CN113610187B - 基于图像技术的木材纹理提取及分类方法 - Google Patents
基于图像技术的木材纹理提取及分类方法 Download PDFInfo
- Publication number
- CN113610187B CN113610187B CN202110964563.2A CN202110964563A CN113610187B CN 113610187 B CN113610187 B CN 113610187B CN 202110964563 A CN202110964563 A CN 202110964563A CN 113610187 B CN113610187 B CN 113610187B
- Authority
- CN
- China
- Prior art keywords
- wood
- texture
- image
- image data
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及木材纹理分类技术领域，公开了基于图像技术的木材纹理提取及分类方法，首先利用工业摄像机在良好的光照环境下对木材进行采集并进行背景去除及转灰度图像；其次，利用灰度图像做滤波及压缩处理，进而对图像做差分并进行二值化操作，并对二值化后的图像执行去除小对象及形态学闭运算操作。最后，对图像中的纹理进行特征值的计算，利用所得出的特征值进行逻辑判断得出纹理分类结果，这种方法解决了利用统计学方法所进行的纹理分类准确度不高的难题，本发明能够有效加快分类速度及准确性。
Description
技术领域
本发明涉及木材纹理分类技术领域，特别涉及基于图像技术的木材纹理提取及分类方法。
背景技术
在工厂加工中，一批切割好的木材往往有许多不同的纹理，在拼接时极其破坏美感，若能将相似纹理的木材进行组合拼接，可提高所拼成木板的成品等级，增加经济效益。
如何对木材纹理进行描述和表征，是木材纹理分类的主要研究内容之一。但遗憾的是，到目前为止对木材的纹理还没有明确的行业标准和国家标准，主要是木材生长受环境条件的影响，使其纹理随机生长、无规律。
在图像技术领域中，描述纹理特征及纹理分类的方法有不少，主要难度在于纹理提取不完整或失真，纹理分类准确率不高，另外，基于计算机视觉的纹理提取及分类方法还受相机参数、外部光线等影响，需要繁杂的调参过程。
因为外部环境的影响，木材表面会存在噪点等干扰，若不去除外部因素的干扰，那么所提取的纹理特征很难表征木材的纹理属性。
罗微等采用对比度、方差和、二阶角矩、长行程加重因子、分形维数、小波水平能量分布比重这六个特征参数进行纹理相似度的匹配，但这种利用统计值来进行的纹理分类精度不高。
发明内容
本发明提供基于图像技术的木材纹理提取及分类方法，该方法主要克服利用统计学方法所提取的纹理特征匹配度不高或算法时间长的问题，将预处理后的图片进行灰度处理后，从视觉角度出发提取并对纹理进行分类。该方法只需在稳定的拍摄条件下，即可实现木材纹理的提取及分类，能够有效加快分类速度及准确性。
本发明提供了基于图像技术的木材纹理提取及分类方法，包括以下步骤：
S1、采集木材图像数据；
S2、对木材图像数据进行图像预处理，去除木材图像数据中的背景数据；
S3、对图像预处理后的木材图像数据进行灰度处理，获得灰度图像数据；
S4、对灰度图像数据进行二维中值滤波；
S5、对滤波后的灰度图像数据进行压缩处理，用于连接散乱纹理，凸显主要纹理；
S6、设定差分的间隔参数、色差的阈值参数和纹理灰度阈值参数；
S7、对压缩处理后的灰度图像数据根据设定差分的间隔参数、色差的阈值参数和纹理灰度阈值参数进行差分处理和二值化处理，提取出木材纹理的二值图像数据；
S8、对木材纹理的二值图像数据进行去除小对象处理，将不符合要求的小对象进行剔除；
S9、对去除小对象处理后的木材纹理的二值图像数据进行闭运算处理，获得木材纹理图像数据中每单条连通纹理轮廓的外接矩形；
S10、根据每单条连通纹理轮廓的外接矩形，计算特征参数HL；
S11、根据特征参数HL对木材整体的纹理特征进行纹理分类。
进一步地，所述步骤S2中的图像预处理的具体方法包括：
S21、利用Otsu算法计算灰度最佳阈值，根据最佳阈值将木材图像数据分为两类；
S22、利用霍夫变换，将倾斜的木材图像数据摆正；
S23、将摆正后的木材图像数据利用Otsu算法进行二值化，生成二值矩阵，二值矩阵中数字1代表木材，0代表背景；
S24、对生成的二值矩阵依次从上至下进行每行求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材上边界；
S25、对生成的二值矩阵依次从下至上进行每行求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材下边界；
