现代印刷工业对标签印刷质量要求日益严格,印刷品的缺陷检测环节至关重要,本文围绕机器视觉检测技术,对其在印刷品质量检测领域的应用进行了研究。在待测标签图像采集过程中,标签摆放位置不同造成待测图像与模板图像之间存在平移与旋转等因素造成的线性变换,另一方面,纸张变形、镜头畸变等因素会造成图像的非线性变换。此外,缺陷信息保留不完整容易造成漏检。为了解决以上三个问题,本文深入研究了图像配准和缺陷检测相关算法,主要工作概括如下:第一,提出基于相位相关和SURF特征匹配的图像配准算法,解决图像中的线性变换问题。由于英文标签中的文本内容是由26个英语字母组合而成的单词构成,所以图像中存在许多相同特征点。若直接运用基于图像特征的配准算法,容易造成误匹配。因此,本文首先运用基于图像灰度的相位相关法进行全局线性配准,缩小后续基于图像特征配准算法的搜索范围,然后限制特征匹配的搜索区域,应用SURF特征匹配法进行全局线性配准优化。第二,提出基于Farneback光流法的图像配准算法,解决图像中的非线性变换问题。首先,对待测图像和模板图像进行多项式展开,以每个像素为中心,基于它的邻域像素使用二次多项式逼近该像素的灰度值;然后,把待测图像和模板图像的多项式系数逐像素匹配起来,估算出光流位移;最后,根据光流位移使用双线性插值法进行小邻域细节上的非线性配准。第三,提出基于差分法的缺陷检测算法。首先,对差分法、分层检测法、金字塔分层检测三种典型缺陷检测算法进行分析比较,选择了检测速度快且能够保留住所有缺陷信息的差分算法;然后,对差分图进行阈值分割,从背景中分离出缺陷区域;最后,应用形态学处理消除二值图像中的噪声和干扰,合并断开的邻近目标,实现标签缺陷的自动检测。通过实验仿真,实验结果显示对于缺乏纹理特征或者相同特征重复出现的标签仍能进行缺陷检测,验证了本文算法的可行性和鲁棒性,对印刷品缺陷检测技术的发展具有一定的参考意义。