基于数码相片的车载木材运输量自动识别系统设计与实现毕业论文设计.docx

基于数码相片的车载木材运输量自动识别系统设计与实现毕业论文设计.docx

《基于数码相片的车载木材运输量自动识别系统设计与实现毕业论文设计.docx》由会员分享，可在线阅读，更多相关《基于数码相片的车载木材运输量自动识别系统设计与实现毕业论文设计.docx（33页珍藏版）》请在冰豆网上搜索。

基于数码相片的车载木材运输量自动识别系统设计与实现毕业论文设计

摘要

本文对数码相片车载木材自动识别进行研究，分析了车载木材运输量图像的预处理、特征提取等过程。

车载木材自动识别可以对车载木材运输量进行自动识别，该技术运用于木材加工厂、交通运输管理等领域，能起到节省人力成本、提高效率、改进管理体系等作用。

目前车载木材运输量识别系统好像已有产品投放市场，但这些产品大多依赖硬件设施的辅助才能达到较高的识别率。

本论文主要是依靠软件来实现车载木材运输量的自动识别，使得识别系统具备更强的环境适应性。

通过对收集的车载木材图像样本进行处理和分析，证明了本系统具有较好的实际应用性能。

本论文对车载木材运输量自动识别系统的图像预处理，特征提取，边缘检测的实现三个部分进行了总结与分析。

论文首先总结了图像预处理技术和方法。

图像预处理主要包括图像增强、图像分割、图像滤波等，图像增强主要是改善图像整体的视觉效果，图像分割是将图像中有意义或者需要的特征提取出来，滤波是在尽量保留图像细节特征的条件下对目标像的噪声进行抑制，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。

特征提取是图象处理的重要组成部分，论文主要介绍了主成分分析法、区域生长算法和边缘检测的方法，主成分分析法是用较少的变量去解释原来数据中的大部分变异，将许多相关性很高的变量转化成彼此相互独立或不相关的变量；区域生长算法的基本思想是将具有相似性质的像素点集合起来构成区域；边缘检测法在一定程度上大幅度地减少了数据量，剔除了可以认为不相关的信息，保留了图像重要的结构属性。

由于预处理后的木材图像整体颜色比较接近，主成分分析法和区域生长算法不适合作为其特征提取的方法，因此本文选取的特征提取的方法是边缘检测法。

边缘检测的目的是在一幅图像中提取不同区域的轮廓，将图像分割成不同的区域，使每个区域都由大致相同的像素组成。

前面预处理对木材图像进行滤波和锐化目的是为了提取更清楚的木材图像轮廓特征，在后面运用边缘检测法来提取木材图像轮廓特征，分别进行了Prewitt算子、Log算子Sobel算子的边缘检测，接着对木材图像进行了开闭运算，消除了边缘检测之后的边缘出现断点的现象，使得木材图像轮廓特征更加明显，便于自动识别的识别。

关键词：

图像；木材识别；特征提取；边缘检测；模式识别

ABSTRACT

Inthispaper,timberboardautomaticidentificationofdigitalphotoresearch,analysisoftimbertrafficvehicleimagepreprocessing,featureextractionprocess.AutomaticVehicleIdentificationwoodboardtimbertrafficcanbeautomaticallyidentified,thetechnologyusedinwoodprocessingplants,transportationmanagementandotherfields,canplayasaveonlaborcosts,increaseefficiency,improvemanagementsystemandfunction.

Thecurrentvolumeoftimbertransportationvehicleidentificationsystemasexistingproductsonthemarket,buttheyaremostlydependentonthesupportinghardwaretoachieveahigherrecognitionrate.Thispaperreliesmainlyonsoftwaretoachievetheautomaticvehicleidentificationtimbertraffic,makingidentificationsystemhasmoretotheenvironment.Bycollectingsamplesofvehicletimberimageprocessingandanalysis,provedthesystemhasgoodpracticalapplicationperformance.