S26、对生成的二值矩阵依次从左至右进行每列求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材左边界；
S27、对生成的二值矩阵依次从右至左进行每列求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材右边界；
S28、利用木材上边界、木材下边界、木材左边界和木材右边界四个边界截取木材，去除木材图像数据中的背景。
进一步地，所述步骤S3中灰度处理的方法为：对木材图像数据进行降维，对降维后的木材图像数据进行灰度转换，灰度转换公式为：0.299*R+0.587*G+0.114*B，其中R、G、B分别对应红色、绿色、蓝色三个通道图像的亮度。
进一步地，所述步骤S4中滤波的滤波器尺寸为8×8。
进一步地，所述步骤S7中差分处理的方法为：
S71、灰度矩阵中以1为行、列的循环下标，HS、LS为行、列的循环上标，按从上到下，从左到右的顺序，分别与其下、右方以所设间隔参数为步长做灰度值的差，其中，HS为矩阵行数减去所设间隔参数所得出的数值大小，LS为矩阵列数减去所设间隔参数所得出的数值大小；
S72、若每次做差所得的两个数值中有一个差的绝对值大小大于所设定的色差的阈值参数，且做差的两者灰度值均小于所设定的纹理灰度阈值参数，则将做差两点中灰度值小的点标记为1，否则记为0，由此输出一个二值化矩阵及得到相应的二值化图像。
进一步地，所述步骤S10中计算特征参数HL的具体步骤如下：
S101、计算图像中所有纹理外接矩形的长宽之比，对纹理外接矩形中长大于长度阈值L，宽大于宽度阈值K的纹理进行下列计算；
S102、若某条纹理外接矩形的宽大于M倍的矩阵列数并向下取整，且长宽比小于长宽比阈值W，则记HL+1，特征参数HL的初始值为0；
S103、计算所有纹理外接矩形的长宽比平均值P。
进一步地，所述步骤S11中纹理分类的具体步骤如下：
S111、若所有纹理外接矩形的长宽比集合为空集，则将木材纹理视为直纹理；
S112：若HL>0或长宽比平均值小于长宽比的平均值阈值PX，木材纹理视为山纹理；
S113：若木材未被分类成山纹理，则将木材纹理视为直纹理。
进一步地，所述步骤S1采集木材图像数据是采用分辨率为1920×1080的工业相机进行图片拍摄采集。
进一步地，所述步骤S6设定差分的间隔参数为C，C为图像矩阵列数N的F倍，并向上取整，色差的阈值参数设置为S、纹理灰度阈值设置为H，即C＝N*F。
进一步地，所述步骤S7提取出木材纹理的二值图像数据的方法为：通过将差分后数值大于设定色差阈值的位置并结合此位置的灰度值做二值化处理，得到木材纹理的二值图像数据。
与现有技术相比，本发明的有益效果在于：
本发明首先通过采集木材图像数据并进行背景去除及转灰度图像；其次，利用灰度图像做滤波及压缩处理，进而对图像做差分并进行二值化操作，并对二值化后的图像执行去除小对象及形态学闭运算操作。最后，对图像中的纹理进行特征值的计算，利用所得出的特征值进行逻辑判断得出纹理分类结果，这种方法解决了利用统计学方法所进行的纹理分类准确度不高的难题，本发明能够有效加快分类速度及准确性。
附图说明
图1为本发明中基于图像技术的木材纹理提取及分类方法的流程图示意图。
图2为本发明实施例中直纹理和山纹理两种纹理示意图。
图3为本发明中实施例中直纹理和山纹理两种纹理提取后的去除小对象及闭运算后的示意图。
图4为本发明实施例中直纹理和山纹理两种纹理差分后去除小对象和闭运算示意图。
图5为本发明实施例中直纹理和山纹理两种纹理给出需要计算参数的外接矩形示意图。
图6为本发明中直纹理和山纹理两种纹理纹理分类算法流程图示意图。
具体实施方式
下面结合附图1-6，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1所示，本发明实施例提供的基于图像技术的木材纹理提取及分类方法，包括：首先对采集的原始图像进行背景去除，图像上只留下木材信息，并对处理后的图像进行压缩，可有效地处理不同像素图片，进而提取木材纹理特征并进行判断，该方法具体实现如下：
步骤S1：图像采集，利用工业摄像机采集木材图像样本数据；
步骤S2：将步骤S1中采集的木材图像数据进行图像预处理，去除木材图像数据中的背景，减少其它因素的干扰；
步骤S3：将步骤S2中预处理后的木材图像数据进行灰度处理；
步骤S4：对步骤S3中的灰度图像数据进行二维中值滤波，减小噪声干扰，模板尺寸为8×8；
步骤S5：对步骤S4中的灰度图像数据进行压缩处理，连接散乱纹理，凸显主要纹理；
步骤S6：设定差分的间隔参数、色差的阈值参数、纹理灰度阈值参数；
步骤S7：对步骤S5中得到的木材图像数据以步骤S6中设置的差分间隔参数做差分，从而提取出纹理的二值图像数据，具体步骤如下：
步骤S71：对步骤S5中得到灰度矩阵中以1为行、列循环下标，HS、LS为循环上标，按从上到下，从左到右的顺序，分别与其下、右方以步骤S6中设置的间隔参数为步长做灰度值的差；其中，HS为矩阵行数减去所设间隔参数所得出的数值大小，LS为矩阵列数减去所设间隔参数所得出的数值大小；
