Cheng-Kun WANG, Peng ZHAO. Wood species recognition using hyper-spectral images not sensitive to illumination variation [J]. Journal of Infrared and Millimeter Waves, 2020, 39(1): 72
- Journal of Infrared and Millimeter Waves
- Vol. 39, Issue 1, 72 (2020)
Fig. 1. 木材树种分类处理的整体流程图
Fig. 2. 8种样本木材的微观图像（a) 美国红橡(b)印尼菠萝格(c)非洲卡斯拉(d)红花梨(e)南美柚木(f)水煮柚(g)桦木(h)香樟木
Fig. 3. 高光谱图像示意图（a)高光谱图像，(b)高光谱图像所对应光谱曲线）
Fig. 4. 木材横截面所对应的灰度图像（a）美国红橡，（b）.美国红橡，（c）南美柚木
Fig. 5. 高光谱图像中某一波段与其余波段的相似度对比 （a）SSIM相似度对比，（b）FDHM、MIM和DHashM相似度对比
Fig. 6. 波段选择图像融合结果（a)~(e)分别为波段选择留下的5个波段，(f)代表融合后的图像
Fig. 7. 复合LBP结果（a) P=4,R=1,(b) P=16,R=5,(c) P=16,R=3,(d) P=8,R=5
Fig. 8. 木材树种样本图像（a)和b是美国红橡，(c)和(d)是红花梨，(e)和(f)是非洲卡斯拉
Fig. 9. 样本特征曲线
Fig. 10. [in Chinese]
Fig. 11. 纹理和光谱特征串联
Fig. 12. 多种波段选择的识别正确率（a.SVM分类器，b.BP神经网络分类器）
Fig. 13. 使用单波段图像的识别正确率
Fig. 14. 特征融合后的识别正确率（a）使用SVM分类器，（b）使用BP分类器
Fig. 15. 光照强度对识别正确率的影响
Fig. 16. 使用DS传递模型校正前后对比（a）未校正的样本,（b）DS校正后的样本
Fig. 17. 使用纹理信息识别结果
Fig. 18. 特征融合后的识别结果
Fig. 19. 纹理相似的木材横截面（a）金丝柚，（b）克隆木，（c）香樟木
Fig. 20. 特征融合后的识别正确率
|
Table 1. 样本木材的详细资料
|
Table 2. 图像相似度对比
|
Table 3. 不同波段选择方法所选择出的最佳波段组合
|
Table 4. 降维算法的执行时间
| |||||||||||||||||
Table 5. 处理一个样本的算法时间
| |||||||||||||||||||||||||||||||||||
Table 6. 最高识别正确率
| ||||||||||||||||||||||||||||||||||||
Table 7. 各个算法所需花费时间
| ||||||||||||||||||||||||||||||||
Table 8. 各个算法的识别正确率
|
Table 9. 不同I值下的正确识别率
| |||||||||||||||||||||||||
Table 10. 三种相似木材的识别正确率
Set citation alerts for the article
Please enter your email address
© Copyright 2018-2021 | Chinese Laser Press. All Rights Reserved 沪ICP备15018463号-20