基于小波的木材纹理分频信息提取与分析

通过引入小波方法 ,对木材纹理进行了多尺度的频谱分解 ,并利用所得到的特征向量分析了水平、垂直和对角方向上的木材纹理频率分布特点 ,比较了针叶树材与阔叶树材、径向切面与弦向切面木材纹理的统计差异。并在试验基础上 ,提出了以小波分解子图像能量值的标准差进行木材纹理最佳分解尺度的筛选 ,探索出滤波长度取 8、分解尺度取 2对充分表现木材纹理特征最为适宜。同时还发现可将垂直中高频分量HL和低频分量LL的能量值作为木材纹理区别与归类的重要参数 ,将EHL ELH值作为木材纹理的方向性量度     

利用Radon函数变换对木材纹理方向自动检测的研究(英文)

本文提出一种利用计算机自动检测木材纹理方向的新方法。四种Matlab 图像变换函数被尝试用于木材纹理形状的检测。通过比较发现BWMORPH 是最适于检测木材这类中弱纹理的函数,并提取生成了木材纹理骨骼线图像;再对木材纹理骨骼线图像进行Radon变换,得到0°~180°范围内每一角度上的纹理线在投影变换域的积分值,并绘制出纹理线积分值随角度变化的二维曲线图以反映木材纹理角度上的变化规律。进而分析了国内40 个树种的纹理方向曲线图以及它们以针叶、阔叶树材和径向、弦向切面作区别的分类统计规律。结果显示,根据Radon 变换图及其纹理曲线图所反映的木材纹理的方向性规律与人们平常对木材纹理的印象相吻合。这也证明了此种新方法的有效性以及它的应用潜力。图7参6。     

木材纹理分析中小波基的选择和分解级数的确定

针对小波多分辨率下木材纹理分析中小波基的类型和分解级数进行了研究.用小波基重构误差和小波基的性质确定小波基;用信息熵和重构图像能量确定分解级数.实验证明,选用Symlets4小波基对木材纹理图像进行2级分解就能够获得较高的分类识别率.     

基于BP神经网络木材纹理分类的研究

应用 BP 神经网络对常见的10种木材纹理进行了分类研究,获得了比较满意的效果。首先,应用灰度共生矩阵提取了木材的纹理特征参数;其次,在此特征参数体系下,应用 BP 神经网络对木材纹理进行了分类研究,识别率达89%。     

基于LBP-DEELM的木材纹理分类算法

为解决传统木材纹理分类的准确率低且难度大的问题,提出了一种基于LBP-DEELM(局部二值-差分演化优化极限学习机)模型的木材纹理分类算法。在阐述局部二值算子(LBP)和差分演化优化极限学习机(DEELM)算法的基础上,使用均匀旋转不变的LBP模式提取纹理的特征值,结合差分演化算法进行极限学习机优化,通过训练得到每类纹理所对应的分类器模型参数,构造分类器,实现了对木材纹理准确高效的分类。实验结果表明,相比于BP神经网络,SVM支持向量机等分类算法,该模型的实验误差率为2%左右,准确率高,实用性强。     

噪声环境下木材纹理分类的研究

为了实现木材分类识别的自动化,应用灰度共生矩阵建立了木材纹理的参数体系,并进行了分类研究。首先在无噪声的环境下提取了木材的共生矩阵纹理原始特征参数,并对其进行特征选择,进而建立了木材纹理参数体系。对该参数体系进行噪声适应性测试的实验结果表明,无噪声情况下样本识别率为87.50%;0.2%￣1.0%椒盐噪声环境下样本识别率范围为87.00%￣88.00%。表明该参数体系具有良好的抗击噪声能力和一定的工程实用价值。     

适于描述木材纹理的灰度共生矩阵构造方法研究

结合特征参数间相关性矩阵与木材纹理自身的特征,从灰度共生矩阵的11个特征参数中提取5个较独立的特征参数.利用可分性判据确定适于描述木材纹理的灰度共生矩阵构造因子取值(d=2,g=16).     

