基于灰度共生矩阵和聚类方法的木材缺陷识别
应用灰度直方图特征识别木材表面节子缺陷

中 图分 类 号 T P 3 9 1 . 4
doi :】 0 . 37 88 / I OP5 2. 03】 5 0】
W ood Knot D ef ec t s Re c0 gni t i 0n wi t h Gr ay-Sc al e Hi s t og r a m Fe at ur e s
宋 小燕 白 福 息 武 建 新 陈 晓 东 张 铁 英
内蒙 古 工 业 大 学 机 械 学 院 , 内 蒙古 呼 和 浩 特 0 1 0 0 5 1 。 内蒙 古 工 业 大 学轻 工 与 纺织 学 院 , 内蒙 古 呼 和 浩 特 0 1 0 0 8 0
摘要 木 材 表 面 节 子 是 木 材 缺 陷 中非 常 重 要 的 一 类 缺 陷 , 也是评 定木材外观等 级 ቤተ መጻሕፍቲ ባይዱ 锯 材 和单 板 质 量 的 重 要 指 标 。 为
激 光 与 光 电 字 学 进 展
5 2 ,0 3 l 5 0 1 ( 2 O l 5 )
L a s e r & 0p t o e l e c t r O n i c s P r o g r e s s
 ̄2 0 1 5 4 中 国激 光 》 杂 志社
应 用灰 度 直 方 图 特 征 识 别 木材 表 面 节子 缺 陷
So ng Xi a oy a n Ba i Fu z h ong Wu J i a nxi n Che n Xi a o do ng 。 Zh a ng Ti e y i n g
Co l l e g e o fM e c h a ni c a l En g i ne e r i ng , I n ne r Mo n go l i a Uni v e r s i t y o f T e c h n o l o g y , Huh ho t , I nne r Mo n g o l i a 0 1 0 0 5 1 , Ch i na Co l l e g e o f Te xt i l e a n d L i g ht I nd u s t r y , I n ne r Mo n g o l i a Un i v e r s i t y f o T e c h no l o g y ,
基于人工智能技术的木质制品缺陷检测与质量控制方法研究

基于人工智能技术的木质制品缺陷检测与质量控制方法研究基于人工智能技术的木质制品缺陷检测与质量控制方法研究摘要:随着木材市场的快速发展,木质制品的质量要求也越来越高。
然而,传统的缺陷检测与质量控制方法存在一些困难和限制。
为了解决这个问题,本研究使用了人工智能技术来开发一种新的缺陷检测与质量控制方法。
该方法结合了机器视觉和深度学习算法,可以准确地检测木质制品的表面缺陷,并且提供及时的反馈来指导生产过程。
首先,我们需要收集大量的木质制品图像数据集,并对其进行标注。
这些图像将包含不同类型和程度的缺陷,例如裂纹、孔洞、疤痕等。
标注的过程需要专业的人员进行,并且要确保标注的准确性和一致性。
接下来,我们将使用机器视觉技术来提取图像的特征。
常见的特征包括颜色、纹理和形状等。
这些特征将用于训练深度学习模型,以便准确地识别和分类木质制品的表面缺陷。
在模型训练阶段,我们将使用深度学习算法,如卷积神经网络(CNN)或循环神经网络(RNN)。
这些算法可以自动学习图像中的特征,并将它们与相应的缺陷标签进行关联。
模型训练的关键是要提供足够多的训练样本,并且对模型进行适当的调参。
然后,我们将使用训练好的模型来进行缺陷检测。
对于每一个木质制品,我们将获取它的图像,并使用模型来预测是否存在缺陷。
如果存在缺陷,我们将及时停止生产,并将具体的缺陷信息反馈给工人,以便他们进行修复。
最后,为了评估方法的性能,我们将进行实地测试。
我们将选择一些实际的木质制品进行检测,并与传统的检测方法进行比较。
通过比较不同方法的准确度、速度和成本等指标,我们可以评估我们的方法的优势和潜力。
本研究的结果表明,基于人工智能技术的木质制品缺陷检测与质量控制方法具有较高的准确性和效率。
与传统的方法相比,它可以大大提高缺陷检测的精度,并减少人工成本。
然而,该方法的实际应用还需要进一步的研究和验证。
关键词:人工智能,木质制品,缺陷检测,质量控制,深度学习Abstract: With the rapid development of the wood market, the quality requirements for wooden products are getting higher and higher. However, traditional methods of defect detection and quality control have some difficulties and limitations. To address this issue, this study used artificial intelligence technology to develop a new method