基于傅里叶变换和独立成分分析的木材显微图像特征提取与识别

合集下载

基于快速傅里叶变换的木(竹)混凝土模板无损检测

ｗｏｏ／ｂｄａｍｂｏｏｐｌｗｏｙｏｄｃｏｎｃｒｅｔｅｍｏｄｅｌｃｏｕｌｄｂｅｐｒｅｄｉｃｔｅｄｂｙｔｈｅｄｙｎａｍｉｃＭＯＥ．Ｎｏｎｄｅｓｔｕｃｒｔｉｖｅｔｅｓｔｉｎｇｏｆｔｈｅ
基于快速傅里叶变换的木（竹）混凝土模板无损检测
龚煌胡英成袁杰杨悦
（东北林业大学生物质材料科学与技术教育部重点实验室，材料科学与工程学院，黑龙江哈尔滨１５００４０）
摘要：利用快速傅里叶变换分析检测法与静态弯曲试验对木（竹）混凝土模板的动态弹性模量和静态弹性模量、静曲强度进行测定，对试验结果进行相关性分析和回归分析得出：木（竹）混凝土模板的动态弹性模量与静态弹性模量、静曲强度之间均存在密切的线性相关性，均可使用动态弹性模量对静态弹性模量、静曲强度进行预测，即可使用快速傅里叶变换分析检测法对木（竹）混凝土模板
ａｎｄＥｎｇｉｎｅｅｉｒｎｇ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｙｒＵｎｉｖｅｒｓｉｔｙ，ＨａｒｂｉｎＨｅｉｌｏｎｇｊｉａｎｇ１５００４０，Ｃｈｉｎａ）
ＭＯＥａｎｄＭＯＲｏｆｔｈｅｗｏｏｄ／ｂａｍｂｏｏｐｌｙｗｏｏｄｃｏｎｃｒｅｔｅｍｏｄｅｌ，ｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅｓｔａｔｉｃＭＯＥａｎｄＭＯＲｏｆｔｈｅ

【浙江省自然科学基金】_小样本_期刊发文热词逐年推荐_20140812

2009年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
科研热词偏最小二乘铁水含硅量鉴别共同矢量近红外透射光谱近红外光谱规范变量分析组合预测线性判别分析粗糙惩罚模式分类样条函数支持向量机(svm) 小麦小波分析(wa) 小样本问题定量分析人脸识别主元分析
2011年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
2011年科研热词频谱检测面板数据随机搜索衰落信道能量检测组合优化策略种子变量特征选择特征函数检测滚动轴承滚动的排名模式识别核函数时间效应故障诊断支持向量机局部判别投影小波包分析小子样寿命试验子空间学习基于残差的检验噪声方差未知个体效应 shannon熵 ptpr anderson-darling检测推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2008年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
科研热词药物光谱数据缺陷类型识别线性判别分析约柬线性描述分析白化变换特征提取正交子空间投影模式识别模式分类支持向量机奇异值分解复小波变换偏最小二乘人脸识别
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2012年序号 1 2 3 4 5
科研热词离心率星形模型支持向量机姿态识别六星角度
推荐指数 1 1பைடு நூலகம்1 1 1
2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

