基于計算機視覺的木材表面紋理模式識別方法的研究.pdf

1、本文采用計算機視覺與模式識別領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。 根據最近鄰分類器的識別率和改進的模擬退火法進行木材表面紋理參數的選擇。研究了灰度共生矩陣的構造方法，確定了像素間距，求取了木材的紋理參數，分析了木材紋理灰度共生矩陣參數與紋理特征的對應關系。根據特征參數選擇結果，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函數與像素距離的關系，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與木材紋理的粗糙性的關系。根據小波基的性質和重構誤差確定小波基，根據重構后各子圖像的能量和信息熵確定了小波分解級數。求取了二級小波分辨率下8幅木材子圖像的分形維數。根據特征參數選擇結果，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，研究了G

3、MRF模型參數與木材紋理積聚的對應關系。根據參數選擇結果，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、多分辨率分形維參數、5階GMRF參數的變化情況。 解決了K-近鄰分類器在應用中出現(xiàn)的多個最大近鄰數的問題。研究了基于Bayes準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神經網絡分類器的集成；在模式識別方法上，采用最近鄰(NN)、改進的K-近鄰(K-N

4、N)、集成神經網絡(C-ANN)三種分類器進行木材表面紋理分類。 在三種參數：灰度共生矩陣參數、多分辨率分形維、5階高斯-馬爾可夫隨機場參數情況下，研究了兩種近鄰分類器和集成神經網絡分類器的性能。 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，進行參數再選擇，從而