基于改进GAC模型的木材表面缺陷图像分割

为提高对木材表面缺陷图像分割的准确率,对木材表面缺陷图像采用传统GAC模型算法和改进GAC模型算法进行多组对比试验,与此同时研究改进算法中迭代步长、迭代次数、常数速度、反差参数等参数对木材表面缺陷图像分割结果的影响。通过试验验证了改进GAC模型算法的可行性、快速性和准确性,能够克服传统的GAC模型欠分割的缺点。     

3种不同模型对木材表面缺陷图像分割算法的比较

木材表面缺陷会严重影响木材的质量和使用价值,因此对木材表面缺陷图像分割的研究有利于提高木材的利用率。本文分别对红皮云杉含有虫眼、活节、死节3种典型木材缺陷的图像采用改进的C-V模型、改进的GVF Snake模型和改进的GAC模型进行分割试验,对3种改进算法的复杂程度、分割时间、分割结果的完整性以及抗噪性进行对比和分析。结果表明,改进的GAC模型算法较为优越,其分割算法简单,运行时间短,缺陷分割效果较好,抗噪性强。而改进的C-V模型算法、改进的GVF Snake模型算法的分割效果和抗噪性最差,不宜作为3种木材表面缺陷图像的分割算法。     

基于改进的NCSPSO优化SVM的木材缺陷图像分割

针对木材缺陷图像,采用基于小生境和交叉算子的粒子群算法（NCSPSO）优化支持向量机（SVM）进行图像分割,提取木材缺陷分割图。主要对NCSPSO算法进行改进,寻找最优惩罚系数C和高斯核函数中的参数,然后采用SVM方法对训练样本进行综合训练,以建立最佳分类模型,并对木材缺陷图像分割测试。与模拟退火法（SA）及原NCSPSO算法进行对比实验,从而验证改进NCSPSO算法的优越性。     

基于邻接自适应谱聚类的木材表面缺陷分割算法

针对人工分割木材表面缺陷的烦琐性和阈值分割算法对缺陷像素信息衡量的不稳定性,提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法。算法以简单线性迭代超像素(simple linear iterative cluster, SLIC)为基础,对缺陷图像进行预处理,融合木材缺陷的纹理特性和超像素块间的距离尺度,并采用邻接自适应谱聚类进行分割;缺陷分割初步完成后,通过变异系数衡量缺陷块中像素信息的离散程度进行再次分割,克服初次分割结果的过分割问题;考虑木材表面缺陷形态学上的封闭性,将2次分割图像进行合并,继而用邻接扫描法对次分割图形进行填充,最终对木材表面缺陷进行分割界定。考虑木材表面缺陷种类的多样性,选取了虫眼、死节、活节等缺陷图像进行分割对比试验,相较于OTSU阈值分割算法,本研究算法在单个和多个木材表面缺陷分割方面,类别平均像素准确度(mean pixel accuaracy, MPA)分别提升4.69%,14.23%,平均交并比(mean intersection over union, mIoU)分别提升33.27%,33.43%。本研究算法能够更加准确地将木材表面缺陷从复杂背景中...     

基于图割算法的木材表面缺陷图像分割

木材表面缺陷分割的研究能够有效提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。为了更好地对板材表面的节子和虫眼进行快速有效地分割,论述了基于图割算法的图像分割方法(Graph Cuts)及其改进方法(Grab Cuts)的原理。针对传统Graph Cuts算法只能针对灰度图像进行分割、运行时参数的选择比较复杂,并且存在该算法效率和精度较低的缺陷,采用这两种方法分别对3种木材表面缺陷活节、虫眼和死节图像进行分割实验。为了验证Grab Cuts方法的适用性,用含有多个缺陷目标的木质板材图像做了图像分割验证。结果表明:缺陷图像的目标和背景的种子点选取直接影响Graph Cuts算法的分割结果,Graph Cuts算法的计算效率较低,分割时间较长,对相邻像素间的区分度较差,分割结果不理想。改进后的Grab Cut算法是迭代的Graph Cuts,该方法虽然在图像分割前也需要人工画定初始化矩形框,但操作相对简单,分割结果能够得到完整的闭合缺陷区域边界,且不受木材表面缺陷的类型、数量、尺寸和缺陷形状的影响,分割效果好,分割速度快,抗噪性强,对灰度图像和彩色图像都可使用。     

基于OTSU算法与数学形态学的木材缺陷图像分割

在木材分选过程中,图像缺陷分割技术占有重要的地位,能否精确提取缺陷轮廓会直接影响到分选的准确率.本文讨论提取木材表面缺陷图像的方法,应用OTSU算法与数学形态学相结合的方法对缺陷图像进行分割,最终提取出缺陷边缘.实验表明,经过OTSU算法和数学形态学进行图像分割,最后得到的木材缺陷图像更加清晰、连贯,提高了图像的可视性和准确性.     

基于高斯-马尔可夫随机场的木材表面缺陷类型识别

为了识别死节、活节和虫眼三种木材表面缺陷类型,本文采用高斯-马尔可夫随机场模型提取木材表面缺陷图像的纹理参数,结合缺陷区域的矩形度和伸长度两个几何特征,形成14维特征向量.设计三层BP神经网络来识别缺陷的类型.试验表明,三种缺陷的整体识别正确率达到96.67％,验证了该方法的有效性.     

GVF Snake模型在木材表面缺陷分割的应用研究

针对木材表面存在纹理、凹凸结构、边缘颗粒和弱边缘等特点,对其直接运用Snake模型进行分割难以得到有效边缘提取,因此提出运用改进的GVF Snake模型和维纳滤波相结合对其进行分割。首先对木材图像进行维纳滤波使得纹理变得平缓,同时可以使得缺陷边缘得到有效保留,再对其进行GVF Snake模型分割。该算法对初始轮廓的选择敏感度降低,拓展性增强,可以使得轮廓曲线更加快速地收敛到缺陷边缘,避免陷入局部最优现象,提高对弱边缘和凹凸图像分割效果,分割结果更加清晰、连贯,具有良好的实时性。为木材表面缺陷的分割提供一种更为有效的方法,拓宽了snake模型的应用范围。     

基于深度学习的木材缺陷图像检测方法

针对木材活节、虫眼、死节等缺陷,提出一种深度学习的木材缺陷图像检测算法。首先构建训练数据库及测试数据库,同时设定卷积神经网络(CNN)的输入层、中间层、输出层等参数,并利用区域建议网络(RPN)反复训练CNN,然后利用训练好的CNN对测试图像进行检测,得到缺陷所在的矩形区域。将此区域作为初始分割范围,再利用CV模型进行图像精细分割。试验结果表明,提出的算法目标定位能力强,能很好地提取木材缺陷目标。     

基于灰度-梯度共生矩阵的木材表面缺陷分割方法

根据木材表面缺陷图像的特点，提出了基于灰度-梯度共生矩阵模型和最大熵原理的木材缺陷图像自动阈值化技术。并且利用形态学运算对分割后的二值图像进行后期处理。经实验验证，该方法提取的木材表面缺陷图像效果良好：