基于多特征提取和选择的木材分类与识别

基于多特征提取和选择的木材分类与识别晁晓菲;樊李行;蔡骋;何东健【期刊名称】《现代农业科技》【年(卷),期】2018(000)018【摘要】木材与人们的生活息息相关,不同品种木材的用途各不相同.如何快速并正确地识别不同种类的木材是目前亟须解决的问题.纹理是木材表面重要的天然属性,也是区分木材的重要依据,因而如何准确地提取木材的纹理特征是本文研究的重点.本文设计了一种木材自动识别系统,其基本工作流程如下:首先,使用K-means聚类算法,根据图像的纹理采用SPPD(导管分布的统计特性)及BGLAM(基本灰度级氛围矩阵)特征对木材进行预分类,实现对木材数据库的降维,为提高识别效率做好准备;其次,使用GA(遗传算法)挑选出对木材纹理具有较强区分度的LBP(局部二值模式)特征;最后,用KNN(K最近邻)分类器根据挑选出的LBP特征对木材图像进行最终的分类识别.试验结果表明,木材样本类别个数为20时,识别率较高,可以达到98.13％以上;当木材样本类别个数增加为30时,识别率也在95％以上.【总页数】3页(P118-120)【作者】晁晓菲;樊李行;蔡骋;何东健【作者单位】西北农林科技大学机械与电子工程学院,陕西杨凌 712100;西北农林科技大学信息工程学院;农业部农业物联网重点实验室;陕西省农业信息感知与智能服务重点实验室;西北农林科技大学信息工程学院;西北农林科技大学信息工程学院;西北农林科技大学机械与电子工程学院,陕西杨凌 712100;农业部农业物联网重点实验室;陕西省农业信息感知与智能服务重点实验室【正文语种】中文【中图分类】S758【相关文献】1.基于多特征提取和SVM分类的手势识别 [J], 刘小建;张元2.基于多特征提取和SVM分类器的纹理图像分类 [J], 唐银凤;黄志明;黄荣娟;姜佳欣;卢昕3.基于多特征提取和SVM分类器的木材显微识别 [J], 吴啸天4.基于多特征融合的零件分类与姿态识别 [J], 陈宪帅;吴自然;闫俊涛;吴桂初;郭天慧5.新媒体时代数字图像技术在木材科学中的应用——评《基于计算机数字图像处理技术木材表面纹理特征提取和分类识别方法》 [J], 万才超因版权原因，仅展示原文概要，查看原文内容请购买。

木材表面缺陷图像识别的算法研究

木材表面缺陷图像识别的算法研究摘要随着木材加工业的集约化发展，木材产品的生产量持续大幅度增长。

在生产中，对木材表面加工质量高水平的苛求，尤其是一致性的要求，使得传统的人工检测方式已经难以胜任。

为此，本论文基于机器视觉理论对木材表面缺陷识别进行了深入研究。

结合数字图像处理技术和支持向量机模式识别技术，本论文研究了木材表面缺陷图像预处理、特征提取、模式识别问题，研究并改进了用于检测木材表面缺陷的定位和识别等图像处理算法。

图像的预处理是检测的第一步，它对图像缺陷特征的正确提取是非常关键的。

本文针对传统滤波算法在抑制噪声的同时，也会对图像的边缘及细节有比较大的损害，使图像的边沿及细节变模糊的问题，提出了加权有向平滑滤波算法。

并在图像分割上融合了几种分割方法，提出一种改进的基于双正交小波变换的多分辨率图像融合方法和基于融合技术的小波变换和形态学边缘检测算法，优化了分割效果，为后续特征提取打下了很好的基础。

对于木材缺陷的识别，本文从纹理特征（5个灰度共生矩阵参数）和颜色特征（4个颜色矩参数）两个角度来描述缺陷。

根据各参数分布情况，选择标准差较小的参数作为分类器输入特征向量；以及采用主分量分析法进行特征提取，降低纹理特征维数，消除模式特征之间的相关性，突出其差异性，满足识别层的输入要求。

