基于计算机视觉木材表面颜色分类的研究

《基于计算机视觉木材表面颜色分类的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要木材表面颜色是反映木材表面视觉和心理感觉的重要特征，直接关系到木制品以及室内环境的质量评定，因此对木材表面颜色进行表征和分析具有一定的研究价值。本文以柞木、红松、水曲柳、落叶松和白桦五种东北常见树种为研究对象，利用计算机视觉技术分别对其径切、弦切木材表面颜色进行定量分析，并按照木材表面颜色特征对木材进行自动分类。本文介绍了彩色图像处理中常用颜色模型及其特点，对获取的木材图像完成预处理过程，包括直方图均衡化，去除噪声，真彩色增强等。对预处理后的木材图像分别用颜色直方图法、颜色矩法提取了木材表面的颜色特征。另外我们对基于R、G、B分量融合的彩色特征矩阵提取了三阶矩参数作为木材表

2、面颜色特征。通过对每组特征参数的分析，从类间均值、方差的分布，来预测参数的可分性情况。介绍了模式识别技术以及神经网络分类器的特点，由于BP神经网络具有强大的非线性映射能力，因此本文设计了BP神经网络分类器。分类实验结果表明：颜色直方图特征分类识别率较低，尤其对于弦切样本颜色分类的特征参数是无效的，分析原因主要是颜色空间量化过程中丢失了颜色信息造成的；颜色矩特征对于径切、弦切样本都取得了较高的分类识别率：基于融合的彩色特征分类时，径切样本分类识别率与颜色矩特征的分类识别率相同，降低了特征矢量的维数，加快了运算速度，因此融合的特征参数对径切木材表面颜色特征具有较好的描述性，但是融合

3、的彩色特征弦切样本颜色分类效果不是很理想；最后通过三组参数综合性能的比较，确定RGB颜色矩参数为木材表面颜色分类的最佳参数。本文的研究成果能够实现木材表面颜色的自动分类，提高生产加工中木材表面颜色分类的自动化水平和木材利用率。为木材学提供先进的研究手段并丰富计算机视觉领域关于颜色分析分类的方法。◆关键词木材表面颜色；特征提取；分类；BP神经网络1■东北林业大学硕二i二学位论文AbstractW60dsurfacecolorisanimportantf．eathertorenecttheVisuala11dpsychologicalfeelingsofwoodsurf-ace，a

4、nditisdirectlyrelatedtothequalityevaluationofwoodproductsandenvironmentalindoors，sotheresearchofpresentationandanalysisonwoodsurfacec010risvaIuable．mthisp印erfiVetreespecieswhicharecommoninnortheastareresearched，suchasPinuskoraiensis，Ladxgmelinii，andQuercusMon901ic．Thequantitativeanalysisofwo

5、odsurfacec010riscarriedonbyusingcomputerVisiontechnologyaIldthewoodisautomaticclassifiedaccordingtothefeathersofwoodsurfacecolor．Thecommoncolormodelsandtheirfeaturesintheprocessofcolorimagesareintroducedinthisarticle，andthepreprocessofacquiredwoodimagesisfinished，suchasnoiseremoval，colorenha

6、ncementandsoon．Thewoodsurfacecolorcharactersofwoodima2esaRerpreprocessingareabstractedwiththemethodsofcolorhistogr姗andcolormat—x．Moreoverthe3-rankmomentpar锄eters，asthewoodsurfacecolorfeathers，areabstracted行omcolorcharacteristicmatrixbasedontheR，GandBcolorcharactensticintegration．Th．0ughthean

7、alysesofeachkindoffeatureparameters，theclassificationisforecasted丘．omthedistributionofadistancecategoryandmeansquare．Thecharacteristicsofpattem．reco印itionandneuralnetworkclassificationareintroducedinthisarticle．BecausetheBPneuralnetworkhaspowerfuln