论文部分内容阅读
纹理是木材表面重要的天然属性，直接关系到木制品的感观效果和经济效益，可以作为区分不同树种和材性的重要依据，并被木材物理学作为木质环境学的重要内容进行研究。然而，木材表面纹理具有精细复杂的结构，很难用明确的数学解析式表达，是困扰木材学术界的一个难题。同时，木材加工业迫切需要一种能依据纹理对木材进行分类的自动化设备。因此，对木材表面纹理进行研究具有理论和实用双重价值。近年来，随着图像处理技术和模式识别理论的发展，纹理分析与识别理论的研究取得了一系列突破。本研究采用图像处理技术和模式识别理论，对木材表面纹理分析与识别方法进行了研究，主要内容如下：选择东北常见的白桦、红松、落叶松、水曲柳、柞木共五种木材为研究对象，建立包含1000个图像样本10个纹理类型的样本库。通过分析灰度共生矩阵特征参数随其三个构造因子(生成步长d、图像灰度级g和生成方向θ)的变化规律，并结合木材表面纹理自身的特点，确立了适合描述木材表面纹理的灰度共生矩阵构造方法，确定：d：4：g=256；θ取0°、45°、90°、135°四个方向，纹理参数取四个方向的平均值，以形成旋转不变量。以上述研究为基础，获取灰度共生矩阵的14个纹理特征参数，并分析了它们在10个纹理类别间的分布情况，将其依次编号为W1～W14。使用“参数间相关性分析”、“主分量分析”以及“基于模拟退火与最近邻分类器识别率的特征选择方法”三种方法建立了三套木材表面纹理的参数体系，分别为：①木材表面纹理参数体系Ⅰ：由角二阶矩(W1)、对比度(W2)、均值和(W6)、方差和(W7)构成：②木材表面纹理参数体系Ⅱ：由第1主分量Y1、第Ⅱ主分量Y2、第Ⅲ主分量Y3和第Ⅳ主分量Y4构成。③木材表面纹理参数体系Ⅲ：由角二阶矩(W1)、方差(W5)、方差和(W7)、逆差矩(W8)、差的方差(W9)、和熵(WIO)、集群突出(W13)构成。本研究所采用的分类器包括最近邻分类器和集成BP神经网络分类器。在上述三套木材表面纹理参数体系下，最近邻分类器对未知样本集合的识别率分别为：85.25％、86.75％和87.50％；集成BP神经网络分类器的识别率分别为：86.50％、87.00％和90.25％。可见，集成BP神经网络分类器的分类识别能力强于最近邻分类器。进一步分析发现，不能准确区分同类树种的径切和弦切纹理是影响分类识别率的主导因素。经研究发现，高斯—马尔可夫随机场特征参数能很好地完成上述任务。因此，本研究将灰度共生矩阵和高斯—马尔可夫随机场的纹理特征参数进行信息融合，形成木材表面纹理的第四套参数体系：V=[W2,W6,W7,W10,W13,θ1，θ3,θ5,θ9,θ10]，此时集成BP神经网络分类器对未知样本集合的识别率高达97.00％，获得了非常满意的效果。