并采用支持向量机分类器进行缺陷的模式识别，达到较高的识别率。

实验结果证明：根据木材表面缺陷图像的纹理特征和颜色特征，运用数字图像处理技术，来解决木材表面缺陷的分割和识别等问题，是行之有效的途径。

关键词：数字图像处理技术；图像分割；特征提取；支持向量机AbstractWith the development of wood industry, the manufacture of wood products is increasing significantly. The demand of a consistent high-quality surface wood product introduces automatic inspection that cannot be easily satisfied by traditional manual inspection. Based on the theory of computer vision, a research on defect distinguish of the wood surface is made in the paper.Image preprocess, feature extraction and pattern recognition of wood surface defect images are also studied by means of digital image processing technique and pattern recognition technology based on SVM(Support Vector Machines). Image processing algorithms are studied and improved to orientate and recognize wood surface defect.Image preprocess is the first step for detection, which is vital to the correct extraction of the defection feature. In the fact of a traditional filtering algorithm can substantially damage the edges and details of the image and blur the image’s edges and details, a weighted and directional smoothing algorithm is proposed in this paper. Merging several image segmentation method , a improved method of image fusion of multi-resolution analysis based on biorthogonal wavelet transform and a edge detection algorithm based on the fusion technology of wavelet transform and morphological edge detection are proposed in the paper. Thus segmentation result is optimized and laying the root for feature extraction of follow up.The defects are described from two aspects based on image characteristic, the texture features(five gray level co-occurrence matrix parameters) and color features （four color moment parameters）to identify the wood defects. According to the distribution of these parameters, the parameters which have small standard deviation are selected as the input eigenvector of the classifiers. And the features are extracted by the principal components analysis which can reduce the texture dimensions and eliminate the relevance between feature modes and highlight their difference to satisfy the input request of the recognition level. Using Support Vector Machines classifier to identify the defects, the correct rates of pattern recognition achieve better level.The experiment results show it is an effective way to solve the segmentation and identification of wood surface defects by texture features and color features of wood surface defect images according to the digital image processing technology,.Keyword：digital image processing technique；image segmentation；feature extraction；SVM (Support Vector Machines)目录第一章绪论 ................................................................................................................... - 1 -1.1 课题的研究背景和意义 ..................................................................................... - 1 -1.1.1 课题的研究背景...................................................................................... - 1 -1.1.2 课题的研究意义...................................................................................... - 1 -1.2 木材表面缺陷检测的研究现状及发展趋势........................................................ - 2 -1.2.1 木材缺陷的常用检测方法 ....................................................................... - 2 -1.2.2 国内外研究现状...................................................................................... - 3 -1.2.3 木材检测技术的发展与展望.................................................................... - 4 -1.3 木材表面缺陷特征及存在形式 .......................................................................... - 5 -1.3.1 木材缺陷种类.......................................................................................... - 5 -1.3.2 木材缺陷对木材质量的影响.................................................................... - 8 -1.4 课题的主要研究内容和创新.............................................................................. - 8 -第二章木材表面缺陷图像的增强预处理...................................................................... - 11 -2.1 图像增强概述.................................................................................................. - 11 -2.2 木材缺陷图像灰度变换 ................................................................................... - 12 -2.2.1 木材缺陷图像灰度化处理 ..................................................................... - 12 -2.2.2 木材缺陷图像灰度变换 ......................................................................... - 13 -2.3 木材缺陷图像平滑 .......................................................................................... - 16 -2.3.1 邻域平滑............................................................................................... - 16 -2.3.2 中值滤波............................................................................................... - 16 -2.3.3 加权有向平滑滤波 ................................................................................ - 17 -2.4 图像锐化 ......................................................................................................... - 21 -2.4.1微分算子................................................................................................ - 22 -2.4.2 Sobel算子.............................................................................................. - 23 -2.4.3拉普拉斯算子 ........................................................................................ - 24 -2.5 本章小结 ......................................................................................................... - 25 -第三章图像分割 .......................................................................................................... - 27 -3.1 基于区域的图像分割....................................................................................... - 27 -3.1.1 并行区域分割技术 ................................................................................ - 27 -3.1.2 串行区域分割技术 ................................................................................ - 29 -3.2基于边缘的图像分割........................................................................................ - 30 -3.2.1 梯度算子............................................................................................... - 31 -3.2.2 Canny边缘检测算子 .............................................................................. - 32 -3.2.3 几种边缘检测算子的比较 ..................................................................... - 33 -3.3 结合特定理论工具的分割技术 ........................................................................ - 33 -3.3.1 基于人工神经网络的分割技术 .............................................................. - 34 -3.3.2 基于小波分析和变换的分割技术 .......................................................... - 34 -3.3.3 基于数学形态学的分割技术.................................................................. - 37 -3.4 本章小结 ......................................................................................................... - 40 -第四章特征提取 .......................................................................................................... - 41 -4.1 纹理特征提取.................................................................................................. - 41 -4.1.1灰度共生矩阵 ........................................................................................ - 41 -4.1.2 Haralick特征 .......................................................................................... - 43 -4.2 色彩特征提取.................................................................................................. - 45 -4.2.1颜色直方图 ............................................................................................ - 46 -4.2.2 颜色矩 .................................................................................................. - 47 -4.3 主成分分析 ..................................................................................................... - 47 -4.3.1主成分分析的原理 ................................................................................. - 48 -4.3.2 主成分分析的基本步骤 ......................................................................... - 49 -4.4 基于主成分分析的算法实现 ........................................................................... - 50 -4.4.1 基于主成分分析的降维算法.................................................................. - 50 -4.4.2 基于主成分分析的降维结果.................................................................. - 51 -4.5 本章小结 ......................................................................................................... - 52 -第五章支持向量机的分类器设计 ................................................................................. - 54 -5.1分类器简介...................................................................................................... - 54 -5.2 SVM算法原理 .................................................................................................. - 54 -5.3 核函数的选择 ................................................................................................. - 57 -5.4 基于SVM的识别结果 ...................................................................................... - 57 -5.4.1 基于纹理特征的木材缺陷图像识别 ..................................................... - 58 -5.4.2 基于主成分分析法的综合纹理特征和颜色特征的木材缺陷图像识别 .. - 59 -5.4.3 三类木材缺陷识别结果 ....................................................................... - 60 -5.5 本章小结 ........................................................................................................ - 61 -第六章总结与展望 ...................................................................................................... - 63 -6.1 总结 ................................................................................................................ - 63 -6.2 展望 ................................................................................................................ - 63 -参考文献 ....................................................................................................................... - 65 -第一章绪论1.1 课题的研究背景和意义1.1.1 课题的研究背景我国是一个木材资源非常匮乏的国家，我国现有森林面积 1.33亿hm2，森林蓄积101.3m3，仅次于俄罗斯、巴西、加拿大、美国，居世界第五位。

