在現(xiàn)代化生產(chǎn)過(guò)程中,一些自動(dòng)化程度較低的生產(chǎn)廠家,木材分類的大部分工作是人工完成的,普遍存在分類精度不高和效率低下的問(wèn)題。為了提高市場(chǎng)上常見的木材分類的分類準(zhǔn)確率,文章引入了一種在圖像分類領(lǐng)域,發(fā)展快速并且分類效果較好的詞袋模型,用此模型解決木材分類的問(wèn)題。同時(shí),將直方圖交叉核和空間金字塔匹配引入到詞袋模型中,以詞袋模型和直方圖交叉核、空間金字塔匹配的遍歷組合,即詞袋模型(BOW)、基于直方圖交叉核的詞袋模型(BOW-H)、基于空間金字塔匹配的詞袋模型(BOW-P)、基于空間金字塔匹配和直方圖交叉核的詞袋模型(BOW-HP)共四種分類方法進(jìn)行分類測(cè)試。用以上方法與BP神經(jīng)網(wǎng)絡(luò)和K-近鄰的分類方法作比較,相同實(shí)驗(yàn)環(huán)境下得到的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比分析。東北五種常見樹木即白樺徑切(bh-r)、白樺弦切(bh-t)、紅松徑切(hs-r)、紅松弦切(hs-t)、落葉松徑切(lys-r)、落葉松弦切(lys-t)、水曲柳徑切(sql-r)、水曲柳弦切(sql-t)、柞木徑切(zm-r)、柞木弦切(zm-t)共十類圖像,每類100幅,共1000幅圖像作為樣本。利用SIFT算法提取圖像特征,用K-mean...

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-2高斯金字塔表示尺度空間本是連續(xù)的，待處理圖像進(jìn)行高斯平滑，這個(gè)操作會(huì)造成高頻信息無(wú)故失蹤的后果，為了解決這個(gè)問(wèn)題，將待處理圖像在運(yùn)算之前先擴(kuò)充比例是必要的

2詞袋模型的基本理論方法高斯金字塔是具有尺度連續(xù)性的模型，假如高斯濾波進(jìn)行降采樣，做法是次上具有尺度差異的所有圖片都進(jìn)行高斯模糊，結(jié)果是每個(gè)層次上都會(huì)有不同張高斯模糊圖像。這里出現(xiàn)了一個(gè)概念(Octave)組，金字塔每層的所有圖像(Octave)，并且每組圖像都是具有唯一性的。....

圖2-3關(guān)于極值點(diǎn)檢測(cè)

圖2-3關(guān)于極值點(diǎn)檢測(cè)尺度空間DOG的曲線擬合來(lái)提高關(guān)鍵點(diǎn)穩(wěn)定性。利用D級(jí)數(shù)展開，如下式(2-5)：XXDXXXDDXDTT2221()T(x,y,)。求導(dǎo)，并使方程等式兩邊值為零，可獲得極值點(diǎn)的偏移量XDXDX221點(diǎn)方程的值為....

圖2-4梯度分布特性

圖2-4梯度分布特性，是將圖像采集中的2即360度的方向信息分bins10度。特征關(guān)鍵點(diǎn)的主方向由直方圖的峰特征點(diǎn)的鄰域梯度的方向。為使匹配的魯棒性值大于主方向80%的方向作為關(guān)鍵點(diǎn)的輔助方域?qū)χ狈綀D構(gòu)建的貢獻(xiàn)也隨之減小。雖然只有賦予幾個(gè)方向，但對(duì)于提高關(guān)鍵....

圖2-5特征描述子構(gòu)建過(guò)程

程中只是保留峰值大于主方向80%的方向作為關(guān)鍵點(diǎn)的輔助方向，隨著與中心逐漸遠(yuǎn)離，該領(lǐng)域?qū)χ狈綀D構(gòu)建的貢獻(xiàn)也隨之減小。雖然只有15%的關(guān)鍵點(diǎn)在圖的過(guò)程中被賦予幾個(gè)方向，但對(duì)于提高關(guān)鍵點(diǎn)的穩(wěn)定性起到了至關(guān)重要的4)關(guān)鍵點(diǎn)特征描述成了以上步驟后，每個(gè)關(guān)鍵點(diǎn)的信息就是就是之前步驟中，....

本文編號(hào)：3913438