for defect detection and quality control of wooden products. This method combines machine vision and deep learning algorithms to accurately detect surface defects in wooden products and provide timely feedback to guide the production process.First, a large amount of image data of wooden products needs to be collected and annotated. These images will include different typesand degrees of defects, such as cracks, holes, scars, etc. The annotation process needs to be performed by professional personnel to ensure the accuracy and consistency of the annotations.Next, machine vision technology will be used to extract features from the images. Common features include color, texture, and shape, among others. These features will be used to train deep learning models to accurately identify and classify surface defects in wooden products.In the model training stage, deep learning algorithms such as Convolutional Neural Networks (CNN) or Recurrent Neural Networks (RNN) will be used. These algorithms can automatically learn the features in the images and associate them with the corresponding defect labels. The key to model training is to provide sufficient training samples and properly tune the model.Then, the trained model will be used for defect detection. For each wooden product, its image will be obtained, and the model will be used to predict whether there are defects. If defects are detected, production will be stopped in a timely manner, and the specific defect information will be provided to the workers for repair.Finally, to evaluate the performance of the method, field tests will be conducted. Some actual wooden products will be selected for detection and compared with traditional detection methods. By comparing the accuracy, speed, and cost of different methods, we can evaluate the advantages and potential of our method.The results of this study show that the defect detection and quality control method for wooden products based on artificial intelligence technology has high accuracy and efficiency. It can greatly improve the accuracy of defect detection and reduce labor costs compared to traditional methods. However, further research and validation are needed for the practical application of this method. Keywords: artificial intelligence, wooden products, defect detection, quality control, deep learning【第一章:引言】(约200字)在木质制品行业,质量问题一直是制约行业发展的主要因素之一。
