带钢是钢铁工业的主要产品之一，它是航空航天、造船、汽车、家电等行业的重要原材料，其表面质量直接影响最终产品的质量和性能。欲提高带钢表面质量，必须首先解决其表面缺陷的识别问题。目前带钢表面缺陷检测系统已在钢铁企业得到应用，检测系统的缺陷识别结果用于实时指导生产线的生产，从而提高产品质量;质量报告是钢铁企业用以确定钢板价格的重要依据。然而缺陷识别率低、质量报告不准确成为困扰钢铁企业的一大难题。大多数的研究者欲通过提高软件算法准确度来改善缺陷识别率，然而成效不大。究其原因主要是忽略了采集到的缺陷图像信息量及质量对识别率的影响，若获取的缺陷图像信息不全，无论如何提高软件算法的准确度都无法从根本上改善检测系统识别率。针对以上问题，文中提出采用明、暗域结合的多域图像采集方式获取缺陷图像信息，通过多域图像自适应预处理、图像配准及图像融合的办法提高缺陷图像信息量及图像质量，从根本上解决漏检及误检问题，以提高带钢表面缺陷检测系统的识别率及质量报告准确度。　　本论文的主要研究内容及成果如下:　　(1)针对带钢表面缺陷检测系统存在的图像信息不全的问题，在对单一明域和暗域图像采集原理及缺陷图像特点分析的基础上，提出了明、暗域结合的多域图像采集方式。为了得到最全面的缺陷图像信息，对明域和暗域缺陷图像采集方式下光源和成像CCD的布局方式进行了深入研究，得出了最佳图像采集角度。实验证明，明、暗域结合的多域图像采集方式获得的缺陷图像信息量是单域图像采集方式图像信息量的一倍，可检测到的缺陷种类也大大提高，为解决检测系统的漏检和误检提供了第一手素材。　　(2)在保证带钢表面缺陷检测系统实时性的基础上，为提高缺陷图像信息量和质量，提出了一种多域疑似缺陷图像自适应预处理方法。该方法首先应用多元判别分析法实现带钢表面图像疑似缺陷区域的快速检测，通过对比经疑似缺陷检测后保留的明域和暗域图像位置信息将缺陷图像分为冗余图像和互补图像两种，对两种图像分别采取不同的图像处理流程进行处理。　　(3)为提高带钢表面缺陷图像质量，降低噪声对缺陷识别的影响，通过分析带钢表面缺陷图像特点，考虑到边缘细节信息对缺陷识别的重要性，提出了基于邻域的自适应双倒数滤波方法。该方法采用邻域内各像素与中心像素之间的欧氏几何距离倒数与灰度差倒数的乘积作为权值对中心像素进行滤波，为了进一步提高边缘细节的保持能力，引入了与边缘相关的梯度算子修正距离倒数权值，滤波后的图像通过优化后权值与原图像的卷积得出。距离倒数权值保证了算法对噪声的滤除效果，而灰度倒数权值及基于边缘的梯度算子减弱了距离倒数对图像边缘的平滑效果，从而有效保留了缺陷的边缘信息。实验结果表明，与经典滤波方法相比，文中提出的自适应双倒数滤波方法在噪声检测精度、边缘细节保持能力及视觉效果方面有明显提高。　　(4)图像配准的目的是消除或减小明域和暗域缺陷图像在空间、相位和分辨率等方面的差异，图像配准的结果将直接影响融合后的图像质量，是图像融合的重要步骤。为在确保图像配准精度的基础尽可能提高运算速度，本文提出一种基于目标缺陷区域和混合优化算法的带钢表面缺陷图像配准新方法。该方法首先提取出带钢表面图像的目标缺陷区域，以该区域作为子图代替原图像参与配准，从而大大减少了计算量，提高了配准速度。为了保证配准精度，采用具有亚像素级配准精度的改进互信息作为相似性测度，并利用PSO与Powell混合优化算法确保获取全局最优解。实验表明，该方法是一种具有高鲁棒性、高精度、高配准成功率等特点的图像配准方法，不仅可完全满足带钢表面缺陷明、暗域图像融合的要求，而且具有通用性，可应用于其它场合的图像配准，有良好的应用前景。　　(5)图像融合的目的是为了综合明域缺陷图像和暗域缺陷图像中的冗余信息与互补信息，冗余信息可提高图像质量，减少误检问题的发生，互补信息可提高缺陷图像信息量，是解决漏检问题的重要途径。在对明域和暗域缺陷图像特点深入研究的基础上，文中提出了基于目标缺陷的像素级与特征级相结合的带钢表面缺陷图像融合方法。在该算法中，用边缘提取与聚类方法将明域缺陷图像与暗域缺陷图像分割为缺陷区域与背景区域。然后对两幅源图像进行NSCT多尺度变换，得到相应的高低频系数，针对不同区域采取不同的融合策略。实验证明，融合后图像有效综合了明域图像与暗域图像中的缺陷信息，在提高图像质量的同时，大大增加了图像信息量，有效解决了缺陷漏检与误检问题，为提高缺陷识别率及质量评价准确度奠定了基础。