步骤S72：若步骤S71中每次做差所得的两个数值中有一个差的绝对值大小大于所设定的色差阈值且做差的两者灰度值均小于所设定的灰度阈值，则将做差两点中灰度值小的点标记为1，否则记为0，由此输出一个二值化矩阵及得到相应的二值化图像；
步骤S8：对步骤S7中得到的木材纹理二值图像数据进行去除小对象处理；
步骤S9：对步骤S8中得到的木材图像数据进行闭运算处理，此处闭运算主要是为了连接散乱的纹理，具体模板大小要根据整个木材图像数据的大小决定；
步骤S10：给出步骤S9中所得木材纹理图像中每条单条连通纹理轮廓的外接矩形；
步骤S11：计算出步骤S10中的每一个外接矩形中纹理的特征参数；首先对每条纹理单独绘制其外接矩形，用于方便计算纹理的长度和宽度的近似比值，纹理长、宽的近似值等纹理特征参数；只对纹理外接矩形的长度及宽度大于给定阈值的纹理纳入参数计算，进一步减少分类干扰，并通过纹理外接矩形的长宽之比平均值、特征值HL来进行纹理分类。具体步骤如下：
步骤S111：计算图像中所有纹理外接矩形的长宽之比，对纹理外接矩形中长大于L，宽大于K的纹理进行下列计算：
步骤S112：若步骤S111中某条纹理外接矩形宽大于M倍的矩阵列数并向下取整，且长宽比小于W，则记HL+1，HL的初始值为0；
步骤S113：计算步骤S111中所有纹理的长宽比平均值P；
步骤S12：根据步骤S11中得到的特征参数对木材整体的纹理特征进行纹理分类。
步骤S121：若步骤S11中所得的长宽比集合为空集，则将木材纹理视为直纹理；
步骤S122：若步骤S11中HL>0或长宽比平均值小于PX，木材纹理视为山纹理；
步骤S123：若步骤S122中木材未被分成山纹理，则将木材纹理视为直纹理。
本发明提供了一种基于图像技术的木材纹理提取及分类方法，首先利用工业摄像机在良好的光照环境下对木材进行采集并进行背景去除及转灰度图像。其次，利用灰度图像做滤波及压缩处理，进而对图像做差分并进行二值化操作，并对二值化后的图像执行去除小对象及形态学闭运算操作。最后，对图像中的纹理进行特征值的计算，利用所得出的特征值进行逻辑判断得出纹理分类结果。
本发明的提取及分类方法流程图如图1所示，方法具体实现如下：
步骤S1：图像采集，采用分辨率为1920×1080的工业相机进行图片拍摄采集；
步骤S2：图像预处理，预处理后的木材图像数据如图2，去除木材背景，减少干扰，预处理方案具体为：
步骤S21：利用Otsu算法计算最佳阈值从而将图像分为两类，在木材颜色与背景颜色差异较大时，达到木材与背景的分割效果；
步骤S22：利用霍夫变换，将倾斜的木材图像数据摆正，便于计算机进行下一步计算；
步骤S23：将摆正后的图片再次利用Otsu算法对图像进行二值化，二值化矩阵中数字1代表木材，0代表背景。
步骤S24：对生成的二值矩阵依次从上至下进行每行求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材上边界；
步骤S25：对生成的二值矩阵依次从下至上进行每行求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材下边界；
步骤S26：对生成的二值矩阵依次从左至右进行每列求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材左边界；
步骤S27：对生成的二值矩阵依次从右至左进行每列求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材右边界；
步骤S28：利用二值化所找出的四个边界截取木材，达到去除背景的目的。
步骤S3：将步骤S2中所得图像转成灰度图像，对木材图像数据进行降维，方便运算，灰度转换公式为：0.299*R+0.587*G+0.114*B，其中R、G、B分别对应红色、绿色、蓝色三个通道图像的亮度；
步骤S4：对灰度图进行中值滤波操作，减小噪声干扰，滤波器尺寸为8×8大小；
步骤S5：将木材图像数据统一压缩成800×200尺寸大小，连接散乱纹理，凸显主要纹理，减少调参频率，加快运算速度；
步骤S6：设定差分的间隔参数C为图像矩阵列数N的F倍，并向上取整。色差的阈值参数设置为S、纹理灰度阈值设置为H，即C＝N*F，由此更准确地提取木材纹理特征，使得参数自适应，本实例中，N取值为200，F取值为0.015，即C取3；S取值为8，H取值为240；
步骤S7：对步骤S5中得到的图像数据以步骤S6中设置的差分间隔做差分，从而提取出纹理的二值图像数据所提取的纹理如图3所示，具体步骤如下：
步骤S71：对步骤S5中得到灰度矩阵中以1为行、列循环下标，HS、LS为循环上标，按从上到下，从左到右的顺序，分别与其下、右方以步骤S6中设置的间隔参数为步长做灰度值的差；其中，HS为矩阵行数减去所设间隔参数所得出的数值大小，LS为矩阵列数减去所设间隔参数所得出的数值大小。
