木材表面缺陷的模式識別方法

序
前言
第1章 緒論
1.1 木材缺陷
1.2 木材表面缺陷識別的意義
1.3 木材缺陷檢測技術的發(fā)展現狀
1.4 木材表面缺陷識別的研究內容
第2章 木材表面缺陷圖像識別系統(tǒng)
2.1 木材表面缺陷圖像識別系統(tǒng)的結構
2.2 matlab軟件的特點
2.3 木材表面缺陷實驗樣本庫
2.4 木材表面缺陷的特點
2.5 木材表面紋理（無缺陷）實驗樣本庫
2.6 小結
第3章 木材表面缺陷的常規(guī)分割方法及其改進
3.1 圖像預處理
3.1.1 直方圖均衡化
3.1.2 圖像灰度變換
3.1.3 木材表面圖像的預處理
3.2 木材表面圖像的常規(guī)分割方法
3.2.1 邊緣檢測
3.2.2 閾值分割
3.3 改進的二維閾值分割算法
3.3.1 灰度—梯度共生矩陣
3.3.2 最大熵方法
3.3.3 木材表面圖像二維閾值分割實驗結果
3.4 木材表面圖像分割后處理
3.4.1 數學形態(tài)學的基本思想和運算
3.4.2 基于形態(tài)學的木材表面圖像分割后處理
3.5 小結
第4章 基于分形理論的木材表面缺陷分割
4.1 mandelbrot分形理論
4.1.1 分形的定義
4.1.2 分形維數
4.1.3 分形布朗運動的定義
4.2 基于dfbr場模型的圖像分割
4.2.1 分形參數h計算方法
4.2.2 基于分形維的木材表面缺陷圖像分割
4.2.3 木材缺陷分割算法的改進
4.3 小結
第5章 木材表面紋理的灰度共生矩陣參數
5.1 紋理分析分類的常用方法
5.1.1 統(tǒng)計方法
5.1.2 模型方法
5.1.3 數學變換方法
5.1.4 其他紋理分析方法
5.2 灰度共生矩陣及其參數體系
5.2.1 灰度共生矩陣
5.2.2 灰度共生矩陣參數
5.3 木材表面紋理灰度共生矩陣的建立方法
5.3.1 灰度共生矩陣生成步長的確定
5.3.2 生成方向對灰度共生矩陣特征參數的影響
5.4 木材表面紋理灰度共生矩陣參數分析
5.5 10種木材表面紋理的灰度共生矩陣參數分布
5.6 小結
第6章 木材紋理的模式識別方法
6.1 模式識別的基本概念
6.2 特征選擇與提取
6.2.1 類別可分離性判據
6.2.2 基于可分離判據的特征提取
6.2.3 基于可分離判據的特征選擇
6.3 模擬退火法
6.3.1 固體退火過程
6.3.2 metropolis抽樣準則
6.3.3 模擬退火法簡介
6.3.4 模擬退火法的改進
6.3.5 返回搜索模擬退火法的實現
6.4 模式分類器
6.4.1 最近鄰分類器
6.4.2 k—近鄰分類器
6.4.3 k—近鄰分類器的改進
6.5 bp神經網絡分類器
6.5.1 多層感知器
6.5.2 hp學習算法
6.5.3 bp學習算法的改進
6.5.4 bp神經網絡分類器的結構設計
6.6 多分類器集成
6.6.1 多分類器集成簡介
6.6.2 基于抽象級信息的多分類器集成
6.6.3 基于度量級信息的多分類器集成
6.6.4 集成神經網絡分類器的實現
6.7 基于灰度共生矩陣的木材表面紋理分類
6.7.1 木材表面紋理灰度共生矩陣參數的選擇
6.7.2 基于灰度共生矩陣的分類器測試結果
6.7.3 木材紋理圖像加噪聲后的分類結果
6.7.4 木材紋理圖像加噪聲并經中值濾波后的分類結果
6.8 小結
第7章 基于紋理特征的木材表面缺陷分割
7.1 紋理分割
7.2 木材表面圖像的灰度共生矩陣參數獲取
7.3 基于模糊聚類的紋理分割
7.3.1 聚類分析
7.3.2 數據集合的模糊c—劃分空間
7.3.3 模糊c均值聚類算法
7.4 木材表面缺陷圖像的紋理分割實驗結果
7.5 圖像分割質量評價
7.5.1 圖像分割評價簡介
7.5.2 灰色關聯(lián)度評估模型
7.5.3 木材表面缺陷分割算法的性能評價
7.6 小結
第8章 木材表面缺陷的識別
8.1 木材表面缺陷原始特征的建立
8.2 木材表面缺陷特征的選擇與提取
8.2.1 木材表面缺陷的特征選擇
8.2.2 主分量分析
8.3 木材表面缺陷的bp神經網絡分類器結構設計
8.4 木材表面缺陷的bp神經網絡分類結果
8.5 木材表面缺陷的k—近鄰分類器分類結果
8.6 小結
第9章 木材表面缺陷識別實驗軟件系統(tǒng)
9.1 matlab的圖形用戶界面概述
9.2 木材表面缺陷識別實驗系統(tǒng)gui設計
9.2.1 實驗系統(tǒng)功能需求描述
9.2.2 圖形用戶界面結構
9.2.3 回調函數的編寫
9.3 軟件使用說明
9.4 小結
總結
參考文獻
致謝