利用傅里叶变换提取图像纹理特征新方法

利用傅里叶变换提取图像纹理特征新方法
徐贵力;毛罕平
【期刊名称】《光电工程》
【年(卷),期】2004(031)011
【摘要】研究发现,由图像傅里叶周向谱传统算法得到的频谱分布不能够真正反映其频率特性.因此,根据傅里叶变换的共轭对称性,提出了更具有一般性的长方环傅里叶周向谱能量百分比新算法.该算法均匀地把图像功率谱分成20个等间距同心长方环,计算每一个长方环内功率谱能量占总能量的比值作为图像频率分布特征.实验证明,新算法能更好地反映具有一般性的不同频率图像的纹理特征.在对作物缺乏营养元素诊断识别研究中,新算法提取的特征有效性远远高于传统算法,使识别的准确率达到82%以上.
【总页数】4页(P55-58)
【作者】徐贵力;毛罕平
【作者单位】南京航空航天大学自动化学院,江苏,南京,210016;江苏大学,江苏,镇江,212013
【正文语种】中文
【中图分类】TP391
【相关文献】
1.数字图像处理技术在煤泥浮选泡沫图像纹理特征的提取及识别上的应用 [J], 刘文礼;路迈西
2.一种利用Matlab提取图像中曲线的新方法 [J], 董延;黄志刚
3.基于图像傅里叶变换纹理特征和概率神经网络的气固流化床流型识别 [J], 周云龙;范振儒;苏耀雷
4.利用图像块数据库和纹理特征点的图像彩色化方法 [J], 吕东辉;张闯;汪世刚
5.新媒体时代数字图像技术在木材科学中的应用——评《基于计算机数字图像处理技术木材表面纹理特征提取和分类识别方法》 [J], 万才超
因版权原因，仅展示原文概要，查看原文内容请购买。

