木材横切面构造特征计算机视觉分析与树种分类识别研究

摘要

为解决基于木材横切面显微图像特征参数的木材树种计算机识别这一难题，采用计算机视觉分析技术实现对木材横切面显微图像特征参数的提取，并以基于图像特征参数的识别算法建立计算机木材树种识别程序。其主要方法是：在对计算机彩色图像分析软件二次开发的基础上，进行木材横切面的各种主要细胞轮廓形态、细胞几何尺寸、主要组织比量等参数的测定与分析：采用空间灰度共生矩阵方法提取木材横切面显微图像的纹理特征参数，并分析了木材横切面显微图像的纹理变化特征；探讨了基于所提取的图像特征参数实现树种识别的可行性，最终建立了基于木材横切面显微图像内容(特征参数)的木材树种识别程序。 实验中共提取反映木材横切面显微图像特征的参数32项，其分别是与木纤维(管胞)细胞相关的参数10项、与导管(树脂道)细胞相关的参数8项、与木射线细胞相关的参数2项、胞壁率参数1项及图像纹理特征参数11项。像素间距及角度是影响图像纹理特征参数的最重要因素，通过对不同像素间距及角度的显微图像纹理特征参数的分析表明，在像素间距d=3及角度θ=0°时所提取的纹理特征量最有利于表征木材横切面显微图像纹理特征。 建立了木材横切面细胞简化模型，并分析了各纹理参数的专业涵义。当细胞壁与细胞腔比例在一定范围内时可获得纹理细腻、清晰度高、纹理变化快、周期性大及纹理分布丰富的横切面显微图像，而此时，无论细胞壁与细胞腔的比例往哪个方向变化，都会使纹理变粗、清晰度下降、纹理变化变慢、周期性减弱及纹理分布减少。对树种在纹理参数值不同范围内的分布情况发现:绝大部分树种的横切面显微图像纹理较细腻、清晰度较高、周期性较强、纹理信息丰富。同时还分析了纹理特征参数之间的相关性，结果表明大部分纹理参数间都具有显著的相关关系。 分析了木材的胞壁率与壁腔比参数与横切面显微图像纹理参数之间的关系，结果表明：当木材的胞壁率为40～70％、壁腔比为0.15～0.50时，木材横切面显微图像的纹理比较细腻、周期性大、清晰程度高、图像整体色调的明暗深浅最强烈、含有最丰富的纹理信息。而且，胞壁率、壁腔比在这一范围时，树种样本数最多。 对所提取的特征参数进行主成分分析，结果表明前七个主成分因子集中了32个变量的80％以上的信息，它们分别是图像纹理对比度因子、导管(树脂道)形态与尺寸因子、纹理周期性与复杂性因子、木纤维(管胞)细胞的几何尺寸因子、导管(树脂道)含量与分布因子、木纤维(管胞)细胞形态因子、木射线含量因子。同时结合变量间的相关分析，从32项特征中选取出了13项相对独立、且对树种识别具有实际意义的特征参数。 利用所选取出的反映木材横切面显微图像特征的13项参数，以最大相似原理建立了基于图像特征参数的计算机树种识别匹配算法，这种识别匹配算法是通过计算待识别树种与已知树种之间的相似系数来实现的，相似系数大表明两个树种间相似程度高。程序中运用了最小差值参数判别法、树种综合特征阈值法、综合加权相似法三种方式进行相似系数的计算。其中最小差值参数判别法与树种综合特征阈值法是将每个特征参数对木材横切面显微图像特征的贡献率视为一致，只是树种综合特征阈值法是以阈值的大小来判断特征间的相似性，而综合加权相似法是建立在对木材横切面显微图像特征参数的主成分分析的基础上，以每个特征参数的贡献率大小为加权系数来计算两个树种间的相似系数。以相似系数计算为基础的计算机树种识别程序对未知树种的识别并不是给出唯一的答案，而是将数据库中的树种按相似系数的大小进行排序，并可通过程序界面的功能按键进行逐一浏览，同时能在主界面上显示树种的宏观、微观特征和三切面显微图像，以便用户进一步直观验证待识别树种，提高了识别结果的准确性。 通过对木材横切面显微图像量化特征参数的提取与分析、基于图像分析的识别匹配算法和识别程序的建立,以及对程序识别功能的初步验证，结果表明，以基于图像分析的方法达到木材识别的目的是基本可行的。此项研究结果将为木材鉴别、树木分类提供一种新的技术手段和相应的科学理论依据。

