基于融合彩色特征木材表面颜色分类的研究

针对木材表面颜色自动分类的难题,在RGB颜色空间,将R、G、B三个颜色矩阵融合成一个特征矩阵,再对这个特征矩阵提取颜色三阶矩参数作为木材表面颜色分类的特征参数,设计了适合木材表面颜色分类的BP神经网络分类器,分类识别率达到98.67%,验证了提取特征参数的有效性。     

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L*a*b*颜色空间对木材分类的研究

L*a*b*均匀颜色空间具有等距性和色差高分辨力的特点,非常适合色差较小情况下的颜色测量和比较.木材材色分布范围较窄,利用L*a*b*颜色空间中的颜色特征表示木材表面颜色,有利于木材材色之间的比较和划分.基于L*a*b*颜色空间,提取了东北常见五种树种木材图像的颜色特征进行分类研究,通过仿真试验得到了满意的分类结果.     

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。     

基于直方图的木材表面颜色分类研究

颜色直方图是图像检索技术中一种有效的颜色表达方式，具有位移、旋转不变的特性。然而木材表面颜色较为单一，采用通常的量化方案不能达到很好的分类识别效果。提出了采用HSV颜色空间三个独立分量的直方图统计特征表达木材表面颜色信息的方法，利用色调、饱和度和亮度三分量之间的相互独立性，提取了各分量的直方图特征。最后利用BP神经网络对木材样本库的图像进行了分类仿真，其结果验证了特征的有效性。     

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。     

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).     

基于直方图和颜色矩方法的木材表面颜色特征的表达

简述了彩色图像处理中颜色空间的选择,分别用直方图和颜色矩方法表达木材表面的颜色特征。从H分量直方图可知,H分量在色彩上有较好的分类性,反映出木材彩色特征的变化。用颜色矩特征值作为BP神经网络的输入,对东北常见树种按颜色进行了分类,分级正确率达到了96.7%。     

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。     

基于四元数矩阵奇异值分解的木材缺陷检测分析

当前,木材彩色图像的缺陷检测主要是通过分离彩色空间的3个分量分别进行灰度处理,然后再合成为缺陷的图像.将基于RGB彩色空间的木材图像作为一个整体,提出四元数矩阵奇异值分解（QSVD）的木材缺陷检测.把RGB的彩色空间图像转换为四元数矩阵,利用四元数奇异值分解得到不同奇异值的特征图像,通过对特征图像的分析,得到不同的木材缺陷图像,并通过对奇异值特征图像的分析得到木材彩色图像的缺陷检测,并做分析.     

基于神经网络和颜色特征对木材进行分级的分析

为了解决木材的分级问题，提出了利用神经网络和木材表面颜色特征对木材进行分级的方法。利用竞争神经网络对114种不同树种进行粗分，然后再用BP神经网络算法对此进行验证，又对四种木材进行分类验证。从计算机分类分级仿真效果上看，达到了预期的目的。