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。     

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BP神经网络的木材表面颜色特征分类的研究

本文针对木材表面颜色自动分类难题,在 RGB 颜色空间提取木材图像的颜色矩作为颜色特征参数,利用 BP 神经网络对特征参数进行分类,通过输入层、输出层和隐含层的设计,传递函数的选择,确定最终网络结构。实验结果表明,分类正确率达到98%,验证了本文提取的特征参数的有效性。     

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。     

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。     

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。     

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%。     

基于灰度共生矩阵和Hu不变矩的东北虎纹理特征参数的探讨

在探讨东北虎个体识别的参数时,本文把灰度共生矩阵的7个特征参数和Hu不变矩抽象的10个形状特征公式相结合,根据相关系数分析选择其中的7个特征参数,最后利用BP神经网络进行分类识别,证明按照上述规则生成的7个特征参数有效,可以用于东北虎的个体识别。     

Identification of selected internal wood characteristics in computed tomography images of black spruce: a comparison study

The feasibility of identifying internal wood characteristics in computed tomography (CT) images of black spruce was investigated using two promising classifiers: the maximum likelihood classifier (MLC) and the back propagation (BP) artificial neural network (ANN) classifier. Nine image features including one spectral feature (gray level values), a distance feature, and seven textural features were employed to develop the classifiers. The selected internal wood characteristics to be identified included heartwood, sapwood, bark, and knots. Twenty cross-sectional CT images of a black spruce log were randomly selected to develop the two classifiers. The results suggest that both classifiers produced high classification accuracy. Compared with the MLC classifier (80.9% overall accuracy), the BP ANN classifier had better classification performance (97.6% overall accuracy). Moreover, statistical analysis reveals that the heartwood of the black spruce log used in this study is the easiest to identify by either classifier compared with the other three log features. The results also suggest that the separability of one wood characteristic from the other wood characteristics in black spruce CT images is mainly related to moisture content.     

利用神经网络预测木材径向导热系数

利用神经网络所具有的输入-输出之间的高度非线性映射关系,给出一种利用BP神经网络模型预测木材径向导热系数的方法.为了提高网络模型的泛化能力,采用规则化调整的方法.仿真结果表明:利用文中所提出的神经网络模型能够较准确、快速地预测木材径向导热系数的变化,其精度高于推导出的木材径向导热系数的理论公式.