一种基于灰度行程与Guass-Markov随机场的木材纹理分析方法的开题报告

一种基于灰度行程与Guass-Markov随机场的木材纹理分析方法的开题报告研究背景与意义随着木材应用领域的不断扩展,对木材纹理的研究也变得越来越重要。
木材纹理分析是指对木材表面纹理进行图像分析和处理,以获取其重要的特征参数,实现对木材质量的评估和分类。
目前,很多木材纹理分析方法都基于灰度共生矩阵(GLCM)和小波变换等技术,但这些方法在纹理复杂、噪声较大的情况下效果不佳。
本研究提出一种基于灰度行程与Guass-Markov随机场的木材纹理分析方法,旨在解决现有方法的不足,提高木材纹理分析的精度和效率。
具体来讲,该方法将利用灰度行程对木材纹理进行特征提取和分割,并采用Guass-Markov随机场模型对分割结果进行优化和修正,最终得到较为精确的纹理特征参数和纹理分割图像。
研究内容与技术路线1.灰度行程特征提取与纹理分割将木材纹理图像进行灰度处理,然后使用灰度行程算法提取纹理特征,并进行纹理分割。
灰度行程算法是一种有效的纹理分割算法,可以提取出图像中的纹理特征,并生成灰度级别与像素长度间的关系矩阵。
通过对该矩阵进行聚类,可以快速准确地对木材纹理进行分割。
2.Guass-Markov随机场优化采用Guass-Markov随机场模型对灰度行程算法的分割结果进行优化和修正。
Guass-Markov随机场是一种常用的图像分割算法,可以识别出图像中的区域,并对其进行标记和组织。
本研究将利用Guass-Markov随机场模型对纹理分割图像进行修正、提高其分割效果和准确率。
3.实验分析与评估实验将在多种不同类型、不同材质的木材样本上进行,包括橡木、白蜡木、胡桃木等,对本方法的特征提取、分割效果、精度、准确率等方面进行评估和分析。
预期成果1.开发一种基于灰度行程与Guass-Markov随机场的木材纹理分析方法,能够准确地提取和分割出木材纹理特征参数和纹理分割图像。
2.通过实验对本研究方法进行验证和分析,证明其在木材纹理分析方面的优越性和可行性。
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。
基于灰度共生矩阵的木材表面缺陷图像的纹理分割方法

口内 4个灰度共生矩阵参数 , 取平均值作为窗 口中心 点纹理特 征参数 。窗 口重叠历遍 整个图像 , 图像尺 寸为 5 2×52 去除 1 1, 边缘像素 , 幅图像共 提取 28 O 1 个特征参数。 每 4 O 4× 1 以图 1 例 , 为 经预处理后 , 坐标位置 为 ( , ) 取 8 8 的像 素点 ( 即可获得灰度共生矩阵参数 的第 一点 ) 计算在其 邻域 范围 , 为 1 5窗口内 4个 方 向上 的灰 度共 生矩阵 及其 1 个 5×1 1 参数 。图 1 经预处理后原灰度级量化至 3 2级 , L=3 , 2 所取 窗 口内各像 素点 的灰 度值可用矩阵表示。
适于描述木材纹理的灰度共生矩阵构造方法研究

第 6期
维普资讯
固目
令 x ’ 别为 w. 、 分 x‘ 类及 wi 中 的 D维 特征 向 类 量 , x xj 为这两个 向量问 的距 离 , Q( , ‘) 】 则各 类特征 向 量 问的平均距离为 :
为 P即 : ,
D > ,x 0 则称 e0D l , >
纹理是木材 的 自然属性 ,木材纹理具有 精细复 杂 的结构 , 很难用 明确 的数学解 析式 表达 , 木材 纹理 的描
述分析方法是木材 物理学与 木质环境学 的重 要研究课
图像的灰度矩 阵反映 的是 图像视觉信息 ,而灰度
共生矩 阵反映 的则是 图像灰度关 于方 向 、 相邻 间隔 、 变
:
式 中 C n ( , 是 两个 变量 的协 方差 , e D ov s ) D 、 分别 是 变量 s 和 的方差。 通 过大量样本总结得 出 ,木材纹理主要组成成 分
题。随着计算机技术 的飞速发展 , 国内外许多学者都将 图像 处理技术 引入 木材学领域 ,为解决这一难 题提供 了新的思路 。而灰度 共生矩 阵是 图像处理 中描述纹理 的重要方法之一 ,本 文探讨 了适 于描述木材 纹理的灰 度共生矩阵的构造 方法及特征参数 的选择方法 。
1 灰 度 共 生 矩 阵
x De D I / x  ̄
为s 与 的相关 系数 , 记
()1∑ = ∑
1 =I
ni ni k=I ) )(
p :
X D ̄ D I / , r  ̄
( 4)
式中 c 为类别 数 , wj 中样本 数 ,j w 中样 n为 类 n为 类 本数 , P 是相应类别检验概率 。 ,.
