本發(fā)明涉及樹種識別，具體是指基于多特征融合的木材樹種識別方法。

背景技術(shù)：

1、木材樹種識別方法是指通過分析和處理木材樣本的特征，以確定其所屬的樹種。此方法廣泛應(yīng)用于木材科學(xué)、生態(tài)學(xué)、林業(yè)管理和考古學(xué)等領(lǐng)域。但是一般木材樹種識別方法存在無法適應(yīng)復(fù)雜木材樹種圖像中不同區(qū)域的噪聲變化，存在去木材樹種圖像去噪時邊緣和細(xì)節(jié)的丟失，進(jìn)而導(dǎo)致最終識別準(zhǔn)確性低的問題；一般木材樹種識別方法存在對信息恢復(fù)不夠精細(xì)，導(dǎo)致木材樹種圖像的細(xì)節(jié)表現(xiàn)不夠充分，無法兼顧全局和局部信息，忽略木材的細(xì)微紋理和顏色變化，以及難以處理木材樹種類別不平衡的問題。

技術(shù)實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了基于多特征融合的木材樹種識別方法，針對一般木材樹種識別方法存在無法適應(yīng)復(fù)雜木材樹種圖像中不同區(qū)域的噪聲變化，存在去木材樹種圖像去噪時邊緣和細(xì)節(jié)的丟失，進(jìn)而導(dǎo)致最終識別準(zhǔn)確性低的問題，本方案將增益系數(shù)引入廣義anscombe轉(zhuǎn)換，對木材樹種圖像不同像素的噪聲權(quán)重變化進(jìn)行更精細(xì)的控制；引入動態(tài)閾值篩選，壓縮木材樹種圖像中低于閾值的噪聲成分，同時避免重要信息被過度平滑，并通過多尺度融合得到木材樹種去噪結(jié)果，大大提高最終木材樹種識別的準(zhǔn)確性；針對一般木材樹種識別方法存在對信息恢復(fù)不夠精細(xì)，導(dǎo)致木材樹種圖像的細(xì)節(jié)表現(xiàn)不夠充分，無法兼顧全局和局部信息，忽略木材的細(xì)微紋理和顏色變化，以及難以處理木材樹種類別不平衡的問題，本方案通過引入多尺度特征聚合模塊，保證了木材樹種圖像信息的細(xì)膩恢復(fù)，通過跨層級的特征融合策略在處理木材圖像中的年輪和細(xì)紋時實現(xiàn)保留深層語義信息的同時，恢復(fù)淺層的細(xì)節(jié)；基于擴(kuò)張卷積和動態(tài)卷積核選擇機(jī)制構(gòu)建多級融合塊，助于捕捉木材中的年輪和大型紋理結(jié)構(gòu)；通過權(quán)重加成定義分割損失函數(shù)，提高對類別不平衡的木材樹種圖像的分割精度；進(jìn)而保證最終木材樹種識別的準(zhǔn)確性。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的基于多特征融合的木材樹種識別方法，該方法包括以下步驟：

3、步驟s1：圖像采集；

4、步驟s2：圖像去噪；

5、步驟s3：圖像分割；

6、步驟s4：木材樹種識別。

7、進(jìn)一步地，在步驟s1中，所述圖像采集是采集歷史木材樹種圖像；對采集的歷史木材樹種圖像進(jìn)行尺寸歸一化處理，并對圖像進(jìn)行分類標(biāo)注，標(biāo)注內(nèi)容為木材的樹種具體類別。

8、進(jìn)一步地，在步驟s2中，所述圖像去噪具體包括以下步驟：

9、步驟s21：廣義anscombe轉(zhuǎn)換；對木材樹種圖像進(jìn)行廣義anscombe轉(zhuǎn)換，表示為：；其中，是像素觀測值；是泊松噪聲的增益系數(shù)，，k1和k2是調(diào)整噪聲的系數(shù)；是高斯噪聲的方差，表示噪聲強(qiáng)度；是高斯噪聲的均值，表示噪聲的偏移量；

