰度熵针对一维和二维直方图,分别给出了相应的图像概率分布表示方法,并计算此概率分布下不同阈值时的图像Tsallis熵;利用双向递推算法加快其运算速度;选取Tsallis熵最大时的阈值来分割图像,实现异物检测。实验结果表明,与基于分解、基于递推、基于优化等5种二维灰度熵阈值分割算法相比,所研究算法可更好地表示类内灰度一致性,异物检测结果更加准确。其次,提出了一种基于引导核聚类和自适应搜索窗的非局部均值图像去噪算法,并将其应用于烟叶图像去噪。该算法使用基于引导核的模糊C均值聚类算法对相似窗进行预筛选,划分其类别;根据相似窗的类别计算每个像素点对应的搜索窗大小,以保证相似性较高的相似窗数量;分别对每一类进行自适应搜索窗的非局部均值图像去噪。经过大量烟叶图像去噪实验,与基于Zernike矩、基于主邻域字典、基于均值方差预筛选等3种非局部均值改进算法相比,所提出算法对于强噪声污染或不规则纹理的烟叶图像,去噪效果更为有效,并更好地保持了烟叶的纹理和边缘。再次,实现了一种基于多特征和小波支持向量机的正副组烟叶分类算法。在烟叶图像的HSV空间中定义了含青率、烤红率两个颜色特征,使用Gabor小波提取烟叶的纹理特征;将这些特征进行归一化处理后,输入小波支持向量机进行训练,并利用训练好的小波支持向量机对烟叶图像进行分类。实验结果表明,与基于模糊推理、基于反向传播神经网络、基于支持向量机等3种正副组烟叶分类算法相比,此算法更好地实现了烟叶分类,正组烟叶与副组烟叶的误分更少,分类正确率高。最后,探索了一种基于卷积神经网络和颜色识别的正组烟叶分级算法。将彩色烟叶图像灰度化后,直接输入卷积神经网络进行正组烟叶部位识别;同时,将彩色烟叶图像由RGB空间转化至HSV空间,在H通道中定义红色、橘色、黄色对应的阈值区间,并统计这3种颜色的比例分布,实现同一部位正组烟叶的颜色识别。实验结果表明,与基于模糊推理、基于广义回归神经网络、基于支持向量机等3种烟叶分级算法相比,此算法可更好地描述不同部位的正组烟叶特征,且颜色识别算法性能稳定,很好地实现了正组烟叶分级。