计算机视觉是一门专门研究如何利用计算机以及相关成像设备组成类似于人类视觉系统的仿真科学技术。它主要是通过图像或视频采集设备如:数码相机、工业CCD相机、摄像机等,采集图像信息,再由计算机特定程序处理后获得需要的图像内容信息或者视频中的目标信息实现模仿人类视觉系统的部分功能。随着计算机视觉技术的不断研究和深入拓展,它应用的范围越来越广,在工业生产监测、精密仪器检测、医疗图像分析、军事监测等领域取得卓越的表现。随着图像采集设备的设计制造技术不断提高,采集到的图像具有更高的清晰度和丰富的颜色信息。智能算法和机器学习方法的不断创新和完善进一步推动了计算机视觉技术的发展,这些因素共同推动计算机视觉技术的发展。即使计算机视觉理论与技术应用的研究发展到今天,和人类视觉系统相比依然存在很大的差距。这主要还是因为在对图像进行采集和后续处理的过程中,图像内出现的光源会对处理结果产生不利影响。为了减少场景光照对采集图像的不利影响,正确识别目标物表面真实的颜色信息进而增强计算机视觉在面对颜色特征上的鲁棒性。本文主要研究在单光照条件下的颜色恒常性算法的融合以及图像边缘检测技术和图像纹理特征在工业铝扁管生产检测上的应用。由于目前所提出的在单光照条件下的颜色恒常性算法都是建立在某一特定的假设前提下。这就使得在处理不满足假设条件的图像的时候,得到的算法估计结果偏差较大。所以本文利用现有的颜色恒常性算法,将其通过新的融合框架(支持向量回归,最小二乘支持向量回归),进行算法估计结果的回归拟合,使其最终得出结果满足全局最优解的要求,提高估算能力和准确度。最后的仿真实验的各项误差指标也进一步证明了利用算法进行融合估计不仅减少了误差,也提高其应对各类场景图像的鲁棒性。本文引入最小二乘支持向量回归算法(LS-SVR)作为五种候选算法的融合框架。在融合算法的实验仿真中,相比于其他五种候选算法,具有更小的估计误差和更高的鲁棒性。但是由于该算法相比于传统的支持向量回归(SVR)而言,算法本身将全部的样本选作支持向量进行训练,失去了对样本有效利用的稀疏特性。即使是在本文选用的1143幅真实图像的条件下,也需要大量的时间去训练模型,不利于未来的实际应用。为了解决该模型稀疏的问题,本文对模型改进优化,选取在颜色空间中和周围图像紧密联系的样本作为支持向量,而那些偏离样本群的点则被舍去。实验结果表明以极小的估计误差损失为代价就可以大幅度提高计算效率。图像光照估计研究只是计算机视觉领域的一个重要部分,同样,图像检测技术也是计算机视觉的另一个重要组成,它在工业生产尤其是精密仪器加工制造业具有极高的研究价值。比如本文中研究的铝扁管的裂缝检测,该检测即使是通过人类的视觉系统也很难准确地完成,实际生产中通过对导热管内部加压使其流过水槽,通过观察导热管在水槽中是否冒气泡来确定该段是否有裂缝,这是一项非常耗费资源的工作。本文利用计算机视觉技术,通过CCD相机镜头捕捉水槽中导热管所在区域作为目标区域,计算机通过对采集到的图像进行处理,比对后给出是否有裂缝的提示。本文分别采用图像纹理特征匹配方法和边缘检测后轮廓提取的方法进行检测。最终的实验结果表明采用边缘检测后进行轮廓提取的方法能准确地检测出这段铝扁管是否有裂缝。而采用图像纹理特征的方法,需要耗费大量的时间去统计和训练图像特征,并且准确度也低于边缘检测方法。