Thepapertimbertrafficontheboardautomaticidentificationsystem,imagepreprocessing,featureextraction,edgedetectiontoachievethethreepartsofasummaryandanalysis.

Paperfirstsummarizestheimagepreprocessingtechniquesandmethods.Imagepreprocessingincludesimageenhancement,imagesegmentation,imagefiltering,imageenhancementismainlytoimprovetheoverallvisualimage,imagesegmentationistheimagefeatureextractionofmeaningfulorneedoutoffilteringistopreserveimagedetailfeaturesundertheconditionsofthetargetimagenoisesuppression,thetreatmenteffectisgoodorbadwillhaveadirectbearingonthefollow-upimageprocessingandanalysisofthevalidityandreliability.

Featureextractionisanimportantpartofimageprocessing,thepaperintroducestheprincipalcomponentanalysis,regiongrowingalgorithmandtheedgedetectionmethod,principalcomponentanalysismethodislessvariabletoexplainmostofthevariationoftheoriginaldatawillbeManyarehighlyrelevantindependentvariablesintoeachotherorirrelevantvariables;regiongrowingalgorithmisthebasicideaistopixelswithsimilarpropertiestogetherconstitutetheregional;edgedetectionmethodtoacertainextent,significantlyreducedatavolumeinthedeletionofrelevantinformationcanbedeemednottoretaintheimportantstructuralpropertiesoftheimage.Asthepretreatmentofwoodclosetothecolorimageasawhole,theprincipalcomponentanalysisandregiongrowingalgorithmisnotsuitableforfeatureextractionmethod,thispaperselectedfeatureextractionmethodistheedgedetectionmethod.

Thepurposeofedgedetectionisextractedindifferentregionsofanimagecontour,imagesegmentationintodifferentregions,sothateachregionformedbyroughlythesamepixel.Pretreatmentofthewoodinfrontofimagefilteringandsharpeningthepurposeofextractingmoreclearlyoutlinetheimagecharacteristicsofwood,behindtheuseofedgedetectiontoextractthetimberimagecontourfeatures,respectivelythePrewittoperator,LogOperatorSobeloperatoredgedetection,thentheimageofthetimberwasopenandcloseoperation,eliminatingtheedgeafteredgedetectionbreakpointphenomenonoccurred,makingmoreobviousfeaturesofimagecontourtimber,easyidentificationofautomaticidentification.

KeyWords：

Image;woodidentification;featureextraction;edgedetection;patternrecognition

第一章绪论

本章简单介绍了本论文的研究背景、国内外研究模式识别系统的现状，以及进一步研究的必要性，并且阐述了本论文所需要做的主要工作。

1.1研究背景

伴随着社会的迅速发展，促使道路交通以及车辆的不断增加，车辆中有很大一部分是用来运输人们生活的必需品的，本论文研究的是车载木材运输量的识别系统，为了解决地面交通快速发展所引发的各种问题，智能交通系统（IntelligenceTrafficSystem，简称ITS）[1]的研究被提到了重要位置。

ITS是为了从根本上解决日益膨胀的地面交通的诸多困难而出现的一个新的技术领域，它是以信息技术为代表的高新技术在道路交通运输中的集成应用，受到世界各国高度重视，发展极为迅速。

车载运输量是很多机动车的重要作用，车载运输量自动识别一直是ITS领域研究的热点，也是其关键技术之一。

车载运输量识别技术作为交通管理自动化的重要手段，其任务是处理、分析车载运输图像，自动识别车载运输量的多少。

计算机视觉的自动识别在交通道路上模式识别中的作用越来越大。

计算机视觉识别技术主要完成图像信息的采集、低层处理、特征提取、模式识别等任务。

模式识别的主要方法有：

（1）根据颜色或光谱反射信息，对目标进行区分；

（2）根据二值凸显的形状特征或根据灰度图像的纹理特征，进行目标的特征识别；（3）根据三角测距原理等对目标进行深度距离测量。

在模式的形状分析和识别中，边缘的检测和提取一直是形状特征提取的重要手段，景点的边缘检测算法一般是根据图像像素某邻域内图像灰度值的梯度变化构成边缘检测算子，如梯度算子、Laplacian算子、Sobel等算子。

