工业CT(Computed Tomography)成像技术的快速发展,为工业装备的无损检测(Non-destructive Testing,NDT)提供了极大便利。而成像之后的图像处理对于提高图像质量、进行有效的检测具有重要的实际意义。为了构建一个完整的机器视觉系统,实现工业装备的自动化在线检测,需要对系统中涉及的图像预处理、图像分割、边缘检测等方法进行研究。本文的主要工作如下:首先,提出了一种基于核奇异值分解(Kernel Singular Value Decomposition,KSVD)和相似点标记的非局部均值(Non-local Means,NLM)工业CT图像去噪方法。采用KSVD提取相似窗图像块的主要代数特征,并进行低秩近似表示,在此基础上度量相似性以减少计算量;对已经被判为相似像素的点对进行标记,避免了两个像素间相似度的重复计算,从而可使搜索窗缩小为传统NLM方法的一半。实验结果表明,所提方法在主观视觉去噪效果、峰值信噪比(Peak Signal to Noise Ratio,PSNR)以及处理速度3个方面具有良好的表现,与传统NLM方法、主邻域字典(Principal Neighborhood Dictionaries,PND)方法和基于Zernike矩的NLM方法相比,具有明显优势。然后,讨论了一种Shearlet域图像增强方法。通过非下采样Shearlet变换(Non-subsampled Shearlet Transform,NSST)将图像分解为高频部分和低频部分。对高频部分实施非线性变换以增强边缘并且抑制高频噪声;对低频部分进行分块局部增强,在此过程中引入人眼感知保真约束,解决了分块增强时边界像素的失真问题。与双向直方图均衡、空域保真约束增强、Contourlet模糊增强、非下采样Contourlet变换(Non-subsampled Contourlet Transform,NSCT)自适应增强等方法相比,所提方法得到的增强图像主观视觉效果更好,并且在清晰度、局部对比度以及全局对比度等定量评价指标上平均高出50%,与表现次优的NSCT自适应增强方法相比,本文方法所需处理时间仅为其10%,能够满足实时处理的要求。其次,提出了一种工业CT图像自适应阈值分割方法。给出了倒数灰度熵的定义,由此推导出一维倒数灰度熵阈值选取公式,考虑了类内灰度的均匀性,同时避免了Shannon熵存在的无定义点的问题;为了提高抗噪性,将倒数灰度熵从一维直方图的情况拓展到二维,导出了二维倒数灰度熵阈值选取公式;为了降低二维情况下的运算量,提出了二维倒数灰度熵的分解方法,从而将二维阈值搜索问题转化为搜索两个一维阈值的过程,大大降低了算法复杂度。与改进的Otsu法、基于粒子群优化(Particle Swarm Optimization,PSO)的二维最大Shannon熵法、基于小生境混沌粒子群优化(Niche Chaotic Particle Swarm Optimization,NCPSO)的二维斜分倒数熵法相比,提出的方法针对多幅工业CT图像取得了更好的分割效果。再次,研究了一种基于NSST和引导滤波的工业CT图像边缘检测方法。利用引导滤波改进Canny边缘检测子的滤波过程,检测出大致的边缘,视为低频图像边缘;通过NSST分解图像提取高频信息,在图像的高频部分采用NSST模极大值方法检测边缘,并根据不同分解程度下边缘位置的高频系数关系剔除伪边缘;将高低频边缘进行融合,得到最终的边缘图像。将本文方法与常用的Canny方法、小波模极大值方法和NSCT模极大值方法进行了比较。实验结果表明,本文方法检测出的边缘更为准确,与参考边缘检测图的差别最小,品质因数更高。最后,提出了一种基于视觉注意机制的工业CT图像缺陷检测方法。利用引导滤波取代传统视觉注意模型中的Gaussian滤波生成尺度空间,避免了对边缘结构的破坏;将特征图视为一个图来构造Markov链,以Markov链的稳态分布作为显著图;针对工业CT图像的特点,不再从颜色通道提取特征图,改变了直接取平均的显著图融合方式,根据显著图的不同特点按比例进行融合;在提取出的显著区域中进行自适应阈值分割,避免手动设置阈值的不准确性。与Itti模型方法和基于图的视觉显著(Graph Based Visual Saliency,GBVS)模型方法相比,改进方法的显著图更为清晰准确,针对工业CT图像缺陷的检测精度更高。