10、步驟s22：剪切波轉(zhuǎn)換；使用剪切波轉(zhuǎn)換對木材圖像進(jìn)行分解，分離包含噪聲的高頻和包含紋理的低頻系數(shù)；剪切波轉(zhuǎn)換表示為：；剪切波的縮放矩陣和剪切矩陣表示為：；其中，sh(·)是剪切波轉(zhuǎn)換函數(shù)；是剪切波轉(zhuǎn)換的低頻成分，是尺度函數(shù)；和分別是高頻成分和高頻補(bǔ)充分量；α是尺度參數(shù)；c是變化控制參數(shù)；是方向參數(shù)；是小波函數(shù)；是補(bǔ)充小波函數(shù)；j是尺度分解的層數(shù)；k是剪切量；

11、步驟s23：優(yōu)化閾值函數(shù)；對分解后的高頻系數(shù)進(jìn)行閾值篩選，引入分解層數(shù)，自適應(yīng)不同分解層次的去噪處理，動態(tài)閾值t表示為：；對于高頻系數(shù)，提出閾值函數(shù)，表示為：；并使用處理過的高頻系數(shù)和未處理的低頻系數(shù)進(jìn)行剪切波重建，得到去噪后的圖像；其中，是基礎(chǔ)閾值；n3是剪切波分解的總層數(shù)；是原始的高頻系數(shù)；sign(·)是符號函數(shù)；是平滑控制系數(shù)，決定對小于閾值的系數(shù)進(jìn)行平滑處理的強(qiáng)度；β是衰減速率參數(shù)，決定指數(shù)函數(shù)的衰減速度，用于控制噪聲削減的幅度；n是調(diào)整系數(shù)，用于控制增長速度；是修正項；q是系數(shù)控制項，控制對小于閾值的系數(shù)的處理強(qiáng)度；

12、步驟s24：逆轉(zhuǎn)換；在去噪后需進(jìn)行逆轉(zhuǎn)換，逆轉(zhuǎn)換公式為：；其中，是逆轉(zhuǎn)換后得到的尺度去噪圖像；是去噪后的圖像數(shù)據(jù)；

13、步驟s25：多尺度重建；將不同尺度的去噪結(jié)果進(jìn)行融合，提高去噪精度，并增強(qiáng)圖像細(xì)節(jié)，表示為：；其中，是多尺度融合后的最終去噪圖像；是尺度權(quán)重；n是尺度總數(shù)，i是尺度索引；是第i個尺度去噪后的圖像結(jié)果。

14、進(jìn)一步地，在步驟s3中，所述圖像分割具體包括以下步驟：

15、步驟s31：編碼器-解碼器結(jié)構(gòu)設(shè)計；通過卷積神經(jīng)網(wǎng)絡(luò)提取木材圖像的高層語義特征，包括木材表面的紋理、年輪和微觀形態(tài)信息；解碼器逐步恢復(fù)編碼器提取的特征圖的空間分辨率，并在每一步中嘗試恢復(fù)木材表面的細(xì)節(jié)信息；通過反卷積或上采樣操作來增加特征圖的分辨率，生成與輸入圖像相同尺寸的特征圖；引入多尺度特征聚合模塊，在每個解碼階段同時恢復(fù)不同尺度下的特征，表示為：；其中，是第m層的特征圖；是上采樣操作；fi(·)是卷積操作；x是輸入；

16、步驟s32：超列融合；通過結(jié)合編碼器不同層的特征，融合多尺度信息，捕捉木材圖像中的多層次特征，包括粗略的全局信息和精細(xì)的局部細(xì)節(jié)；具體為：從編碼器不同層次提取特征圖，對每個特征圖進(jìn)行雙線性插值，將所有特征圖調(diào)整為相同的分辨率；隨后通過1×1卷積調(diào)整通道數(shù)，將所有特征圖通過逐元素相加融合成一個聚合特征圖；并增加跨層級的特征融合策略，具體為將編碼器和解碼器的特征圖進(jìn)行交互，通過跨層融合的方式，使淺層特征與深層特征互補(bǔ)，確保精細(xì)紋理和年輪信息不在解碼過程中丟失，表示為：；其中，是融合后的特征圖；l是編碼器解碼器總層數(shù)，l是層數(shù)索引；是編碼器第l層提取的特征圖；是解碼器第l層恢復(fù)的特征圖；是逐元素相加操作，用于融合編碼器和解碼器的特征；

