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。     

一种新的针叶材自动识别方法

提出通过横切面显微图像对针叶材树种进行计算机识别的方法。该方法通过提取图像的PCA特征,生成特征树,然后采用SVM对样本进行分类。使用8种针叶材,每种12个样本,并采用留一交叉验证,对图像的分割方法、最近邻与SVM分类算法和不同范数距离下的识别效果进行试验。结果表明通过部分木材微观的纹理结构进行木材识别的可能性。     

基于不变矩特征木材纹理的研究

不变矩是模式识别中的一种重要方法,它具有平移不变性、比例不变性和旋转不变性等优点。本文将其引入到木材纹理的计算机视觉研究领域,提取了木材纹理的不变矩参数,并用提取的特征参数对木材纹理进行了分类研究,最近邻分类器的正确率为86.67%,获得了较高的分类正确率,从而验证了不变矩参数对木材纹理描述的有效性。     

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%。     

小波变换的木材纹理在线分选

以180幅木材样本图片为对象,研究以小波变换方法提取特征参数,分析几种小波基的特点和性质,最终以对称性为依据,选择使用sym4小波对图像进行二级小波分解,可以得到一级水平细节HL1、垂直细节LH1、对角细节HH1,二级的近似LL2、水平细节HL2、垂直细节LH2、对角细节HH2共7个子图,提取整幅图像的熵和每个子图小波系数的均值及标准差作为特征参数。将木材纹理按照直纹、抛物线和乱纹3种纹理的分类标准,以BP神经网络作为分类器进行了木材纹理分类的验证,并与灰度共生矩阵的方法进行了对比。试验表明:采用小波变换的方法对木材纹理特征进行描述,不但提高了分类的准确率,重要的是缩短了运算时间,可以达到在线监测的要求。     

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。     

木材树种计算机视觉识别技术发展与应用

我国是全球林产品生产、贸易和消费第一大国,因此受到国际社会的广泛关注。在木材和木制品贸易流通环节经常出现以假乱真、以次充好的现象,为国际履约执法和林产品产业监管带来严峻挑战。基于木材解剖的传统木材树种识别方法,一般只能识别木材到"属"或"类"。近年来发展的DNA条形码、近红外光谱等木材树种识别新技术虽然可以实现木材"种"的识别,但难以在口岸、现场等多场景下对大批量样本进行自动精准识别。随着计算机技术的快速发展,计算机视觉识别技术可以从不同类别图像中提取关键特征,从而对图像进行分类,为木材树种分类带来新的途径。笔者首先介绍了基于图像采集、特征提取和树种分类的传统木材树种计算机视觉识别技术研究概况,然后从图像数据集构建、模型构建训练与测试以及系统开发等应用等方面介绍了基于深度学习的木材树种计算机视觉识别技术研究应用现状,并结合国内外研究进展对基于深度学习的计算机视觉识别技术在木材树种识别领域的应用进行了展望和提出建议,以期为木材树种自动精准识别研究提供新的思路。     

基于图像纹理特征的木材树种识别

利用木材图像的颜色、灰度、纹理等内容实现树种的相似性匹配检索,提取色调、饱和度、亮度、对比度、二阶角矩、方差和、长行程加重因子、分形维数、小波水平能量比重共9个特征参数,依据最大相似性数学原理,基于最小差值参数判别法和综合特征阈值法来检索样本.结果显示:基于图像纹理特征能够实现木材树种的检索和识别,综合特征阈值法的检索正确率与唯一性通常要好于最小差值判别法;但当被检索样本图像的纹理较弱或不呈现纹理特征时,检索结果的唯一性并不理想.综合而言,基于图像纹理特征最大相似性的木材树种检索识别较易实现,是一种值得继续发展和应用推广的木材树种识别方法.     

基于空间灰度共生矩阵的木材纹理特征提取

讨论了生成步长、生成方向、图像灰度级对灰度共生矩阵特征参数的影响，在对国内50个树种计算分析的基础上，得出适于描述木材纹理的灰度共生矩阵构造方法。结合了灰度共生矩阵特征参数间的相关性及木材纹理自身的特征提取出了一套表征木材纹理的特征参数。     

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).     

Tree species recognition system based on macroscopic image analysis

An automated wood texture recognition system of 48 tropical wood species is presented. For each wood species, 100 macroscopic texture images are captured from different timber logs where 70 images are used for training while 30 images are used for testing. In this work, a fuzzy pre-classifier is used to complement a set of support vector machines (SVM) to manage the large wood database and classify the wood species efficiently. Given a test image, a set of texture pore features is extracted from the image and used as inputs to a fuzzy pre-classifier which assigns it to one of the four broad categories. Then, another set of texture features is extracted from the image and used with the SVM dedicated to the selected category to further classify the test image to a particular wood species. The advantage of dividing the database into four smaller databases is that when a new wood species is added into the system, only the SVM classifier of one of the four databases needs to be retrained instead of those of the entire database. This shortens the training time and emulates the experts’ reasoning when expanding the wood database. The results show that the proposed model is more robust as the size of wood database is increased.