XUE J - g F u  ̄n , AN n - n S n Do g mig, UIXi
基于机器学习的木材缺陷检测算法研究

基于机器学习的木材缺陷检测算法研究在木材生产过程中,有时候会出现一些木材表面或内部的缺陷,如裂纹、节疤、腐朽等等,这些缺陷不仅会影响木材的美观度,还会影响木材的使用性能。
因此,如何及早发现木材中的缺陷就成为了木材加工企业亟待解决的问题。
现有的木材缺陷检测方法通常依赖人工检验,但是这种方法费时费力,且误差较大。
基于机器学习的自动化缺陷检测算法则成为了一种备受关注的解决方案。
一、机器学习与木材缺陷检测机器学习是一种人工智能的应用,其核心思想是通过让机器学习数据,以便于进行后续的自主分类、判断、预测等任务。
木材缺陷检测算法则是通过机器学习的方法,将大量的木材图像数据输入到算法中进行学习,然后自动识别和定位木材缺陷区域,从而替代人工完成这一任务。
通常,基于机器学习的木材缺陷检测算法主要分为以下几个步骤:1. 数据采集:采集大量的木材样本图像,并将其按照缺陷类型进行分类和标注。
2. 图像预处理:对于采集到的木材图像进行预处理,如去除噪声、增强对比度等操作,以提高后续算法的准确性。
3. 特征提取:从预处理后的木材图像中提取特征,如颜色、纹理、几何形状等,以用于后续的分类和识别任务。
4. 模型训练:利用提取得到的特征数据,训练机器学习模型,如决策树、支持向量机、卷积神经网络等,从而让模型学习如何正确分类和定位木材缺陷。
5. 缺陷检测:将待检测的木材图像输入到训练好的模型中,自动识别和定位出木材缺陷区域。
二、算法研究进展目前,国内外研究人员已经在木材缺陷检测算法上做了很多有意义的尝试。
下面我们就从颜色、纹理、几何形状等角度,分别介绍一下当前一些主流的木材缺陷检测算法。
1. 基于颜色的算法基于颜色的算法是一种简单而有效的缺陷检测算法。
这种算法是通过对比木材缺陷区域和正常区域在像素颜色空间上的差异,来判断某一区域是否为缺陷区域。
当缺陷造成的颜色变化越显著,算法的准确度就越高。
但基于颜色的算法效果有一定局限性,对于颜色较为相似的缺陷区域,算法的准确度会受到很大影响,同时这种算法也不适用于检测黑白木材等不具有颜色的木材。
基于空间灰度共生矩阵木材纹理分类识别的研究

i ae ta ytm sfa be i e i e o n t n o o . dc t h t e sse wa e il n te s l t n a d rc g io f o d d h t s h ec o n i w
Ke r s y wo d . o d txu e L M;ds ea l a i;sp rb h r ein;B e rl e o ,w o t r ;G C e i s i e b ss ea a it ci r o b y t o P n ua t r nw
文献标识码 :A
文章 编号 :10 一(5 (07 1 02— 5 0 1 X X 20 )0 —0 3 0 )
Wo d T xu eClsic t n a d Reo nt n B sd O1 m t t C  ̄Wa gHa ,B i u bn ,WagHu N r e s o e tr as ai n c g io ae 1 s i i f o i 1 a GL S n n a X e ig n i( ot at h
维普资讯
第2 3卷 第 1 期 2Βιβλιοθήκη 07年 1 月 森林
工
程
V 1 3 o1 o . N . 2
F E T E I E RI G 0R S NG N E N
J n ,2 0 a . 07
基 于 空 间灰 度 共 生矩 阵木材 纹 理 分 类 识别 的研 究
d f m L M T e ,fau es e t n o t a a tr w sd n a e nt orlt na ay i T aa tr y t o e o te G C . h n e tr lc o f ep rmee a o eb s d o e c rea o n ls . ep xmee s m f r h e i h s h i s h s e w o xue W ul p h c o l i c yc re p n e u n sn e .Fn l ,tew o a lsw r l t n ・ o d t tr a b i u ,w ih c uddr t ors o d t h ma s s ial h o d smpe e s e e a d I e s d el d o e y eec d Ⅸ:
