| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 课题研究背景 | 第9页 |
| 1.1.2 课题研究意义 | 第9-10页 |
| 1.2 木材表面缺陷识别的研究现状 | 第10-11页 |
| 1.2.1 木材缺陷检测的常用方法 | 第10页 |
| 1.2.2 国内外研究现状 | 第10-11页 |
| 1.2.3 木材表面缺陷识别存在的问题 | 第11页 |
| 1.3 木材表面缺陷特征及存在形式 | 第11-13页 |
| 1.4 研究方案及技术路线 | 第13-16页 |
| 1.4.1 研究方案 | 第13-14页 |
| 1.4.2 技术路线 | 第14-16页 |
| 1.4.3 章节安排 | 第16页 |
| 1.5 本文的主要创新点 | 第16-17页 |
| 第二章 木材表面缺陷检测系统 | 第17-21页 |
| 2.1 系统组成 | 第17页 |
| 2.2 检测系统 | 第17-19页 |
| 2.2.1 照明系统 | 第17-18页 |
| 2.2.2 图像采集 | 第18-19页 |
| 2.3 实验样本库的制作 | 第19页 |
| 2.4 木材表面缺陷图像的特点 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 木材图像的分割 | 第21-31页 |
| 3.1 图像预处理 | 第21-23页 |
| 3.1.1 木材缺陷彩色图像灰度化 | 第21-22页 |
| 3.1.2 直方图均衡增强 | 第22页 |
| 3.1.3 灰度变换增强 | 第22-23页 |
| 3.2 图像分割 | 第23-30页 |
| 3.2.1 木材缺陷图像的传统阈值分割 | 第23-25页 |
| 3.2.2 木材缺陷图像边缘检测 | 第25-30页 |
| 3.2.2.1 一阶微分算子 | 第25-27页 |
| 3.2.2.2 二阶微分算子 | 第27-29页 |
| 3.2.2.3 Canny算子 | 第29-30页 |
| 3.2.3 木材缺陷边缘检测算法对比 | 第30页 |
| 3.3 本章小结 | 第30-31页 |
| 第四章 木材表面缺陷特征提取 | 第31-42页 |
| 4.1 特征提取方法 | 第31页 |
| 4.1.1 颜色特征提取 | 第31页 |
| 4.1.2 形状特征提取 | 第31页 |
| 4.1.3 纹理特征提取 | 第31页 |
| 4.2 灰度共生矩阵 | 第31-34页 |
| 4.2.1 灰度共生矩阵特征参数 | 第31-32页 |
| 4.2.2 特征参数提取 | 第32-34页 |
| 4.3 基于LBP的特征提取 | 第34-38页 |
| 4.3.1 基于LBP均匀模式（uniform LBP）的木材图像分割 | 第35-36页 |
| 4.3.2 相似度度量 | 第36-37页 |
| 4.3.3 实验结果与分析 | 第37-38页 |
| 4.4 小波变换 | 第38-40页 |
| 4.4.1 小波变换概述 | 第38页 |
| 4.4.2 小波变换的Mallat算法 | 第38-40页 |
| 4.4.2.1 信号分解的Mallat算法 | 第38-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第五章 木材表面缺陷识别 | 第42-62页 |
| 5.1 模式识别概述 | 第42-43页 |
| 5.1.1 模式识别简介 | 第42页 |
| 5.1.2 模式识别系统 | 第42-43页 |
| 5.2 BP神经网络简介 | 第43-44页 |
| 5.2.1 BP神经网络特点 | 第43页 |
| 5.2.2 BP神经网络结构 | 第43-44页 |
| 5.3 SVM支持向量机简介 | 第44-47页 |
| 5.3.1 支持向量机 | 第44页 |
| 5.3.2 线性可分的最优分类面 | 第44-45页 |
| 5.3.3 线性不可分的最优分类面 | 第45-46页 |
| 5.3.4 支持向量机核函数 | 第46-47页 |
| 5.4 木材表面缺陷的识别 | 第47-60页 |
| 5.4.1 BP神经网络分类器的设计与实验 | 第47-51页 |
| 5.4.1.1 BP神经网络分类器结构设计 | 第47-48页 |
| 5.4.1.2 实验分类结果 | 第48-50页 |
| 5.4.1.3 实验结果分析 | 第50-51页 |
| 5.4.2 支持向量机分类器的设计与实验 | 第51-57页 |
| 5.4.2.1 基于SVM的图像分类实验说明 | 第51-53页 |
| 5.4.2.2 基于形状特征的分类结果与分析 | 第53-54页 |
| 5.4.2.3 基于LBP纹理特征的分类结果与分析 | 第54-57页 |
| 5.4.3 BP神经网络与SVM分类器实验对比 | 第57-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-63页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-63页 |
| 攻读学位期间发表的学术论文 | 第63-64页 |
| 参考文献 | 第64-66页 |