木材表面颜色模式识别方法的研究

论文摘要

颜色是木材的重要自然属性之一,影响着人们对木材及木制产品的视觉感知和评定,并直接关系到木制产品的经济效益。鉴于目前在木材行业中没有界定和描述木材表面颜色的国家标准或行业标准,本研究采用图像处理技术和模式识别理论研究了实现木材表面颜色自动分类的方法,建立了一套能够反映木材表面颜色的参数体系以及根据这些参数实现木材分类的模式识别方法,为木材制品和装饰用材表面颜色的分类提供了理论基础,并为木材颜色的自动分类打下坚实的理论和技术基础。本文首先建立了用于木材表面颜色分析和分类的样本库,并采用图像处理技术对木材图像进行了预处理,消除噪声影响;之后在分析了三种木材表面颜色的表示方法的基础上,提取了相应的三种颜色特征参数;对模式识别系统中特征选择方法和分类识别方法进行了研究,比较了特征选择前后三种不同分类器的分类结果;综合特征的维数和分类结果,确定了相应的木材表面颜色参数体系及模式识别方法。分析了木材表面颜色的表示方法,针对木材颜色在颜色空间分布区域相对较小以及木材颜色的复杂性,提出了三套不同的特征参数:①利用HSV颜色空间能够反映人对颜色的感知和鉴别的特点,提出采用色调、饱和度和亮度三个分量的直方图统计特征描述木材图像的颜色信息;②采用色调、饱和度和亮度三个颜色分量的颜色矩特征描述木材图像的颜色信息:③利用L*a*b*均匀颜色空间色差高分辨率的优点,提出了包括5个颜色参数均值、7个色差均值和7个色差标准差的木材图像的色差特征表示方法。研究了模式识别中的特征选择问题及方法,采用最近邻分类正确率作为特征选择的评价准则。阐述了模拟退火算法和遗传算法两种现代优化算法的理论,实现了基于模拟退火算法——分类正确率和遗传算法——分类正确率的特征选择,通过实验分析和比较了两种优化方法的搜索性能。阐述了统计学习理论下的支持向量机理论,通过实验比较了k-近邻、BP神经网络和支持向量机的分类性能,以及不同核函数对支持向量机分类性能的影响。针对支持向量机参数和核函数参数选择问题,提出采用遗传算法进行参数优化的方法,在给定的参数范围内得到了使支持向量机分类性能较好的参数。依据模式识别的理论分析和对比三套特征参数的特征选择前后的分类结果,最终确定了表征木材表面颜色的参数体系和模式识别方法。本研究实现了根据木材表面颜色对木材进行自动分类,其结果能够为木材生产加工过程提供有力的参考,同时为木材科学领域提供了先进的研究手段,丰富了图像处理领域关于颜色分析和分类的方法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 本研究的目的和意义
• 1.2 木材表面颜色的研究现状
• 1.3 计算机图像处理技术在颜色研究方面的应用
• 1.3.1 计算机图像处理技术
• 1.3.2 基于计算机图像处理技术的颜色研究方法
• 1.4 模式识别方法
• 1.4.1 模式识别系统
• 1.4.2 模式识别的基本方法
• 1.5 本课题的主要研究内容及研究路线
• 1.5.1 主要研究内容
• 1.5.2 研究路线
• 1.5.3 本文结构
• 1.6 本章小结
• 2 木材表面图像的采集与预处理
• 2.1 实验样本库的建立
• 2.2 图像采集系统
• 2.3 图像数字化
• 2.3.1 采样
• 2.3.2 量化
• 2.4 图像预处理
• 2.5 本章小结
• 3 木材表面图像的颜色分析方法
• 3.1 彩色图像处理中的颜色空间模型
• 3.1.1 颜色模型的分类
• 3.1.2 RGB颜色模型
• 3.1.3 CMYK颜色模型
• 3.1.4 HSV颜色模型
• 3.1.5 XYZ颜色模型
• *a^*b^*颜色模型'>3.1.6 L^*a^*b^*颜色模型
• 3.1.7 颜色空间的选择
• 3.2 木材表面颜色的分析方法
• 3.2.1 HSV颜色空间下的统计直方图法
• 3.2.2 HSV颜色空间下的颜色矩法
• *a^*b^*颜色空间下的色差分析'>3.2.3 L^*a^*b^*颜色空间下的色差分析
• 3.3 本章小结
• 4 木材表面颜色的分类识别
• 4.1 近邻法
• 4.1.1 最近邻法
• 4.1.2 k-近邻法
• 4.2 神经网络
• 4.3 统计学习理论
• 4.3.1 VC维
• 4.3.2 推广性的界
• 4.3.3 结构风险最小化
• 4.4 支持向量机
• 4.4.1 广义最优分类面
• 4.4.2 支持向量机
• 4.4.3 支持向量机方法的主要优点
• 4.4.4 核函数
• 4.5 支持向量机的模型选择问题
• 4.6 本章小结
• 5 木材表面颜色的特征选择方法
• 5.1 特征选择
• 5.1.1 评价准则
• 5.1.2 搜索算法
• 5.2 模拟退火算法
• 5.2.1 Metropolis抽样准则
• 5.2.2 模拟退火过程
• 5.2.3 模拟退火法的改进
• 5.2.4 模拟退火法的实现
• 5.2.5 基于最近邻分类器分类正确率——模拟退火算法的特征选择
• 5.3 遗传算法
• 5.3.1 遗传算法的基本流程
• 5.3.2 遗传算法关键参数的设计
• 5.3.3 遗传操作
• 5.3.4 遗传算法的优点、不足和改进
• 5.3.5 基于最近邻分类器分类正确率——遗传算法的特征选择
• 5.4 本章小结
• 6 木材表面颜色分类实验及结果分析
• 6.1 MATLAB编程语言
• 6.2 实验的总体思路
• 6.3 不同类别木材样本的颜色特征
• 6.3.1 10类样本的颜色直方图统计特征分析
• 6.3.2 10类样本的颜色矩特征分析
• 6.3.3 10类样本的色差特征分析
• 6.4 特征选择的实验结果与分析
• 6.4.1 穷尽法特征选择结果
• 6.4.2 最近邻分类正确率——模拟退火算法特征选择结果
• 6.4.3 最近邻分类正确率——遗传算法特征选择结果
• 6.4.4 特征选择结果的比较
• 6.5 分类结果
• 6.5.1 不同分类器的分类结果
• 6.5.2 不同核函数分类结果
• 6.5.3 特征选择前后的分类结果分析
• 6.6 本章小结
• 7 木材表面颜色模式识别实验系统
• 7.1 实验系统的总体结构
• 7.2 实验系统硬件构成
• 7.3 实验软件系统
• 7.3.1 "文件"菜单
• 7.3.2 "提取特征"菜单
• 7.3.3 "分类"菜单
• 7.3.4 "帮助"菜单
• 7.3.5 其他
• 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