木材屬于天然的有機(jī)高分子化合物,在國(guó)民經(jīng)濟(jì)中,扮演重要角色。是重要的可再生原料同時(shí)也是必不可少的生活資源。但是目前市場(chǎng)上木材質(zhì)量良莠不齊,商家以次充好,且很多木材紋理走勢(shì)相似,依據(jù)肉眼難以辨別。在劃分木材質(zhì)地,鑒別木材種類和真?zhèn)沃?仍存在許多困難。因此對(duì)木材樹(shù)種的分類方法上仍需不斷探索,推陳出新。目前使用的分類算法仍有些許不足,大部分分類過(guò)程僅僅依靠所采集的光譜信息,對(duì)木材圖像紋理信息的挖掘深度不夠,沒(méi)有充分利用顯微高光譜圖像“圖譜合一”的特點(diǎn)。此外,監(jiān)督分類算法中支持向量機(jī)在處理非線性問(wèn)題方面以及應(yīng)對(duì)維數(shù)災(zāi)難上發(fā)揮特有的優(yōu)勢(shì),但對(duì)于核函數(shù)的選取和應(yīng)用較為單一,因此本論文在此基礎(chǔ)上,針對(duì)上述問(wèn)題,在復(fù)合核的框架下,提出有效的光譜信息與圖像紋理信息融合的方法對(duì)木材分類。針對(duì)二十種木材樹(shù)種的顯微高光譜數(shù)據(jù)信息,本文的主要內(nèi)容和工作如下:（1）基于分形理論的顯微高光譜圖像的圖像紋理特征提取將分形理論引入顯微高光譜成像的木材分類中,本文提出了應(yīng)用多重分形譜的顯微高光譜木材紋理特征提取方法。采用自適應(yīng)波段選擇和K-L散度兩種降維方法挑選特征波長(zhǎng),降低波段數(shù)量,減少運(yùn)算量。提出了三種不同的函數(shù)密度... 

【文章來(lái)源】：東北林業(yè)大學(xué)黑龍江省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１美國(guó)橡樹(shù)的顯微高光譜示意圖??（二）顯微高光譜數(shù)據(jù)特性??（１）高分辨率

?東北林業(yè)大學(xué)碩士學(xué)位論文???ＬＬ２＾?；?ＨＬｒ??ＭＬ，－??ＨＬ２－?ｈｈ２－??ＬＨ，?ＨＨｒ??圖２－２小波變換特征示意圖??２．５顯微高光譜分類模型算法??分類算法可被分為監(jiān)督分類和無(wú)監(jiān)督分類，監(jiān)督分類常被用來(lái)進(jìn)行定量分析，是模??式識(shí)別、機(jī)器學(xué)習(xí)領(lǐng)域中的典型分類算法。核心思想是對(duì)將要進(jìn)行分類識(shí)別的對(duì)象分到??具體某一類中，分類的依據(jù)是該目標(biāo)的觀測(cè)特征。己知訓(xùn)練樣本是監(jiān)督分類的前提條件。??通過(guò)對(duì)己知的訓(xùn)練樣本統(tǒng)計(jì)特征，并依據(jù)統(tǒng)計(jì)的特征建立分類模型，從而對(duì)待測(cè)的目標(biāo)??進(jìn)行分類，區(qū)分類別。??２＿５＿１?ＢＰ神經(jīng)網(wǎng)絡(luò)??ＢＰ神經(jīng)網(wǎng)絡(luò)是由Ｗｅｒｂｏｓ于１９７４年提出的，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，最大的特??征是：信號(hào)向前傳遞，誤差反向傳播１８７］。??（一）ＢＰ神經(jīng)網(wǎng)概述??（１）神經(jīng)元模型：網(wǎng)絡(luò)的每個(gè)神經(jīng)元都接受來(lái)自其它神經(jīng)元的輸出，且按照一定??的規(guī)則，如圖２－３所示是ＢＰ的神經(jīng)元模型。??ｙ?＝?ｆ＜Ｘ７＝ｉ?ｗｉ?ｘｉ?＋?ｂ）?（２－４６）??式中Ａ是輸入向量、６是偏置、／是傳遞函數(shù)。??（Ｈ）？？？??［＇＼＾ｙ?＇?￣?Ｊ—??Ｊ?＾?／（？）?．?ｙ??圖２－３?ＢＰ神經(jīng)元模型??常用的傳遞函數(shù)Ｓｉｇｍｏｉｄ函數(shù)和線性函數(shù)。Ｓｉｇｍｏｉｄ函數(shù)光滑可微，且其可微的特??－２０－??