【浙江省自然科学基金】_图像识别_期刊发文热词逐年推荐_20140812

科研热词人脸识别目标识别特征融合掌纹识别小波变换随机圆检测阵列触觉重构选票表格近邻保持嵌入运动历史图像运动信息辐射对称算法身份识别识别计算机视觉触觉图像恢复视频质量评价表格线游程表格域表情变化色块分割综述结构失真织物图像分割线性近邻传递算法纹理描绘子神经网络特征提取灰度特征流形学习步态识别梯度幅度图核方法林业工程木材识别最小平方误差方法数字水印提升小波重构探地雷达局部离散余弦变换局部二元模式尺度不变特征变换算法小波矩小波子图小波增强小波基选择对比敏感度函数定位模型多小波分析多圆检测多八边形搜索算法
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142
2011年科研热词支持向量机目标识别特征选择图像匹配图像分类区域生长黄瓜频率面诊面色识别非接触测量阈值分割针叶材识别金字塔匹配运动模型运动检测过滤边缘检测边界辨证推演轮廓匹配路径识别跟踪距离变换识别率计算机视觉视频监控视频检测视频标签视力测定法表情识别行为识别舌象库舌诊舌体分割自适应自动导引车肿块置信度综述维数约减维度分割织物组织织物疵点细化组织识别线性规划增强约束方程等值面稳像离散粒子群算法磁共振成像推荐指数 3 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

应用数字图像处理技术测量木材显微构造特征参数[C]

应用数字图像处理技术测量木材显微构造特征参数任宁于海鹏刘一星（东北林业大学材料科学与工程学院哈尔滨150040）摘要：本文利用显微镜、摄像传感器和计算机联机组成的数字图像动态采集系统来获取数字化的木材显微构造图像，并利用基于数字图像处理技术的彩色图像分析软件，针对木材显微构造组织分子的特点，通过在软件平台上的二次开发，实现了木材组织比量、胞壁率、管孔分布密度、细胞壁厚、径/弦向直径、壁腔比及形态量等参数的数字化测量，在准确性、高效性和自动化程度上比照以往方法均有较大程度的提高。

关键词：木材显微构造特征参数数字化测量Measurement of Wood Microstructure Characteristic Parameter byDigital Image ProcessingREN Ning YU Hai-peng LIU Yi-xing(Material Science and Engineering College, Northeast Forestry University, Harbin 150040)Abstract：Dynamic digital image collection system made by microscope，video camera sensor and computer was used for the collection of wood microstructure image. In view of wood’s microstructure traits, image processing functions based on digital image processing technique were used to compute characteristic parameters. It realized the digital measure of wood tissue proportion, cell wall percentage, distributed density of vessel, cell wall thickness, cell diameter, ratio of cell wall to cavity, and cell figure quantum. The result showed that the digital measure method has more advantages of accuracy, efficiency, and automatic degree than methods ago.Keyword：wood , microstructure characteristic parameter , digital measure1 前言木材显微构造是木材识别、加工和利用的基础和重要科学依据。

FFT特征提取算法

FFT特征提取算法FFT（Fast Fourier Transform）是一种基于DFT（Discrete Fourier Transform）的算法，可以将信号从时域转换为频域。

