为了过滤木材高光谱图像中大量的冗余信息, 提升应用图像纹理进行分类的准确率, 本文采用基于多重分形理论的木材高光谱图像分类算法。首先利用不同的特征选择算法选取最具代表性的10个波段; 随后根据不同的函数密度图像对所选取波段的图像求解其多重分形曲线, 将选择出的多个波段所对应的多重分形曲线取平均, 得到表示样本纹理特征的多重分形曲线; 最后使用支持向量机和BP神经网络分类器对多重分形曲线进行分类。实验表明, 相对熵(K-L散度)要好于自适应波段选择(ABS)提取的波段, 多重分形算法提取的高光谱图像纹理特征要好于灰度共生矩阵, 支持向量机算法的分类准确率和速度要优于BP神经网络, 融合K-L散度、多重分形和支持向量机算法能够有效地提高木材高光谱图像的识别准确率, 最高识别准确率达到了97.91%。

提出了一种基于木材表面光谱反射率的新型木材树种分类识别系统, 它解决了下面三个问题。 首先, 考虑到实际采集的光谱反射率曲线在某些波长噪声较大, 这些波长应该被删除。 另外, 木材光谱反射率曲线波段为350~2 500 nm, 原始实验数据为一个2 150维的向量（光谱采样间隔设定为1 nm）, 所以要对光谱数据进行特征选择和降维处理。 为高效和同时地解决这两个问题, 使用了一种散步矩阵求解特征值方法进行了光谱特征波长的特征选择, 同时还对噪声波长进行了滤波处理。 该方法收到了较好的效果, 具有一定的新颖性。 最后, 为了使光谱仪采集到的光谱反射率曲线具有最佳的模式可分性信息, 还对室内照明光源的安装高度进行了最优化设计, 使用遗传算法求解出光源的最佳安装高度, 使得采集的光谱反射率曲线具有最佳的树种分类信息。 因此, 提出的这种照明光源安装高度优化设计方法, 在一定程度上提高了树种分类识别的精度, 它具有较好的可行性和一定的新颖性。 针对东北地区常见的五种树种（白松、 樟子松、 落叶松、 杨木和桦木）木材进行大量的（约10万次）分类测试, 实验结果表明五种树种木材的混合识别率达到了95%以上, 具有较好的分类识别精度和速度。 特征选择的波长主要集中在近红外波段。