基于光谱信息与纹理信息融合的显微高光谱木材分类
发布时间：2021-01-28 04:22
木材属于天然的有机高分子化合物,在国民经济中,扮演重要角色。是重要的可再生原料同时也是必不可少的生活资源。但是目前市场上木材质量良莠不齐,商家以次充好,且很多木材纹理走势相似,依据肉眼难以辨别。在划分木材质地,鉴别木材种类和真伪中,仍存在许多困难。因此对木材树种的分类方法上仍需不断探索,推陈出新。目前使用的分类算法仍有些许不足,大部分分类过程仅仅依靠所采集的光谱信息,对木材图像纹理信息的挖掘深度不够,没有充分利用显微高光谱图像“图谱合一”的特点。此外,监督分类算法中支持向量机在处理非线性问题方面以及应对维数灾难上发挥特有的优势,但对于核函数的选取和应用较为单一,因此本论文在此基础上,针对上述问题,在复合核的框架下,提出有效的光谱信息与图像纹理信息融合的方法对木材分类。针对二十种木材树种的显微高光谱数据信息,本文的主要内容和工作如下:（1）基于分形理论的显微高光谱图像的图像纹理特征提取将分形理论引入显微高光谱成像的木材分类中,本文提出了应用多重分形谱的显微高光谱木材纹理特征提取方法。采用自适应波段选择和K-L散度两种降维方法挑选特征波长,降低波段数量,减少运算量。提出了三种不同的函数密度...
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图２－１美国橡树的显微高光谱示意图??（二）显微高光谱数据特性??（１）高分辨率
?东北林业大学硕士学位论文???ＬＬ２＾?；?ＨＬｒ??ＭＬ，－??ＨＬ２－?ｈｈ２－??ＬＨ，?ＨＨｒ??图２－２小波变换特征示意图??２．５显微高光谱分类模型算法??分类算法可被分为监督分类和无监督分类，监督分类常被用来进行定量分析，是模??式识别、机器学习领域中的典型分类算法。核心思想是对将要进行分类识别的对象分到??具体某一类中，分类的依据是该目标的观测特征。己知训练样本是监督分类的前提条件。??通过对己知的训练样本统计特征，并依据统计的特征建立分类模型，从而对待测的目标??进行分类，区分类别。??２＿５＿１?ＢＰ神经网络??ＢＰ神经网络是由Ｗｅｒｂｏｓ于１９７４年提出的，是一种多层前馈神经网络，最大的特??征是：信号向前传递，误差反向传播１８７］。??（一）ＢＰ神经网概述??（１）神经元模型：网络的每个神经元都接受来自其它神经元的输出，且按照一定??的规则，如图２－３所示是ＢＰ的神经元模型。??ｙ?＝?ｆ＜Ｘ７＝ｉ?ｗｉ?ｘｉ?＋?ｂ）?（２－４６）??式中Ａ是输入向量、６是偏置、／是传递函数。??（Ｈ）？？？??［＇＼＾ｙ?＇?￣?Ｊ—??Ｊ?＾?／（？）?．?ｙ??图２－３?ＢＰ神经元模型??常用的传递函数Ｓｉｇｍｏｉｄ函数和线性函数。Ｓｉｇｍｏｉｄ函数光滑可微，且其可微的特??－２０－??
?东北林业大学硕士学位论文???ＬＬ２＾?；?ＨＬｒ??ＭＬ，－??ＨＬ２－?ｈｈ２－??ＬＨ，?ＨＨｒ??图２－２小波变换特征示意图??２．５显微高光谱分类模型算法??分类算法可被分为监督分类和无监督分类，监督分类常被用来进行定量分析，是模??式识别、机器学习领域中的典型分类算法。核心思想是对将要进行分类识别的对象分到??具体某一类中，分类的依据是该目标的观测特征。己知训练样本是监督分类的前提条件。??通过对己知的训练样本统计特征，并依据统计的特征建立分类模型，从而对待测的目标??进行分类，区分类别。??２＿５＿１?ＢＰ神经网络??ＢＰ神经网络是由Ｗｅｒｂｏｓ于１９７４年提出的，是一种多层前馈神经网络，最大的特??征是：信号向前传递，误差反向传播１８７］。??（一）ＢＰ神经网概述??（１）神经元模型：网络的每个神经元都接受来自其它神经元的输出，且按照一定??的规则，如图２－３所示是ＢＰ的神经元模型。??ｙ?＝?ｆ＜Ｘ７＝ｉ?ｗｉ?ｘｉ?＋?ｂ）?（２－４６）??式中Ａ是输入向量、６是偏置、／是传递函数。??（Ｈ）？？？??［＇＼＾ｙ?＇?￣?Ｊ—??Ｊ?＾?／（？）?．?ｙ??图２－３?ＢＰ神经元模型??常用的传递函数Ｓｉｇｍｏｉｄ函数和线性函数。Ｓｉｇｍｏｉｄ函数光滑可微，且其可微的特??－２０－??