步骤S72：若步骤S71中每次做差所得的两个数值中有一个差的绝对值大小大于所设定的色差阈值且做差的两者灰度值均小于所设定的灰度阈值，则将做差两点中灰度值小的点标记为1，否则记为0，由此输出一个二值化矩阵及得到相应的二值化图像；
步骤S8：对步骤S7中得到的纹理二值图像数据进行去除小对象操作，去除像素点个数小于0.5倍矩阵列数N的小对象，将不符合要求的小对象进行剔除，减少分类干扰；
步骤S9：构建10行3列的全1矩阵作为闭运算模板，对步骤S8中去除小对象后的图形进行闭运算处理，闭运算结果如图4所示；
步骤S10：绘制出步骤S9中所得纹理图像中每条单条连通纹理轮廓的外接矩形；
步骤S11：计算出步骤S10中的每一个外接矩形中纹理的特征参数，具体框选后的示意图如图5；具体步骤如下：
步骤S111：计算步骤S10中所有纹理外接矩形的长宽之比，对纹理外接矩形中长大于20，宽大于5的纹理进行下列计算：
步骤S112：若步骤S111中某条纹理外接矩形宽大于0.05倍的矩阵列数并向下取整，且长宽比小于5，则记HL+1，HL初始值为0；
步骤S113：计算步骤S111中所有纹理的长宽比平均值P；
步骤S12：根据步骤S11中得到的特征参数对木材整体的纹理特征进行纹理分类，纹理分类算法流程图如图6所示；
步骤S121：若步骤S11中所得的长宽比集合为空集，则将该木材纹理视为直纹理；
步骤S122：若步骤S11中HL>0或长宽比平均值小于6，则将该木材纹理视为山纹理；
步骤S123：若步骤S122中木材未被分成山纹理，则将该木材纹理视为直纹理；
本发明选取的是橡胶木作为研究对象，在纹理分类中主要分为两种类别分别是直纹理、山纹理。在研究中采取1999张纹理样本对精度进行测试，其中直纹理1218张，错误41张，精度为96.6％；其中山纹理781张，错误28张，精度为96.4％。
本发明提供了一种基于图像技术的木材纹理提取及分类方法，具体包括：采集图像并对图像进行预处理；将预处理后的图像转成灰度图像并进行滤波；对滤波后的图像进行压缩；设定差分、色差、灰度的相应参数；对图像进行二值化处理，提取纹理；对纹理图像进行去除小对象及闭运算处理；对处理后的纹理图像进行相应参数的计算；利用所求参数对木材纹理进行分类等步骤。本发明解决了利用统计学方法所进行的纹理分类准确度不高的难题，通过图像压缩及图像滤波、差分、二值化等步骤提取纹理，并计算相应的纹理参数，结合本发明算法可以有效加快分类速度及准确性，本发明将纹理分为山纹理和直纹理两类。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.基于图像技术的木材纹理提取及分类方法，其特征在于，包括以下步骤：
S1、采集木材图像数据；
S2、对木材图像数据进行图像预处理，去除木材图像数据中的背景数据；
S3、对图像预处理后的木材图像数据进行灰度处理，获得灰度图像数据；
S4、对灰度图像数据进行二维中值滤波；
S5、对滤波后的灰度图像数据进行压缩处理，用于连接散乱纹理，凸显主要纹理；
S6、设定差分的间隔参数、色差的阈值参数和纹理灰度阈值参数；
S7、对压缩处理后的灰度图像数据根据设定差分的间隔参数、色差的阈值参数和纹理灰度阈值参数进行差分处理和二值化处理，提取出木材纹理的二值图像数据；
S8、对木材纹理的二值图像数据进行去除小对象处理，将不符合要求的小对象进行剔除；
S9、对去除小对象处理后的木材纹理的二值图像数据进行闭运算处理，获得木材纹理图像数据中每单条连通纹理轮廓的外接矩形；
S10、根据每单条连通纹理轮廓的外接矩形，计算特征参数HL；
S11、根据特征参数HL对木材整体的纹理特征进行纹理分类；
所述步骤S10中计算特征参数HL的具体步骤如下：
S101、计算图像中所有纹理外接矩形的长宽之比，对纹理外接矩形中长大于长度阈值L，宽大于宽度阈值K的纹理进行下列计算；
S102、若某条纹理外接矩形的宽大于M倍的矩阵列数并向下取整，且长宽比小于长宽比阈值W，则记HL+1，特征参数HL的初始值为0；
S103、计算所有纹理外接矩形的长宽比平均值P。
2.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S2中的图像预处理的具体方法包括：
S21、利用Otsu算法计算灰度最佳阈值，根据最佳阈值将木材图像数据分为两类；
S22、利用霍夫变换，将倾斜的木材图像数据摆正；
S23、将摆正后的木材图像数据利用Otsu算法进行二值化，生成二值矩阵，二值矩阵中数字1代表木材，0代表背景；
S24、对生成的二值矩阵依次从上至下进行每行求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材上边界；
