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。     

板材图像识别中颜色特征参数的提取

简述了彩色图像处理技术中颜色模型的选择,介绍了用来表征颜色的特征量含义,提取东北常见4个树种表面颜色特征参数值,并对各参数值进行了比较分析。按颜色参数用自组织竞争神经网络进行了分类,取得了比较好的分类效果。     

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。     

智能视频烟火监控系统研究

介绍了森林智能视频烟火监控系统组成及其图像处理.     

基于HSI空间的形态学单板缺陷检测

单板材料在发展中国家的应用日趋广泛,优质的单板可用于模板,胶合板,贴面板等人造版的面板.为了检测并提取单板图像中的缺陷,提高单板质量,基于数学形态学,本文提出一种复合型的彩色图像边缘检测方法.在传统形态学算法的基础上,一是利用开闭运算的迭代提高了抗噪能力;二是利用双结构元分别对H、S、I三个分量进行形态学处理而后融合.与传统算法Canny和Sobel进行比较,结果表明该算法增强了图像分割的精确性和完整性,能够有效提高单板等级.     

说话人特征提取算法的研究

研究说话人识别中特征提取算法,已有的线性预测系数(LPC)与梅尔倒谱系数(MFCC)目前都有着广泛的应用,可以说二者各具优点,但同时也各有其弊端。线性预测系数的低鲁棒性使其不能在噪声环境下得到准确的特征参数,而梅尔倒谱系数是基于人耳特性的,能够很好的保持噪声环境下的鲁棒性,将二者结合,研究一种新的提取特征参数的方法。分析其特性,并取其一阶差分与其相组合,运用基于高斯混合模型GMM的说话人识别系统检验其识别效果,同时比较其与MFCC、LPC的优劣。     

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MATLAB鸟叫声特征提取方法的研究

脊椎动物中最重要的生物类群之一的鸟类不仅在维持和保护生态平衡和生物防治等多方面起着十分重要的作用,而且对人类来说鸟类在很多方面还具有极高的经济价值。鸟叫声作为研究鸟类的生物学最重要的特征之一,因此主要采用MATLAB2010a对鸟类的叫声进行相应的特征提取并对其进行仿真,主要包括对鸟叫声的预处理、线性预测分析(LPC)、美尔频率倒谱系数(MFCC),并用MATLAB2010a设计一款软件实现对鸟叫声的特征提取。