基于显微构造图像木材识别技术研究 ——基于导管特征的木材图像识别技术研究

论文摘要

木材识别经历了从宏观到微观识别的发展过程。宏观识别方法在生产实践中应用价值很大,但准确度较差,仅能鉴别属、类或者常见树种;微观识别用于宏观识别上难以识别的树种,准确度较高,但是需要丰富的木材知识,只有木材专家才能掌握,难以普及和广泛应用。为此,本论文拟基于木材显微构造图像,应用图像处理和模式识别技术探索一种新的智能木材识别方法。因为导管特征是阔叶材的最重要的识别特征之一,本文尝试仅仅利用导管的特征来识别树种。首先基于灰度形态学运算进行导管分割,并进行量化分析,研究发现不同的树种管孔有不同量化区间,从而可实现三类管孔式的自动分类,并揭示了通过特征量化实现单一特征木材识别的可能性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景
• 1.2 木材识别的主要方法
• 1.2.1 传统木材识别方法
• 1.2.2 基于数据库的木材检索识别方法
• 1.2.3 微机图像处理识别法
• 1.3 图像处理技术在木材识别上的应用
• 1.4 研究思路
• 1.5 本文的主要工作
• 1.6 本文组织结构
• 2 本文的理论基础
• 2.1 木材的识别特征
• 2.1.1 木材的主要特征
• 2.1.2 木材的次要特征
• 2.2 图像处理技术
• 2.2.1 图像增强和图像分割
• 2.2.2 数字图像处理的基本步骤
• 2.2.3 图像处理系统的部件
• 2.3 模式识别
• 2.3.1 模式和模式识别
• 2.3.2 模式识别系统
• 2.3.3 模式识别方法
• 3 研究平台
• 3.1 数据获取平台
• 3.1.1 仪器设备及试剂
• 3.1.2 木材标本的选取和制作
• 3.1.3 切片制作
• 3.1.4 图像获取
• 3.2 数据处理平台
• 4 基于显微结构图像的导管分割
• 4.1 基于RGB 向量空间的导管分割
• 4.1.1 RGB 彩色模型
• 4.1.2 彩色图像处理
• 4.1.3 彩色变换
• 4.1.4 RGB 向量空间中的图像分割
• 4.2 基于形态学的导管分割
• 4.2.1 数学形态学
• 4.2.2 形态学的基本运算
• 4.2.3 形态学结构元素的选取
• 4.2.4 基于形态学的去噪处理
• 4.2.5 基于形态学的边缘增强
• 4.2.6 二值化
• 5 导管特征量化分析
• 5.1 标注连接分量
• 5.2 边界的表示方法
• 5.2.1 链码
• 5.2.2 边界线段
• 5.3 区域的形状表示与描绘
• 5.4 计算各个导管的面积
• 5.5 对各个导管的面积进行分析
• 5.6 基于量化管孔式的试验结果
• 6 管孔特征提取分析系统
• 6.1 主界面
• 6.2 程序设计基本流程
• 7 总结与展望
• 7.1 总结
• 7.2 今后工作的展望
• 参考文献
• 致谢
• 硕士期间发表的论文