它们的共同特点是对图像信号的随机起伏十分敏感，而原始图像中，不可避免的要有噪声。

从空间域上看，图像的边缘和噪声在灰度上都表现为有较大的变化，而在频域上表现为高频分量，使得边缘检测比较困难。

论文研究的主要是车载木材运输量自动识别系统，此系统主要用于木材公司、道路、港口等有木材运输车辆经过的地方，能自动识别出车载木材的运输量大概是多少，有没有超载等情况。

本论文所设计的系统主要用到的是模式识别，下面对模式识别进行简单的介绍。

1.1.1模式识别的含义

模式识别是人类的一项基本智能，在人们的日常生活中，经常在进行着“模式识别”。

随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。

模式识别在20世纪60年代初迅速发展并成为一门新学科。

模式还可分成抽象的和具体的两种形式。

抽象的如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。

我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。

1.1.2模式识别的发展史

30年代Fisher提出统计分类理论[2],奠定了统计模式识别的基础。

因此，在60～70年代，统计模式识别发展很快，但由于被识别的模式愈来愈复杂，特征也愈多，就出现“维数灾难”。

但由于计算机运算速度的迅猛发展，这个问题得到一定克服。

统计模式识别仍是模式识别的主要理论。

1929年G.Tauschek发明阅读机，能够阅读0-9的数字。

50年代NoamChemsky提出形式语言理论

（美籍华人付京荪提出句法结构模式识别）。

60年代L.A.Zadeh提出了模糊集理论，模糊模式识别理论得到了较广泛的应用。

80年代Hopfield提出神经元网络模型理论。

近些年人工神经元网络在模式识别和人工智能上得到较广泛的应用。

90年代小样本学习理论，支持向量机也受到了很大的重视。

1.1.3模式识别方法

（1）决策理论方法

决策理论也称统计方法，是发展较早也比较成熟的一种方法。

被识别对象首先数字化，变换为适于计算机处理的数字信息。

一个模式常常要用很大的信息量来表示。

许多模式识别系统在数字化环节之后还进行预处理，用于除去混入的干扰信息并减少某些变形和失真。

随后是进行特征抽取，即从数字化后或预处理后的输入模式中抽取一组特征。

所谓特征是选定的一种度量，它对于一般的变形和失真保持不变或几乎不变，并且只含尽可能少的冗余信息。

特征抽取过程将输入模式从对象空间映射到特征空间中。

这时，模式可用特征空间中的一个点或一个特征矢量表示。

这种映射不仅压缩了信息量，而且易于分类。

在决策理论方法中，特征抽取占有重要的地位，但尚无通用的理论指导，只能通过分析具体识别对象决定选取何种特征。

特征抽取后可进行分类，即从特征空间再映射到决策空间。

为此而引入鉴别函数，由特征矢量计算出相应于各类别的鉴别函数值，通过鉴别函数值的比较实行分类。

（2）句法方法

句法方法也称结构方法或语言学方法。

其基本思想是把一个模式描述为较简单的子模式的组合，子模式又可描述为更简单的子模式的组合，最终得到一个树形的结构描述，在底层的最简单的子模式称为模式基元。

在句法方法中选取基元的问题相当于在决策理论方法中选取特征的问题。

