数字图像处理技术在木材表面缺陷检测中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-12页 |
| 1 绪论 | 第12-20页 |
| ·课题背景 | 第12-13页 |
| ·木材缺陷检测现状 | 第13-15页 |
| ·数字图像处理技术的发展及应用 | 第15-16页 |
| ·MATLAB在图像处理中的应用 | 第16-17页 |
| ·模式识别系统及常用方法 | 第17-18页 |
| ·研究内容及过程 | 第18-20页 |
| 2 木材缺陷检测系统组成及试样获取方法 | 第20-26页 |
| ·木材缺陷检测系统的组成 | 第20-22页 |
| ·照明系统 | 第20-21页 |
| ·CCD成像系统 | 第21页 |
| ·图像采集卡 | 第21-22页 |
| ·图像处理与控制 | 第22页 |
| ·试样获取方法 | 第22-23页 |
| ·试验样本库的生成 | 第23-24页 |
| ·试样缺陷特点分析 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 木材缺陷图像的分割方法 | 第26-57页 |
| ·图像预处理 | 第26-31页 |
| ·灰度变换增强 | 第26-29页 |
| ·直方图均衡增强 | 第29-31页 |
| ·常用的图像分割方法 | 第31-47页 |
| ·基于边缘检测的分割方法 | 第32-37页 |
| ·基于区域的分割方法 | 第37-43页 |
| ·基于阈值的分割方法 | 第43-47页 |
| ·基于分形理论的数字图像分割技术 | 第47-54页 |
| ·分形理论 | 第47-50页 |
| ·基于分形参数的图像分割 | 第50-52页 |
| ·边缘效应的解决方法 | 第52-54页 |
| ·图像分割后的处理 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 4 基于颜色特征的木材表面缺陷分割 | 第57-77页 |
| ·颜色空间 | 第57-58页 |
| ·颜色特征 | 第58-60页 |
| ·颜色直方图 | 第58-59页 |
| ·颜色聚合向量 | 第59页 |
| ·颜色矩 | 第59-60页 |
| ·模糊C均值聚类 | 第60-63页 |
| ·数据集合的模糊C-划分空间 | 第61页 |
| ·模糊C均值聚类算法 | 第61-63页 |
| ·试验方法与结果 | 第63-72页 |
| ·试验方法 | 第63-66页 |
| ·试验结果 | 第66-69页 |
| ·自适应C值试验结果 | 第69-72页 |
| ·图像分割方法的质量评价 | 第72-75页 |
| ·灰色评估模型的建立 | 第72-74页 |
| ·木材缺陷图像分割方法的性能评价 | 第74-75页 |
| ·本章小结 | 第75-77页 |
| 5 基于纹理特征的木材表面缺陷类型识别 | 第77-102页 |
| ·常用的图像特征提取方法 | 第77-78页 |
| ·颜色特征提取方法 | 第77-78页 |
| ·纹理特征提取方法 | 第78页 |
| ·形状特征提取方法 | 第78页 |
| ·木材缺陷的纹理特征提取 | 第78-88页 |
| ·Tamura纹理 | 第78-82页 |
| ·灰度共生矩阵 | 第82-83页 |
| ·多分辨率分形维的特征提取 | 第83-88页 |
| ·BP神经网络分类器设计 | 第88-94页 |
| ·BP神经网络结构 | 第89页 |
| ·BP神经网络训练算法 | 第89-92页 |
| ·BP神经网络分类 | 第92-94页 |
| ·支持向量机分类器设计 | 第94-101页 |
| ·广义最优分类面 | 第94-97页 |
| ·支持向量机模型 | 第97-98页 |
| ·最小二乘支持向量机 | 第98-99页 |
| ·支持向量机分类 | 第99-101页 |
| ·本章小结 | 第101-102页 |
| 结论 | 第102-103页 |
| 参考文献 | 第103-110页 |
| 攻读学位期间发表的学术论文 | 第110-111页 |
| 致谢 | 第111-112页 |
