在生产过程中，为了有效利用原材料和避免次品混入成品中，常常需要对原材料和产品进行检测。但长期来，这些检测过程大多靠手工实现，大大降低了生产效率，增加了生产成本，随着计算机视觉技术的发展，原来靠手工实现的检测过程现在都可以由计算机来实现，从而将工人从繁重的工作中解放出来，降低了生产成本。皮革是制鞋的主要原材料，制鞋的主要工序是在优质皮革上排放和切割各种鞋样部件，但是皮革表面不可避免的存在各种缺陷，如虫咬、疤痕和划伤等，为了有效利用原料，在排样和切割之前要首先定位皮革表面的缺陷区域。同时由于所要生产的皮鞋款式不尽相同，需要在皮革正面轧制各种花纹，因此皮革具有典型的纹理表面。本文基于图像处理技术，结合皮革的特点，提出了一系列具有针对性的算法，实现了对皮革表面缺陷的自动化检测。 本文基于Fisher准则和神经网络设计了两种分类器实现了对皮革正反面的自动分类。由于排样和切割在皮革正面进行，从而缺陷检测也主要在皮革正面进行，因此自动化缺陷检测系统首先要自动识别皮革正反面。由于皮革正面和反面具有明显不同的纹理特征，本文用共生矩阵提取皮革正反面的纹理特征，并根据提取的特征向量采用分类器对皮革正反面进行自动识别和分类。 为了有效去除与纹理信息同处于高频的噪声，基于小波包分解提出了一种新颖的去噪方法。图像的质量对图像检测能否顺利进行影响较大，在皮革图像的获取过程中，由于自然环境和系统自身的影响，采集到的皮革图像中掺杂有大量的噪声，因此在缺陷检测前，需要采用适当的去噪方法提高图像的信噪比。由于皮革图像中的纹理和噪声都属于高频信息，因此常用的去噪方法不能有效去除图像中的噪声，鉴于信号和噪声在小波分解的过程中呈现出不同特性，提出了一种新颖的去噪算法，首先对皮革图像进行小波包分解，并在各个子带图像中对信号和噪声采用不同的处理方法，该算法既能有效去除图像中的大量噪声，又保留了图像中的纹理和缺陷信息。 本文基于小波分解提出了一种有效的皮革图像融合算法。由于光线和图像采集设备视角的限制，对皮革采集的一幅图像可能无法体现出皮革的整体信息，必须对采集到的多幅互补和冗余图像进行融合来获得皮革的整体特征。基于小波分解，提出了一种融合算法，该算法在小波分解的子带图像中提取局部边缘信息作为融合规则，较好的实现了两幅互补皮革图像的融合。 由于皮革表面的缺陷信息无法预先得知，本文提出了一种基于邻域信息的改进模糊C-均值聚类方法。该方法首先采用共生矩阵提取皮革的纹理特征向量，然后用改进的模糊C-均值算法对特征向量进行聚类分析，该算法可以准确的检测出皮革表面的缺陷信息。同时为了自适应确定纹理分割区域数，引入了一种基于类内方差和类间方差的有效值函数。