通常要求所选的基元能对模式提供一个紧凑的反映其结构关系的描述，又要易于用非句法方法加以抽取。

显然，基元本身不应该含有重要的结构信息。

模式以一组基元和它们的组合关系来描述，称为模式描述语句，这相当于在语言中，句子和短语用词组合，词用字符组合一样。

基元组合成模式的规则，由所谓语法来指定。

一旦基元被鉴别，识别过程可通过句法分析进行，即分析给定的模式语句是否符合指定的语法，满足某类语法的即被分入该类。

模式识别方法的选择取决于问题的性质。

如果被识别的对象极为复杂，而且包含丰富的结构信息，一般采用句法方法；被识别对象不很复杂或不含明显的结构信息，一般采用决策理论方法。

这两种方法不能截然分开，在句法方法中，基元本身就是用决策理论方法抽取的。

在应用中，将这两种方法结合起来分别施加于不同的层次，常能收到较好的效果。

1.1.4模式识别的应用

（1）.字符识别：

包括印刷体字符的识别；手写体字符的识别（脱机），各种OCR设备例如信函分拣、文件处理、卡片输入、支票查对、自动排板、期刊阅读、稿件输入；在线手写字符的识别，各种书写输入板。

（2）.医疗诊断：

心电图，脑电图，染色体，癌细胞识别，疾病诊断，例如关幼波肝炎专家系统。

（3）.遥感应用：

资源卫星照片，气象卫星照片处理，数字化地球，图像分辨率可以达到1米。

（4）.指纹识别，脸形识别

（5）.检测污染分析，大气，水源，环境监测

（6）.自动检测：

产品质量自动检测

（7）.语声识别，机器翻译，电话号码自动查询，侦听，机器故障判断

1.2研究现状

模式识别是指用计算机的方法来实现人的模式识别能力，更具体地说，就是想人对各种事物或现象的分析、描述、判断和识别。

模式识别已经成为当代高科技研究的重要领域之一，发展成为一门独立的新学科。

模式识别技术迅速扩展，已经应用在人工智能、机器人、系统控制、遥感数据分析、生物医学工程、军事目标识别等领域，几乎遍及各个学科领域，在国民经济。

国防建设、社会发展的各个方面得到广发应用，产生深远的影响。

模式识别从20世纪20年代发展至今，人们的一种普遍看法是不存在对所有模式识别问题都适用的单一模型和解决识别问题的单一技术，现在拥有的只是一个工具袋，所要做的是结合具体问题把统计的和句法的识别结合起来，把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来，把统计模式识别或句法模式识别与支持向量机的机器学习结合起来，把人工神经元网络与各种已有技术以及人工智能中的专家系统、不确定推理方法结合起来，深入掌握各种工具的效能和应有的可能性，互相取长补短，开创模式识别应用的新局面。

在模式识别系统中，对于识别二维模式的能力，存在着各种理论解释。

模板说认为，我们所知道的每一个模式，在长时记忆中都有一个相应的模板或微缩副本。

模式识别就是与视觉刺激最合适的模板进行匹配。

特征说认为，视觉刺激由各种特征组成，模式识别是比较呈现刺激的特征和储存在长时记忆中的模式特征。

特征说解释了模式识别中的一些自下而上过程，但它不强调基于环境的信息和期待的自上而下加工。

基于结构描述的理论可能比模板说或特征说更为合适。

模式识别技术有着近乎无限的发展潜力。

模式识别技术是人工智能的基础技术，21世纪是智能化、信息化、计算化、网络化的时代，在这个以数字计算为特征的世纪里，作为人工智能技术基础学科的模式识别技术，必将获得巨大的发展空间。

