机器视觉建立在诸多先进成像器件和成像技术之上,广泛应用于医疗、天文、国防工业及科学研究等领域。典型机器视觉系统分为图像采集、图像处理和运动控制三部分,涉及信息科学、计算机科学、数学、物理学以及生物学等学科的知识。群体智能(Swarm Intelligence, SI)优化算法是近年来兴起的一种模拟生物的群体行为的演化计算方法,以粒子群优化(Particle Swarm Optimization, PSO)算法为典型代表,它通过模拟鸟群之间的集体协作行为来进行问题求解。具有量子行为的粒子群优化(Quantum-behaved Particle Swarm Optimization, QPSO)算法是在深入研究PSO算法的基础上提出,由于只涉及初等运算,具有寻优过程更简单、控制参数更少、收敛速度更快等特点,将其改进算法应用于机器视觉领域,可以有效提高系统的适应性。图像处理与分析是机器视觉的核心部分,本文将群体智能优化算法引入机器视觉的主要图像处理过程,提出了基于改进的QPSO算法的图像增强、图像复原、图像分割和目标识别等算法,运用算法的并行搜索特性显著提高了算法的收敛速度。最后将基于群体智能的图像处理算法应用到提出的机器视觉高速异纤在线检测系统中,提高了异纤检测的准确率和系统稳定性。论文具体内容如下:(1)图像增强和图像复原用于解决机器视觉系统的采集图像退化问题。针对普通图像增强算法仅适用于特定降质图像的缺点,首先对QPSO算法进行自适应性改进,然后将改进算法应用于图像增强。标准测试函数的仿真结果表明提出的QPSO改进算法具有更好的收敛性,与其他基于群体智能的图像增强算法的对比实验表明,提出的图像增强方法具有更好的增强效果和通用性。针对非线性图像复原算法计算量大的缺陷,提出了一种基于上述改进算法的Lucy-Richardson图像复原算法,对比实验结果显示,提出的图像复原算法有效地降低了图像复原的时间复杂度。(2)图像分割是机器视觉系统对图像进行分析和识别的前提。针对最小误差阈值法的图像分割方法无法利用图像空间信息的缺点,将最小误差阈值法从一维直方图推广到二维直方图进行图像分割。首先对QPSO算法进行多群体与多阶段改进,然后将改进算法应用于二维最小误差阈值法的寻优过程,用得到的一对阈值进行图像分割。标准测试函数的仿真结果表明改进的QPSO算法具有更好的收敛性。最后将提出的图像分割算法与其他基于群体智能的图像分割算法进行对比,实验结果表明提出的图像分割方法具有更好的图像分割效果和稳定性。(3)图像分类和目标识别是机器视觉系统的最终目的之一。针对目前基于支持向量机(Support Vector Machine, SVM)的图像分类算法的样本训练时间复杂度高的缺点,本文提出了基于群体智能的SVM分类器样本训练方法,并应用于目标识别。首先将二次规划(Quadratic Programming, QP)问题分解为若干子问题,然后用群体智能优化算法进行QP子问题的优化,通过核主成分分析(Kernel Principal Component Analysis, KPCA)方法将得到的特征向量输入到支持向量机构造分类器,最后对测试样本图像样本进行分类识别。大量实验表明,基于群体智能和支持向量机的目标识别方法缩短了样本训练时间,是一种有效的目标识别方法。(4)设计了一种机器视觉高速异纤在线检测系统。为了突破图像处理速度这一主要瓶颈,采用FPGA和DSP构建高速图像采集处理卡进行快速异纤检测,并引入群体智能异纤识别算法,实验证明了算法在异纤检测中的有效性,提高了棉花异纤检测的准确率,具有更高的运行稳定性。论文最后对所做工作与主要研究成果进行了总结,并提出了进一步的研究方向。