【参考文献】：
期刊论文
[1]应用改进的灰度共生矩阵识别木材纹理多重特征值[J]. 王清涛,杨洁. 西北林学院学报. 2019(03)
[2]近红外高光谱成像技术在药物分析中的研究进展[J]. 白文明,王来兵,成日青,布仁. 药物分析杂志. 2018(10)
[3]融合光谱-空间多特征的高光谱影像张量特征提取[J]. 薛志祥,余旭初,谭熊,魏祥坡. 计算机工程. 2018(03)
[4]基于边缘保持滤波的高光谱影像光谱-空间联合分类[J]. 张成坤,韩敏. 自动化学报. 2018(02)
[5]基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别[J]. 牟洪波,王世伟,戚大伟,倪海明. 森林工程. 2017(04)
[6]光谱预处理对近红外光谱预测苹果脆片糖度的影响[J]. 时榕茂,刘静. 现代计算机(专业版). 2017(20)
[7]基于空间特征与纹理信息的高光谱图像半监督分类[J]. 程志会,谢福鼎. 测绘通报. 2016(12)
[8]基于近红外光谱反射率特征的木材树种分类识别系统的研究与实现[J]. 窦刚,陈广胜,赵鹏. 光谱学与光谱分析. 2016(08)
[9]傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 佃袁勇,杨光,方圣辉. 武汉大学学报(信息科学版). 2017(03)
[10]WorldView-2近红外光谱波段反演马尾松植被信息的比较研究[J]. 胡秀娟,徐涵秋,黄绍霖,张灿,唐菲. 地球信息科学学报. 2016(04)
博士论文
[1]南方主要乔木树种高光谱数据降维组合分类算法研究[D]. 臧卓.中南大学 2013
硕士论文
[1]基于高光谱遥感数据的森林树种分类[D]. 张丽云.北京林业大学 2016
[2]基于纹理基元的遥感影像分类方法研究[D]. 刘婧婷.华中科技大学 2015
[3]基于图像处理的路面纹理特征识别方法研究[D]. 雷进宇.武汉工程大学 2014
[4]基于近红外光谱技术的木材识别初步研究[D]. 刘亚娜.中国林业科学研究院 2014
[5]基于光谱分析的木材树种识别方法的研究[D]. 张蓉.南京林业大学 2011
[6]基于小波变换和数学形态学的细胞图像分割方法研究[D]. 胡婵.湖南大学 2010
本文编号：3004348
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图２－１美国橡树的显微高光谱示意图??（二）显微高光谱数据特性??（１）高分辨率
?东北林业大学硕士学位论文???ＬＬ２＾?；?ＨＬｒ??ＭＬ，－??ＨＬ２－?ｈｈ２－??ＬＨ，?ＨＨｒ??图２－２小波变换特征示意图??２．５显微高光谱分类模型算法??分类算法可被分为监督分类和无监督分类，监督分类常被用来进行定量分析，是模??式识别、机器学习领域中的典型分类算法。核心思想是对将要进行分类识别的对象分到??具体某一类中，分类的依据是该目标的观测特征。己知训练样本是监督分类的前提条件。??通过对己知的训练样本统计特征，并依据统计的特征建立分类模型，从而对待测的目标??进行分类，区分类别。??２＿５＿１?ＢＰ神经网络??ＢＰ神经网络是由Ｗｅｒｂｏｓ于１９７４年提出的，是一种多层前馈神经网络，最大的特??征是：信号向前传递，误差反向传播１８７］。??（一）ＢＰ神经网概述??（１）神经元模型：网络的每个神经元都接受来自其它神经元的输出，且按照一定??的规则，如图２－３所示是ＢＰ的神经元模型。??ｙ?＝?ｆ＜Ｘ７＝ｉ?ｗｉ?ｘｉ?＋?ｂ）?（２－４６）??式中Ａ是输入向量、６是偏置、／是传递函数。??（Ｈ）？？？??［＇＼＾ｙ?＇?￣?Ｊ—??Ｊ?＾?／（？）?．?ｙ??图２－３?ＢＰ神经元模型??常用的传递函数Ｓｉｇｍｏｉｄ函数和线性函数。Ｓｉｇｍｏｉｄ函数光滑可微，且其可微的特??－２０－??
