基于机器视觉的木材表面缺陷检测技术,具有无损性、准确性、快速性等优点,在木材生产及其加工等领域具有较高的应用价值。木材表面缺陷检测的模式识别问题,是值得长期探索的理论课题,也是木材加工工业应用面临的一大难题。木材表面缺陷检测的精确性、实时性、鲁棒性已成为国内外学者研究的热点。本文基于机器视觉和流形理论,以木材表面的活节、死节和虫眼三种常见缺陷为研究对象,对木材表面缺陷的图像分割、特征提取、模式分类方法进行了深入的研究。图像分割是木材缺陷识别的首要问题。针对现有基于局部阈值分割方法过度分割的不足,本文提出了基于全局视觉显著性和局部阈值融合的缺陷分割方法。首先通过缺陷的全局视觉显著性在图像中对缺陷区域进行粗定位；进而在粗定位的缺陷区域周围通过局部阈值分割的方法完成木材表面缺陷的精确定位和分割；最后对分割后的二值图像进行数学形态学处理,提取准确的缺陷目标,为后续木材缺陷特征的提取奠定了基础。为保证木材缺陷识别结果的性能和可靠性,缺陷特征的提取是模式识别中的关键步骤。本文以木材表面缺陷的纹理特征为主,研究了Tamura、灰度共生矩阵、局部二进模式等纹理特征,并提取了活节、死节和虫眼缺陷样本的各种纹理特征。为了降低特征的维数,并减少各特征之间的信息冗余,将Tamura纹理,灰度共生矩阵、局部二进模式纹理特征融合构成协方差矩阵流形特征。纹理特征的提取为后续识别工作开展奠定了基础。在模式分类环节,本文以流形距离代替传统欧氏距离,提出了新的基于流形上支持向量机的分类器,将局部二进模式和Tamura纹理的前三个特征粗糙度、对比度、方向度,连同灰度共生矩阵的熵特征等5种特征输入到分类器中,取得较好的分类效果。论文研究结果表明：(1)采用机器视觉理论和技术,相对于传统的基于边缘的图像分割算法、基于区域的图像分割算法以及基于特定理论的分割算法,采用木材表面缺陷图像的全局显著性特征结合局部阈值分割,并使用数学形态学后处理,起到较好的分割效果,能够将虫眼、活节和死节缺陷从样本图像的背景完好分割出来。(2)通过分析虫眼、活节和死节三种缺陷的特点,采用图像的纹理特征对缺陷进行描述。将缺陷区域的不同类型纹理特征作为特征元融合到协方差矩阵中,构成协方差流形特征,降低了图像特征的维数,又减少了特征的冗余,基于区域协方差流形的特征具有很好的类间可分性。(3)与经典BP神经网络分类器和向量空间支持向量机分类器相比较,本文提出的基于流形上的支持向量机算法取得了较好的识别效果,识别准确率为91.67%,高于BP神经网络分类器82.75%的识别准确率以及向量空间支持向量机分类器84.17%的识别准确率。本文基于机器视觉和流形理论开展木材表面缺陷识别方法研究,研究成果可促进木材的无损检测,提高木材的利用率,也必将给木材加工工业带来巨大的经济效益,具有重要的理论意义和广阔的应用前景。