| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 1 绪论 | 第12-22页 |
| ·研究背景和意义 | 第12-13页 |
| ·木材识别技术 | 第13-16页 |
| ·木材识别技术基本概念 | 第13页 |
| ·木材识别方法 | 第13-15页 |
| ·基于计算机智能和图像处理技术的木材识别 | 第15-16页 |
| ·国内外研究状况 | 第16-20页 |
| ·基于子空间特征的智能识别国内外研究状况 | 第16-17页 |
| ·多特征融合技术国内外研究状况 | 第17页 |
| ·分类技术国内外研究状况 | 第17-18页 |
| ·木材识别技术国内外研究状况 | 第18-20页 |
| ·本研究主要内容和创新点 | 第20页 |
| ·论文的组织结构 | 第20-22页 |
| 2 用于微机识别的木材图像获取与预处理 | 第22-46页 |
| ·木材微观图像的获取 | 第23-27页 |
| ·木材微观图像的获取的过程和具体的实施步骤 | 第23-24页 |
| ·木材早晚材显微数据库 | 第24-25页 |
| ·木材体视图数据库 | 第25-26页 |
| ·木材显微数据库 | 第26-27页 |
| ·木材微观图像的预处理 | 第27-45页 |
| ·彩色图像的灰度与二值化处理 | 第28-29页 |
| ·灰度直方图与直方图均衡化处理 | 第29-31页 |
| ·灰度直方图 | 第29-30页 |
| ·直方图均衡化 | 第30-31页 |
| ·降噪处理 | 第31-39页 |
| ·领域平滑滤波去噪 | 第32-34页 |
| ·图像中值滤波 | 第34-37页 |
| ·图像空间滤波 | 第37-39页 |
| ·图像失真复原 | 第39-41页 |
| ·运动图像失真复原 | 第39-40页 |
| ·图像倾斜校正 | 第40-41页 |
| ·图像归一化处理 | 第41-45页 |
| ·木材图像尺寸归一化 | 第41-42页 |
| ·木材图像放缩方法 | 第42-44页 |
| ·图像剪切处理 | 第44-45页 |
| ·小结 | 第45-46页 |
| 3 基于子空间的木材微观特征提取与融合 | 第46-68页 |
| ·经典子空间算法 | 第46-52页 |
| ·主成分分析法 | 第46-47页 |
| ·线性判别分析法 | 第47-50页 |
| ·二维线性判别分析法 | 第50-51页 |
| ·二维线性判别分析法(2DLDA) | 第51-52页 |
| ·子空间优化算法 | 第52-60页 |
| ·FisherTrees算法 | 第52-55页 |
| ·优化FisherTrees算法 | 第55-57页 |
| ·FisherTrees优化策略 | 第55-56页 |
| ·特征融合算法步骤 | 第56-57页 |
| ·优化2DLDA算法 | 第57-60页 |
| ·实验结果及分析 | 第60-66页 |
| ·优化FisherTrees实验结果分析 | 第60-64页 |
| ·实验条件 | 第60页 |
| ·PCA和FisherTrees图像重构能力对比 | 第60-61页 |
| ·优化FisherTrees的不同融合策略的比较与分析 | 第61-64页 |
| ·优化2DLDA实验结果分析 | 第64-66页 |
| ·实验条件 | 第64页 |
| ·优化2DLDA的不同特征融合方式的比较与分析 | 第64-66页 |
| ·本章小结 | 第66-68页 |
| 4 基于核方法的木材特征提取与分类 | 第68-80页 |
| ·核方法简介 | 第68-69页 |
| ·核主成分分析木材特征提取 | 第69-71页 |
| ·基于支持向量机(SVM)的木材分类 | 第71-73页 |
| ·线性可分的二分类问题 | 第71-72页 |
| ·线性不可分问题 | 第72-73页 |
| ·实验结果以及分析 | 第73-79页 |
| ·图像大小与识别率之间的关系 | 第73-75页 |
| ·SVM中核参数与识别率之间的关系 | 第75-79页 |
| ·v-支持向量机分类器+线性核函数核参数与识别率的关系(s1,t0) | 第75-76页 |
| ·线性软间隔分类器+多项式核函数核参数与识别率的关系(s0,t1) | 第76-77页 |
| ·线性软间隔分类器+径向核函数核参数与识别率的关系(s0,t2,t3) | 第77-78页 |
| ·自定义核函数核参数与识别率的关系(s0,t4) | 第78-79页 |
| ·本章总结 | 第79-80页 |
| 5 基于AdaBoost的木材分类算法研究 | 第80-96页 |
| ·基于PAC弱学习理论的Boosting算法 | 第80-81页 |
| ·弱分类算法 | 第81-83页 |
| ·最近邻分类器 | 第81-82页 |
| ·基于欧式距离的最近邻 | 第81-82页 |
| ·基于余弦角距离的最近邻 | 第82页 |
| ·基于相关系数距离的最近邻 | 第82页 |
| ·贝叶斯分类器(Bayes) | 第82-83页 |
| ·决策树分类器(ID3) | 第83页 |
| ·基于PAC理论的AdaBoost算法 | 第83-87页 |
| ·二分类的AdaBoost算法 | 第84页 |
| ·多分类的AdaBoost算法 | 第84-87页 |
| ·AdaBoostM2算法 | 第84-86页 |
| ·GentleAdaBoost算法 | 第86-87页 |
| ·实验结果及其分析 | 第87-94页 |
| ·AdaBoost.M2算法的实验结果及其分析 | 第87-90页 |
| ·GentleAdaBoost算法的实验结果及其分析 | 第90-94页 |
| ·不同算法对应的识别率和时间的比较 | 第90-93页 |
| ·识别率与图像尺寸的关系 | 第93-94页 |
| ·本章小结 | 第94-96页 |
| 6 总结和展望 | 第96-98页 |
| ·本文结论 | 第96-97页 |
| ·下一步研究方向 | 第97-98页 |
| 参考文献 | 第98-106页 |
| 个人简介 | 第106-107页 |
| 致谢 | 第107-108页 |
| 附录 | 第108页 |
