基于特征融合的实木板材纹理判别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-16页 |
| ·研究的目的及意义 | 第9-10页 |
| ·木材纹理研究现状 | 第10-12页 |
| ·纹理描述方法 | 第10-11页 |
| ·木材纹理研究现状 | 第11-12页 |
| ·研究内容与方案 | 第12-14页 |
| ·课题研究的主要内容 | 第12-13页 |
| ·课题研究的实现方案 | 第13-14页 |
| ·论文的结构安排 | 第14-16页 |
| 2 仿真系统与样本预处理 | 第16-25页 |
| ·仿真系统组成 | 第16-18页 |
| ·木材纹理样本获取 | 第18-20页 |
| ·针对木材纹理分类的预处理 | 第18-20页 |
| ·预处理 | 第20-24页 |
| ·颜色空间模型 | 第20-22页 |
| ·柞木纹理图像灰度化 | 第22-23页 |
| ·木材表面纹理图像的缩放 | 第23-24页 |
| ·木章小结 | 第24-25页 |
| 3 提取与融合柞木纹理图像特征 | 第25-33页 |
| ·柞木纹理特征提取 | 第25-28页 |
| ·Tamura纹理特征 | 第25-27页 |
| ·图像的基本统计量 | 第27页 |
| ·柞木纹理特征提取结果 | 第27-28页 |
| ·基于主成分的特征融合 | 第28-32页 |
| ·主成分分析原理 | 第28-30页 |
| ·主成分分析计算步骤 | 第30页 |
| ·柞木纹理特征主成分分析结果 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 4 柞木纹理训练样本优选 | 第33-46页 |
| ·数据降维的重要性 | 第33页 |
| ·非线性映射原理 | 第33-34页 |
| ·遗传算法 | 第34-44页 |
| ·遗传算法原理 | 第35页 |
| ·遗传算法要素 | 第35-40页 |
| ·编码 | 第35-37页 |
| ·随机产生初始群体 | 第37页 |
| ·适应度函数 | 第37-38页 |
| ·选择算子 | 第38-39页 |
| ·交叉算子 | 第39-40页 |
| ·变异算子 | 第40页 |
| ·遗传算法参数选择 | 第40-41页 |
| ·柞木纹理特征非线性映射分析 | 第41-44页 |
| ·本章小结 | 第44-46页 |
| 5 木材纹理分类器设计 | 第46-57页 |
| ·柞木表面纹理分类器 | 第46页 |
| ·支持向量机 | 第46-51页 |
| ·统计学习理论 | 第46-48页 |
| ·SVM的最优分类面 | 第48-49页 |
| ·SVM的核函数 | 第49-50页 |
| ·SVM分类器的结构模型 | 第50-51页 |
| ·粒子群算法 | 第51-53页 |
| ·粒子群算法的原理 | 第51-53页 |
| ·柞木纹SVM分类参数优化 | 第53-56页 |
| ·柞木纹理SVM分类器的参数 | 第53页 |
| ·SVM分类器参数PSO优化 | 第53-54页 |
| ·分类结果与分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64-65页 |