- 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)。
灰度共生矩阵反映的是图像灰度关于方向、相 邻间隔、变化幅度的综合信息。通过灰度共生矩阵 可以分析图像的局部模式和排列规则等,但一般并 不直接应用得到的共生矩阵,而是在其基础上获取 二次统计量。在获取灰度共生矩阵的特征参数之 前,先作正规化处理。
如果定义像素点对的间隔距离参数为d,像素 点对的方向角度参数为目,口与z轴平行时值取0, 绕逆时针旋转为正方向。统计纹理图像中在口方 向上相隔d像素距离的一对像素分别具有灰度层i 和歹的出现概率P(i,J,d,护),生成灰度共生矩阵C (d,口),记为:C(d,p)一FP(i,歹,d,臼)]。令:P(i,J, d,口)=尸(i,J,d,口)/R,其中,R是正规化常数,是灰 度共生矩阵中全部元素之和。
—0.53—0.43—0.97 0.073 0.334 0.975 0.628 0.979 0.018 0.554—0.6
C
0.935—0.92一O.53 1
0.789 0.596 0.617一O.29—0.56—0.96—0.62 0.675一O.81 0.65
MP
0.951一O.85—0.43 0.789 1
tropy)、SOE(SumofEntropy)、SOC(Shadowof~ Clustering)、POC(PromineneeeofClustering)、MP (Maximalprobability)。 2.4生成步长d对特征参数的影响
生成步长d决定了灰度矩阵的两个采样像素 点间的距离,d取值不同会对灰度矩阵有很大的影 响。对纹理比较细的来说,如果d与纹理基元的幅 度大小差不多,此时灰度共生矩阵中大数值元素的 分布将较为均匀。对纹理基元较大的粗纹理来说, 如果d与纹理基元的幅度相比较小,那么生成步长 d两端灰度相近可能性就大,此时灰度共生矩阵中 的大数值元素集中在矩阵对角线附近。因此,需要 针对不同的研究对象选择合适的生成步长d,本实 验中,生成步长d取1。 2.5 图像灰度级Ng对特征参数的影响
(1),得出灰度共生矩阵14个特征参数间的相关性
矩阵,如表2所示。
万方数据
40
吴东洋等:基于灰度共生矩阵和聚类方法的木材缺陷识别
第38卷
图像名E
H
I
表1 11幅图像的特征参数
C
MP IDM SOA S(℃
VOD
SOE
DOE
VAR SOV
P(℃
表2图像特征参数间的相关矩阵
相关系数E
H
I
C
MP
IDM SOA SOC VOD SOE DOE VAR SOV POC
关键词灰度共生矩阵;k-means;Affinity Propagation聚类 中图分类号TP30l
Wood Defect Recognition Based on GLCM and Clustering Algorithm
Wu Dongyan91’Ye NingI’Su Xiaoqing‘2’ (School of Information Technology,Nanjing Forestry University”,Nanjing 210037) (The Red Special Branch of Agricultural Bank,Hainan Provincez’,Wanning 571500)
Method)和基于网格的方法(Grid-based Method)和基 于模型的方法(Model-based Method)。目前普遍认为
不存在某种方法适合解决所有的聚类问题。 2.2灰度共生矩阵
在上世纪70年代初期,Haralick[3 ̄43等人提出
·收稿日期:2010年6月14日,修回日期:2010年8月16日 基金项目:国家自然基金(编号:60573024);江苏省自然基金项目(编号:BK2009393)资助。 作者简介:吴东洋,女,讲师,研究方向:数据挖掘。
2 背景
2.1聚类方法 聚类是数据挖掘、模式识别等领域最为常用的
技术之一。聚类[幻算法是根据特征向量间的“相
似”程度来完成对力维特征向量分组。在机器学习 领域,聚类属于无监督学习方法,不需要事先对已 知样本分类进行标记,而是根据特征向量间的“相 似”程度自动划分类别。
传统的聚类分析方法可以分为以下几类[2]:基于 层次化的方法(Hierarchical Method)、基于划分式方法 (Partitioning Method)、基于密度方法(Desity-based
Key Words GLCM,K-means,Affinity Propagation clustering CI籀s Ntmll确r TP301
1 引言
