基于分位数算法的木材节子图像增强与识别
发布时间：2021-07-26 10:50
木材缺陷识别是木材领域重点的研究方向之一,缺陷的识别提高了木材的加工效率,节省木质资源,在板材加工生产中具有广阔的应用前景。木材节子作为板材中常见的缺陷之一,影响着板材的质量与美观,本文主要利用数字图像处理技术中的增强和识别技术对死节和活节进行分类研究。1.介绍了自适应直方图均衡化和方向自适应插值算法两种方法,利用这两种方法对木材节子图像进行增强处理。2.数字图像处理是一种应用广泛,且实用性很强的图像处理技术。本文提出了基于分位数算法的木材节子增强方法,将离散余弦变换、分位数算法和直方图均衡化组建成一种新的增强算法,该方法主要将木材节子图像的像素值具体细分,由离散余弦变换分离出低频分量,图像经过分位数算法划分为各等级子直方图,最后做直方图均衡化处理,输出增强后木材节子图像。3.将本文方法与自适应直方图均衡化和方向自适应插值算法进行比较分析,利用峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）、结构相似性指数测量（Structure Similarity Index Measurement,SSIM）和特征相似性指数测量（Feature Similarity ...
【文章来源】：内蒙古农业大学内蒙古自治区
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图１木材节子原图像??Ｆｉｇ．?１?Ｏｒｉｇｉｎａｌ?ｉｍａｇｅ?ｏｆ?ｗｏｏｄ?ｋｎｏｔ??ａ，ｂ原死节彩色图像ｃ，ｄ原活节彩色图像ｅ，ｆ原死节灰度图像ｇ，ｈ原死节灰度图像??
｜｜?ｉ?ｎ?ＪＨＩｉ??ｊｒ＜ｊｊ??Ｉ?ｉｉｉｉｉｉ?－?，Ｊ｜?ｉ??？Ｊ）?ｊｉｊｌｊｈ?ｈ??ａ?ｂ??．?＾?｜－—一ｊ??ｉ?ｉ?以??－?ｉＪｈ?ｊ；ｉ?？?，?Ｉ??Ｉ?１１：?｜?扣丨?ｉｆ；??＂ｉ?Ｊ?Ｉ??－?Ｍｋｉ?？?？??丨…丨丨丨：’ｌ；?Ｉ’ｄ?Ｈｉ?？?，：；！：］：??Ｉ??５０?ＶＪＯ?ｔ＇ｉ＇?＿？?Ｊ？心?？?５０?Ｖ＞ｔｆ?Ｌ＇ｉｖ＊?Ｉ＇Ｏ??ｃ?ｄ??图２木材节子原灰度图像直方图??Ｆｉｇ．２?Ｈｉｓｔｏｇｒａｍ?ｏｆ?ｏｒｉｇｉｎａｌ?ｇｒａｙｓｃａｌｅ?ｉｍａｇｅ?ｏｆ?ｗｏｏｄ?ｋｎｏｔ??ａ＾ｂ原死节图像直方图ｃ，ｄ原活节图像直方图??２．２自适应直方图均衡化??２．２．１理论??自适应直方图均衡化Ｋ９＿３°］（Ａｄａｐｔｉｖｅ?ｈｉｓｔｏｇｒａｍ?ｅｑｕａｌｉｚａｔｉｏｎ，ＡＨＥ）用来提升图像的??对比度的一种计算机数字图像处理技术，和普通的直方图均衡算法不同。ＡＨＥ算法??通过计算图像的局部直方图，然后重新分布亮度来改变图像对比度［？。因此，该算??法更适合于改进图像的局部对比度以及获得更多的图像细节信息。??采用局部法对图像进行处理，根据图像像素的局部统计特征来决定处理方法。??每个像素的灰度值都通过一个均衡化变换函数得到，而该变换函数是由像素中心的??一个局部子图像的直方图得到，称其为局部对比度增强算法。具体算法如公式（１）??和（２）：??ｘ＇ｉｊ?＝?ｍｉｊ?＋?ｋ｛ｘｉ，ｊ－ｍｉ，ｊ）?（１）??
图３?Ｋ值变换７Ｆ意图??Ｆｉｇ．３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｖａｌｕｅ?ｃｈａｎｇｅ??
