学位论文 > 优秀研究生学位论文题录展示
基于子空间和多特征融合的木材分类算法研究
作 者: 刘子豪
导 师: 汪杭军
学 校: 浙江农林大学
专 业: 农业信息化
关键词: 核主成分分析法 特征树子空间 木材识别 模式识别 自适应增强 计算机视觉
分类号: TP391.4
类 型: 硕士论文
年 份: 2013年
下 载: 14次
引 用: 0次
阅 读: 论文下载
内容摘要
树种的正确识别对于木材科学和相关产业均具有重要意义。针对人工木材树种判定和传统图像识别方法存在一定的局限性,本文利用模式识别方法探讨树种识别的可行性,并取得以下研究成果:(1)融合主成分分析法(PCA)和费舍尔树法(FisherTrees),把训练样本投影到PCA和FisherTrees空间,得到PCA特征和FisherTrees特征,通过算术均值、交换转置均值和加权均值进行特征融合,融合后的特征更适合于针叶材树种的分类。(2)对株杨Tacamahaca、云杉Picea asperata等24种常见树种进行的实验发现:以核主成分分析方法提取的木材特征,自适应增强(AdaBoost)分类器比支持向量机(SVM)分类器的分类能力强,前者对树种分类效率达到90.13%,而后者却只有78.32%。(3)以日本香柏Thujastandishii、黄山松Pinustaiwanensis、日本扁柏Chamaecyp aris obtusa、棘柏Juniperus formosana、马尾松Pinus massoniana、水杉Metasequoia glyptostroboides、江南油杉Keteleeria cyclolopis和雪松Cedrus deodara8类针叶材为样本,以核主成分分析法提取特征,并采用线性核函数的SVM作为AdaBoost.M2的基分类器,当迭代次数超过100次时,可以准确区分这些树种。论文应用模式识别技术验证了库内树种分类的可行性,而且可以判别出传统方法无法区分的树种。因此,模式识别技术必将成为木材树种识别的一种重要的新方法,是对传统木材鉴定方法的重要辅助。
|
全文目录
摘要 4-5 ABSTRACT 5-12 1 绪论 12-22 1.1 研究背景和意义 12-13 1.2 木材识别技术 13-16 1.2.1 木材识别技术基本概念 13 1.2.2 木材识别方法 13-15 1.2.3 基于计算机智能和图像处理技术的木材识别 15-16 1.3 国内外研究状况 16-20 1.3.1 基于子空间特征的智能识别国内外研究状况 16-17 1.3.2 多特征融合技术国内外研究状况 17 1.3.3 分类技术国内外研究状况 17-18 1.3.4 木材识别技术国内外研究状况 18-20 1.4 本研究主要内容和创新点 20 1.5 论文的组织结构 20-22 2 用于微机识别的木材图像获取与预处理 22-46 2.1 木材微观图像的获取 23-27 2.1.1 木材微观图像的获取的过程和具体的实施步骤 23-24 2.1.2 木材早晚材显微数据库 24-25 2.1.3 木材体视图数据库 25-26 2.1.4 木材显微数据库 26-27 2.2 木材微观图像的预处理 27-45 2.2.1 彩色图像的灰度与二值化处理 28-29 2.2.2 灰度直方图与直方图均衡化处理 29-31 2.2.2.1 灰度直方图 29-30 2.2.2.2 直方图均衡化 30-31 2.2.3 降噪处理 31-39 2.2.3.1 领域平滑滤波去噪 32-34 2.2.3.2 图像中值滤波 34-37 2.2.3.3 图像空间滤波 37-39 2.2.4 图像失真复原 39-41 2.2.4.1 运动图像失真复原 39-40 2.2.4.2 图像倾斜校正 40-41 2.2.5 图像归一化处理 41-45 2.2.5.1 木材图像尺寸归一化 41-42 2.2.5.2 木材图像放缩方法 42-44 2.2.5.3 图像剪切处理 44-45 2.4 小结 45-46 3 基于子空间的木材微观特征提取与融合 46-68 3.1 经典子空间算法 46-52 3.1.1 主成分分析法 46-47 3.1.2 线性判别分析法 47-50 3.1.3 二维线性判别分析法 50-51 3.1.4 二维线性判别分析法(2DLDA) 51-52 3.2 子空间优化算法 52-60 3.2.1 FisherTrees算法 52-55 3.2.2 优化FisherTrees算法 55-57 3.2.2.1 FisherTrees优化策略 55-56 3.2.2.2 特征融合算法步骤 56-57 3.2.3 优化2DLDA算法 57-60 3.3 实验结果及分析 60-66 3.3.1 