?东北林业大学硕士学位论文???ＬＬ２＾?；?ＨＬｒ??ＭＬ，－??ＨＬ２－?ｈｈ２－??ＬＨ，?ＨＨｒ??图２－２小波变换特征示意图??２．５显微高光谱分类模型算法??分类算法可被分为监督分类和无监督分类，监督分类常被用来进行定量分析，是模??式识别、机器学习领域中的典型分类算法。核心思想是对将要进行分类识别的对象分到??具体某一类中，分类的依据是该目标的观测特征。己知训练样本是监督分类的前提条件。??通过对己知的训练样本统计特征，并依据统计的特征建立分类模型，从而对待测的目标??进行分类，区分类别。??２＿５＿１?ＢＰ神经网络??ＢＰ神经网络是由Ｗｅｒｂｏｓ于１９７４年提出的，是一种多层前馈神经网络，最大的特??征是：信号向前传递，误差反向传播１８７］。??（一）ＢＰ神经网概述??（１）神经元模型：网络的每个神经元都接受来自其它神经元的输出，且按照一定??的规则，如图２－３所示是ＢＰ的神经元模型。??ｙ?＝?ｆ＜Ｘ７＝ｉ?ｗｉ?ｘｉ?＋?ｂ）?（２－４６）??式中Ａ是输入向量、６是偏置、／是传递函数。??（Ｈ）？？？??［＇＼＾ｙ?＇?￣?Ｊ—??Ｊ?＾?／（？）?．?ｙ??图２－３?ＢＰ神经元模型??常用的传递函数Ｓｉｇｍｏｉｄ函数和线性函数。Ｓｉｇｍｏｉｄ函数光滑可微，且其可微的特??－２０－??
【参考文献】：
期刊论文
[1]应用改进的灰度共生矩阵识别木材纹理多重特征值[J]. 王清涛,杨洁. 西北林学院学报. 2019(03)
[2]近红外高光谱成像技术在药物分析中的研究进展[J]. 白文明,王来兵,成日青,布仁. 药物分析杂志. 2018(10)
[3]融合光谱-空间多特征的高光谱影像张量特征提取[J]. 薛志祥,余旭初,谭熊,魏祥坡. 计算机工程. 2018(03)
[4]基于边缘保持滤波的高光谱影像光谱-空间联合分类[J]. 张成坤,韩敏. 自动化学报. 2018(02)
[5]基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别[J]. 牟洪波,王世伟,戚大伟,倪海明. 森林工程. 2017(04)
[6]光谱预处理对近红外光谱预测苹果脆片糖度的影响[J]. 时榕茂,刘静. 现代计算机(专业版). 2017(20)
[7]基于空间特征与纹理信息的高光谱图像半监督分类[J]. 程志会,谢福鼎. 测绘通报. 2016(12)
[8]基于近红外光谱反射率特征的木材树种分类识别系统的研究与实现[J]. 窦刚,陈广胜,赵鹏. 光谱学与光谱分析. 2016(08)
[9]傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 佃袁勇,杨光,方圣辉. 武汉大学学报(信息科学版). 2017(03)
[10]WorldView-2近红外光谱波段反演马尾松植被信息的比较研究[J]. 胡秀娟,徐涵秋,黄绍霖,张灿,唐菲. 地球信息科学学报. 2016(04)
博士论文
[1]南方主要乔木树种高光谱数据降维组合分类算法研究[D]. 臧卓.中南大学 2013
硕士论文
[1]基于高光谱遥感数据的森林树种分类[D]. 张丽云.北京林业大学 2016
[2]基于纹理基元的遥感影像分类方法研究[D]. 刘婧婷.华中科技大学 2015
[3]基于图像处理的路面纹理特征识别方法研究[D]. 雷进宇.武汉工程大学 2014
[4]基于近红外光谱技术的木材识别初步研究[D]. 刘亚娜.中国林业科学研究院 2014
[5]基于光谱分析的木材树种识别方法的研究[D]. 张蓉.南京林业大学 2011
[6]基于小波变换和数学形态学的细胞图像分割方法研究[D]. 胡婵.湖南大学 2010
本文编号：3004348
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3004348.html
最近更新
教材专著