S25、对生成的二值矩阵依次从下至上进行每行求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材下边界；
S26、对生成的二值矩阵依次从左至右进行每列求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材左边界；
S27、对生成的二值矩阵依次从右至左进行每列求和，当求和所得值大于0.15倍的矩阵列数时，标记此位置为木材右边界；
S28、利用木材上边界、木材下边界、木材左边界和木材右边界四个边界截取木材，去除木材图像数据中的背景。
3.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S3中灰度处理的方法为：对木材图像数据进行降维，对降维后的木材图像数据进行灰度转换，灰度转换公式为：
0.299*R+0.587*G+0.114*B，其中R、G、B分别对应红色、绿色、蓝色三个通道图像的亮度。
4.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S4中滤波的滤波器尺寸为8×8。
5.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S7中差分处理的方法为：
S71、灰度矩阵中以1为行、列的循环下标，HS、LS为行、列的循环上标，按从上到下，从左到右的顺序，分别与其下、右方以所设间隔参数为步长做灰度值的差，其中，HS为矩阵行数减去所设间隔参数所得出的数值大小，LS为矩阵列数减去所设间隔参数所得出的数值大小；
S72、若每次做差所得的两个数值中有一个差的绝对值大小大于所设定的色差的阈值参数，且做差的两者灰度值均小于所设定的纹理灰度阈值参数，则将做差两点中灰度值小的点标记为1，否则记为0，由此输出一个二值化矩阵及得到相应的二值化图像。
6.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S11中纹理分类的具体步骤如下：
S111、若所有纹理外接矩形的长宽比集合为空集，则将木材纹理视为直纹理；
S112：若HL>0或长宽比平均值小于长宽比的平均值阈值PX，木材纹理视为山纹理；
S113：若木材未被分类成山纹理，则将木材纹理视为直纹理。
7.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S1采集木材图像数据是采用分辨率为1920×1080的工业相机进行图片拍摄采集。
8.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S6设定差分的间隔参数为C，C为图像矩阵列数N的F倍，并向上取整，色差的阈值参数设置为S、纹理灰度阈值设置为H，即C＝N*F。
9.如权利要求1所述的基于图像技术的木材纹理提取及分类方法，其特征在于，所述步骤S7提取出木材纹理的二值图像数据的方法为：通过将差分后数值大于设定色差阈值的位置并结合此位置的灰度值做二值化处理，得到木材纹理的二值图像数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110964563.2A CN113610187B (zh) | 2021-08-19 | 2021-08-19 | 基于图像技术的木材纹理提取及分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110964563.2A CN113610187B (zh) | 2021-08-19 | 2021-08-19 | 基于图像技术的木材纹理提取及分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610187A CN113610187A (zh) | 2021-11-05 |
| CN113610187B true CN113610187B (zh) | 2022-02-01 |
Family
ID=78309118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110964563.2A Active CN113610187B (zh) | 2021-08-19 | 2021-08-19 | 基于图像技术的木材纹理提取及分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610187B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311507B (zh) * | 2022-10-12 | 2023-01-31 | 南通宏梁建筑科技有限公司 | 基于数据处理的建筑板材分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991441A (zh) * | 2017-03-30 | 2017-07-28 | 浙江科技学院 | 融合多尺度方向纹理特征的植物标本分类方法及系统 |
