專利名稱：一種木材識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種木材識(shí)別方法，尤其是一種使用計(jì)算機(jī)輔助手段、基于圖像紋理 分析的木材識(shí)別方法。
背景技術(shù)：
木材識(shí)別的早期方法主要是依靠人工經(jīng)驗(yàn)和知識(shí)，并結(jié)合一些輔助工具，如檢索 表、邊緣穿孔卡，又如公告日為1986年10月1日，公告號(hào)為CN86200457U的中國(guó)專利申請(qǐng) 公開(kāi)的數(shù)目木材識(shí)別卡，等等，根據(jù)宏觀特征和微觀特征，通過(guò)觀察、比較和分析逐步鑒定 識(shí)別木材，這種方法受鑒定者的主觀因素的影響很大、識(shí)別率低，致使有些珍貴的、價(jià)格較 高的、或具有特殊用途的木材，往往被當(dāng)作一般用材處理，至于一般用木材，也會(huì)出現(xiàn)因識(shí) 別不清而導(dǎo)致盲目使用、錯(cuò)用的現(xiàn)象，不僅給木材生產(chǎn)、銷(xiāo)售和使用等各個(gè)環(huán)節(jié)帶來(lái)不便， 影響了森工企業(yè)經(jīng)濟(jì)利益的提高，也浪費(fèi)了寶貴的資源，另外，由于依靠人工的識(shí)別方法耗 費(fèi)時(shí)間很長(zhǎng)，也在一定程度上造成了人力資源的浪費(fèi)。近年來(lái)，計(jì)算機(jī)輔助木材識(shí)別逐漸成為一種主流的木材識(shí)別方法，如授權(quán)公告日 為2009年8月5日，公告號(hào)為100523793C的中國(guó)專利所公布的紅木的近紅外光譜識(shí)別方 法，就是采用紅木及非紅木木材樣本，利用近紅外光譜設(shè)備在木材樣本表面的不同位置采 集數(shù)次近紅外光譜，對(duì)于同一個(gè)樣本在3 10個(gè)位置分別采集光譜，再經(jīng)過(guò)光譜預(yù)處理， 如平滑、基線校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正或數(shù)據(jù)降維預(yù)處理后，通過(guò)軟獨(dú)立建 模分類(lèi)或最小二乘判別分析等多變量數(shù)據(jù)分析方法，建立真假紅木及其木材樹(shù)種的判別模 型，從而，利用建立的模型即可實(shí)現(xiàn)怎加紅木及木材樹(shù)種的判別。這種方法具有較高的分析 效率和準(zhǔn)確度，但由于其基于的樣本是木材實(shí)物，對(duì)于一些不易取樣和搬運(yùn)的木材，在實(shí)際 操作方面，存在著一定的困難?；谀静睦w維或者體視圖像，采用機(jī)器視覺(jué)手段的識(shí)別方法 克服了上述問(wèn)題，眾所周知，木材識(shí)別往往由木材圖片中的關(guān)鍵特征區(qū)域所決定，而木材圖 片中的含有斷裂、樹(shù)脂道、蟲(chóng)蛀、霉變等特征的噪聲區(qū)域，則對(duì)木材的識(shí)別有一定的抑制作 用，現(xiàn)有的此類(lèi)識(shí)別方法沒(méi)有有效的突出木材關(guān)鍵特征區(qū)域的作用，也不能很好的消除噪 聲區(qū)域的影響，從而大大的降低了識(shí)別率。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)中基于木材圖片的識(shí)別方法識(shí)別率較低的問(wèn)題， 提出了一種具有較高識(shí)別率的木材識(shí)別方法。為達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是 一種木材識(shí)別方法，包括如下步驟
(1)特征量生成將一張木材圖像分塊處理，提取每張分塊圖像的局部特征，并將多個(gè) 分塊的局部特征組合形成木材圖像的特征，用聚類(lèi)處理對(duì)木材圖像的特征進(jìn)行聚類(lèi)歸并， 提取聚類(lèi)信息，在此基礎(chǔ)上，對(duì)聚類(lèi)信息進(jìn)行篩選處理，形成木材圖像的特征量；
(2)對(duì)包含有N張木材原始圖像的訓(xùn)練樣本集中的每張圖像重復(fù)步驟(1)，生成一個(gè)包含N個(gè)特征量的特征集；
(3)對(duì)待識(shí)別木材圖像重復(fù)步驟(1)，生成待識(shí)別木材圖像的特征量；
