| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-21页 |
| 1.1 课题背景 | 第14-15页 |
| 1.2 木材缺陷检测的研究现状 | 第15-17页 |
| 1.3 机器视觉应用现状 | 第17-18页 |
| 1.4 流形理论在机器视觉中研究现状 | 第18-19页 |
| 1.5 研究内容与组织结构 | 第19-21页 |
| 1.5.1 论文研究内容 | 第19-21页 |
| 2 流形的理论基础及实验样本图像获取 | 第21-35页 |
| 2.1 流形的理论基础 | 第21-26页 |
| 2.1.1 流形 | 第21-23页 |
| 2.1.2 黎曼流形 | 第23-25页 |
| 2.1.3 协方差矩阵流形 | 第25-26页 |
| 2.2 实验样本图像获取 | 第26-34页 |
| 2.2.1 木材表面缺陷识别系统组成 | 第26-28页 |
| 2.2.2 实验样本图像获取 | 第28-34页 |
| 2.3 三种木材表面缺陷特点 | 第34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 基于视觉显著性和阈值的木材表面缺陷分割 | 第35-75页 |
| 3.1 图像分割算法分析及选择 | 第35-37页 |
| 3.1.1 图像分割算法分析 | 第35-36页 |
| 3.1.2 图像分割算法选择 | 第36-37页 |
| 3.2 基于边缘检测的分割 | 第37-46页 |
| 3.2.1 Roberts算子分割方法 | 第37-40页 |
| 3.2.2 Prewitt算子分割方法 | 第40-42页 |
| 3.2.3 Sobel算子分割方法 | 第42-44页 |
| 3.2.4 Canny算子分割方法 | 第44-46页 |
| 3.2.5 实验结果分析 | 第46页 |
| 3.3 基于阈值的分割方法 | 第46-58页 |
| 3.3.1 自适应阈值分割 | 第47-52页 |
| 3.3.2 二维最大熵分割 | 第52-58页 |
| 3.3.3 实验结果分析 | 第58页 |
| 3.4 K均值聚类 | 第58-62页 |
| 3.4.1 K均值聚类算法 | 第58页 |
| 3.4.2 实验步骤与结果分析 | 第58-62页 |
| 3.5 基于视觉显著性的缺陷分割 | 第62-68页 |
| 3.5.1 视觉显著性 | 第62-63页 |
| 3.5.2 谱残差视觉显著性模型 | 第63-65页 |
| 3.5.3 实验步骤与结果分析 | 第65-68页 |
| 3.6 基于全局视觉显著性和局部阈值的木材表面缺陷分割 | 第68-74页 |
| 3.6.1 视觉显著性和自适应阈值融合分割 | 第68-69页 |
| 3.6.2 数学形态学后处理 | 第69-71页 |
| 3.6.3 实验步骤及结果分析 | 第71-74页 |
| 3.7 本章小结 | 第74-75页 |
| 4 木材表面缺陷协方差流形特征提取方法研究 | 第75-94页 |
| 4.1 缺陷特征提取方法选择 | 第75-77页 |
| 4.1.1 图像特征分类 | 第75-76页 |
| 4.1.2 木材表面缺陷特征分析与选择 | 第76-77页 |
| 4.2 Tamura纹理特征提取 | 第77-81页 |
| 4.2.1 粗糙度 | 第77-78页 |
| 4.2.2 对比度 | 第78页 |
| 4.2.3 方向度 | 第78-79页 |
| 4.2.4 线性度 | 第79页 |
| 4.2.5 实验结果 | 第79-81页 |
| 4.3 灰度共生矩阵纹理特征提取 | 第81-84页 |
| 4.3.1 灰度共生矩阵 | 第81-82页 |
| 4.3.2 实验结果 | 第82-84页 |
| 4.4 基于局部二值模式的缺陷纹理特征提取 | 第84-87页 |
| 4.4.1 局部二值模式 | 第84-86页 |
| 4.4.2 实验结果 | 第86-87页 |
| 4.5 木材表面缺陷区域协方差流形特征提取 | 第87-93页 |
| 4.5.1 木材表面缺陷区域协方差流形建模 | 第87-89页 |
| 4.5.2 协方差流形的距离度量 | 第89-90页 |
| 4.5.3 实验结果及分析 | 第90-93页 |
| 4.6 本章小结 | 第93-94页 |
| 5 基于流形支持向量机的木材表面缺陷识别 | 第94-114页 |
| 5.1 模式分类方法的选择 | 第94-95页 |
| 5.1.1 模式分类概述 | 第94页 |
| 5.1.2 分类器选择 | 第94-95页 |
| 5.2 基于支持向量机的分类识别 | 第95-102页 |
| 5.2.1 支持向量机概述 | 第95-99页 |
| 5.2.2 支持向量机分类器设计 | 第99-101页 |
| 5.2.3 实验结果及分析 | 第101-102页 |
| 5.3 基于BP神经网络的分类识别 | 第102-108页 |
| 5.3.1 BP神经网络结构 | 第102-105页 |
| 5.3.2 BP神经网络的设计 | 第105-107页 |
| 5.3.3 BP神经网络分类结果及分析 | 第107-108页 |
| 5.4 基于流形上支持向量机的分类识别 | 第108-112页 |
| 5.4.1 支持向量机距离函数的选择 | 第108页 |
| 5.4.2 流形测地线距离 | 第108-110页 |
| 5.4.3 基于流形的支持向量机模型(Manifold-SVM) | 第110-111页 |
| 5.4.4 实验结果及分析 | 第111-112页 |
| 5.5 本章小结 | 第112-114页 |
| 结论 | 第114-115页 |
| 参考文献 | 第115-126页 |
| 攻读学位期间发表的学术论文 | 第126-127页 |
| 致谢 | 第127-128页 |