图像处理领域中,怎样有效的表示图像信息是首先要解决的一个基础问题。随着科技的进步,如今的图像采集设备性能越来越高,一张图片包含的信息越来越复杂,导致以往研究的图像表示方法已经不能满足时代的需求了。因此图像稀疏表示在近些年得到重点关注。稀疏编码理论(SC,Sparse Coding)对图像的稀疏表示,相对于以往图像表示方法在传输和计算速度上都有提高。稀疏编码理论近些年得到了发展和深入的研究,并且在模式识别、信号的稀疏重构和图像处理等领域都得到了应用并且成果丰硕。针对稀疏编码理论在诸如人脸识别等图像处理领域的优异表现,而在木材图像缺陷识别中并没有得到广泛应用,因此,本文提出了将稀疏编码理论应用于木材图像缺陷识别。L1范数是稀疏表示的最优解,相对于传统的主成分分析L2范数,L1范数对噪声和异常值具有鲁棒性。SURF(Speeded Up Robust Features)和LBP(Local Binary Pattern)都是图像局部特征描述算子,对于图像特征的描述有很显著的效果。因此,本文在分析SURF算子、LBP算子和快速L1最小化算法的基础上。提出基于SURF算子和快速L1最小化算法的木材缺陷图像识别算法,同时提出了基于LBP算子和快速L1最小化算法的木材缺陷图像识别算法,实验结果表明本文所提出的木材缺陷图像识别算法取得了较好的效果。本文所做的主要工作如下:1.提出基于SURF算子和快速L1最小化算法的木材缺陷图像识别算法;使用SURF算子提取不同木材截面图像特征点,快速L1最小化算法对特征矩阵进行快速精确的匹配,可以直观的把匹配到的点显示在木材图像中,观察图像中对应的位置是否有缺陷。实验结果表明本文提出的基于SURF算子和快速L1最小化算法的木材缺陷图像识别算法对木材缺陷定位正确率达到0.912。2.提出了基于LBP算子和快速L1最小化算法的木材缺陷图像识别算法;使用LBP提取不同木材截面RGB图像中的(R,G,B)三层图像特征点,快速L1最小化算法对特征矩阵进行快速精确的匹配,匹配结果可以看出是否有缺陷以及通过图像分块定位缺陷的位置坐标。实验结果表明本文提出的基于LBP算子和快速L1最小化算法的木材缺陷图像识别算法对木材缺陷定位正确率达到0.931,并且可以定位缺陷位置。