论文部分内容阅读
木材识别是木材领域重要的研究方向之一,人们通常通过视觉分析来识别木材,这种方法不仅费时费力,而且效果不理想,因此计算机的识别就显得尤为重要。在采集图像的过程中受各种因素的影响导致图像质量不佳,人们无法获取想要的信息,进而也影响木材的识别率。为了增强彩色图像,提高木材的识别率,本文在离散小波变换(DWT)和奇异值分解(SVD)的基础之上提出了一种改进的拐点传递函数和伽马校正的彩色图像增强算法,该方法通过DWT将输入图像分解成四个频率子带,并计算出低频子带图像的奇异值矩阵,然后使用伽马校正来计算拐点传递函数以进一步改善LL分量,之后,处理的LL子带图像与未处理的LH,HL和HH子带一起经逆小波变换生成增强图像,并应用到木材领域。使用SVM(Support Vector Machine)径向基函数对增强后的杨木木片和杨木树皮进行识别,对樟子松微观横截面和杨木微观横截面进行识别。论文的主要结论如下:(1)本文增强方法与直方图均衡化、直方图规定化、小波奇异值分解、拐点校正四种传统的增强方法进行比较。不仅增强了图像的对比度和边缘信息,而且提高了图像的质量。主观分析可以看出本文方法的增强效果最好,客观分析中峰值信噪比PSNR(Peak Signal-to-Noise Ratio)、均方误差 MSE(Mean Square Transform)、结构相似性指数测量SSIM(Structure Similarity Index Measurement)和特征相似性指数测量FSIM(Feature Similarity Index Measurement)四种评价指标均有不同程度的提高。(2)以杨木木片和杨木树皮的宏观图片作为识别的原图像,先进行图像增强预处理,再使用SVM径向基函数对杨木木片和杨木树皮进行识别,本文方法处理后的识别效果明显优于传统方法,识别率有了明显的提升。识别参数角度MSE的杨木木片的识别率提高了0.7%,杨木树皮提高了0.3%;识别参数亮度MSE的杨木木片的识别率提高了1.2%,杨木树皮提高了0.9%;识别参数角度x分量的杨木木片提高了0.8%,杨木树皮提高了0.5%;识别参数角度y分量的杨木木片提高了0.4%,杨木树皮提高了0.6%。(3)以樟子松横截面和杨木横截面的微观图片作为识别的原图像,先进行图像增强预处理,再使用SVM径向基函数对樟子松微观横截面和杨木微观横截面进行识别,本文方法处理后的识别效果明显优于传统方法,识别率有了明显的提升。识别参数角度MSE的樟子松微观横截面提高了0.7%,杨木微观横截面提高了0.5%;识别参数亮度MSE的樟子松微观横截面提高了0.5%,杨木微观横截面提高了0.2%;识别参数角度x分量的樟子松微观横截面提高了0.4%,杨木微观横截面提高了0.6%;识别参数角度y分量的樟子松微观横截面提高了0.6%,杨木微观横截面提高了0.9%,