基于LBP-DEELM的木材紋理分類算法研究.pdf

1、木材紋理分類是木材優(yōu)化利用的關鍵，是木材加工過程的前提環(huán)節(jié)。隨著計算機視覺的廣泛應用，將計算機視覺技術應用到木材紋理分類層面，具有理論和實踐雙重價值。本文詳細介紹了木材紋理特征提取的過程以及利用差分演化優(yōu)化極限學習機模型的分類過程，主要內(nèi)容如下:
　　(1)本文將局部二值模式算子引入木材紋理特征提取研究中。由于木材紋理天然精細，無組織結構等特點，在獲取特征矩陣時較為困難，固利用局部二值模式算子來提取木材紋理特征。與此同時，為解決傳

2、統(tǒng)紋理特征矩陣數(shù)量巨大，且提取特征矩陣依賴于當前木材紋理圖片的擺放，不能準確區(qū)分是否因旋轉(zhuǎn)圖像得到的特征矩陣等因素，本文擴展應用LBP算子，耦合均勻模式，旋轉(zhuǎn)不變特性。優(yōu)化后的LBP算子，不僅在量級層面上明顯減小，且不失描述紋理特征，提高了實驗的高效性，更加便于紋理特征的分類研究。
　　(2)本文將差分演化算法和極限學習機算法引入到木材紋理分類研究中。在闡述差分演化算法、極限學習機算法的基礎上，利用差分演化對紋理特征參數(shù)的優(yōu)化，剔

3、除了一些在成本函數(shù)貢獻較少的節(jié)點。而后極限學習機算法根據(jù)輸入的參數(shù)值，計算出最終的權值，保證良好的收斂性，兼具良好的泛化能力，形成紋理分類器，保證了實驗結果的正確性和穩(wěn)定性。
　　(3)本文將局部二值模式算子提取的紋理矩陣應用到提出的分類模型中。針對算法的優(yōu)點選取樣本，將提出的算法實驗結果與木材紋理分類的常用算法作對比，如:SVM、BP神經(jīng)網(wǎng)絡、自適應增強算法，極限學習機算法。實驗結果表明此應用模型有較快的執(zhí)行速度，分類準確度較高