基于子空間和多特征融合的木材分類算法研究.pdf

1、樹種的正確識別對于木材科學和相關產業(yè)均具有重要意義。針對人工木材樹種判定和傳統(tǒng)圖像識別方法存在一定的局限性，本文利用模式識別方法探討樹種識別的可行性，并取得以下研究成果:
　　 (1)融合主成分分析法（PCA）和費舍爾樹法（FisherTrees），把訓練樣本投影到PCA和FisherTrees空間，得到PCA特征和FisherTrees特征，通過算術均值、交換轉置均值和加權均值進行特征融合，融合后的特征更適合于針葉材樹種的分類

2、。
　　 (2)對株楊Tacamahaca、云杉Picea asperata等24種常見樹種進行的實驗發(fā)現(xiàn):以核主成分分析方法提取的木材特征，自適應增強（AdaBoost）分類器比支持向量機(SVM)分類器的分類能力強，前者對樹種分類效率達到90.13％，而后者卻只有78.32％。
　　 (3)以日本香柏Thujastandishii、黃山松Pinustaiwanensis、日本扁柏Chamaecyparis obtus

3、a、棘柏Juniperus formosana、馬尾松Pinus massoniana、水杉Metasequoiaglyptostroboides、江南油杉Keteleeria cyclolopis和雪松Cedrus deodara8類針葉材為樣本，以核主成分分析法提取特征，并采用線性核函數(shù)的SVM作為AdaBoost.M2的基分類器，當?shù)螖?shù)超過100次時，可以準確區(qū)分這些樹種。
　　 論文應用模式識別技術驗證了庫內樹種分類