本文针对钢铁公司带钢生产线对于带钢表面缺陷实时检测的需求,在各种图像处理算法的支持下,对传统算法进行优化,首先对所采集的带钢原始图像预处理操作,随后定位缺陷部位边缘并进行分割,最后结合纹理特征和形状特征等进行缺陷种类的识别。通过实时、在线监测各类缺陷,来提升产品的合格率。论文首先阐述带钢表面图像的预处理过程。在对带钢表面图像的增强处理过程中,阐述了传统的直方图均衡化处理和改进的直方图均衡化处理;在对带钢表面图像的降噪处理过程中,为了尽可能除去影响监测结果的噪声成分,本文构建了基于改进的自适应滤波的图像降噪算法,并与传统的低通滤波处理算法对比,得出对于带钢各类缺陷样图处理之后的评价量化结果,证实了本文改进的算法具有优越性。然后阐述带钢表面缺陷的图像分割。从马尔可夫随机场、吉布斯随机场以及最大后验概率估计进行图像的分割;为了增强分割的效率和准确性,在马尔可夫算法中引入粒子群算法来构建优化的新算法,并以带钢表面图像的“像素离散度”、“重合度”、“缺陷面积”来评价不同算法分割图像的效果,证实本文所构建的粒子群优化算法的分割效果与传统算法相比有显著的增强。在此基础上进行带钢表面缺陷特征提取。对带钢表面图像特征进行分类,分为纹理特征、形状特征、空间特征。进行带钢表面图像特征的选择,选取Hu不变矩、离散度等特征来进行带钢缺陷分类,以选中的特征对带钢表面缺陷图像的纹理特征、Hu不变矩及离散度进行提取,得到数据。最后阐述带钢表面缺陷的分类识别,为了探索高效的识别方法,本文选取支持向量机识别模式,分别由两种算法对其进行优化并进行结果的比较。第一种是遗传算法优化的带钢表面缺陷分类,简介了遗传算法并将其引入到SVM识别中,对不同遗传算子分类效果进行比较,并对不同核函数识别准确率进行比较。第二种算法是粒子群优化SVM算法,对粒子群优化结果进行分析。最后对遗传优化算法及粒子群优化算法的结果进行比较,取完全相同的带钢表面缺陷图像样本,对遗传算法优化的支持向量机与粒子群算法优化的支持向量机所得到的图像识别率进行运行时间及准确率比较,并总结出这两类算法的长处及不足。