基于lbp-deelm的木材纹理分类算法研究

《基于lbp-deelm的木材纹理分类算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、‘＇＾乂：＇参义挙校代胁＇巧耳’離．＼Ｈ￥、女：而於餐＾、＞－—‘＇学＾；，＊ｖ．；Ｖ．：＾．；浊悔、ｉ；典’．：’＾．，Ｖｃ華位若每，；．義遊苦．（勇艾，支菱ｆ拿半ＬＢＰ－ＤＥ化Ｍ的木材纹理分类算法研究一—■■‘＇，＇．＊＇■、■‘击■．＇，．．心声，杏誓寺；：．；＼＼—抑．作，．＇，：帮＇、若禮卖抑之為合識，－口＇、＇Ｗ—．．ｖ、，、１心／Ｔｎ心‘．＇心．■？苗．＇－－．＾：．；－嗦敵．Ａ：妓，＇＇＇‘Ｃ．：．．．＾诗．，二＾．气ｖ：＾．：

2、／Ｃ＾？；．．：：．乃＾，扣；聲黎：與，＾巧冷／．．，＇？货巧巧：辛少Ｙ．於方苗《常－＇＇＇心＾二’．＼縣广胜鼓操斜诚推备：作ｖ？；＾旨导教議名、坤请学位级别：古学科专业：．硕林业信意法程？．－－‘．＾２０．２０１６．论文提交日期：，Ａ２０论文答辩日期５，；．．｝；婪巧兵若＇＇。－：一＾：；＿授予学位单位策北林业大牵授予学位日期；丢．．．．．＇＞＞？－＇沒‘７＇．；沪心广．＇六ｒ、？＾－＇．＇：或，扛‘＞：主席ｒ苗襄答辩委员会兮产；；，、．＾、－．；＇：：．‘卢、论

3、文评间人．：，、；矿＇許％等襄’＊，’＂氣，＂，？／ｆＴ薇，皇＞巧节仪‘、＇？。；心．络．終必，驚泌＇－义ｆ每：較妇．載蒸，’＇’＊、＜冷三＾；？品，，墓／．．遠：二）．‘喊為心？乃暫苦表式：六杂苗．．ｒ丢：據杂．＾：－＾’－．．．＇，＇成．＇？、如．法心＾：／，．＂立於絲１主巧－．告美餐＇＾学校代码１０２２５：学号；Ｓ１６４１９学侄冷文基于ＬＢＰ－ＤＥＥＬＭ的木材纹理分类算法研究向东陈ｒ胜教授东北Ｗ业大学吊化么胃陈宇副教授刹佩业大学申请学位级别：硕±

4、学科专业；林业信息工程论文提交日期２０１６．４．２０论文答辩日期：２０１６．６．５：授予学位单位；东北林业大学授予学位日期；答辩委员会主席；论文评巧人；ＵｎｉｖｅｒｓｉｔｙＣｏｄｅ：１０２２５ＲｅｇｉｓｔｅｒＣｏｄｅ：Ｓ１６４１９Ｄｉｓｓｅｒｔａｔｉｏ打ｆｏｒ化ｅＤｅｒｅｅｏｆＭａｓｔｅｒｇＲｅｓｅａｒｃｈｏｎＷｏｏｄＴｅｘｔｕｒｅＣｌａｓｓｉｆｉｃａｔｉｏｎＡｌｏｒ她ｍＢａｓｅｄｏｎＬＢＰ＾ＥＥＬＭｇＣａｎｄｉｄａ１ＸｉａｎＤｏｎ；ｅ：ｇｇ

5、Ｓｕｐｅｒｖｉｓｏｒ：Ｐｒｏｆ．ＣｈｅｎＧｕａｎｇｓｈｅｎｇＡｓｓｏｃｉａｔｅＳｕｐｅｒｖｉｓｏｒ：ＡｓｓｏｃｉａｔｅＰｒｏｆ．ＣｈｅｎＹｕＡｃａｄｅｍｉｃＤｅｒｅｅＡｌｉｅｄｆｏｒ：ＭａｓｔｅｒｇｐｐＳｅｃｉａｌｉｔ：ＦｏｒｅｓｔｒｙＩｎｆｏｒｍａｔｉｏｎＰｒｏｅｃｔｐｙｊＤａ化ｏｆＯｒａｌＥｘａｍｉｎａｔｉｏｎ：Ｊｕｎｅ５，２０１６Ｕｎｉｖｅｒｓｉｔ：ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒＵｎｉｖｅｒｓｉｔｙｙｙＩ摘要摘要木材纹理分类是木材优化利用的

6、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Ｗ及利用差分演化优化极限学习机模型的，主要内容如下分类过程：（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，二值模式精细，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

7、等因素，本文扩展应用ＬＢＰ算子，禪合均匀模式，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，更加便于纹理特征的，提高了实验的高效性分类研究。（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巧中。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一些在成本函数贡献较少的节点了。而后极限学习机算法根据输入的参数值，计算出最，保证良好的收敛性，兼具良好的泛化能力，终的权值形成纹理分类器，保证了实验结果的正确性和稳定性。（３）

8、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，，