木材在工农业等社会生产中有着广泛的应用,但是在其自然生长过程中往往因受到外界客观因素影响而有一些缺陷,这些木材缺陷正是影响木材质量评估的重要因素之一。因此,在对木材加工处理之前对其进行缺陷检测是很重要的一步。目前我国对木材缺陷的检测技术还不够完善,虽然近些年已有研究人员提出一些检测技术,如基于C-V模型水平集的分割方法和基于GAC模型的分割方法等。但是C-V模型水平集方法曲线演化速度慢,抗噪能力差；GAC模型不适合分割优化多个目标,且只能解决凸优化问题,容易产生边界泄漏,不具备自适应性。所以这些检测技术的效率及效果还不够理想,有待进一步提高。而且针对木材缺陷检测的图像样本的采集、传输等图像处理过程,一直以来我们依据的都是奈奎斯特—香农(Nyquist-Shannon)定理,即：信号的采样速率必须要超过信号最高频率的两倍及其以上才能够精确的重构原始信号。这一要求必然导致大量的数据冗余和计算机硬件存储资源的浪费。针对上述木材图像缺陷检测技术存在的问题,本文以传统的C-V模型、GAC模型和ROF模型为基础,根据这些模型的特点和不足之处,对这些模型进行了融合与改进,提出了多模型融合的木材图像缺陷识别技术。本文提出的新方法通过在能量泛函中引入边缘检测函数和TV范数将三个模型统一到同一个最小化框架之内,利用图像梯度以及同质区域信息同时对缺陷图像进行目标边缘检测,实现了各模型性能的互补。然后引进压缩感知理论,将信号采样与压缩的过程一步完成,通过开发信号的稀疏特性,在远小于Nyquist-shannon采样标准的条件下对信号进行随机采样得到信号的离散样本,这样便会大大减少采样过程产生的冗余数据从而减少计算机硬件存储的负担。最后通过精确估计原始图像的稀疏表示,再利用非线性重构算法精确重构原始信号来实现图像去噪,提高算法的抗噪性。在此过程中,本文还改进了压缩采样匹配追踪CoSaMP重构算法,利用矩阵分块原理实现了重构精度的提高和重构时间的减少。通过实验结果表明,本文提出的多模型融合的木材图像缺陷检测技术不依赖初始轮廓线的选择,不受缺陷类型、形状、个数以及图像灰度是否均匀等因素的限制,活动轮廓能够稳定的停留在待测目标边缘避免了出现边缘泄露问题,并且相较C-V模型和GAC模型缩短了识别时间,具有一定的普遍适用性。压缩感知理论的引入,增强了算法的抗噪性,实验结果充分说明了压缩感知理论对图像去噪有很好的效果。