它主要用于将信号分解成不同频率成分，从而进行频谱分析、滤波、特征提取等应用。

FFT特征提取算法的基本原理是通过将输入信号进行傅里叶变换，得到信号的频谱表示。

在时域中，信号是由幅度和相位组成的。

经过傅里叶变换后，信号分解成不同频率的复数分量，其中幅度代表该频率成分的能量，相位代表该频率成分的时间特性。

对于基于FFT的特征提取算法，一般的过程可分为以下几个步骤：1.数据预处理：对原始信号进行预处理，例如去除直流成分、降噪、滤波等。

这一步骤有助于提高后续傅里叶变换的准确性。

2.信号分帧：将预处理后的信号分成若干个连续的窗口，通常采用重叠窗口的方式。

每个窗口内的信号进行FFT变换，得到频域的表示。

3.频谱分析：对每个窗口内信号的频谱进行分析，通常可以采用以下几种方式：-幅度谱：将频谱中每个频率分量的幅度作为特征。

常用于声音信号处理中，例如说话人识别。

-相位谱：将频谱中每个频率分量的相位作为特征。

常用于音频合成和音乐处理中。

-功率谱：将频谱中每个频率分量的能量作为特征。

常用于语音和音频处理中，例如音频识别和降噪。

4.特征提取：根据需求选择合适的频谱特征进行提取。

常用的特征包括能量、频率、频谱形状等。

FFT特征提取算法在实际应用中具有广泛的应用，例如语音识别、音乐处理、图像处理等领域。

在语音识别中，可以通过提取语音信号的频谱特征，进行声纹识别、语音识别等任务。

在音乐处理中，可以通过提取音频的节奏、频率特征等，用于音乐合成、音频分析等任务。

在图像处理中，可以将图像的像素值进行傅里叶变换，并提取频域的特征，用于图像识别、图像增强等任务。

总结起来，FFT特征提取算法通过将信号从时域转换到频域，将输入信号分解成不同频率成分，从而提取信号的频谱特征。

图像处理技术中的傅里叶变换原理与应用

图像处理技术中的傅里叶变换原理与应用傅里叶变换是一种重要的数学工具，被广泛应用于图像处理领域。

图像处理技术中的傅里叶变换可以将图像从空域转换到频域，从而实现图像的频谱分析、滤波、图像增强等操作。

本文将详细介绍傅里叶变换的原理以及在图像处理中的应用。

傅里叶变换的原理傅里叶变换是基于信号的频谱分析理论，它可以将一个函数在时域上的表示变为在频域上的表示。

在图像处理中，我们可以将图像看作二维函数，将图像灰度值作为函数的值。

傅里叶变换可以将图像从空域转换到频域，通过分析图像的频谱，我们可以获取到图像中各个频率成分的信息。

傅里叶变换通过将图像分解为一系列正弦和余弦函数的和，来描述图像中的各个频率成分。

它的数学形式可以表示为以下公式：F(u, v) = ∫∫ f(x, y) * e^(-j2π(ux+vy)) dx dy其中，F(u, v)为频域中的函数，f(x, y)为空域中的函数。

