基于特征融合的實(shí)木板材紋理判別研究.pdf

1、建筑，家具等行業(yè)中，對(duì)木板材的宏觀美學(xué)與質(zhì)量的要求越來(lái)越高，木材紋理是反映木板材宏觀美學(xué)與質(zhì)量的一個(gè)重要因素。針對(duì)木板材加工業(yè)中，目前沒(méi)有完善的描述木材表面紋理的國(guó)家標(biāo)準(zhǔn)和行業(yè)準(zhǔn)則且木板材的紋理分類(lèi)速度慢、精度低的問(wèn)題。本研究提出一種木板材紋理的檢測(cè)方法。此方法結(jié)合圖像處理與模式識(shí)別方法，融合Tamura特征與基本統(tǒng)計(jì)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(dòng)分類(lèi)打下理論和實(shí)踐基礎(chǔ)。
　　本研究的設(shè)計(jì)思是:

2、首先，對(duì)樣本圖片進(jìn)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(lèi):直紋、拋物紋、亂紋;之后，對(duì)三類(lèi)紋理進(jìn)行特征提取;然后，進(jìn)行特征融合與訓(xùn)練樣本選擇;最后設(shè)計(jì)分類(lèi)器作出決策識(shí)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(duì)木材表面紋理的干擾，本文進(jìn)行彩色圖像變灰度圖像，處理后的圖像為256級(jí)灰度圖像。為提高速度，本文針對(duì)Tamura特征提取時(shí)間較長(zhǎng)，對(duì)灰度圖像進(jìn)行縮小處理。
　　特

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

4、。
　　訓(xùn)練樣本選擇:訓(xùn)練樣本影響測(cè)試樣本的最終分類(lèi)結(jié)果。為篩選隨機(jī)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(duì)映射的誤差函數(shù)進(jìn)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(diǎn)，選擇優(yōu)良訓(xùn)練樣本。
　　分類(lèi)器設(shè)計(jì):選用SVM分類(lèi)器。使用融合后的7個(gè)新木材紋理參數(shù)系作為輸入，三類(lèi)木板紋理:直紋、拋物紋和除直紋、拋物紋外的紋理統(tǒng)稱(chēng)為亂紋的紋理作為輸出。為得

5、到更好的分類(lèi)效果，本文在使用支持向量機(jī)時(shí)，對(duì)懲罰參數(shù)與核參數(shù)進(jìn)行了粒子群算法(PSO)優(yōu)化。分別利用未進(jìn)行參數(shù)優(yōu)化的支持向量機(jī)(SVM)和優(yōu)化參數(shù)的支持向量機(jī)(SVM)進(jìn)行分類(lèi)，并比較了兩種分類(lèi)器的分類(lèi)效果。實(shí)驗(yàn)結(jié)果證明，參數(shù)優(yōu)化后的支持向量機(jī)取得了較好的分類(lèi)識(shí)別精度。
　　仿真實(shí)驗(yàn)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(shí)間，采用PSO-SVC分類(lèi)器分類(lèi)柞木紋理準(zhǔn)確率達(dá)到91.43％，與參數(shù)優(yōu)化前的C-SVM分類(lèi)準(zhǔn)確率