实木智能化在线检测与分选PDF电子书下载

第1章 绪论 1

1.1 实木在线检测与分选的研究背景和意义 1

1.1.1 研究背景 1

1.1.2 研究意义 2

1.2 实木检测的概述 3

1.2.1 研究对象 3

1.2.2 实木板材检测的主要研究手段 5

1.2.3 基于图像处理的板材检测发展历程 7

1.3 国内外研究现状 7

1.3.1 国外研究现状 7

1.3.2 国内研究现状 8

1.4 本书的主要研究内容与结构 9

1.4.1 主要研究内容 9

1.4.2 本书结构 11

1.5 本章小结 12

第2章 板材图像预处理 13

2.1 图像灰度化 13

2.2 图像增强 15

2.2.1 直方图均衡化 15

2.2.2 图像灰度变换 16

2.3 图像平滑 18

2.3.1 邻域平均法 18

2.3.2 中值滤波法 19

2.3.3 图像平滑算法选择 20

2.4 图像锐化 21

2.4.1 微分锐化算法 21

2.4.2 拉氏锐化算法 22

2.4.3 Sobel锐化算法 23

2.4.4 图像锐化及边缘检测实验 23

2.5 板材原始图像的剪切与预处理 25

2.6 本章小结 28

第3章 基于阈值融合的缺陷分割方法 29

3.1 基于灰度阈值的图像分割的原理 29

3.1.1 图像灰度阈值 29

3.1.2 传统的全局阈值处理算法 30

3.1.3 Otsu阈值分割 31

3.2 板材图像的梯度分割基本原理 34

3.3 梯度算子与Otsu阈值分割 39

3.4 本章小结 42

第4章 基于形态学的板材缺陷分割与SOM分类 43

4.1 数学形态学的原理 43

4.1.1 数学形态学的基本概念 43

4.1.2 二值形态学基本操作 43

4.1.3 形态学重构 45

4.2 基于R分量的形态学分割方法 46

4.2.1 R分量提取 46

4.2.2 数学形态学分割步骤 47

4.3 缺陷特征提取与分类器设计 48

4.3.1 缺陷特征表达及选取 48

4.3.2 特征提取步骤 52

4.3.3 基于SOM神经网络的缺陷分类 52

4.3.4 基于BP-SOM的缺陷分类 56

4.4 实验结果与分析 61

4.4.1 形态学分割结果 61

4.4.2 特征提取 62

4.4.3 SOM神经网络设计 63

4.4.4 BP-SOM混合神经网络分类的测试结果 65

4.5 本章小结 66

第5章 基于图像融合的缺陷分割方法 67

5.1 区域生长与禁忌搜索 67

5.1.1 区域生长算法 67

5.1.2 禁忌搜索 68

5.2 基于图像融合的缺陷分割方法与步骤 72

5.2.1 实木表面缺陷分割方法 72

5.2.2 实木表面缺陷分割步骤 76

5.3 缺陷特征选择与分类器设计 80

5.3.1 缺陷特征选择 80

5.3.2 分类器设计 81

5.4 实验结果与分析 85

5.4.1 实验步骤 85

5.4.2 噪声实验分析 86

5.4.3 分割时间分析 87

5.5 本章小结 88

第6章 基于LDA特征融合的压缩感知缺陷识别方法 89

6.1 基于LDA的缺陷特征降维 89

6.1.1 LDA理论 89

6.1.2 Fisher线性判别分析 90

6.1.3 实木板材缺陷特征的LDA融合 92

6.2 基于压缩感知理论的板材缺陷识别 94

6.2.1 压缩感知理论 94

6.2.2 信号的稀疏表示 95

6.2.3 观测矩阵的设计 96

6.2.4 信号重构 98

6.2.5 基于压缩感知的分类算法 99

6.3 基于压缩感知的缺陷识别步骤 100

6.4 实验结果及分析 101

6.4.1 缺陷识别实验过程 101

6.4.2 对比实验及结果分析 104

6.5 本章小结 106

第7章 基于灰度共生矩阵及模糊理论的纹理分类 108

7.1 纹理特征 108

7.1.1 纹理特征的定义 108

7.1.2 纹理特征的表达方法 109

7.1.3 木材图像纹理特征及分类 113

7.2 灰度共生矩阵及其纹理特征选择 115

7.2.1 灰度共生矩阵 115

7.2.2 灰度共生矩阵的主要特征值 117

7.2.3 木材图像灰度共生矩阵及特征 119

7.3 模糊理论及分类器设计 122

7.3.1 模糊集合的定义及特征 123

7.3.2 模糊距离度量 125

7.3.3 基于模糊理论的图像处理理论 127

7.4 板材纹理模糊分类器设计 128

7.5 实验结果及分析 137

7.6 本章小结 139

第8章 基于PCA与SVM的纹理分类方法 140

8.1 图像纹理特征的提取 140

8.1.1 图像基本统计量 140

8.1.2 Tamura纹理特征 141

8.2 基于PCA特征融合算法及应用 143

8.2.1 PCA的概念和原理 143

8.2.2 基于PCA的板材纹理特征融合 146

8.3 基于SVM的纹理特征分类 148

8.3.1 SVM 148

8.3.2 板材纹理SVM分类参数优化 153

8.4 分类结果与分析 156

8.5 本章小结 159

第9章 基于多尺度变换的特征提取与纹理分类 160

9.1 基于小波变换的特征提取与纹理识别 160

9.1.1 小波变换简介 160

9.1.2 小波的特征提取 167

9.2 基于曲波变换的特征提取及纹理识别 172

9.2.1 第一代曲波变换 172

9.2.2 第二代曲波变换 174

9.2.3 曲波的特征提取 177

9.3 基于双树复小波的特征提取与识别 180

9.3.1 双树复小波变换 180

9.3.2 双树复小波变换的性质 181

9.3.3 双树复小波的特征提取 182

9.3.4 仿真实验结果 183

9.4 本章小结 184

第10章 基于多尺度变换特征融合的纹理分类 185

10.1 基于小波曲波特征融合的纹理分类 185

10.1.1 特征融合的准备 185

10.1.2 基于遗传算法的特征融合 186

10.1.3 实验结果与分析 192

10.2 基于双树复小波特征融合的纹理分类 195

10.2.1 基于粒子群算法的特征优选 195

10.2.2 实验及分析 196

10.3 基于曲波与双树复小波的纹理分类 199

10.3.1 基于混沌粒子群的特征优选 199

10.3.2 实验结果与分析 204

10.4 板材表面缺陷、纹理协同分选方法 207

10.4.1 缺陷、纹理系统分选介绍 207

10.4.2 协同分选算法及实现 207

10.4.3 仿真实验 210

10.5 本章小结 213

第11章 板材表面多目标柔性分选技术 214

11.1 柔性分选技术 214

11.2 颜色分类算法 215

11.3 样本优选 222

11.4 实验结果及分析 228

11.4.1 实验材料及仿真环境 228

11.4.2 颜色特征分析 228

11.4.3 纹理样本优选 230

11.4.4 用户满意度实验 230

11.5 本章小结 231

参考文献 233