(4)將待識(shí)別木材圖像的特征量與特征集用EMD算法計(jì)算生成N個(gè)EMD距離，對(duì)N個(gè) EMD距離進(jìn)行分類(lèi)處理，得出識(shí)別結(jié)果。上述技術(shù)方案還可以進(jìn)一步完善
作為優(yōu)選，步驟(1)中進(jìn)一步包括一個(gè)先于分塊處理進(jìn)行的預(yù)處理子步驟在木材圖 像的特征明顯部位選取一塊WXh的子區(qū)域，并對(duì)該區(qū)域進(jìn)行灰度轉(zhuǎn)換，形成預(yù)處理圖像。作為優(yōu)選，特征明顯部位是指位于木材的兩個(gè)年輪線之間的、至少不含有斷裂、樹(shù) 脂道、蟲(chóng)蛀、霉變四者中的任意一種的部位。作為優(yōu)選，分塊處理將預(yù)處理圖像按照橫向m塊、縱向η塊分割成mn個(gè)相同的分 塊圖像，令mn=mXn。作為優(yōu)選，使用Gabor小波算法提取每張分塊圖像的特征，并形成木材圖像的特 征，Gabor處理包括如下步驟(1)逐個(gè)分別對(duì)每張分塊圖像進(jìn)行s個(gè)尺度、ο個(gè)方向的 Gabor變換；(2)提取每張分塊圖像的特征值；(3)令oS=o X s，將每張分塊圖像得到os個(gè) 特征值排列成一個(gè)1 Xos維的特征向量；(4)將每張預(yù)處理圖像得到mn行特征向量排列成 一個(gè)mnXos的特征矩陣，稱為Gabor特征，命名為G。作為優(yōu)選，s、o的取值分別為4、6，或5、8。作為優(yōu)選，聚類(lèi)處理包括如下步驟(1)將特征向量G的每一行作為os維空間的 一個(gè)點(diǎn)，每張預(yù)處理圖像形成mn個(gè)點(diǎn)；(2)用聚類(lèi)算法將mn個(gè)點(diǎn)聚成k個(gè)聚類(lèi)，每個(gè)聚類(lèi)對(duì)
應(yīng)os維空間上的一個(gè)點(diǎn)，即k個(gè)os維向量；(3)令聚類(lèi)clusterKclusteivclusteiv......，
cluster,] ； (4)記錄每個(gè)聚類(lèi)包含點(diǎn)的個(gè)數(shù) nunFDiuivnuiv ......，numk] ； (5)稱 cluster，
num為聚類(lèi)信息。作為優(yōu)選，篩選處理包括如下步驟(1)令Weighti= MimiAm ； (2)將weight從 大到小一次排列，篩選出前i個(gè)weight使他們恰好滿足條件Σ i1 weighti≥M(i ≤k)；
(3)令 feature= [feature1, feature2, ......，featurei ,其中 featurei= Clusteri ； (4)
令 weight= [weighty weight2, ......, weight」,稱 Weighti 為 featurei 的權(quán)重；(5)令
signature= [ S1, S2, ......, Si],其中 Si= (featurei, weight)，signature 為木材圖像的特征量。作為優(yōu)選，M取值為90%。作為優(yōu)選，分類(lèi)處理采用SVM算法。由于上述技術(shù)方案的采用，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)
本發(fā)明通過(guò)對(duì)木材圖片的合理分塊細(xì)化，把各特征區(qū)域(包括帶有關(guān)鍵特征的關(guān)鍵區(qū) 域、普通紋理區(qū)域、斷裂區(qū)域、樹(shù)脂道區(qū)域、蟲(chóng)蛀區(qū)域、霉變區(qū)域等)獨(dú)立開(kāi)來(lái)，采用關(guān)鍵特 征區(qū)域和普通紋理特征區(qū)域作為分塊圖像的內(nèi)容，并對(duì)每張分塊圖樣用Gabor小波提取特 征，這種做法強(qiáng)化了關(guān)鍵特征區(qū)域的作用，解決了因?qū)φ麖垐D像進(jìn)行Gabor小波處理而減 低關(guān)鍵特征區(qū)域作用的問(wèn)題，并且，可以通過(guò)去除含有斷裂、樹(shù)脂道、蟲(chóng)蛀、霉變的噪聲區(qū)域 來(lái)提高識(shí)別率。此外，本發(fā)明引入了聚類(lèi)算法，對(duì)Gabor小波提取的特征進(jìn)行濃縮，并減小了分塊 細(xì)化給后續(xù)識(shí)別過(guò)程帶來(lái)的運(yùn)算量。
