實木智能化在線檢測與分選

前言
第1章 緒論 1
1.1 實木在線檢測與分選的研究背景和意義 1
1.1.1 研究背景 1
1.1.2 研究意義 2
1.2 實木檢測的概述 3
1.2.1 研究對象 3
1.2.2 實木板材檢測的主要研究手段 5
1.2.3 基于圖像處理的板材檢測發(fā)展歷程 7
1.3 國內外研究現(xiàn)狀 7
1.3.1 國外研究現(xiàn)狀 7
1.3.2 國內研究現(xiàn)狀 8
1.4 本書的主要研究內容與結構 9
1.4.1 主要研究內容 9
1.4.2 本書結構 11
1.5 本章小結 12
第2章 板材圖像預處理 13
2.1 圖像灰度化 13
2.2 圖像增強 15
2.2.1 直方圖均衡化 15
2.2.2 圖像灰度變換 16
2.3 圖像平滑 18
2.3.1 鄰域平均法 18
2.3.2 中值濾波法 19
2.3.3 圖像平滑算法選擇 20
2.4 圖像銳化 21
2.4.1 微分銳化算法 21
2.4.2 拉氏銳化算法 22
2.4.3 Sobel銳化算法 23
2.4.4 圖像銳化及邊緣檢測實驗 23
2.5 板材原始圖像的剪切與預處理 25
2.6 本章小結 28
第3章 基于閾值融合的缺陷分割方法 29
3.1 基于灰度閾值的圖像分割的原理 29
3.1.1 圖像灰度閾值 29
3.1.2 傳統(tǒng)的全局閾值處理算法 30
3.1.3 Otsu閾值分割 31
3.2 板材圖像的梯度分割基本原理 34
3.3 梯度算子與Otsu閾值分割 39
3.4 本章小結 42
第4章 基于形態(tài)學的板材缺陷分割與SOM分類 43
4.1 數(shù)學形態(tài)學的原理 43
4.1.1 數(shù)學形態(tài)學的基本概念 43
4.1.2 二值形態(tài)學基本操作 43
4.1.3 形態(tài)學重構 45
4.2 基于R分量的形態(tài)學分割方法 46
4.2.1 R分量提取 46
4.2.2 數(shù)學形態(tài)學分割步驟 47
4.3 缺陷特征提取與分類器設計 48
4.3.1 缺陷特征表達及選取 48
4.3.2 特征提取步驟 52
4.3.3 基于SOM神經(jīng)網(wǎng)絡的缺陷分類 52
4.3.4 基于BP-SOM的缺陷分類 56
4.4 實驗結果與分析 61
4.4.1 形態(tài)學分割結果 61
4.4.2 特征提取 62
4.4.3 SOM神經(jīng)網(wǎng)絡設計 63
4.4.4 BP-SOM混合神經(jīng)網(wǎng)絡分類的測試結果 65
4.5 本章小結 66
第5章 基于圖像融合的缺陷分割方法 67
5.1 區(qū)域生長與禁忌搜索 67
5.1.1 區(qū)域生長算法 67
5.1.2 禁忌搜索 68
5.2 基于圖像融合的缺陷分割方法與步驟 72
5.2.1 實木表面缺陷分割方法 72
5.2.2 實木表面缺陷分割步驟 76
5.3 缺陷特征選擇與分類器設計 80
5.3.1 缺陷特征選擇 80
5.3.2 分類器設計 81
5.4 實驗結果與分析 85
5.4.1 實驗步驟 85
5.4.2 噪聲實驗分析 86
5.4.3 分割時間分析 87
5.5 本章小結 88
第6章 基于LDA特征融合的壓縮感知缺陷識別方法 89
6.1 基于LDA的缺陷特征降維 89
6.1.1 LDA理論 89
6.1.2 Fisher線性判別分析 90
6.1.3 實木板材缺陷特征的LDA融合 92
6.2 基于壓縮感知理論的板材缺陷識別 94
6.2.1 壓縮感知理論 94
6.2.2 信號的稀疏表示 95