17、步驟s33：多級融合塊；通過多級融合塊在通道和空間維度上進(jìn)一步融合木材特征；具體為：使用全局平均池化將特征圖中的每個通道壓縮為一個標(biāo)量，從而提取全局上下文信息；通過全連接層調(diào)整通道之間的相關(guān)性，生成每個通道的注意力系數(shù)；使用sigmoid函數(shù)將注意力系數(shù)歸一化至0到1，并將其應(yīng)用到原始特征圖的通道上，并引入動態(tài)卷積核選擇機(jī)制，在不同通道之間進(jìn)行自適應(yīng)加權(quán)，表示為：；對通道校準(zhǔn)后的特征圖進(jìn)行空間維度的卷積融合，通過擴(kuò)張卷積、批歸一化和relu激活函數(shù)，逐步恢復(fù)木材圖像中的空間細(xì)節(jié)，表示為：；使用第二個se塊對卷積后的特征圖再次進(jìn)行通道校準(zhǔn)，進(jìn)一步優(yōu)化通道間的注意力權(quán)重，表示為：；其中，是通道加權(quán)后的特征圖；是通道加權(quán)函數(shù)；dynamicweight(·)是動態(tài)權(quán)重，用于調(diào)整不同通道的特征權(quán)重；z是卷積融合結(jié)果；bn是批量歸一化；是擴(kuò)張卷積；是通道校準(zhǔn)結(jié)果；是通道校準(zhǔn)操作；

18、步驟s34：分割輸出；使用1×1卷積將融合后的特征圖映射為前景和背景的分割圖，輸出的特征圖包含每個像素屬于前景的概率值；

19、步驟s35：定義分割損失函數(shù)；；其中，l是分割損失函數(shù)；c是類別總數(shù)，c是類別索引；是類別權(quán)重；i1是像素索引，n1是像素總數(shù)；是細(xì)節(jié)權(quán)重系數(shù)，強(qiáng)調(diào)邊緣和紋理區(qū)域的重要性，，γ是權(quán)重系數(shù)，是梯度強(qiáng)度；是第i個像素屬于第c個類別的判定，1為屬于，0為不屬于；

20、步驟s36：分類器訓(xùn)練；從分割后的圖像中提取紋理、形狀和顏色特征；使用支持向量機(jī)分類器訓(xùn)練模型，識別木材的樹種類別。

21、進(jìn)一步地，在步驟s4中，所述木材樹種識別是基于訓(xùn)練完成的向量機(jī)分類器，實時采集木材樹種圖像，經(jīng)過圖像去噪、圖像分割和特征提取后，輸入至訓(xùn)練完成的向量機(jī)分類器中，將向量機(jī)分類器輸出的木材樹種分類結(jié)果作為識別結(jié)果。

22、采用上述方案本發(fā)明取得的有益效果如下：

23、（1）針對一般木材樹種識別方法存在無法適應(yīng)復(fù)雜木材樹種圖像中不同區(qū)域的噪聲變化，存在去木材樹種圖像去噪時邊緣和細(xì)節(jié)的丟失，進(jìn)而導(dǎo)致最終識別準(zhǔn)確性低的問題，本方案將增益系數(shù)引入廣義anscombe轉(zhuǎn)換，對木材樹種圖像不同像素的噪聲權(quán)重變化進(jìn)行更精細(xì)的控制；引入動態(tài)閾值篩選，壓縮木材樹種圖像中低于閾值的噪聲成分，同時避免重要信息被過度平滑，并通過多尺度融合得到木材樹種去噪結(jié)果，大大提高最終木材樹種識別的準(zhǔn)確性。

24、（2）針對一般木材樹種識別方法存在對信息恢復(fù)不夠精細(xì)，導(dǎo)致木材樹種圖像的細(xì)節(jié)表現(xiàn)不夠充分，無法兼顧全局和局部信息，忽略木材的細(xì)微紋理和顏色變化，以及難以處理木材樹種類別不平衡的問題，本方案通過引入多尺度特征聚合模塊，保證了木材樹種圖像信息的細(xì)膩恢復(fù)，通過跨層級的特征融合策略在處理木材圖像中的年輪和細(xì)紋時實現(xiàn)保留深層語義信息的同時，恢復(fù)淺層的細(xì)節(jié)；基于擴(kuò)張卷積和動態(tài)卷積核選擇機(jī)制構(gòu)建多級融合塊，助于捕捉木材中的年輪和大型紋理結(jié)構(gòu)；通過權(quán)重加成定義分割損失函數(shù)，提高對類別不平衡的木材樹種圖像的分割精度；進(jìn)而保證最終木材樹種識別的準(zhǔn)確性。