在木材加工产业中,木材缺陷的检测对木材材 质评定、质量控制及产品分等均具有重要意义,在 实际生产中,木材中的缺陷需要加以剔除。本文采 用聚类方法和GLCM的特征提取技术,对木材图 像数据自动识别并准确标记缺陷位置,实验取得了 较好的识别效果。
E
l
—O.95一O.55 0.935 0.951 0.605 0.693一O.02一O.59—0.97—0.58 0.743—0.71 0.539
H
—0.95 1
0.743—0.92一O.85—0.81一O.5 0.167 0.781 0.979 0.783一O.56 0.815一O.72
I
~O.55 0.743 1
0.539一O.72—0.6 0.65 0.347 0.741 0.116一O.52—0.65—0.65一O.7 0.138一O.92 1
总第253期 2010年第11期
计算机与数字丁程 Computer&Digital Engineering
V01.38 No.11 38
基于灰度共生矩阵和聚类方法的木材缺陷识别+
吴东洋" 业宁” 苏小青动 (南京林业大学信息技术学院" 南京210037)(海南省万宁市农业银行红专支行2’ 万宁571500)
图像灰度级Ng越大,图像就越清晰,越能真 实反映图像样本本身。但是灰度级越大,会导致灰 度共生矩阵维数增大,加大运算量。如对其进行灰
度级压缩,会导致灰度级分布于更狭窄的范围内, 不利于样本特征的获取及其分类。但是有时为了 满足实际需要,必须要对灰度级进行压缩。因此, 本实验从此角度出发对图像灰度级Ng的灰度级 别取为16级。 2.6相关系数
万方数据
2010年第11期
计算机与数字工程
了纹理特征的共生矩阵表示。灰度共生矩阵是建立 在估计图像的二阶组合条件概率密度函数的基础 上,通过计算图像中有某种位置关系的两点灰度之 间的相关性,来反映图像在方向、间隔、变化幅度及 快慢上的综合信息,是分析纹理特性有效的方法。 2.3灰度共生矩阵的特征参数
限制在需要的一定范围内,为后面数据的处理提供
方便和保证程序运行时的收敛加快。对于后续的
特征提取工作非常重要,归一化的精度和效果直接
影响了特征提取的准确性。归一化方法如下:
P(:,:,咒)一P(:,:,咒)/N 其中咒=1,-.4,
N=砭P(:,:,,z)
(3)
3.2基于GI£M的纹理特征提取
我们截取其中11幅具有代表性的图像,图像
摘要文章提出了一种新的基于灰度共生矩阵的木材纹理特征提取和聚类分析的木材缺陷识别方法。该方法基于 灰度共生矩阵,提取5个具有代表性的纹理特征:能量(E),惯性矩(I),均值和(SOA),聚类阴影(SOC),方差和(SOV),实现 数据降维,对产生的特征数据集分别利用k-means算法及AP算法进行聚类,自动找出并正确标识木材表面缺陷位置,并对 比分析不同木材表面缺陷类型识别效率。实验结果表明,该方法能快速有效地进行木材表面缺陷自动识别。
一O
0.655一O.7
0.743一O.56 0.018 0.675 0.768 0.061 0.995 0.306一O.1一O.6l—O
1
一O.41 0.138
一O.71 0.816 0.554—0.8l一0.51—0.72一O.38 0.457 0.637 0.791 o-655—0.41 i
一0.92
0.657 0.955一O.1 0.637—0.65
SoE
一O.97 0.979 0.628一O.96一O.88一O.7一O.55 0.16 0.657 1
0.687—0.61 0.791 一O.65
DOE VAR SOV PoC
—0.58 0.783 0.979一O.62—0.42一O.97 0.057 0.457 0.955 0.687 1
Abstrmvt A new method based on GLCM and Clustering Algorithm for wood defect identification was analyzed.The method is based on GLCM,extracting the five wood image texture characteristics E,I,SOA,SOC and SOV,decreasing the
0.338—0.06—0.55 0.057 0.995一O.38 0.116
SOC
—0.02 0.167 0.334一O.29 0.241一O.33 0.338 1
0.264 0.16
0.457 0.306 0.457一O.52
VoD
—0.59 0.781 0.975—0.56一O.48一O.98一O.06 0.264 1