再者，因?yàn)楹袛嗔?、?shù)脂道、蟲(chóng)蛀、霉變等區(qū)域的圖片已經(jīng)在圖片預(yù)處理步驟過(guò) 程中被部分舍棄，所以這些區(qū)域在整張木材木片中所占的比重很小，再對(duì)聚類(lèi)處理后的特 征通過(guò)設(shè)置適當(dāng)?shù)拈撝颠M(jìn)行篩選，即可有效地去除這些區(qū)域，進(jìn)一步提高識(shí)別率。另外，篩選處理的另一個(gè)優(yōu)點(diǎn)是，在保留了重要的關(guān)鍵識(shí)別特征的同時(shí)，保持了原 有的識(shí)別率，并通過(guò)去除非重要特征，提高了識(shí)別過(guò)程的執(zhí)行效率。最后，與現(xiàn)有的求解圖像間特征相似度的方法不同的是，傳統(tǒng)方法是先把圖像特 征按一定順序排放，然后對(duì)不同圖像的多個(gè)特征逐一進(jìn)行一對(duì)一的簡(jiǎn)單求相似度(或距 離)，最后將這些相似度(或距離)累加求和作為最終判斷不同圖像相似程度的依據(jù)，它的缺 點(diǎn)在于不同圖像特征的相似度受圖像特征排列順序的影響，不能對(duì)圖像特征的相對(duì)度做出 合理的判斷。而本發(fā)明采用EMD (Earth Mover' s Distance，該度量方法來(lái)源于著名的貨 物傳輸問(wèn)題，是一種能夠有效地計(jì)算不同圖片所包含的特征相似度，并進(jìn)行部分匹配的算 法)來(lái)計(jì)算圖像特征的相似度，可以有效地解決現(xiàn)有技術(shù)中的上述問(wèn)題，消除了圖像特征排 列順序給相似度計(jì)算帶來(lái)的不利影響。


圖1為本發(fā)明的一種流程圖。
具體實(shí)施例方式下面結(jié)合附圖，對(duì)本發(fā)明做進(jìn)一步說(shuō)明 如圖1所示的木材識(shí)別方法，主要包括如下步驟
(1)特征量生成將一張木材圖像分塊處理，提取每張分塊圖像的局部特征，并將多個(gè) 分塊的局部特征組合形成木材圖像的特征，用聚類(lèi)處理對(duì)木材圖像的特征進(jìn)行聚類(lèi)歸并， 提取聚類(lèi)信息，在此基礎(chǔ)上，對(duì)聚類(lèi)信息進(jìn)行篩選處理，形成木材圖像的特征量；
(2)對(duì)包含有N張木材原始圖像的訓(xùn)練樣本集中的每張圖像重復(fù)步驟(1)，生成一個(gè)包 含N個(gè)特征量的特征集；
(3)對(duì)待識(shí)別木材圖像重復(fù)步驟(1)，生成待識(shí)別木材圖像的特征量；
(4)將待識(shí)別木材圖像的特征量與特征集用EMD算法計(jì)算生成N個(gè)EMD距離，對(duì)N個(gè) EMD距離采用SVM算法進(jìn)行分類(lèi)處理，得出識(shí)別結(jié)果。EMD (earth mover's distance)是基于著名的貨物傳輸問(wèn)題(Hitchcock，1941) 的一種可用于有效計(jì)算不同圖片所包含的特征相似度，并可進(jìn)行部分匹配的一種算法。其公式如下
權(quán)利要求
一種木材識(shí)別方法，其特征在于，包括如下步驟(1)特征量生成將一張木材圖像分塊處理，提取每張分塊圖像的局部特征，并將多個(gè)分塊的局部特征組合形成所述的木材圖像的特征，用聚類(lèi)處理對(duì)所述的木材圖像的特征進(jìn)行聚類(lèi)歸并，提取聚類(lèi)信息，在此基礎(chǔ)上，對(duì)聚類(lèi)信息進(jìn)行篩選處理，形成所述的木材圖像的特征量；(2)對(duì)包含有N張木材原始圖像的訓(xùn)練樣本集中的每張圖像重復(fù)步驟(1)，生成一個(gè)包含N個(gè)特征量的特征集；(3)對(duì)待識(shí)別木材圖像重復(fù)步驟(1)，生成待識(shí)別木材圖像的特征量；(4)將待識(shí)別木材圖像的特征量與所述的特征集用EMD算法計(jì)算生成N個(gè)EMD距離，對(duì)N個(gè)EMD距離進(jìn)行分類(lèi)處理，得出識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的木材識(shí)別方法，其特征在于，步驟(1)中進(jìn)一步包括一個(gè)先于 分塊處理進(jìn)行的預(yù)處理子步驟在所述的木材圖像的特征明顯部位選取一塊wXh的子區(qū) 域，并對(duì)該區(qū)域進(jìn)行灰度轉(zhuǎn)換，形成預(yù)處理圖像。
3.根據(jù)權(quán)利要求2所述的木材識(shí)別方法，其特征在于所述的特征明顯部位是指位于 木材的兩個(gè)年輪線之間的、至少不含有斷裂、樹(shù)脂道、蟲(chóng)蛀、霉變四者中的任意一種的部位， 所述的w、h取值為100，所述的預(yù)處理圖像為256級(jí)灰度圖像。
