基于特征融合的實木板材紋理判別研究.pdf

1、建筑，家具等行業(yè)中，對木板材的宏觀美學(xué)與質(zhì)量的要求越來越高，木材紋理是反映木板材宏觀美學(xué)與質(zhì)量的一個重要因素。針對木板材加工業(yè)中，目前沒有完善的描述木材表面紋理的國家標準和行業(yè)準則且木板材的紋理分類速度慢、精度低的問題。本研究提出一種木板材紋理的檢測方法。此方法結(jié)合圖像處理與模式識別方法，融合Tamura特征與基本統(tǒng)計特征建立了能表征木質(zhì)板材表面紋理特征的參數(shù)系，為木材表面紋理的自動分類打下理論和實踐基礎(chǔ)。
　　本研究的設(shè)計思是:

2、首先，對樣本圖片進行采集、分割、縮放等預(yù)處理，并將木板材紋理圖片分為三類:直紋、拋物紋、亂紋;之后，對三類紋理進行特征提取;然后，進行特征融合與訓(xùn)練樣本選擇;最后設(shè)計分類器作出決策識別。
　　預(yù)處理:本文采集、分割柞木圖片后所得圖片為512×512像素。為減少顏色對木材表面紋理的干擾，本文進行彩色圖像變灰度圖像，處理后的圖像為256級灰度圖像。為提高速度，本文針對Tamura特征提取時間較長，對灰度圖像進行縮小處理。
　　特

3、征提取與特征融合:為克服統(tǒng)計方法與視覺模型脫節(jié)和對全局信息利用不足的缺點，本研究融合了木板材紋理為基于視覺心理學(xué)的Tamura紋理特征與對紋理圖像灰度值進行統(tǒng)計的基本統(tǒng)計特征，共9個特征參數(shù)。為了減少特征提取時間，本文在縮小的紋理灰度圖像上提取Tamura六個特征參數(shù)，而能快速被提取的基本統(tǒng)計特征量是在原512×512像素的灰度圖像上提取。特征融合時，本文用主成分分析(PCA)消除特征數(shù)據(jù)冗余，融合9個木材紋理特征，得到了7個新紋理特征

4、。
　　訓(xùn)練樣本選擇:訓(xùn)練樣本影響測試樣本的最終分類結(jié)果。為篩選隨機選擇的不良木材紋理樣本，本研究利用非線性映射(NLM)將9維木材紋理特征投影為二維特征，利用遺傳算法對映射的誤差函數(shù)進行了最小化處理，找到合適的二維數(shù)據(jù)結(jié)構(gòu)。在二維平面篩選離群樣本點，選擇優(yōu)良訓(xùn)練樣本。
　　分類器設(shè)計:選用SVM分類器。使用融合后的7個新木材紋理參數(shù)系作為輸入，三類木板紋理:直紋、拋物紋和除直紋、拋物紋外的紋理統(tǒng)稱為亂紋的紋理作為輸出。為得

5、到更好的分類效果，本文在使用支持向量機時，對懲罰參數(shù)與核參數(shù)進行了粒子群算法(PSO)優(yōu)化。分別利用未進行參數(shù)優(yōu)化的支持向量機(SVM)和優(yōu)化參數(shù)的支持向量機(SVM)進行分類，并比較了兩種分類器的分類效果。實驗結(jié)果證明，參數(shù)優(yōu)化后的支持向量機取得了較好的分類識別精度。
　　仿真實驗結(jié)果顯示:本文提出方法可減少柞木紋理特征提取與融合時間，采用PSO-SVC分類器分類柞木紋理準確率達到91.43％，與參數(shù)優(yōu)化前的C-SVM分類準確率