优化FisherTrees实验结果分析 60-64 3.3.1.1 实验条件 60 3.3.1.2 PCA和FisherTrees图像重构能力对比 60-61 3.3.1.3 优化FisherTrees的不同融合策略的比较与分析 61-64 3.3.2 优化2DLDA实验结果分析 64-66 3.3.2.1 实验条件 64 3.3.2.2 优化2DLDA的不同特征融合方式的比较与分析 64-66 3.4 本章小结 66-68 4 基于核方法的木材特征提取与分类 68-80 4.1 核方法简介 68-69 4.2 核主成分分析木材特征提取 69-71 4.3 基于支持向量机(SVM)的木材分类 71-73 4.3.1 线性可分的二分类问题 71-72 4.3.2 线性不可分问题 72-73 4.4 实验结果以及分析 73-79 4.4.1 图像大小与识别率之间的关系 73-75 4.4.2 SVM中核参数与识别率之间的关系 75-79 4.4.2.1 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) 75-76 4.4.2.2 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) 76-77 4.4.2.3 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) 77-78 4.4.2.4 自定义核函数核参数与识别率的关系(s0,t4) 78-79 4.5 本章总结 79-80 5 基于AdaBoost的木材分类算法研究 80-96 5.1 基于PAC弱学习理论的Boosting算法 80-81 5.2 弱分类算法 81-83 5.2.1 最近邻分类器 81-82 5.2.1.1 基于欧式距离的最近邻 81-82 5.2.1.2 基于余弦角距离的最近邻 82 5.2.1.3 基于相关系数距离的最近邻 82 5.2.2 贝叶斯分类器(Bayes) 82-83 5.2.3 决策树分类器(ID3) 83 5.3 基于PAC理论的AdaBoost算法 83-87 5.3.1 二分类的AdaBoost算法 84 5.3.2 多分类的AdaBoost算法 84-87 5.3.2.1 AdaBoostM2算法 84-86 5.3.2.2 GentleAdaBoost算法 86-87 5.4 实验结果及其分析 87-94 5.4.1 AdaBoost.M2算法的实验结果及其分析 87-90 5.4.2 GentleAdaBoost算法的实验结果及其分析 90-94 5.4.2.1 不同算法对应的识别率和时间的比较 90-93 5.4.2.2 识别率与图像尺寸的关系 93-94 5.5 本章小结 94-96 6 总结和展望 96-98 6.1 本文结论 96-97 6.2 下一步研究方向 97-98 参考文献 98-106 个人简介 106-107 致谢 107-108 附录 108
|
相似论文
- 基于流形学习的高维流场数据分类研究,V231.3
- 基于仿生模式识别的文本分类技术研究,TP391.1
- 基于学习的低阶视觉问题研究,TP391.41
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
- 羊绒与羊毛纤维鉴别系统的研究,TS101.921
- 基于回波包络的超声波入侵探测在军队警戒巡逻中的应用,E919
- 基于计算机视觉对“次郎”甜柿外部品质检测与分级的研究,S665.2
- 基于计算机视觉的脱水蒜片检测与分级研究,TP391.41
- 基于运动目标轨迹分析的智能交通监控系统,TP277
- 声表面波气体传感器阵列模式识别技术的研究,TP212
- 基于计算机视觉的手写输入法研究,TP391.14
- 基于仿生模式识别的三维人脸识别研究,TP391.41
- 基于改进的SVM模型的肝癌识别方法的研究与实现,TP391.41
- 人脸分形特征提取与识别算法研究,TP391.41
- 基于完全二叉树SVM烧结工况多类识别的研究与实现,TP391.41
- 基于SVM和PSO的烧结工况预报方法的研究与实现,TF821
- 基于纹理特征的煤炭发热量研究,TP391.41
- 人脸识别系统中关键技术研究,TP391.41
- 基于计算机视觉的浇注流量的间接测量方法研究,TP274
- 空间信息处理中基于模糊技术的数学模型的改进,O159
- 基于多视角的分类器设计与权值优化方法研究,TP18
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置
© 2012 www.xueweilunwen.com
|