木材表面缺陷图像识别的算法研究

论文摘要

随着木材加工业的集约化发展,木材产品的生产量持续大幅度增长。在生产中,对木材表面加工质量高水平的苛求,尤其是一致性的要求,使得传统的人工检测方式已经难以胜任。为此,本论文基于机器视觉理论对木材表面缺陷识别进行了深入研究。结合数字图像处理技术和支持向量机模式识别技术,本论文研究了木材表面缺陷图像预处理、特征提取、模式识别问题,研究并改进了用于检测木材表面缺陷的定位和识别等图像处理算法。图像的预处理是检测的第一步,它对图像缺陷特征的正确提取是非常关键的。本文针对传统滤波算法在抑制噪声的同时,也会对图像的边缘及细节有比较大的损害,使图像的边沿及细节变模糊的问题,提出了加权有向平滑滤波算法。并在图像分割上融合了几种分割方法,提出一种改进的基于双正交小波变换的多分辨率图像融合方法和基于融合技术的小波变换和形态学边缘检测算法,优化了分割效果,为后续特征提取打下了很好的基础。对于木材缺陷的识别,本文从纹理特征(5个灰度共生矩阵参数)和颜色特征(4个颜色矩参数)两个角度来描述缺陷。根据各参数分布情况,选择标准差较小的参数作为分类器输入特征向量；以及采用主分量分析法进行特征提取,降低纹理特征维数,消除模式特征之间的相关性,突出其差异性,满足识别层的输入要求。并采用支持向量机分类器进行缺陷的模式识别,达到较高的识别率。实验结果证明：根据木材表面缺陷图像的纹理特征和颜色特征,运用数字图像处理技术,来解决木材表面缺陷的分割和识别等问题,是行之有效的途径。

论文目录

• 致谢
• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景和意义
• 1.1.1 课题的研究背景
• 1.1.2 课题的研究意义
• 1.2 木材表面缺陷检测的研究现状及发展趋势
• 1.2.1 木材缺陷的常用检测方法
• 1.2.2 国内外研究现状
• 1.2.3 木材检测技术的发展与展望
• 1.3 木材表面缺陷特征及存在形式
• 1.3.1 木材缺陷种类
• 1.3.2 木材缺陷对木材质量的影响
• 1.4 课题的主要研究内容和创新
• 第二章 木材表面缺陷图像的增强预处理
• 2.1 图像增强概述
• 2.2 木材缺陷图像灰度变换
• 2.2.1 木材缺陷图像灰度化处理
• 2.2.2 木材缺陷图像灰度变换
• 2.3 木材缺陷图像平滑
• 2.3.1 邻域平滑
• 2.3.2 中值滤波
• 2.3.3 加权有向平滑滤波
• 2.4 图像锐化
• 2.4.1 微分算子
• 2.4.2 Sobel算子
• 2.4.3 拉普拉斯算子
• 2.5 本章小结
• 第三章 图像分割
• 3.1 基于区域的图像分割
• 3.1.1 并行区域分割技术
• 3.1.2 串行区域分割技术
• 3.2 基于边缘的图像分割
• 3.2.1 梯度算子
• 3.2.2 Canny边缘检测算子
• 3.2.3 几种边缘检测算子的比较
• 3.3 结合特定理论工具的分割技术
• 3.3.1 基于人工神经网络的分割技术
• 3.3.2 基于小波分析和变换的分割技术
• 3.3.3 基于数学形态学的分割技术
• 3.4 本章小结
• 第四章 特征提取
• 4.1 纹理特征提取
• 4.1.1 灰度共生矩阵
• 4.1.2 Haralick特征
• 4.2 色彩特征提取
• 4.2.1 颜色直方图
• 4.2.2 颜色矩
• 4.3 主成分分析
• 4.3.1 主成分分析的原理
• 4.3.2 主成分分析的基本步骤
• 4.4 基于主成分分析的算法实现
• 4.4.1 基于主成分分析的降维算法
• 4.4.2 基于主成分分析的降维结果
• 4.5 本章小结
• 第五章 支持向量机的分类器设计
• 5.1 分类器简介
• 5.2 SVM算法原理
• 5.3 核函数的选择
• 5.4 基于SVM的识别结果
• 5.4.1 基于纹理特征的木材缺陷图像识别
• 5.4.2 基于主成分分析法的综合纹理特征和颜色特征的木材缺陷图像识别
• 5.4.3 三类木材缺陷识别结果
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 详细摘要
• Abstract