目录

文摘

英文文摘

1绪论

1.1引言

1.2计算机视觉技术

1.2.1计算机视觉分析系统的构成

1.2.2数字图像处理

1.2.3图像特征提取

1.2.4图像模式识别

1.3计算机视觉技术在木材解剖学研究中的应用

1.4木材识别技术

1.4.1传统的木材识别方法

1.4.2计算机技术在木材识别中的应用

1.5本课题的研究内容

2实验材料与方法

2.1实验材料

2.2实验方法

2.2.1实验研究路线

2.2.2实验研究方法

2.3本章小结

3木材横切面显微图像特征参数提取

3.1木材横切面显微构造特征参数提取

3.1.1计算机彩色图像分析系统简介

3.1.2参数提取的前处理

3.1.3细胞几何量参数提取

3.1.4细胞形态量参数提取

3.1.5木材主要组织比量参数提取

3.1.6其他特征参数的提取

3.1.7测量结果的浏览

3.2横切面显微图像纹理特征量的提取

3.2.1空间灰度共生矩阵的构建

3.2.2显微图像纹理特征参数提取

3.3本章小结

4木材横切面显微图像纹理分析

4.1木材横切面细胞简化模型

4.2纹理特征参数的专业涵义解析

4.3纹理特征参数的分布特征

4.4纹理特征参数的相关性分析

4.5胞壁率对显微图像纹理特征的影响

4.5.1胞壁率与纹理特征参数之间的关系

4.5.2针叶树材与阔叶树材之间的比较

4.6壁腔比对显微图像纹理特征的影响

4.6.1壁腔比与纹理特征参数之间的关系

4.6.2针叶树材与阔叶树材之间的比较

4.7本章小结

5木材横切面显微图像特征参数主成分分析

5.1主成分确定与解析

5.1.1主成分确定

5.1.2主成分解析

5.2特征参数简化

5.2.1第一主成分变量简化

5.2.2第二主成分变量简化

5.2.3第三主成分变量简化

5.2.4第四主成分变量简化

5.2.5第五主成分变量简化

5.2.6第六主成分变量简化

5.2.7第七主成分变量简化

5.3本章小结

6基于显微图像分析的树种识别匹配算法

6.1传统树种识别方法的识别模式

6.1.1交集方式

6.1.2对分方式

6.1.3两种识别方式的区别

6.2显微图像分析结果的影响因素

6.3基于显微图像分析的树种识别匹配算法

6.3.1最小差值参数判别法

6.3.2树种综合特征阈值法

6.3.3综合加权相似法

6.3.4三种匹配算法的区别

6.4基于显微图像分析的树种识别匹配算法的特点

6.5本章小结

7基于显微图像分析的计算机树种识别方法的建立

7.1识别方法的总体设计

7.1.1识别方法的总体结构

7.1.2数据浏览模块

7.1.3数据维护模块

7.1.4树种识别模块

7.1.5其它

7.2识别系统数据库的建立

7.3识别系统的界面设计

7.3.1主界面

7.3.2数据浏览与维护界面

7.3.3识别检索界面

7.4识别系统的菜单设计

7.5识别系统的功能设计

7.5.1特征参数输入

7.5.2相似系数计算

7.5.3识别结果显示

7.6树种识别实例

7.7本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