论文部分内容阅读
树种的正确识别对于木材科学和相关产业均具有重要意义。针对人工木材树种判定和传统图像识别方法存在一定的局限性,本文利用模式识别方法探讨树种识别的可行性,并取得以下研究成果：(1)融合主成分分析法(PCA)和费舍尔树法(FisherTrees),把训练样本投影到PCA和FisherTrees空间,得到PCA特征和FisherTrees特征,通过算术均值、交换转置均值和加权均值进行特征融合,融合后的特征更适合于针叶材树种的分类。(2)对株杨Tacamahaca、云杉Picea asperata等24种常见树种进行的实验发现：以核主成分分析方法提取的木材特征,自适应增强(AdaBoost)分类器比支持向量机(SVM)分类器的分类能力强,前者对树种分类效率达到90.13%,而后者却只有78.32%。(3)以日本香柏Thujastandishii、黄山松Pinustaiwanensis、日本扁柏Chamaecyp aris obtusa、棘柏Juniperus formosana、马尾松Pinus massoniana、水杉Metasequoia glyptostroboides、江南油杉Keteleeria cyclolopis和雪松Cedrus deodara8类针叶材为样本,以核主成分分析法提取特征,并采用线性核函数的SVM作为AdaBoost.M2的基分类器,当迭代次数超过100次时,可以准确区分这些树种。论文应用模式识别技术验证了库内树种分类的可行性,而且可以判别出传统方法无法区分的树种。因此,模式识别技术必将成为木材树种识别的一种重要的新方法,是对传统木材鉴定方法的重要辅助。