| CN112183489A (zh) * | 2020-11-04 | 2021-01-05 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种松材变色立木识别定位方法、装置、设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101637928A (zh) * | 2009-08-13 | 2010-02-03 | 嘉汉林业(广州)有限公司 | 单板条组合装饰木 |
| JP5556262B2 (ja) * | 2010-03-15 | 2014-07-23 | オムロン株式会社 | 画像属性判別装置、属性判別支援装置、画像属性判別方法、属性判別支援装置の制御方法、および、制御プログラム |
| CN107845103B (zh) * | 2017-10-23 | 2022-03-11 | 广东美的制冷设备有限公司 | 基于纹理信息的报警方法、装置以及计算机可读存储介质 |
| CN112365418B (zh) * | 2020-11-11 | 2024-05-03 | 抖音视界有限公司 | 一种图像失真评测的方法、装置及计算机设备 |
| CN112749713B (zh) * | 2021-01-26 | 2024-03-29 | 海南职业技术学院 | 一种基于人工智能的大数据图像识别系统及方法 |
-
2021
- 2021-08-19 CN CN202110964563.2A patent/CN113610187B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991441A (zh) * | 2017-03-30 | 2017-07-28 | 浙江科技学院 | 融合多尺度方向纹理特征的植物标本分类方法及系统 |
| CN112183489A (zh) * | 2020-11-04 | 2021-01-05 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种松材变色立木识别定位方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610187A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN108416814B (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
| CN115035050A (zh) | 一种电池极片表面缺陷检测方法、装置、设备及产品 | |
| CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
| CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
| CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN113610187B (zh) | 基于图像技术的木材纹理提取及分类方法 | |
| CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
| CN110728286B (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
| CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN114863493A (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| CN115620075A (zh) | 白细胞分类模型用数据集的生成方法、系统及设备 | |
| CN111815542B (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
| CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
| CN111768456A (zh) | 一种基于木材颜色空间的特征提取方法 | |
| CN115187790A (zh) | 一种基于参考区域二值化结果的图像轮廓提取方法 | |
| CN114067122B (zh) | 一种两级式二值化图像处理方法 | |
| CN115358972A (zh) | 基于视觉特征融合的烟叶分级方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |