基于灰度共生矩阵木材表面纹理模式识别方法的研究

摘要

纹理是木材表面重要的天然属性，直接关系到木制品的感观效果和经济效益，可以作为区分不同树种和材性的重要依据，并被木材物理学作为木质环境学的重要内容进行研究。然而，木材表面纹理具有精细复杂的结构，很难用明确的数学解析式表达，是困扰木材学术界的一个难题。同时，木材加工业迫切需要一种能依据纹理对木材进行分类的自动化设备。因此，对木材表面纹理进行研究具有理论和实用双重价值。 近年来，随着图像处理技术和模式识别理论的发展，纹理分析与识别理论的研究取得了一系列突破。本研究采用图像处理技术和模式识别理论，对木材表面纹理分析与识别方法进行了研究，主要内容如下： 选择东北常见的白桦、红松、落叶松、水曲柳、柞木共五种木材为研究对象，建立包含1000个图像样本10个纹理类型的样本库。 通过分析灰度共生矩阵特征参数随其三个构造因子(生成步长d、图像灰度级g和生成方向θ)的变化规律，并结合木材表面纹理自身的特点，确立了适合描述木材表面纹理的灰度共生矩阵构造方法，确定：d=4；g=256；θ取0°、45°、90°、135°四个方向，纹理参数取四个方向的平均值，以形成旋转不变量。 以上述研究为基础，获取灰度共生矩阵的14个纹理特征参数，并分析了它们在10个纹理类别间的分布情况，将其依次编号为W1～W14。 使用“参数间相关性分析”、“主分量分析”以及“基于模拟退火与最近邻分类器识别率的特征选择方法”三种方法建立了三套木材表面纹理的参数体系，分别为：①木材表面纹理参数体系I：由角二阶矩(WI)、对比度(W2)、均值和(W6)、方差和(W7)构成；②木材表面纹理参数体系Ⅱ：由第1主分量y1、第Ⅱ主分量y2、第Ⅲ主分量y3和第Ⅳ主分量y4构成。③木材表面纹理参数体系Ⅲ：由角二阶矩(肌)、方差(W5)、方差和(W7)、逆差矩(W8)、差的方差(W9)、和熵(W10)、集群突出(W13)构成。 本研究所采用的分类器包括最近邻分类器和集成BP神经网络分类器。在上述三套木材表面纹理参数体系下，最近邻分类器对未知样本集合的识别率分别为：85.25％、86.75％和87.50％；集成BP神经网络分类器的识别率分别为：86.50％、87.00％和90.25％。可见，集成BP神经网络分类器的分类识别能力强于最近邻分类器。 进一步分析发现，不能准确区分同类树种的径切和弦切纹理是影响分类识别率的主导因素。经研究发现，高斯-马尔可夫随机场特征参数能很好地完成上述任务。因此，本研究将灰度共生矩阵和高斯一马尔可夫随机场的纹理特征参数进行信息融合，形成木材表面纹理的第四套参数体系：V=[W2，W6，W7,W10，W13，θ1,θ3,θ5,θ9,θ10]，此时集成BP神经网络分类器对未知样本集合的识别率高达97.00％，获得了非常满意的效果。

目录

文摘

英文文摘

声明

1绪论

1.1本课题研究的目的和意义

1.2国内外研究现状

1.3数字图像处理及其在木材科学领域的应用

1.3.1数字图像处理概述

1.3.2数字图像处理主要内容及其在木材科学领域的应用

1.4本课题的研究内容与路线

1.5本章小结

2纹理分析

2.1纹理概述

2.1.1纹理的定义

2.1.2纹理的研究方向

2.1.3纹理的应用领域

2.2纹理分析的方法

2.2.1纹理的数学描述

2.2.2统计分析法

2.2.3结构分析法

2.2.4模型分析法

2.2.5基于频谱分析的方法

2.3木材图像的纹理特征

2.4本章小结

3模式识别

3.1模式识别概述

3.1.1模式和模式识别的概念

3.1.2模式识别系统

3.1.3模式识别方法

3.2最近邻法

3.2.1最近邻法决策规则

3.2.2最近邻法的误判概率及其上下界

3.3模拟退火法

3.3.1模拟退火法概述

3.3.2传统的模拟退火算法

3.3.3有记忆的模拟退火法

3.4基于模拟退火算法与最近邻分类器识别率的特征选择方法(S-NFS)

3.4.1特征选择

3.4.2特征选择算法的结构

3.4.3特征选择方法的选取原则

3.4.4 S-NFS算法的设计与分析

3.4.5 S-NFS算法的伪代码

3.5 BP神经网络分类器

3.5.1人工神经网络概述

3.5.2人工神经网络模型

3.5.3人工神经网络的分类及学习

3.5.4多层感知器

3.5.5 BP学习算法

3.5.6改进的BP学习算法

3.5.7 BP神经网络分类器的设计

3.5.8 BP神经网络分类器的集成

3.6本章小结

4木材表面纹理灰度共生矩阵特征参数的获取

4.1灰度共生矩阵

4.1.1灰度共生矩阵的定义

4.1.2灰度共生矩阵的特点

4.1.3灰度共生矩阵的特征参数

4.2构造因子对木材表面纹理特征参数的影响

4.2.1生成步长d对特征参数的影响

4.2.2图像灰度级g对特征参数的影响

4.2.3生成方向θ对特征参数的影响

4.3木材表面纹理灰度共生矩阵特征参数的获取

4.4本章小结

5木材表面纹理参数体系的建立及其分类识别

5.1基于参数间相关性分析木材表面纹理的分类识别

5.1.1相关性概述

5.1.2基于参数间相关性分析木材表面纹理参数体系的建立

5.1.3在参数体系Ⅰ下木材表面纹理的分类与识别

5.2基于主分量分析(PCA)木材表面纹理的分类与识别

5.2.1主分量分析理论

5.2.2主分量分析的一般步骤

5.2.3基于PCA木材表面纹理参数体系的建立

5.2.4在参数体系Ⅱ下木材表面纹理的分类与识别

5.3基于S-NFS算法木材表面纹理的分类与识别

5.3.1基于S-NFS算法木材表面纹理参数体系的建立

5.3.2在参数体系Ⅲ下木材表面纹理的分类与识别

5.4本章小结

6基于信息融合木材表面纹理的分类与识别

6.1信息融合理论概述

6.2基于高斯—马尔可夫随机场(GMRF)木材表面纹理的分类与识别

6.2.1邻域系统与基团

6.2.2马尔可夫(Markov)随机场

6.2.3高斯—马尔可夫(GMRF)随机场模型及其参数估计

6.2.4基于高斯—马尔可夫随机场木材表面纹理特征的获取

6.2.5基于GMRF木材表面纹理的分类与识别

6.3在融合参数体系下木材表面纹理的分类与识别

6.4本章小结

7木材表面纹理分类识别实验系统

7.1木材表面纹理分类实验系统总体框架

7.2木材表面纹理分类实验系统硬件构成

7.3木材表面纹理分类实验软件系统

7.3.1软件系统总体架构

7.3.2图像预处理模块

7.3.3纹理特征获取模块

7.3.4特征提取与选择模块

7.3.5分类与识别模块

7.4本章小结

结论

参考文献

附录

攻读学位期间发表的学术论文

致谢