傅里叶变换将函数f(x, y)转换为了频域中的函数F(u, v)。

傅里叶变换的应用图像的频域分析：通过对图像进行傅里叶变换，我们可以将图像从空域转换到频域，得到图像的频谱信息。

通过分析图像的频谱，我们可以了解图像中各个频率成分的强弱，从而对图像进行分析和处理。

例如，我们可以通过频谱分析来检测图像中的噪声，并对其进行滤波处理。

图像的滤波处理：傅里叶变换可以对图像进行频域滤波，从而实现图像的去噪、增强等操作。

频域滤波是通过对图像的频谱进行操作，再进行逆变换得到处理后的图像。

通过选择合适的滤波器函数，我们可以实现不同的滤波效果。

例如，利用傅里叶变换可以实现低通滤波，通过去除图像中的高频成分来实现图像的模糊效果。

图像的压缩：傅里叶变换在图像压缩中也有着重要的应用。

通过对图像进行傅里叶变换，我们可以将图像的能量集中在频域的少数主要频率上，从而实现对图像的压缩。

在傅里叶变换后，我们可以对频域系数进行量化和编码，以减小数据量。

在解码时，通过傅里叶逆变换可以将压缩后的数据还原为原始图像。

【浙江省自然科学基金】_傅里叶变换_期刊发文热词逐年推荐_20140811

科研热词聚吡咯电催化氧化抗坏血酸原位红外光谱 1-乙基咪唑三氟乙酸盐频谱拼接频谱分析非线性光学钡钌释放遗传算法负载型催化剂谱重排表面活性剂衍射光学元件螺二芴蒽二酮类化合物线性调频信号篡改检测简并四波混频程序升温还原程序升温氮化独立成分分析特征提取焚烧溶解性混合算法涡街流量计测量精度水热合成氮化硼氨合成正十二烷胺模拟垃圾林业工程木材识别木材显微图像有机化锂皂石数字全息技术快速傅里叶变换层状材料小波尺度谱小尺度目标大视角复制-移动伪造图像篡改合成十六烷基三甲基溴化铵区域分割化学氧化法共聚物
53 54 55 56 57 58 59
光致发光光束整形傅里叶变换傅里叶-梅林变换主动探测 hcl 4f系统
1 1 1 1 1 1 1
2011年科研热词推荐指数快速傅里叶变换 2 分数傅里叶变换 2 传输特性 2 黄瓜 1 阵列信号处理 1 边界 1 超洛伦兹-高斯光束 1 计量学 1 胶原 1 空间载波相移 1 空域谱 1 相容性 1 相位掩模 1 环境工程学 1 液位测量 1 测量 1 条纹分析 1 形状描述 1 强度分布 1 多目标跟踪 1 声共振 1 噻菌灵 1 吸收谱 1 可控中空光束 1 农药残留 1 共振频率 1 光电子学与激光技术 1 元素组成 1 傅里叶描述子 1 傅里叶分析 1 亲水性 1 thz-tds 1 2-甲基丙烯酰氧基乙基磷酰胆碱 1
推荐指数 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

