基于DWT-SVD和拐點(diǎn)伽馬的木材彩色圖像增強(qiáng)與識別

發(fā)布時間：2020-07-14 19:18

【摘要】：木材識別是木材領(lǐng)域重要的研究方向之一,人們通常通過視覺分析來識別木材,這種方法不僅費(fèi)時費(fèi)力,而且效果不理想,因此計算機(jī)的識別就顯得尤為重要。在采集圖像的過程中受各種因素的影響導(dǎo)致圖像質(zhì)量不佳,人們無法獲取想要的信息,進(jìn)而也影響木材的識別率。為了增強(qiáng)彩色圖像,提高木材的識別率,本文在離散小波變換(DWT)和奇異值分解(SVD)的基礎(chǔ)之上提出了一種改進(jìn)的拐點(diǎn)傳遞函數(shù)和伽馬校正的彩色圖像增強(qiáng)算法,該方法通過DWT將輸入圖像分解成四個頻率子帶,并計算出低頻子帶圖像的奇異值矩陣,然后使用伽馬校正來計算拐點(diǎn)傳遞函數(shù)以進(jìn)一步改善LL分量,之后,處理的LL子帶圖像與未處理的LH,HL和HH子帶一起經(jīng)逆小波變換生成增強(qiáng)圖像,并應(yīng)用到木材領(lǐng)域。使用SVM(Support Vector Machine)徑向基函數(shù)對增強(qiáng)后的楊木木片和楊木樹皮進(jìn)行識別,對樟子松微觀橫截面和楊木微觀橫截面進(jìn)行識別。論文的主要結(jié)論如下:(1)本文增強(qiáng)方法與直方圖均衡化、直方圖規(guī)定化、小波奇異值分解、拐點(diǎn)校正四種傳統(tǒng)的增強(qiáng)方法進(jìn)行比較。不僅增強(qiáng)了圖像的對比度和邊緣信息,而且提高了圖像的質(zhì)量。主觀分析可以看出本文方法的增強(qiáng)效果最好,客觀分析中峰值信噪比PSNR(Peak Signal-to-Noise Ratio)、均方誤差 MSE(Mean Square Transform)、結(jié)構(gòu)相似性指數(shù)測量SSIM(Structure Similarity Index Measurement)和特征相似性指數(shù)測量FSIM(Feature Similarity Index Measurement)四種評價指標(biāo)均有不同程度的提高。(2)以楊木木片和楊木樹皮的宏觀圖片作為識別的原圖像,先進(jìn)行圖像增強(qiáng)預(yù)處理,再使用SVM徑向基函數(shù)對楊木木片和楊木樹皮進(jìn)行識別,本文方法處理后的識別效果明顯優(yōu)于傳統(tǒng)方法,識別率有了明顯的提升。識別參數(shù)角度MSE的楊木木片的識別率提高了0.7%,楊木樹皮提高了0.3%;識別參數(shù)亮度MSE的楊木木片的識別率提高了1.2%,楊木樹皮提高了0.9%;識別參數(shù)角度x分量的楊木木片提高了0.8%,楊木樹皮提高了0.5%;識別參數(shù)角度y分量的楊木木片提高了0.4%,楊木樹皮提高了0.6%。(3)以樟子松橫截面和楊木橫截面的微觀圖片作為識別的原圖像,先進(jìn)行圖像增強(qiáng)預(yù)處理,再使用SVM徑向基函數(shù)對樟子松微觀橫截面和楊木微觀橫截面進(jìn)行識別,本文方法處理后的識別效果明顯優(yōu)于傳統(tǒng)方法,識別率有了明顯的提升。識別參數(shù)角度MSE的樟子松微觀橫截面提高了0.7%,楊木微觀橫截面提高了0.5%;識別參數(shù)亮度MSE的樟子松微觀橫截面提高了0.5%,楊木微觀橫截面提高了0.2%;識別參數(shù)角度x分量的樟子松微觀橫截面提高了0.4%,楊木微觀橫截面提高了0.6%;識別參數(shù)角度y分量的樟子松微觀橫截面提高了0.6%,楊木微觀橫截面提高了0.9%,
【學(xué)位授予單位】：內(nèi)蒙古農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;S781
【圖文】：