基于計算機(jī)視覺的木材表面紋理模式識別方法的研究.pdf

1、本文采用計算機(jī)視覺與模式識別領(lǐng)域紋理分析分類的理論方法，針對木材自身的特點，實現(xiàn)了木材紋理的分類。 根據(jù)最近鄰分類器的識別率和改進(jìn)的模擬退火法進(jìn)行木材表面紋理參數(shù)的選擇。研究了灰度共生矩陣的構(gòu)造方法，確定了像素間距，求取了木材的紋理參數(shù)，分析了木材紋理灰度共生矩陣參數(shù)與紋理特征的對應(yīng)關(guān)系。根據(jù)特征參數(shù)選擇結(jié)果，確定了輸入給分類器的第一種特征向量。在椒鹽噪聲環(huán)境下，研究了三種濾波器對木材紋理圖像的濾波效果，確定以中值濾波作為圖像平

2、滑方法。 研究了離散高斯噪聲自相關(guān)函數(shù)與像素距離的關(guān)系，采用最小二乘擬合法估計了木材樣本的分形維，分析了木材紋理的分形維數(shù)與木材紋理的粗糙性的關(guān)系。根據(jù)小波基的性質(zhì)和重構(gòu)誤差確定小波基，根據(jù)重構(gòu)后各子圖像的能量和信息熵確定了小波分解級數(shù)。求取了二級小波分辨率下8幅木材子圖像的分形維數(shù)。根據(jù)特征參數(shù)選擇結(jié)果，確定了輸入給分類器的第二種特征向量。 采用5階Gauss-MRF模型，求取了木材紋理的5階GMRF紋理參數(shù)，研究了G

3、MRF模型參數(shù)與木材紋理積聚的對應(yīng)關(guān)系。根據(jù)參數(shù)選擇結(jié)果，確定了了輸入給模式分類器的第三種特征向量。 在噪聲環(huán)境下，研究了中值濾波前后木材紋理的灰度共生矩陣參數(shù)、多分辨率分形維參數(shù)、5階GMRF參數(shù)的變化情況。 解決了K-近鄰分類器在應(yīng)用中出現(xiàn)的多個最大近鄰數(shù)的問題。研究了基于Bayes準(zhǔn)則的分類器集成方法和基于度量級的集成方法，實現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)分類器的集成；在模式識別方法上，采用最近鄰(NN)、改進(jìn)的K-近鄰(K-N

4、N)、集成神經(jīng)網(wǎng)絡(luò)(C-ANN)三種分類器進(jìn)行木材表面紋理分類。 在三種參數(shù)：灰度共生矩陣參數(shù)、多分辨率分形維、5階高斯-馬爾可夫隨機(jī)場參數(shù)情況下，研究了兩種近鄰分類器和集成神經(jīng)網(wǎng)絡(luò)分類器的性能。 比較了灰度共生矩陣GLCM、多分辨率分形維MRFD和高斯-馬爾可夫隨機(jī)場GMRF三種紋理分析方法在描述木材表面紋理特征及分類的特點。由于單一種類參數(shù)描述木材紋理特征具有局限性，因此融合上述三種木材紋理參數(shù)，進(jìn)行參數(shù)再選擇，從而