| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 木材缺陷检测的研究现状 | 第8-9页 |
| 1.2.2 图像的特征提取研究现状 | 第9页 |
| 1.2.3 聚类算法研究现状 | 第9-10页 |
| 1.3 论文的主要工作 | 第10-11页 |
| 1.4 论文内容与结构 | 第11-12页 |
| 第二章 聚类分析方法 | 第12-19页 |
| 2.1 聚类分析理论 | 第12-15页 |
| 2.1.1 聚类的基本步骤 | 第12页 |
| 2.1.2 聚类数据的预处理 | 第12-13页 |
| 2.1.3 基于距离的聚类相似度 | 第13-15页 |
| 2.2 常用的几种聚类算法 | 第15-17页 |
| 2.3 聚类有效性判别 | 第17-18页 |
| 2.4 聚类算法面临的挑战 | 第18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 木材图像的特征提取方法 | 第19-34页 |
| 3.1 颜色特征提取方法 | 第19-23页 |
| 3.1.1 颜色直方图 | 第19-20页 |
| 3.1.2 颜色矩 | 第20-23页 |
| 3.2 纹理特征提取方法 | 第23-30页 |
| 3.2.1 灰度共生矩阵 | 第23-26页 |
| 3.2.2 Gabor小波变换 | 第26-30页 |
| 3.3 主成分分析（PCA） | 第30-33页 |
| 3.3.1 PCA原理 | 第30-31页 |
| 3.3.2 基于PCA的木材图像特征提取 | 第31页 |
| 3.3.3 基于Gabor+PCA的特征提取的木材缺陷识别 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于AP聚类算法的木材缺陷检测 | 第34-43页 |
| 4.1 AP算法的基本理论 | 第34-35页 |
| 4.1.1 AP算法的步骤 | 第35页 |
| 4.1.2 AP算法的特点 | 第35页 |
| 4.2 基于AP算法的木材缺陷识别算法 | 第35-37页 |
| 4.3 基于改进的AP算法的木材缺陷识别 | 第37-39页 |
| 4.3.1 改进算法的具体识别算法 | 第37-39页 |
| 4.4 实验结果分析 | 第39-41页 |
| 4.4.1 数据预处理 | 第39-40页 |
| 4.4.2 实验结果分析 | 第40-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 基于SOM聚类算法的木材缺陷检测 | 第43-49页 |
| 5.1 SOM神经网络的基本理论 | 第43-45页 |
| 5.1.1 SOM算法的步骤 | 第43-44页 |
| 5.1.2 SOM算法的特点 | 第44-45页 |
| 5.2 基于SOM神经网络的识别算法 | 第45-46页 |
| 5.3 实验结果分析 | 第46-48页 |
| 5.3.1 数据预处理 | 第46页 |
| 5.3.2 实验结果分析 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 特色与创新 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 攻读学位期间发表的学术论文 | 第51-52页 |
| 参考文献 | 第52-55页 |