颜色特征是木质板材重要的自然属性之一,人们往往会根据板材的颜色来评判其质地的好坏,尤其是在木质地板加工业和木质家具加工行业,其颜色成为评价产品优劣的重要指标。目前在木材加工行业还没有描述木材表面颜色的国家标准和行业准则,本课题针对这一问题,结合图像处理技术和模式识别理论方法,研究建立了一套能够反映木质板材表面颜色特征的参数体系,为木材表面颜色的自动分类打下坚实的理论和实践基础。本文首先对基于颜色特征的图像分类进行了概述,介绍了常见的颜色空间模型以及颜色特征表示方法。在后续的研究中,基于HSV颜色空间,分别使用了颜色直方图统计特征,颜色熵值特征和主颜色特征等表示方法。介绍了几种常用的分类器的原理与设计方法,分别为K-近邻分类器(KNN)、BP神经网络分类器、PNN神经网络分类器和支持向量机(SVM)分类器。本文研究的重点是提出了三种木质板材颜色特征的提取方法。首先是基于提升小波变换提取颜色特征的方法,先将计算机中RGB颜色空间下的木材样本图片转换成基于HSV颜色空间的样本图片,然后将每幅图片均匀分成四块,提取H、S、V各颜色分量的熵值,最终形成了12个特征参数,分别选用K-近邻分类器、PNN分类器和SVM分类器进行分类仿真实验；然后提出基于信息熵理论的特征加权的分类方法研究,结合颜色直方图的统计特征,对原始形成的18个特征参数进行权重调整,并根据遗传算法进行了特征选择,最后选用K-近邻分类器和BP神经网络分类器进行分类实验；最后提出基于全局代表色与局部代表色的分类方法研究,形成6个全局代表色和16个局部代表色,运用遗传算法进行特征优化,最后选用K-近邻分类器、PNN分类器和SVM分类器进行分类仿真实验。对比了三种颜色特征提取方法,最终确定了木质板材颜色特征的参数体系和分类器的选择,为木材生产加工过程提供了有力的参考,同时也为其他图像处理与图像分类研究提供了新的依据。