目前皮革缺陷的检测主要靠工人目测,检测结果受主观因素影响大。随着成像技术、计算机技术、计算机视觉理论及大规模集成硬件的不断发展,使利用这些技术对皮革缺陷进行自动检测、识别与分析成为可能。视觉感知是从客观三维世界到主观解释和理解空间的映射过程。视网膜先对外部世界成像,然后靠大脑视皮层将所成的像映射到的解释理解空间。该过程不是直接处理由视网膜感光细胞得到的图像电信号,而是视网膜首先将成像的电信号进行编码,得到颜色、形状、纹理、运动等特征的高维视觉信息后,再将其通过不同神经通道平行传输给大脑视皮层。　　 皮革缺陷的分割与定位,对后序的识别及分析至关重要。目前分割的主要问题是,纹理特征难以描述,弱边界不易提取。而且噪声,纹理与边界都属于高频信号,这样容易把噪声信号,纹理信号误认为边界信号。多数分割方法,由于没有充分考虑人类视觉系统所固有的特性,受到噪声、纹理及梯度分布影响,而得不到目标物的光滑连续边缘,或根本就不能正确地分割出目标物。　　 为了使多种皮革图像分析具有针对性,本文创造性将皮革图像标记为纹理不明显,周期结构性纹理和随机结构性纹理三大类。本文只对前两类的分割问题进行了深入的研究。基于曲波提取图像特征来训练支持向量机,用训练好的支持向量机神经网络驱动下述不同的分割方法对待检测图像进行分割。　　 对于纹理不明显的图像,采用多尺度梯度与水平集方法相结合进行分割。对于周期结构性纹理的图像,将曲波变换与均值漂移理论相结合,形成了有效的纹理分割新方法。首先,通过曲波变换将图像分解到各通道,对各通道的图像进行非线性变换得到特征图像,然后用均值漂移算法对各通道特征图像进行自适应聚类,找到各通道的奇异点,最后对所有通道滤波后的图像进行重构,使缺陷凸显并通过阈值法二值化。该方法不需要学习样本,可以快速,精确地定位到多目标物边界,对旋转,亮度变化,噪声,弱边界具有很强的鲁棒性。针对彩色图像分割问题,将曲波变换与支持向量相结合,形成了有效的彩色图像分割新方法。首先,通过曲波变换将彩色图像分解到各通道,用均值漂移找到各通道上特征图像的模式点,再用模式点周围的样本训练支持向量机,用训练好的支持向量机对各通道样本进行精确分类,最后把所有通道滤波后的图像进行重构,使缺陷凸显并二值化。　　 通过MATLAB编程实验,验证了这些方法的有效性。