| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文内容与结构 | 第13-14页 |
| 2 木材表面缺陷的图像检测系统 | 第14-25页 |
| 2.1 木材表面缺陷图像检测系统构成 | 第14页 |
| 2.2 图像识别编程语言MATLAB | 第14-15页 |
| 2.3 训练集与测试集的选取 | 第15-17页 |
| 2.4 木材表面缺陷模式识别 | 第17-24页 |
| 2.4.1 模式识别系统 | 第17-19页 |
| 2.4.2 常见的模式识别方法 | 第19-20页 |
| 2.4.3 支持向量机分类器设计 | 第20-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于颜色特征的木材表面缺陷识别方法 | 第25-42页 |
| 3.1 图像特征提取的概念 | 第25-27页 |
| 3.1.1 特征提取概念 | 第25页 |
| 3.1.2 图像分块方法 | 第25-26页 |
| 3.1.3 颜色概述 | 第26-27页 |
| 3.2 基于颜色的特征识别方法 | 第27-30页 |
| 3.2.1 灰度最大熵 | 第27-28页 |
| 3.2.2 颜色聚合向量(CCV) | 第28页 |
| 3.2.3 颜色矩 | 第28-30页 |
| 3.3 基于灰度最大熵的特征识别方法 | 第30-33页 |
| 3.3.1 识别效果评价方法 | 第30页 |
| 3.3.2 基于灰度最大熵的识别结果 | 第30-33页 |
| 3.4 基于颜色聚合向量的特征识别方法 | 第33-37页 |
| 3.4.1 基于颜色聚合向量的支持向量机训练 | 第34-36页 |
| 3.4.2 基于颜色聚合向量特征的识别结果 | 第36-37页 |
| 3.5 基于颜色矩的特征识别方法 | 第37-40页 |
| 3.5.1 基于颜色矩的支持向量机训练 | 第37-39页 |
| 3.5.2 颜色矩特征的识别结果 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 4 基于纹理的木材表面缺陷识别方法 | 第42-52页 |
| 4.1 LBP算子基本概述 | 第42-43页 |
| 4.2 LBP算子发展与演化 | 第43-45页 |
| 4.3 LBP的应用 | 第45-47页 |
| 4.4 基于LBP纹理特征的支持向量机训练 | 第47-49页 |
| 4.5 基于LBP纹理特征的识别结果 | 第49-50页 |
| 4.6 本章小结 | 第50-52页 |
| 5 基于颜色和纹理的木材表面缺陷识别方法 | 第52-60页 |
| 5.1 基于灰度最大熵和LBP特征的木材表面缺陷识别方法 | 第52-54页 |
| 5.2 基于颜色聚合向量和LBP特征的木材表面缺陷识别方法 | 第54-56页 |
| 5.3 基于颜色矩和LBP特征的木材表面缺陷识别方法 | 第56-58页 |
| 5.4 本章小结 | 第58-60页 |
| 6 总结与展望 | 第60-63页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
