实木智能化在线检测与分选PDF|Epub|txt|kindle电子书版本网盘下载

实木智能化在线检测与分选PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 实木在线检测与分选的研究背景和意义1

1.1.1 研究背景1

1.1.2 研究意义2

1.2 实木检测的概述3

1.2.1 研究对象3

1.2.2 实木板材检测的主要研究手段5

1.2.3 基于图像处理的板材检测发展历程7

1.3 国内外研究现状7

1.3.1 国外研究现状7

1.3.2 国内研究现状8

1.4 本书的主要研究内容与结构9

1.4.1 主要研究内容9

1.4.2 本书结构11

1.5 本章小结12

第2章 板材图像预处理13

2.1 图像灰度化13

2.2 图像增强15

2.2.1 直方图均衡化15

2.2.2 图像灰度变换16

2.3 图像平滑18

2.3.1 邻域平均法18

2.3.2 中值滤波法19

2.3.3 图像平滑算法选择20

2.4 图像锐化21

2.4.1 微分锐化算法21

2.4.2 拉氏锐化算法22

2.4.3 Sobel锐化算法23

2.4.4 图像锐化及边缘检测实验23

2.5 板材原始图像的剪切与预处理25

2.6 本章小结28

第3章 基于阈值融合的缺陷分割方法29

3.1 基于灰度阈值的图像分割的原理29

3.1.1 图像灰度阈值29

3.1.2 传统的全局阈值处理算法30

3.1.3 Otsu阈值分割31

3.2 板材图像的梯度分割基本原理34

3.3 梯度算子与Otsu阈值分割39

3.4 本章小结42

第4章 基于形态学的板材缺陷分割与SOM分类43

4.1 数学形态学的原理43

4.1.1 数学形态学的基本概念43

4.1.2 二值形态学基本操作43

4.1.3 形态学重构45

4.2 基于R分量的形态学分割方法46

4.2.1 R分量提取46

4.2.2 数学形态学分割步骤47

4.3 缺陷特征提取与分类器设计48

4.3.1 缺陷特征表达及选取48

4.3.2 特征提取步骤52

4.3.3 基于SOM神经网络的缺陷分类52

4.3.4 基于BP-SOM的缺陷分类56

4.4 实验结果与分析61

4.4.1 形态学分割结果61

4.4.2 特征提取62

4.4.3 SOM神经网络设计63

4.4.4 BP-SOM混合神经网络分类的测试结果65

4.5 本章小结66

第5章 基于图像融合的缺陷分割方法67

5.1 区域生长与禁忌搜索67

5.1.1 区域生长算法67

5.1.2 禁忌搜索68

5.2 基于图像融合的缺陷分割方法与步骤72

5.2.1 实木表面缺陷分割方法72

5.2.2 实木表面缺陷分割步骤76

5.3 缺陷特征选择与分类器设计80

5.3.1 缺陷特征选择80

5.3.2 分类器设计81

5.4 实验结果与分析85

5.4.1 实验步骤85

5.4.2 噪声实验分析86

5.4.3 分割时间分析87

5.5 本章小结88

第6章 基于LDA特征融合的压缩感知缺陷识别方法89

6.1 基于LDA的缺陷特征降维89

6.1.1 LDA理论89

6.1.2 Fisher线性判别分析90

6.1.3 实木板材缺陷特征的LDA融合92

6.2 基于压缩感知理论的板材缺陷识别94

6.2.1 压缩感知理论94

6.2.2 信号的稀疏表示95

6.2.3 观测矩阵的设计96

6.2.4 信号重构98

6.2.5 基于压缩感知的分类算法99

6.3 基于压缩感知的缺陷识别步骤100

6.4 实验结果及分析101

6.4.1 缺陷识别实验过程101

6.4.2 对比实验及结果分析104

6.5 本章小结106

第7章 基于灰度共生矩阵及模糊理论的纹理分类108

7.1 纹理特征108

7.1.1 纹理特征的定义108

7.1.2 纹理特征的表达方法109

7.1.3 木材图像纹理特征及分类113

7.2 灰度共生矩阵及其纹理特征选择115

7.2.1 灰度共生矩阵115

7.2.2 灰度共生矩阵的主要特征值117

7.2.3 木材图像灰度共生矩阵及特征119

7.3 模糊理论及分类器设计122

7.3.1 模糊集合的定义及特征123

7.3.2 模糊距离度量125

7.3.3 基于模糊理论的图像处理理论127

7.4 板材纹理模糊分类器设计128

7.5 实验结果及分析137

7.6 本章小结139

第8章 基于PCA与SVM的纹理分类方法140

8.1 图像纹理特征的提取140

8.1.1 图像基本统计量140

8.1.2 Tamura纹理特征141

8.2 基于PCA特征融合算法及应用143

8.2.1 PCA的概念和原理143

8.2.2 基于PCA的板材纹理特征融合146

8.3 基于SVM的纹理特征分类148

8.3.1 SVM148

8.3.2 板材纹理SVM分类参数优化153

8.4 分类结果与分析156

8.5 本章小结159

第9章 基于多尺度变换的特征提取与纹理分类160

9.1 基于小波变换的特征提取与纹理识别160

9.1.1 小波变换简介160

9.1.2 小波的特征提取167

9.2 基于曲波变换的特征提取及纹理识别172

9.2.1 第一代曲波变换172

9.2.2 第二代曲波变换174

9.2.3 曲波的特征提取177

9.3 基于双树复小波的特征提取与识别180

9.3.1 双树复小波变换180

9.3.2 双树复小波变换的性质181

9.3.3 双树复小波的特征提取182

9.3.4 仿真实验结果183

9.4 本章小结184

第10章 基于多尺度变换特征融合的纹理分类185

10.1 基于小波曲波特征融合的纹理分类185

10.1.1 特征融合的准备185

10.1.2 基于遗传算法的特征融合186

10.1.3 实验结果与分析192

10.2 基于双树复小波特征融合的纹理分类195

10.2.1 基于粒子群算法的特征优选195

10.2.2 实验及分析196

10.3 基于曲波与双树复小波的纹理分类199

10.3.1 基于混沌粒子群的特征优选199

10.3.2 实验结果与分析204

10.4 板材表面缺陷、纹理协同分选方法207

10.4.1 缺陷、纹理系统分选介绍207

10.4.2 协同分选算法及实现207

10.4.3 仿真实验210

10.5 本章小结213

第11章 板材表面多目标柔性分选技术214

11.1 柔性分选技术214

11.2 颜色分类算法215

11.3 样本优选222

11.4 实验结果及分析228

11.4.1 实验材料及仿真环境228

11.4.2 颜色特征分析228

11.4.3 纹理样本优选230

11.4.4 用户满意度实验230

11.5 本章小结231

参考文献233