4.根據(jù)權(quán)利要求1或2或3所述的木材識(shí)別方法，其特征在于所述的分塊處理將所 述的預(yù)處理圖像按照橫向m塊、縱向η塊分割成mn個(gè)相同的分塊圖像，令mn=mXn，m、η的 取值范圍為4 7。
5.根據(jù)權(quán)利要求4所述的木材識(shí)別方法，其特征在于，使用Gabor小波算法提取每張所 述的分塊圖像的特征，并形成所述的木材圖像的特征，所述的Gabor處理包括如下步驟(1)逐個(gè)分別對(duì)每張所述的分塊圖像進(jìn)行s個(gè)尺度、ο個(gè)方向的Gabor變換；(2)提取每張分塊圖像的特征值；(3)令0S=0XS，將每張所述的分塊圖像得到os個(gè)特征值排列成一個(gè)IXos維的特征向量；(4)將每張所述的預(yù)處理圖像得到mn行所述的特征向量排列成一個(gè)mnXos的特征矩 陣，稱為Gabor特征，命名為G。
6.根據(jù)權(quán)利要求5所述的木材識(shí)別方法，其特征在于，S、ο的取值分別為4、6或5、8。
7.根據(jù)權(quán)利要求6所述的木材識(shí)別方法，其特征在于，所述的聚類(lèi)處理包括如下步驟(1)將特征向量G的每一行作為os維空間的一個(gè)點(diǎn)，每張所述的預(yù)處理圖像形成mn個(gè)點(diǎn)；(2)用聚類(lèi)算法將mn個(gè)點(diǎn)聚成k個(gè)聚類(lèi)，每個(gè)聚類(lèi)對(duì)應(yīng)os維空間上的一個(gè)點(diǎn)，即k個(gè) os維向量；(3)令聚類(lèi)Cluster=Iicluster1, cluster2, ......, clusterj ；(4)記錄每個(gè)聚類(lèi)包含點(diǎn)的個(gè)數(shù)num=[Iium1, num2,……，numj ；(5)稱cluster，num為所述的聚類(lèi)信息。
8.根據(jù)權(quán)利要求7所述的木材識(shí)別方法，其特征在于，所述的篩選處理包括如下步驟(1)令Weighti= Mimi/mn ；(2)將weight從大到小一次排列，篩選出前i個(gè)weight使他們恰好滿足條件Σ/Weighti ≤ M(i ≤ k)；(3)Teature=Lfeature1, feature2, ......，J^eaturei]，其中 J^eaturei= Clusteri ；(4)令weight= [weighty weight2, ......, weight」,稱 Weighti 為 J^eaturei 的權(quán)重；(5)令signature=[ S-j S2， ......， S^ ]，其中 Si= Cfeaturei, Weighti), signature述的木材圖像的特征量。
9.根據(jù)權(quán)利要求8所述的木材識(shí)別方法，其特征在于，M取值為90%。
10.根據(jù)權(quán)利要求1或2或3所述的木材識(shí)別方法，其特征在于所述的分類(lèi)處理采用 SVM算法。
全文摘要
本發(fā)明涉及一種木材識(shí)別方法，包括如下步驟(1)特征量生成將一張木材圖像分塊處理，提取每張分塊圖像的局部特征，并將多個(gè)分塊的局部特征組合形成所述的木材圖像的特征，用聚類(lèi)處理對(duì)所述的木材圖像的特征進(jìn)行聚類(lèi)歸并，提取聚類(lèi)信息，在此基礎(chǔ)上，對(duì)聚類(lèi)信息進(jìn)行篩選處理，形成所述的木材圖像的特征量；(2)對(duì)包含有N張木材原始圖像的訓(xùn)練樣本集中的每張圖像重復(fù)步驟(1)，生成一個(gè)包含N個(gè)特征量的特征集；(3)對(duì)待識(shí)別木材圖像重復(fù)步驟(1)，生成待識(shí)別木材圖像的特征量；(4)將待識(shí)別木材圖像的特征量與所述的特征集用EMD算法計(jì)算生成N個(gè)EMD距離，對(duì)N個(gè)EMD距離進(jìn)行分類(lèi)處理，得出識(shí)別結(jié)果。具有較高的識(shí)別率。
文檔編號(hào)G06K9/62GK101996328SQ20101050639
公開(kāi)日2011年3月30日 申請(qǐng)日期2010年10月14日 優(yōu)先權(quán)日2010年10月14日
發(fā)明者孫伶君, 張廣群, 汪杭軍, 祁亨年, 陳松茂 申請(qǐng)人:浙江農(nóng)林大學(xué)