基于特征融合的实木板材纹理判别研究

摘要

建筑，家具等行业中，对木板材的宏观美学与质量的要求越来越高，木材纹理是反映木板材宏观美学与质量的一个重要因素。针对木板材加工业中，目前没有完善的描述木材表面纹理的国家标准和行业准则且木板材的纹理分类速度慢、精度低的问题。本研究提出一种木板材纹理的检测方法。此方法结合图像处理与模式识别方法，融合Tamura特征与基本统计特征建立了能表征木质板材表面纹理特征的参数系，为木材表面纹理的自动分类打下理论和实践基础。
　　本研究的设计思是:首先，对样本图片进行采集、分割、缩放等预处理，并将木板材纹理图片分为三类:直纹、抛物纹、乱纹;之后，对三类纹理进行特征提取;然后，进行特征融合与训练样本选择;最后设计分类器作出决策识别。
　　预处理:本文采集、分割柞木图片后所得图片为512×512像素。为减少颜色对木材表面纹理的干扰，本文进行彩色图像变灰度图像，处理后的图像为256级灰度图像。为提高速度，本文针对Tamura特征提取时间较长，对灰度图像进行缩小处理。
　　特征提取与特征融合:为克服统计方法与视觉模型脱节和对全局信息利用不足的缺点，本研究融合了木板材纹理为基于视觉心理学的Tamura纹理特征与对纹理图像灰度值进行统计的基本统计特征，共9个特征参数。为了减少特征提取时间，本文在缩小的纹理灰度图像上提取Tamura六个特征参数，而能快速被提取的基本统计特征量是在原512×512像素的灰度图像上提取。特征融合时，本文用主成分分析(PCA)消除特征数据冗余，融合9个木材纹理特征，得到了7个新纹理特征。
　　训练样本选择:训练样本影响测试样本的最终分类结果。为筛选随机选择的不良木材纹理样本，本研究利用非线性映射(NLM)将9维木材纹理特征投影为二维特征，利用遗传算法对映射的误差函数进行了最小化处理，找到合适的二维数据结构。在二维平面筛选离群样本点，选择优良训练样本。
　　分类器设计:选用SVM分类器。使用融合后的7个新木材纹理参数系作为输入，三类木板纹理:直纹、抛物纹和除直纹、抛物纹外的纹理统称为乱纹的纹理作为输出。为得到更好的分类效果，本文在使用支持向量机时，对惩罚参数与核参数进行了粒子群算法(PSO)优化。分别利用未进行参数优化的支持向量机(SVM)和优化参数的支持向量机(SVM)进行分类，并比较了两种分类器的分类效果。实验结果证明，参数优化后的支持向量机取得了较好的分类识别精度。
　　仿真实验结果显示:本文提出方法可减少柞木纹理特征提取与融合时间，采用PSO-SVC分类器分类柞木纹理准确率达到91.43％，与参数优化前的C-SVM分类准确率88.1％相比，明显提高。本方法对木材加工的自动检测系统的开发具有参考价值。

目录

摘要

1 绪论

1．1 研究的目的及意义

1．2 木材纹理研究现状

1．2．1 纹理描述方法

1．2．2 木材纹理研究现状

1．3 研究内容与方案

1．3．1 课题研究的主要内容

1．3．2 课题研究的实现方案

1．4 论文的结构安排

2 仿真系统与样本预处理

2．1 仿真系统组成

2．2 木材纹理样本获取

2．2．1 针对木材纹理分类的预处理

2．3 预处理

2．3．1 颜色空间模型

2．3．2 柞木纹理图像灰度化

2．3．3 木材表面纹理图像的缩放

2．4 本章小结

3 提取与融合柞木纹理图像特征

3．1 柞木纹理特征提取

3．1．1 Tamura纹理特征

3．1．2 图像的基本统计量

3．1．3 柞木纹理特征提取结果

3．2 基于主成分的特征融合

3．2．1 主成分分析原理

3．2．2 主成分分析计算步骤

3．2．3 柞木纹理特征主成分分析结果

3．3 本章小结

4 柞木纹理训练样本优选

4．1 数据降维的重要性

4．2 非线性映射原理

4．3 遗传算法

4．3．1 遗传算法原理

4．3．2 遗传算法要素

4．3．3 遗传算法参数选择

4．3．4 柞木纹理特征非线性映射分析

4．4 本章小结

5 木材纹理分类器设计

5．1 柞木表面纹理分类器

5．2 支持向量机

5．2．1 统计学习理论

5．2．2 SVM的最优分类面

5．2．3 SVM的核函数

5．2．4 SVM分类器的结构模型

5．3 粒子群算法

5．3．1 粒子群算法的原理

5．4 柞木纹理SVM分类参数优化

5．4．1 柞木纹理SVM分类器的参数

5．4．2 SVM分类器参数PSO优化

5．4．3 分类结果与分析

5．5 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明