方法具有较大应用潜力图４参１２关键词：林业工程；木材显微图像；快速傅里叶变换；独立成分分析；特征提取；木材识别中图分类号：￥８．７１１文献标志码：Ａ文章编号：１０ —６２２１）６０２ —５００５９（０００．８６０
（．江农林大学信息工程学院，浙江临安３１０；２浙江农林大学天目学院，浙江ｌ１浙１３０．临安３１０）１３０
摘要：正确识别木材对木材科学和木材产业具有重要意义。提出一种提取木材显微图像特征并进行识别的新方法。首先进行傅里叶变换得到木材显微图像的傅里叶变换功率谱图．然后进行独立成分分解得到功率谱图的独立基．所提取
ｍａｈｎｓｃｉｅ．Ａｓｌａｍａｌｍｐｌｘｒｍｅｔｓｎ０ｗｏｄｓｅｅｐｅｉｎｕｉｇ２０ｏｍｉｒｇａｓｎｉａｅａｈｉｈｒｃｇｔｏａｅｎｃｏｒｐｈｉｄｃｔｓｇｅｏｎｉｎｒｔａｄｉ
Ｆａｕｅｅｔａｔｎａｄｒｃｇｉｏｆｏｃｏｒｐａｅｅｔｒｘｒｃｉｎｅｏｎｔｎｏｄｍｉｒｇａｈｂｓｄｏｉｗｏ
ｏＴａｄＩｎＦＦｎＣＡ
ＦＡＮＧ — ｎＺＨＥＮＧｏ — ｉｇ，ＦＹｉｍｉｇ，Ｈｎｇｐｎ２ＥＮＧｉｌｎＨａ —ｉ
ｃｍｐｎｎｓＦｎｌｔｅｏｏｅｔ．ｉａｌｈｗｏｄａｂｒｃｇｉｄｙｌｓｉｉｇｈｃｅｃｅｔｕｉｇｕｐｒｅｔｒｙｏｃｎｅｅｏｎｚｂｃａｓｙｎｔｅｏｆｉｎｓｓｎｓｐｏｖｃｏｅｆｉｔ
ｅｅｔｅｅｓｏｔｅｍｔｏ．［ｈｇ１ｆｆｃｉｎｓｆｈｅｈｄＣ，４．２ｒ．ｆｖｅ］
Ｋｙｗｏｄ：ｆｒｓｅｇｅｒｇｏｄｍｉｏｒｐ；ｆｓＦｕｉｒｒｎｆｅｒｓｏｅｔｎｉｅｉ；ｗｏｃｇａｈａｔｏｒａｓｒ（ｆ）ｎｅｅｄｎｏｐｎｎｎｎｒｅｔｏｍＦＹ；ｉｄｐｎｅｔｍｏｅｔｒｃａａｓＩＡ）ｅｔｒｅｔｃｉｎｏｄｒｃｇｉｏｎｌｉＣ；ｆａｕｅｘａｔ；ｗｏｅｏｎｔｎｙｓ（ｒｏｉ
的特征就是木材显微图像的功率谱图在独立基上的投影系数．最后利用支持向量机对待识别图像在独立基上的投影系
数进行分类，实现木材识别。在２０幅木材显微图像库上进行小样本实验，取得了较高的识别率。实验结果表明，该０
ｕｅｔｇｔｏｒｓｃｒｍｏｏｍｉｒｇａｈ，ｔｎｈｉｄｐｅｅｔｏｏｅｔｎｌｓｓｌｏｉｈｓｄｏｅｐｗｅｐｅｔｕｆｗｏｄｃｏｒｐｈｅｔｅｎｅｎｄｎｃｍｐｎｎａａｙｉａｇｒｔｍｉｓ
Ａｂｔｃ：Ｗｏｄｒｃｇｉｏｌｙｎｉｏｔｎｏｅｉｏｄｓｉｎｅａｄｉｄｓｙｔｎｐａｓａｍｐｒａｔｌｎｗｏｃｅｃｎｎｕｔ．ｅｍｅｈｄｆｒｗｏｉｒｒ
（．ｃｏｌｆｎｏｍｔｎＥｇｅｒｇｈｊｎ＆ＦＵｉｅｉ，Ｌｎａ１３０，Ｚｅｉｇｈｎ；１Ｓｈｏｏｆｒａｉｎｉｅｎ，ＺｅｉｇＡＩｏｎｉａｎｒｔｖｓｙｉ’ｎ３１０ｈｊｎ，Ｃｉａａ２ＴａｍｕＣｌｇ，ＺｅａｇＡ＆ＦＵｉｒｔ，Ｌｎａ０ｈｊｎ，Ｃｉ）．ｉｎｏｌｅｈｊｎｅｉｎｖｓｙｉ’ｎ３０，Ｚｅａｇｈｎｅｉ１３１ｉａ
ｐｒｒｄｔｅｔｃｆａｒｗｉｈｉｔｅｃｅｃｎｆｗｏｉｏｒｐｒｊｃｉｇｔｔｅｉｄｐｎｅｔｅｆｍｅｏｘａｔｅｔｅｈｃｓｈｏｆｉｔｏｏｄｍｃｇａｈｐｏｅｔｏｈｎｅｅｄｎｏｒｕｉｅｒｎ
浙江林学院学报
２１，２（）２００７６：８６—８０３
ＪｕｎｌｏｈｉｇＦｒｓｙＣｌｇｏｒａｆＺｅａｏｅｔｏｌｅｊｎｒｅ
基于傅里叶变换和独立成分分析的木材显微图像特征提取与识别
方益明．郑红平ｚ．冯海林
ｍｃｏｒｐｅｔｒｘａｔｎａｄｗｏｅｏｎｔｎｉｐｏｏｅ．ｈｓＦｕｉａｓｒ（Ｆ）ｉｆｓｙｉｒｇａｈｆｕｅｅｔｃｏｎｏｄｒｃｇｉｏｓｒｐｓｄＴｅｆｔｏｒｒｔｎｆｍＦＴｓｉｔａｒｉｉａｅｒｏｒｌ