6.2.3 觀測矩陣的設計 96
6.2.4 信號重構 98
6.2.5 基于壓縮感知的分類算法 99
6.3 基于壓縮感知的缺陷識別步驟 100
6.4 實驗結果及分析 101
6.4.1 缺陷識別實驗過程 101
6.4.2 對比實驗及結果分析 104
6.5 本章小結 106
第7章 基于灰度共生矩陣及模糊理論的紋理分類 108
7.1 紋理特征 108
7.1.1 紋理特征的定義 108
7.1.2 紋理特征的表達方法 109
7.1.3 木材圖像紋理特征及分類 113
7.2 灰度共生矩陣及其紋理特征選擇 115
7.2.1 灰度共生矩陣 115
7.2.2 灰度共生矩陣的主要特征值 117
7.2.3 木材圖像灰度共生矩陣及特征 119
7.3 模糊理論及分類器設計 122
7.3.1 模糊集合的定義及特征 123
7.3.2 模糊距離度量 125
7.3.3 基于模糊理論的圖像處理理論 127
7.4 板材紋理模糊分類器設計 128
7.5 實驗結果及分析 137
7.6 本章小結 139
第8章 基于PCA與SVM的紋理分類方法 140
8.1 圖像紋理特征的提取 140
8.1.1 圖像基本統(tǒng)計量 140
8.1.2 Tamura紋理特征 141
8.2 基于PCA特征融合算法及應用 143
8.2.1 PCA的概念和原理 143
8.2.2 基于PCA的板材紋理特征融合 146
8.3 基于SVM的紋理特征分類 148
8.3.1 SVM 148
8.3.2 板材紋理SVM分類參數(shù)優(yōu)化 153
8.4 分類結果與分析 156
8.5 本章小結 159
第9章 基于多尺度變換的特征提取與紋理分類 160
9.1 基于小波變換的特征提取與紋理識別 160
9.1.1 小波變換簡介 160
9.1.2 小波的特征提取 167
9.2 基于曲波變換的特征提取及紋理識別 172
9.2.1 第一代曲波變換 172
9.2.2 第二代曲波變換 174
9.2.3 曲波的特征提取 177
9.3 基于雙樹復小波的特征提取與識別 180
9.3.1 雙樹復小波變換 180
9.3.2 雙樹復小波變換的性質 181
9.3.3 雙樹復小波的特征提取 182
9.3.4 仿真實驗結果 183
9.4 本章小結 184
第10章 基于多尺度變換特征融合的紋理分類 185
10.1 基于小波曲波特征融合的紋理分類 185
10.1.1 特征融合的準備 185
10.1.2 基于遺傳算法的特征融合 186
10.1.3 實驗結果與分析 192
10.2 基于雙樹復小波特征融合的紋理分類 195
10.2.1 基于粒子群算法的特征優(yōu)選 195
10.2.2 實驗及分析 196
10.3 基于曲波與雙樹復小波的紋理分類 199
10.3.1 基于混沌粒子群的特征優(yōu)選 199
10.3.2 實驗結果與分析 204
10.4 板材表面缺陷？紋理協(xié)同分選方法 207
10.4.1 缺陷？紋理系統(tǒng)分選介紹 207
10.4.2 協(xié)同分選算法及實現(xiàn) 207
10.4.3 仿真實驗 210
10.5 本章小結 213
第11章 板材表面多目標柔性分選技術 214
11.1 柔性分選技術 214
11.2 顏色分類算法 215
11.3 樣本優(yōu)選 222
11.4 實驗結果及分析 228
11.4.1 實驗材料及仿真環(huán)境 228
11.4.2 顏色特征分析 228
11.4.3 紋理樣本優(yōu)選 230
11.4.4 用戶滿意度實驗 230
11.5 本章小結 231
參考文獻 233