1 广西科技大学电气电子与计算机科学学院, 广西 柳州 545006
2 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
紫檀属中的木材有很多属于名贵木材, 不同树种之间十分相似。 传统的木材识别方法多以木材解剖学为主, 通过观察木材的切片结构特征对木材的树种进行判断, 这类方法虽有较高的识别精度, 但是其识别工艺较为复杂而且技术难度也相对较高。 与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法, 该类方法虽具有较为简单的识别工艺, 但是在对同属相似木材树种进行识别时, 往往不能够取得较好的识别效果。 提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法, 该方法不仅识别工艺简单、 自动化程度高, 而且具有较高的识别精度。 首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息, 然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量, 接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合, 最后使用支持向量机对融合后的特征向量进行分类识别。 为了验证方法的有效性, 以市场中常见的5种紫檀属树种的三个切面为研究对象, 对这些木材树种进行了识别。 实验结果显示, 单独使用纹理特征的识别正确率最高为80.00%, 单独使用光谱特征的识别正确率最高为94.40%, 使用融合的特征最高的识别正确率可达99.20%。 还将这5种木材树种与其他30种木材树种进行了混合, 混合后的木材样本数量可达1750。 实验进一步显示, 该方法可以对包含紫檀属在内的35种木材的树种进行识别, 其正确率可达98.29%。 综上所述, 木材的纹理特征和木材的光谱特征可以有效的相互补充, 从而进一步提高识别正确率。 最后还用所提出的方法与目前主流的方法进行了比较, 结果发现所述的木材树种识别方法高于目前主流方法。
同属木材 树种识别 光谱特征 纹理特征 特征融合 Same genus wood Tree species identification Spectral features Textural features Feature fusion 光谱学与光谱分析
2022, 42(7): 2247
1 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
2 广西科技大学计算机科学与通信工程学院, 广西 柳州 545006
木材是人们生活中必不可少的可再生资源, 同时在建筑、 工艺、 家具、 结构材料等方面有着举足轻重的地位。 市场中常见的木材品种繁多, 其品质和价格千差万别, 使用智能化技术对木材进行正确的分类不仅可以防止不法商贩“以次充好”, 也可以大幅度降低木材分类人员的工作难度。 通过木材的遗传信息和解剖学信息可以得到较为准确的木材分类结果, 这类方法识别工艺相对复杂, 对非专业人员并不友好。 借助木材切面的图像信息或光谱信息可以简单方便地对木材进行分类, 然而由于不同种木材之间存在的近似性, 这类方法往往分类精度不高或只适用于某些阔叶木材。 提出了一种基于木材横切面图像信息和光谱信息的多特征木材分类算法, 首先分别采集木材横切面的光谱信息以及图像信息; 再使用Segnet图像分割方法将待分类样本分成含管孔木材和不含管孔木材两组, 并对含管孔样本组中的木材进行管孔分割; 然后对含管孔样本组中的木材提取管孔特征、 光谱特征以及纹理特征, 对无管孔样本组木材提取光谱特征和纹理特征; 最后根据这些特征使用支持向量机分别对木材进行分类并记录其木材的分类结果, 对分类结果不一致的样本使用相似性判据判断最佳分类结果。 为了验证该方法的有效性, 以20种常见的阔叶木材和针叶木材的混合样本集为研究对象, 对其进行了分类。 实验结果显示三种特征均可以对木材进行分类, 单独使用光谱特征、 纹理特征以及管孔特征对木材进行分类的最高正确率分别为93.00%, 89.33% 和69.23%, 通过相似测度的判断后三个特征可以相互补充从而进一步提高木材的分类正确率, 最高正确率可达98.00%。 综上所述, 该方法可以对包含阔叶木材和针叶木材的混合样本集中的木材进行分类, 木材横切面的光谱特征、 纹理特征以及管孔特征可以相互补充, 从而使分类正确率进一步的提高。 与目前的主流木材分类方法进行对比, 发现该算法的分类正确率高于其他算法。
木材树种识别 纹理特征 管孔特征 光谱特征 特征融合 Wood species classification Textural feature Pore feature Spectral feature Feature-level fusion 光谱学与光谱分析
2021, 41(6): 1713
为了提高木材树种分类的正确率, 提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。 实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1 038.57 nm)范围内的高光谱图像。 首先, 利用基于OIF的特征波段选择方法降低高光谱图像的维数, 选择出含有信息量大的波段。 其次, 对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像, 对得到的融合图像使用I-BGLAM提取其纹理特征。 与此同时, 对高光谱图像的全波段求取平均光谱并进行S-G(Savitzky-Golay)平滑得到光谱特征。 最后, 将得到的纹理特征和光谱特征融合后送进极限学习机(ELM)中进行分类。 此外, 还和基于灰度共生矩阵(GLCM)的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。 该研究主要创新点有两个: 一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征; 二是提出一种新的特征融合的模型用于高光谱图像的分类。 针对8个树种的实验结果表明, 单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%, 而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%, 该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM, 这为后面建立的融合模型打下很好的基础, 单独使用平均光谱特征来分类的正确率最高可以达到92.71%, 使用所提出的特征融合方法所得到的分类正确率最高可达到100%, 这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。 此外, 使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。 因此, 所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率, 该方法在木材树种分类方面有着一定的利用价值。
高光谱图像 纹理特征 光谱特征 特征融合 木材树种分类 Hyper-spectral imaging I-BGLAM Texture feature Spectral feature Feature fusion Classification of wood species I-BGLAM
College of Information and Computer Engineering, Northeast Forestry University, Harbin50040,China
木材往往堆积在室外，在对木材样本采集高光谱图像时往往会受到外界因素（光照、温度、湿度）的影响，从而造成木材树种的误判。为了解决这一问题，本文利用PLS（Pattern Lacunarity Spectrum）和LBP（Local Binary Pattern）对木材横截面的高光谱图像的纹理信息进行了特征提取，而后将高光谱图像的近红外光谱与纹理特征相融合，并以融合后的新特征作为识别的依据，最后使用SVM（Support Vector Machine）和BP（Back Propagation）神经网络两种分类器对木材树种进行了识别，实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别，本文仿真了光照变化对高光谱图像的影响，并对比了影响前后的识别正确率，结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别，优于传统的和近期主流的木材树种分类算法。
高光谱图像 木材树种识别 光照变化 特征融合 hyper-spectral image wood species recognition illumination variation feature fusion
东北林业大学 信息与计算机工程学院, 黑龙江 哈尔滨 150040
为了过滤木材高光谱图像中大量的冗余信息, 提升应用图像纹理进行分类的准确率, 本文采用基于多重分形理论的木材高光谱图像分类算法。首先利用不同的特征选择算法选取最具代表性的10个波段; 随后根据不同的函数密度图像对所选取波段的图像求解其多重分形曲线, 将选择出的多个波段所对应的多重分形曲线取平均, 得到表示样本纹理特征的多重分形曲线; 最后使用支持向量机和BP神经网络分类器对多重分形曲线进行分类。实验表明, 相对熵(K-L散度)要好于自适应波段选择(ABS)提取的波段, 多重分形算法提取的高光谱图像纹理特征要好于灰度共生矩阵, 支持向量机算法的分类准确率和速度要优于BP神经网络, 融合K-L散度、多重分形和支持向量机算法能够有效地提高木材高光谱图像的识别准确率, 最高识别准确率达到了97.91%。
木材树种识别 高光谱图像纹理 多重分形 wood species recognition hyper-spectral image multi fractal
