木材纹理分类是木材优化利用的关键,是木材加工过程的前提环节。随着计算机视觉的广泛应用,将计算机视觉技术应用到木材纹理分类层面,具有理论和实践双重价值。本文详细介绍了木材纹理特征提取的过程以及利用差分演化优化极限学习机模型的分类过程,主要内容如下：(1)本文将局部二值模式算子引入木材纹理特征提取研究中。由于木材纹理天然精细,无组织结构等特点,在获取特征矩阵时较为困难,固利用局部二值模式算子来提取木材纹理特征。与此同时,为解决传统纹理特征矩阵数量巨大,且提取特征矩阵依赖于当前木材纹理图片的摆放,不能准确区分是否因旋转图像得到的特征矩阵等因素,本文扩展应用LBP算子,耦合均匀模式,旋转不变特性。优化后的LBP算子,不仅在量级层面上明显减小,且不失描述纹理特征,提高了实验的高效性,更加便于纹理特征的分类研究。(2)本文将差分演化算法和极限学习机算法引入到木材纹理分类研究中。在阐述差分演化算法、极限学习机算法的基础上,利用差分演化对纹理特征参数的优化,剔除了一些在成本函数贡献较少的节点。而后极限学习机算法根据输入的参数值,计算出最终的权值,保证良好的收敛性,兼具良好的泛化能力,形成纹理分类器,保证了实验结果的正确性和稳定性。(3)本文将局部二值模式算子提取的纹理矩阵应用到提出的分类模型中。针对算法的优点选取样本,将提出的算法实验结果与木材纹理分类的常用算法作对比,如：SVM、BP神经网络、自适应增强算法,极限学习机算法。实验结果表明此应用模型有较快的执行速度,分类准确度较高,存储空间较小,具有较高的使用价值以及参考意义,为木材纹理分类提供了一个新的可行方案。