在国际上，各大权威研究机构，各大公司都纷纷开始将模式识别技术作为公司的战略研发重点加以重视。

（1）语音识别技术

语音识别技术正逐步成为信息技术中人与机接口的关键技术，语音技术的应用已经成为一个具有竞争性的新兴高技术产业。

中国互联网中心的市场预测：

未来5年，中文语音识别技术领域将会有超过400亿人民币的市场容量,然后每年以超过30%的速度增长。

（2）生物认证技术

生物认证技术是本世纪最受关注的安全认证技术，它的发展是大势所趋。

人们愿意忘掉所有的密码、扔掉所有的磁卡，凭借自身的唯一性来标识身份与保密。

国际数据集团预测：

作为未来的必然发展方向的移动电子商务基础核心技术的生物识别技术在未来10年的时间里将达到100亿美元的市场规模。

（3）数字水印技术

数字水印技术是从20世纪90年代以后才在国际上开始发展起来的，同时它也是是最具发展潜力与优势的数字媒体版权保护技术。

国际数据集团预测，数字水印技术在未来的5年内全球市场容量超过80亿美元。

1.3论文主要结构及内容

本文主要围绕智能交通系统中的图像处理和模式识别技术，在对传统的模式识别系统及方法进行充分分析基础上，对图像预处理、特征选取、特征提取的实现研究和分析。

下面的结构框图主要的介绍了本论文的主题内容：

本论文主要内容共分为五章。

第一章绪论，主要介绍了模式识别的学术背景、研究现状、以及本文的主要内容概述。

第二章介绍了图像预处理，包括图像增强、图像分割和图像滤波等几个图像预处理的方法。

第三章是针对图像特征的提取做出了详细的介绍，列出了图像的一些基本特征和特征提取的方法。

第四章主要介绍了本文选取的特征提取的方法以及实验结果和分析。

第五章是最后一章，是本文的结论和展望，对本文的实验结果做出了结论，并对车载木材识别的方法进行了展望。

第二章图像预处理

本章介绍的主要内容是图像预处理，是在进行特征提取之前的准备步骤。

图像的预处理有多种方法，如图像增强、图像分割、图像滤波等。

预处理的目的是为了去除噪声，加强有用的信息，并对输入测量仪器或其他因素造成的退化现象进行复原。

2.1图像增强

图像增强[3]技术是增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

图像增强按所用方法可分成频率域法和空间域法。

前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。

采用低通滤波法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。

具有代表性的空间域算法有局部求平均值法和中值滤波法等，它们可用于去除或减弱噪声。

图像增强的方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，使图像与视觉响应特性相匹配。

在图像增强过程中，不分析图像降质的原因，处理后的图像不一定逼近原始图像。

图像增强技术根据增强处理过程所在的空间不同，可分为基于空域的算法和基于频域的算法两大类。

基于空域的算法处理时直接对图像灰度级做运算基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正，是一种间接增强的算法。

基于空域的算法分为点运算算法和邻域去噪算法。

点运算算法即灰度级校正、灰度变换和直方图修正等，目的或使图像成像均匀，或扩大图像动态范围，扩展对比度。

邻域增强算法分为图像平滑和锐化两种。

平滑一般用于消除图像噪声，但是也容易引起边缘的模糊。

常用算法有均值滤波、中值滤波。

锐化的目的在于突出物体的边缘轮廓，便于目标识别。

常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。

2.2图像分割

图像分割[4]是图像信息处理预处理的一种方法，它的基本原理是将图像中有意义的特征或者需要应用的特征提取出来。

这些特征可以是图像场的原始特征，如物体占有区的像素灰度值，物体轮廓曲线或纹理特征等，还可以是空间频谱或直方图特征。

分割的目的是将二维数字图像在空间和灰度两方面都做简化处理。

经图像分割处理后，原始图像中灰度连续变化的场景变成一些相对独立的目标几何体，目标中我们关心的重要特性得到增强，而冗余信息被去除，整个图像的信息量大大减小，有利于目标特性的分析。

图像分割方法[5~7]很多，从分割依据角度出发，可以分为相似性分割和非连续性分割。

所谓相似性是指图像中同一区域的像素的某种特性应是类似的，如灰度级相同;所谓非连续性是指图像中一个区域到另一个区域像素的某种特性突变，如灰度级突变。

依照工作对象来分类，一般可分为：

以逐个像素为基础的点相关分割和以区域相关为基础的区域相关分割。

还可以按分割算法本身来分为:

阈值法、界限检测法、