【参考文献】：
期刊论文
[1]结合残差编解码网络和边缘增强的遥感图像去噪[J]. 吴从中,陈曦,詹曙. 遥感学报. 2020(01)
[2]基于深度学习的树种图像自动识别[J]. 刘嘉政,王雪峰,王甜. 南京林业大学学报(自然科学版). 2020(01)
[3]基于深度学习的木材表面缺陷图像检测[J]. 陈献明,王阿川,王春艳. 液晶与显示. 2019(09)
[4]基于边缘特征和像素结构相似度的图像修复算法[J]. 陶兆胜,张敬寒,王磊,占伟豪,王丽华. 计算机辅助设计与图形学学报. 2019(10)
[5]峰值信噪比标准下轨道图像预处理方法研究[J]. 张雯柏,赵华北,胡爱云,彭翠云. 湖南文理学院学报(自然科学版). 2019(03)
[6]基于局部二值差异激励模式的木材缺陷分类[J]. 李绍丽,苑玮琦,杨俊友,李德健. 仪器仪表学报. 2019(06)
[7]基于改进的直方图均衡化与边缘保持平滑滤波的红外图像增强算法[J]. 李贤阳,阳建中,杨竣辉,陆安山. 计算机应用与软件. 2019(03)
[8]基于离散余弦变换和深度网络的地貌图像分类[J]. 刘芳,路丽霞,黄光伟,王洪娟,王鑫. 光学学报. 2018(06)
[9]木材节子缺陷检测与定位方法[J]. 王泽润,方益明,冯海林,杜晓晨,夏凯. 激光与光电子学进展. 2018(05)
[10]直方图均衡化图像增强的改进算法[J]. 王世刚,游敏娟,宋莉. 中国医疗器械杂志. 2017(03)
博士论文
[1]基于深度学习的人脸图像识别技术的研究[D]. 刘小沣.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于色彩信息的图像增强研究[D]. 陈杰.南京邮电大学 2017
[3]基于纹理的木材图像识别方法研究[D]. 汪杭军.中国科学技术大学 2013
硕士论文
[1]基于SVM和RPCA的目标检测算法若干研究[D]. 焦佳丽.南京邮电大学 2019
[2]基于SVM和Adaboost的多分类算法研究[D]. 张松.山东师范大学 2019
[3]基于改进暗通道算法的夜雾图像增强技术研究[D]. 卢忱言.河南大学 2019
[4]不同光照条件下的图像增强算法研究[D]. 王亚敏.安徽大学 2019
[5]基于卷积神经网络的图像识别方法研究与应用[D]. 朱艳芳.天津理工大学 2019
[6]基于机器视觉的木材缺陷无损检测研究[D]. 张瑞峰.浙江农林大学 2019
[7]基于离散余弦变换和K均值的非局部最大似然磁共振图像去噪算法研究[D]. 刘茂山.安徽工业大学 2018
[8]基于卷积神经网络的动物识别算法研究[D]. 袁东芝.华南理工大学 2018
[9]基于直方图均衡的夜间图像增强算法研究[D]. 赵丽.兰州大学 2018
[10]基于深度卷积生成对抗网络的图像修复研究与应用[D]. 王鑫磊.重庆大学 2018
本文编号：3303423
【文章来源】：内蒙古农业大学内蒙古自治区
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图１木材节子原图像??Ｆｉｇ．?１?Ｏｒｉｇｉｎａｌ?ｉｍａｇｅ?ｏｆ?ｗｏｏｄ?ｋｎｏｔ??ａ，ｂ原死节彩色图像ｃ，ｄ原活节彩色图像ｅ，ｆ原死节灰度图像ｇ，ｈ原死节灰度图像??
｜｜?ｉ?ｎ?ＪＨＩｉ??ｊｒ＜ｊｊ??Ｉ?ｉｉｉｉｉｉ?－?，Ｊ｜?ｉ??？Ｊ）?ｊｉｊｌｊｈ?ｈ??ａ?ｂ??．?＾?｜－—一ｊ??ｉ?ｉ?以??－?ｉＪｈ?ｊ；ｉ?？?，?Ｉ??Ｉ?１１：?｜?扣丨?ｉｆ；??＂ｉ?Ｊ?Ｉ??－?Ｍｋｉ?？?？??丨…丨丨丨：’ｌ；?Ｉ’ｄ?Ｈｉ?？?，：；！：］：??Ｉ??５０?ＶＪＯ?ｔ＇ｉ＇?＿？?Ｊ？心?？?５０?Ｖ＞ｔｆ?Ｌ＇ｉｖ＊?Ｉ＇Ｏ??ｃ?ｄ??图２木材节子原灰度图像直方图??Ｆｉｇ．２?Ｈｉｓｔｏｇｒａｍ?ｏｆ?ｏｒｉｇｉｎａｌ?ｇｒａｙｓｃａｌｅ?ｉｍａｇｅ?ｏｆ?ｗｏｏｄ?ｋｎｏｔ??ａ＾ｂ原死节图像直方图ｃ，ｄ原活节图像直方图??２．２自适应直方图均衡化??２．２．１理论??自适应直方图均衡化Ｋ９＿３°］（Ａｄａｐｔｉｖｅ?ｈｉｓｔｏｇｒａｍ?ｅｑｕａｌｉｚａｔｉｏｎ，ＡＨＥ）用来提升图像的??对比度的一种计算机数字图像处理技术，和普通的直方图均衡算法不同。ＡＨＥ算法??通过计算图像的局部直方图，然后重新分布亮度来改变图像对比度［？。因此，该算??法更适合于改进图像的局部对比度以及获得更多的图像细节信息。??采用局部法对图像进行处理，根据图像像素的局部统计特征来决定处理方法。??每个像素的灰度值都通过一个均衡化变换函数得到，而该变换函数是由像素中心的??一个局部子图像的直方图得到，称其为局部对比度增强算法。具体算法如公式（１）??和（２）：??ｘ＇ｉｊ?＝?ｍｉｊ?＋?ｋ｛ｘｉ，ｊ－ｍｉ，ｊ）?（１）??