?東北林業(yè)大學(xué)碩士學(xué)位論文???ＬＬ２＾?；?ＨＬｒ??ＭＬ，－??ＨＬ２－?ｈｈ２－??ＬＨ，?ＨＨｒ??圖２－２小波變換特征示意圖??２．５顯微高光譜分類模型算法??分類算法可被分為監(jiān)督分類和無(wú)監(jiān)督分類，監(jiān)督分類常被用來(lái)進(jìn)行定量分析，是模??式識(shí)別、機(jī)器學(xué)習(xí)領(lǐng)域中的典型分類算法。核心思想是對(duì)將要進(jìn)行分類識(shí)別的對(duì)象分到??具體某一類中，分類的依據(jù)是該目標(biāo)的觀測(cè)特征。己知訓(xùn)練樣本是監(jiān)督分類的前提條件。??通過(guò)對(duì)己知的訓(xùn)練樣本統(tǒng)計(jì)特征，并依據(jù)統(tǒng)計(jì)的特征建立分類模型，從而對(duì)待測(cè)的目標(biāo)??進(jìn)行分類，區(qū)分類別。??２＿５＿１?ＢＰ神經(jīng)網(wǎng)絡(luò)??ＢＰ神經(jīng)網(wǎng)絡(luò)是由Ｗｅｒｂｏｓ于１９７４年提出的，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，最大的特??征是：信號(hào)向前傳遞，誤差反向傳播１８７］。??（一）ＢＰ神經(jīng)網(wǎng)概述??（１）神經(jīng)元模型：網(wǎng)絡(luò)的每個(gè)神經(jīng)元都接受來(lái)自其它神經(jīng)元的輸出，且按照一定??的規(guī)則，如圖２－３所示是ＢＰ的神經(jīng)元模型。??ｙ?＝?ｆ＜Ｘ７＝ｉ?ｗｉ?ｘｉ?＋?ｂ）?（２－４６）??式中Ａ是輸入向量、６是偏置、／是傳遞函數(shù)。??（Ｈ）？？？??［＇＼＾ｙ?＇?￣?Ｊ—??Ｊ?＾?／（？）?．?ｙ??圖２－３?ＢＰ神經(jīng)元模型??常用的傳遞函數(shù)Ｓｉｇｍｏｉｄ函數(shù)和線性函數(shù)。Ｓｉｇｍｏｉｄ函數(shù)光滑可微，且其可微的特??－２０－??

【參考文獻(xiàn)】：
期刊論文
[1]應(yīng)用改進(jìn)的灰度共生矩陣識(shí)別木材紋理多重特征值[J]. 王清濤,楊潔.  西北林學(xué)院學(xué)報(bào). 2019(03)
[2]近紅外高光譜成像技術(shù)在藥物分析中的研究進(jìn)展[J]. 白文明,王來(lái)兵,成日青,布仁.  藥物分析雜志. 2018(10)
[3]融合光譜-空間多特征的高光譜影像張量特征提取[J]. 薛志祥,余旭初,譚熊,魏祥坡.  計(jì)算機(jī)工程. 2018(03)
[4]基于邊緣保持濾波的高光譜影像光譜-空間聯(lián)合分類[J]. 張成坤,韓敏.  自動(dòng)化學(xué)報(bào). 2018(02)
[5]基于灰度共生矩陣和模糊BP神經(jīng)網(wǎng)絡(luò)的木材缺陷識(shí)別[J]. 牟洪波,王世偉,戚大偉,倪海明.  森林工程. 2017(04)
[6]光譜預(yù)處理對(duì)近紅外光譜預(yù)測(cè)蘋(píng)果脆片糖度的影響[J]. 時(shí)榕茂,劉靜.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2017(20)
[7]基于空間特征與紋理信息的高光譜圖像半監(jiān)督分類[J]. 程志會(huì),謝福鼎.  測(cè)繪通報(bào). 2016(12)
[8]基于近紅外光譜反射率特征的木材樹(shù)種分類識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[J]. 竇剛,陳廣勝,趙鵬.  光譜學(xué)與光譜分析. 2016(08)
[9]傅里葉譜紋理和光譜信息結(jié)合的高分辨率遙感影像地表覆蓋分類[J]. 佃袁勇,楊光,方圣輝.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(03)
[10]WorldView-2近紅外光譜波段反演馬尾松植被信息的比較研究[J]. 胡秀娟,徐涵秋,黃紹霖,張燦,唐菲.  地球信息科學(xué)學(xué)報(bào). 2016(04)

博士論文
[1]南方主要喬木樹(shù)種高光譜數(shù)據(jù)降維組合分類算法研究[D]. 臧卓.中南大學(xué) 2013

碩士論文
[1]基于高光譜遙感數(shù)據(jù)的森林樹(shù)種分類[D]. 張麗云.北京林業(yè)大學(xué) 2016
[2]基于紋理基元的遙感影像分類方法研究[D]. 劉婧婷.華中科技大學(xué) 2015
[3]基于圖像處理的路面紋理特征識(shí)別方法研究[D]. 雷進(jìn)宇.武漢工程大學(xué) 2014
[4]基于近紅外光譜技術(shù)的木材識(shí)別初步研究[D]. 劉亞娜.中國(guó)林業(yè)科學(xué)研究院 2014
[5]基于光譜分析的木材樹(shù)種識(shí)別方法的研究[D]. 張蓉.南京林業(yè)大學(xué) 2011
[6]基于小波變換和數(shù)學(xué)形態(tài)學(xué)的細(xì)胞圖像分割方法研究[D]. 胡嬋.湖南大學(xué) 2010



本文編號(hào)：3004348