基于子空間和多特征融合的木材分類(lèi)算法研究.pdf

1、樹(shù)種的正確識(shí)別對(duì)于木材科學(xué)和相關(guān)產(chǎn)業(yè)均具有重要意義。針對(duì)人工木材樹(shù)種判定和傳統(tǒng)圖像識(shí)別方法存在一定的局限性，本文利用模式識(shí)別方法探討樹(shù)種識(shí)別的可行性，并取得以下研究成果:
　　 (1)融合主成分分析法（PCA）和費(fèi)舍爾樹(shù)法（FisherTrees），把訓(xùn)練樣本投影到PCA和FisherTrees空間，得到PCA特征和FisherTrees特征，通過(guò)算術(shù)均值、交換轉(zhuǎn)置均值和加權(quán)均值進(jìn)行特征融合，融合后的特征更適合于針葉材樹(shù)種的分類(lèi)

2、。
　　 (2)對(duì)株楊Tacamahaca、云杉Picea asperata等24種常見(jiàn)樹(shù)種進(jìn)行的實(shí)驗(yàn)發(fā)現(xiàn):以核主成分分析方法提取的木材特征，自適應(yīng)增強(qiáng)（AdaBoost）分類(lèi)器比支持向量機(jī)(SVM)分類(lèi)器的分類(lèi)能力強(qiáng)，前者對(duì)樹(shù)種分類(lèi)效率達(dá)到90.13％，而后者卻只有78.32％。
　　 (3)以日本香柏Thujastandishii、黃山松Pinustaiwanensis、日本扁柏Chamaecyparis obtus

3、a、棘柏Juniperus formosana、馬尾松Pinus massoniana、水杉Metasequoiaglyptostroboides、江南油杉Keteleeria cyclolopis和雪松Cedrus deodara8類(lèi)針葉材為樣本，以核主成分分析法提取特征，并采用線性核函數(shù)的SVM作為AdaBoost.M2的基分類(lèi)器，當(dāng)?shù)螖?shù)超過(guò)100次時(shí)，可以準(zhǔn)確區(qū)分這些樹(shù)種。
　　 論文應(yīng)用模式識(shí)別技術(shù)驗(yàn)證了庫(kù)內(nèi)樹(shù)種分類(lèi)