木材表面缺陷的模式识别方法

序
前言
第1章 绪论
1.1 木材缺陷
1.2 木材表面缺陷识别的意义
1.3 木材缺陷检测技术的发展现状
1.4 木材表面缺陷识别的研究内容
第2章 木材表面缺陷图像识别系统
2.1 木材表面缺陷图像识别系统的结构
2.2 matlab软件的特点
2.3 木材表面缺陷实验样本库
2.4 木材表面缺陷的特点
2.5 木材表面纹理（无缺陷）实验样本库
2.6 小结
第3章 木材表面缺陷的常规分割方法及其改进
3.1 图像预处理
3.1.1 直方图均衡化
3.1.2 图像灰度变换
3.1.3 木材表面图像的预处理
3.2 木材表面图像的常规分割方法
3.2.1 边缘检测
3.2.2 阈值分割
3.3 改进的二维阈值分割算法
3.3.1 灰度—梯度共生矩阵
3.3.2 最大熵方法
3.3.3 木材表面图像二维阈值分割实验结果
3.4 木材表面图像分割后处理
3.4.1 数学形态学的基本思想和运算
3.4.2 基于形态学的木材表面图像分割后处理
3.5 小结
第4章 基于分形理论的木材表面缺陷分割
4.1 mandelbrot分形理论
4.1.1 分形的定义
4.1.2 分形维数
4.1.3 分形布朗运动的定义
4.2 基于dfbr场模型的图像分割
4.2.1 分形参数h计算方法
4.2.2 基于分形维的木材表面缺陷图像分割
4.2.3 木材缺陷分割算法的改进
4.3 小结
第5章 木材表面纹理的灰度共生矩阵参数
5.1 纹理分析分类的常用方法
5.1.1 统计方法
5.1.2 模型方法
5.1.3 数学变换方法
5.1.4 其他纹理分析方法
5.2 灰度共生矩阵及其参数体系
5.2.1 灰度共生矩阵
5.2.2 灰度共生矩阵参数
5.3 木材表面纹理灰度共生矩阵的建立方法
5.3.1 灰度共生矩阵生成步长的确定
5.3.2 生成方向对灰度共生矩阵特征参数的影响
5.4 木材表面纹理灰度共生矩阵参数分析
5.5 10种木材表面纹理的灰度共生矩阵参数分布
5.6 小结
第6章 木材纹理的模式识别方法
6.1 模式识别的基本概念
6.2 特征选择与提取
6.2.1 类别可分离性判据
6.2.2 基于可分离判据的特征提取
6.2.3 基于可分离判据的特征选择
6.3 模拟退火法
6.3.1 固体退火过程
6.3.2 metropolis抽样准则
6.3.3 模拟退火法简介
6.3.4 模拟退火法的改进
6.3.5 返回搜索模拟退火法的实现
6.4 模式分类器
6.4.1 最近邻分类器
6.4.2 k—近邻分类器
6.4.3 k—近邻分类器的改进
6.5 bp神经网络分类器
6.5.1 多层感知器
6.5.2 hp学习算法
6.5.3 bp学习算法的改进
6.5.4 bp神经网络分类器的结构设计
6.6 多分类器集成
6.6.1 多分类器集成简介
6.6.2 基于抽象级信息的多分类器集成
6.6.3 基于度量级信息的多分类器集成
6.6.4 集成神经网络分类器的实现
6.7 基于灰度共生矩阵的木材表面纹理分类
6.7.1 木材表面纹理灰度共生矩阵参数的选择
6.7.2 基于灰度共生矩阵的分类器测试结果
6.7.3 木材纹理图像加噪声后的分类结果
6.7.4 木材纹理图像加噪声并经中值滤波后的分类结果
6.8 小结
第7章 基于纹理特征的木材表面缺陷分割
7.1 纹理分割
7.2 木材表面图像的灰度共生矩阵参数获取
7.3 基于模糊聚类的纹理分割
7.3.1 聚类分析
7.3.2 数据集合的模糊c—划分空间
7.3.3 模糊c均值聚类算法
7.4 木材表面缺陷图像的纹理分割实验结果
7.5 图像分割质量评价
7.5.1 图像分割评价简介
7.5.2 灰色关联度评估模型
7.5.3 木材表面缺陷分割算法的性能评价
7.6 小结
第8章 木材表面缺陷的识别
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选择与提取
8.2.1 木材表面缺陷的特征选择
8.2.2 主分量分析
8.3 木材表面缺陷的bp神经网络分类器结构设计
8.4 木材表面缺陷的bp神经网络分类结果
8.5 木材表面缺陷的k—近邻分类器分类结果
8.6 小结
第9章 木材表面缺陷识别实验软件系统
9.1 matlab的图形用户界面概述
9.2 木材表面缺陷识别实验系统gui设计
9.2.1 实验系统功能需求描述
9.2.2 图形用户界面结构
9.2.3 回调函数的编写
9.3 软件使用说明
9.4 小结
总结
参考文献
致谢