图３?Ｋ值变换７Ｆ意图??Ｆｉｇ．３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｖａｌｕｅ?ｃｈａｎｇｅ??
【参考文献】：
期刊论文
[1]结合残差编解码网络和边缘增强的遥感图像去噪[J]. 吴从中,陈曦,詹曙. 遥感学报. 2020(01)
[2]基于深度学习的树种图像自动识别[J]. 刘嘉政,王雪峰,王甜. 南京林业大学学报(自然科学版). 2020(01)
[3]基于深度学习的木材表面缺陷图像检测[J]. 陈献明,王阿川,王春艳. 液晶与显示. 2019(09)
[4]基于边缘特征和像素结构相似度的图像修复算法[J]. 陶兆胜,张敬寒,王磊,占伟豪,王丽华. 计算机辅助设计与图形学学报. 2019(10)
[5]峰值信噪比标准下轨道图像预处理方法研究[J]. 张雯柏,赵华北,胡爱云,彭翠云. 湖南文理学院学报(自然科学版). 2019(03)
[6]基于局部二值差异激励模式的木材缺陷分类[J]. 李绍丽,苑玮琦,杨俊友,李德健. 仪器仪表学报. 2019(06)
[7]基于改进的直方图均衡化与边缘保持平滑滤波的红外图像增强算法[J]. 李贤阳,阳建中,杨竣辉,陆安山. 计算机应用与软件. 2019(03)
[8]基于离散余弦变换和深度网络的地貌图像分类[J]. 刘芳,路丽霞,黄光伟,王洪娟,王鑫. 光学学报. 2018(06)
[9]木材节子缺陷检测与定位方法[J]. 王泽润,方益明,冯海林,杜晓晨,夏凯. 激光与光电子学进展. 2018(05)
[10]直方图均衡化图像增强的改进算法[J]. 王世刚,游敏娟,宋莉. 中国医疗器械杂志. 2017(03)
博士论文
[1]基于深度学习的人脸图像识别技术的研究[D]. 刘小沣.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于色彩信息的图像增强研究[D]. 陈杰.南京邮电大学 2017
[3]基于纹理的木材图像识别方法研究[D]. 汪杭军.中国科学技术大学 2013
硕士论文
[1]基于SVM和RPCA的目标检测算法若干研究[D]. 焦佳丽.南京邮电大学 2019
[2]基于SVM和Adaboost的多分类算法研究[D]. 张松.山东师范大学 2019
[3]基于改进暗通道算法的夜雾图像增强技术研究[D]. 卢忱言.河南大学 2019
[4]不同光照条件下的图像增强算法研究[D]. 王亚敏.安徽大学 2019
[5]基于卷积神经网络的图像识别方法研究与应用[D]. 朱艳芳.天津理工大学 2019
[6]基于机器视觉的木材缺陷无损检测研究[D]. 张瑞峰.浙江农林大学 2019
[7]基于离散余弦变换和K均值的非局部最大似然磁共振图像去噪算法研究[D]. 刘茂山.安徽工业大学 2018
[8]基于卷积神经网络的动物识别算法研究[D]. 袁东芝.华南理工大学 2018
[9]基于直方图均衡的夜间图像增强算法研究[D]. 赵丽.兰州大学 2018
[10]基于深度卷积生成对抗网络的图像修复研究与应用[D]. 王鑫磊.重庆大学 2018
本文编号：3303423
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3303423.html
最近更新
教材专著
