| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·木材表面缺陷 | 第9页 |
| ·木材表面缺陷检测技术的研究现状 | 第9-11页 |
| ·本研究的目的和意义 | 第11页 |
| ·本研究的主要内容与路线 | 第11-13页 |
| 2 木材表面缺陷检测系统 | 第13-17页 |
| ·木材表面缺陷检测 | 第13-14页 |
| ·木材表面缺陷图像样本 | 第14-16页 |
| ·本章小结 | 第16-17页 |
| 3 基于Gabor变换的木材表面缺陷图像纹理特征获取 | 第17-32页 |
| ·图像纹理分析 | 第17-18页 |
| ·统计分析法 | 第17页 |
| ·结构分析法 | 第17页 |
| ·模型分析法 | 第17-18页 |
| ·空间/频率联合分析法 | 第18页 |
| ·Gabor变换 | 第18-23页 |
| ·Gabor变换和时频分析 | 第19-20页 |
| ·测不准原理 | 第20-21页 |
| ·1D Gabor函数 | 第21-22页 |
| ·2D Gabor函数 | 第22-23页 |
| ·木材表面缺陷图像的Gabor变换 | 第23-29页 |
| ·Gabor滤波器核函数的选择 | 第23-25页 |
| ·Gabor滤波器参数设置方法 | 第25-26页 |
| ·Gabor滤波器设计及木材表面缺陷图像的Gabor变换结果 | 第26-29页 |
| ·木材表面缺陷图像的Gabor特征获取 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于模糊聚类的木材表面缺陷图像分割 | 第32-48页 |
| ·图像分割 | 第32-33页 |
| ·聚类分析 | 第33-36页 |
| ·聚类分析及其数学模型 | 第33-34页 |
| ·模糊C均值聚类算法 | 第34-36页 |
| ·木材表面缺陷图像的模糊C均值聚类分割 | 第36-40页 |
| ·FCM聚类分割实验结果 | 第36-39页 |
| ·缺陷目标的确定 | 第39-40页 |
| ·基于数学形态学的图像分割后处理 | 第40-42页 |
| ·数学形态学及其基本运算 | 第40-41页 |
| ·图像分割后处理 | 第41-42页 |
| ·图像分割结果评价 | 第42-47页 |
| ·图像分割质量评价概述 | 第42-43页 |
| ·灰色关联度评价方法 | 第43-46页 |
| ·木材表面缺陷图像分割结果评价 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 5 木材表面缺陷的模式识别 | 第48-65页 |
| ·模式识别概述 | 第48-50页 |
| ·模式识别系统 | 第48-49页 |
| ·模式识别的常用方法 | 第49-50页 |
| ·木材表面缺陷分类特征提取 | 第50-54页 |
| ·Gabor特征提取 | 第50-52页 |
| ·形状特征提取 | 第52-53页 |
| ·特征归一化 | 第53-54页 |
| ·最近邻分类器 | 第54页 |
| ·遗传算法 | 第54-56页 |
| ·遗传算法基本流程 | 第54-56页 |
| ·遗传操作 | 第56页 |
| ·基于遗传算法与最近邻分类器识别率的特征选择 | 第56-59页 |
| ·特征选择 | 第56-57页 |
| ·评价准则 | 第57页 |
| ·搜索算法 | 第57页 |
| ·木材表面缺陷分类特征选择结果 | 第57-59页 |
| ·基于BP神经网络分类器的木材表面缺陷识别 | 第59-64页 |
| ·BP神经网络 | 第59-61页 |
| ·BP神经网络分类器的设计及木材表面缺陷的分类结果 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间发表的学术论文 | 第70-71页 |
| 致谢 | 第71-72页 |