基于高斯-马尔可夫随机场的木材表面纹理分类

阐述了高斯-马尔可夫随机场模型的基本原理,建立了木材表面纹理的2-5阶高斯-马尔可夫随机场(Gauss-MRF)模型,用最小二乘法估计了300个木材样本表面纹理的2-5阶Gauss-MRF参数。数据分析表明,各不同纹理特征参数之间具有明显的分布性;Gauss-MRF参数值最大的参数所表示的纹理集聚方向为纹理的主方向;对于纹理主方向相同的样本,纹理越细致,其相应参数越大,而其他参数越小;Gauss-MRF阶数越高,纹理描述越细致;在2阶Gauss-MRF模型情况下,弦切纹理的B1参数大于径切纹理的B1;弦切纹理的B2、B3、B4分别小于径切纹理的B2、B3、B4。根据分离判据的值,确定以5阶Gauss-MRF参数为特征向量进行初步聚类,总体正确率为88%。     

基于高斯-马尔可夫随机场木材纹理特征的研究

将高斯—马尔可夫随机场(GMRF)引入木材纹理的研究,提取了二阶与五阶特征参数,并对二阶特征参数做了详细分析,得出通过θ2可以判断纹理的主方向,而结合θ1、θ2、θ3、θ4能够区分开木材的弦切和径切纹理。将五阶特征参数组成的特征向量输入给BP神经网络分类器,其分类识别率约为85%,表明了高阶GMRF参数对木材纹理描述的有效性。     

基于主分量分析木材纹理的特征提取

本文用主分量分析法分析了木材纹理的14个灰度共生矩阵特征参数，从中提取了4个综合参数，并分别统计了采用这两套特征参数，最近邻分类器，K近邻分类器和神经网络分类器对木材样本分类正确率，结果表明采用主分量分析提取的综合参数不仅能减少数据量，而且获得了较高的分类精度。     

基于高斯-马尔可夫随机场的板材表面纹理分析

阐述了高斯-马尔可夫随机场模型的基本原理,并针对板材表面纹理建立了高斯-马尔可夫随机场模型,以利用其对板材表面纹理进行分析;详细的研究了高斯-马尔可夫随机场模型的参数估计过程,在试验数据的基础上,验证了高斯-马尔可夫随机场模型在纹理分析中应用的可行性。     

小波分析与人工神经网络在木质材料无损检测中的应用

介绍了小波变换和人工神经网络在无损检测中的工作原理,分析了小波变换处理非平稳信号提取特征值、人工神经网络进行模式识别的优点,并提出小波、人工神经网络以及松散型和紧致型小波神经网络在木质材料的无损检测中的应用。     

基于空间灰度共生矩阵木材纹理分类识别的研究

以10种木材纹理样本为对象,研究了木材纹理参数体系的建立方法,并进行了分类识别的仿真实验。首先,针对木材纹理特点并结合类别可分性判据,构造了适于描述木材的空间灰度共生矩阵,并在此基础上提取了木材的11个纹理特征参数。其次,借助相关性分析对参数进行了特征选择,进而建立了能直接与人的感官对应的木材纹理参数体系。最后,利用 BP 神经网络分类器对木材样本进行了分类识别研究,识别率为87.50%,验证了参数体系的有效性,表明用本文提出的纹理参数体系对木材进行分类识别是可行的。     

应用空间灰度共生矩阵定量分析木材表面纹理特征

引入空间灰度共生矩阵对木材表面纹理进行定量分析 ,在对国内 5 0个树种径弦向纹理计算、分析的基础上得出结论 :像素点对间距d取 3,像素点对角度θ在径向纹理时取 0°,在弦向纹理时取 0°、4 5°和 135°的平均值对于反映木材纹理的特点较适宜。在 11种纹理特征参数的基础上归纳出 4个纹理主成分因子 ;讨论了主成分上木材纹理的分布规律和特点 ,并具体对木材的径、弦向纹理分别进行了分析 ,得出了各自的变化特点 ;提出了纹理综合值的计算方法 ,以及通过纹理综合值判定 2种纹理间相似性的方法。     

基于小波模极大值的木材近红外光谱去噪

将光谱一阶导数与小波变换相结合,对杉木木材近红外光谱数据进行预处理,采用db3小波对光谱数据进行4尺度分解,在各分解尺度上根据信号和噪声的不同传播特性.保留信号的模极大值,去除噪声的模极大值.结果表明:光谱导数 小波变换模极大值能够有效消除光谱噪声和各种因素干扰,并很好保留了光谱信号特征,使光谱信噪比有了较大提高.