全 文 ：第 !" 卷 第 #$ 期
% $ # # 年 #$ 月
林 业 科 学
&’()*+(, &(-.,) &(*(’,)
./01!"!*/1#$
2345!% $ # #
一种新的针叶材自动识别方法
汪杭军6汪碧辉
"浙江农林大学信息工程学院6临安 7##7$$$
摘6要!6提出通过横切面显微图像对针叶材树种进行计算机识别的方法& 该方法通过提取图像的 S’,特征!生
成*特征树+!然后采用 &.f对样本进行分类& 使用 : 种针叶材!每种 #% 个样本!并采用留一交叉验证!对图像的
分割方法%最近邻与 &.f分类算法和不同范数距离下的识别效果进行试验& 结果表明通过部分木材微观的纹理
结构进行木材识别的可能性&
关键词’6主成分分析# 支持向量机# 计算机视觉# 针叶材识别# 特征树
中图分类号! &":#%+S7;#666文献标识码!,666文章编号!#$$# A"!::"%$####$ A$#!# A$9
收稿日期’ %$$; A#% A%:# 修回日期’ %$#$ A$# A%;&
基金项目’ 国家自然科学基金项目"8$;"$$:%$ !浙江省自然科学基金项目"O7$;$$8#!O7$:$!9"$ !浙江省科技厅科研项目"%$$:’%#$:"$ &
=K,7*&D*$;,(,0!,0$?,,(Q*:,4’%$%,’
RIFETIFE\PF6RIFEGD?PD
" ,./##*#;C2;#$G1’-#2 <2+-2%%$-2+! Z/%Q-12+ 3L"42-5%$&-’(69-2712 7##7$$$
=2/$-#:$’6,F/[N0@N4?/U /XV/X4M//U VKN3DNV3/@KP4NCIP4/@I4D3CN3/EFD4D/F 4?C/PE? 3C/VV‘VN34D/FI0@D3C/V3/KD3D@IENV
DVKC/K/VNU DF 4?DVKIKNC5+?N@N4?/U N_4CI34VS’," KCDF3DK0N3/@K/FNF4IFI0WVDV$XNI4PCN/XM//U D@IENV! ENFNCI4N
*)DENF+CNNV+! IFU 4?NF PVN&.f"VPKK/C4[N34/C@I3?DFN$4/30IVVDXWVI@K0NVDF XNI4PCNVKI3N5)DE?4ZDFUV/XV/X4M//UV
VKN3DNV! 4MN0[NVI@K0NVDF NI3? VKN3DNVICNPVNU DF /PCN_KNCD@NF45qVDFE0NI[N‘/FN‘/P43C/VV‘[I0DUI4D/F"-22’.$! M//U
CN3/EFD4D/F N_KNCD@NF4VICN3ICCDNU /P4PFUNCUDXNCNF43/FUD4D/FV/F D@IENVK0D4@N4?/UV! 30IVVDXD3I4D/F I0E/CD4?@V/X
FNICNV4FNDE?Y/CIFU &.f! IFU [ICD/PVF/C@UDV4IF3NV5+?NCNVP04V/X4?NVNN_KNCD@NF4VV?/M4?I4M//U CN3/EFD4D/F YW
KIC4V/XM//U @D3C/‘4N_4PCNDVK/VVDY0NPFUNC3NC4IDF 3/FUD4D/FV5
>*9 ?,-(/’6KCDF3DK0N3/@K/FNF4IFI0WVDV# VPKK/C4[N34/C@I3?DFN# 3/@KP4NC[DVD/F# V/X4M//U CN3/EFD4D/F# )DENF+CNNV
66正确进行木材识别对于充分合理使用木材资
源%木材流通中的按质论价%木材进出口管理中防止
非法木材交易和交易欺诈行为%考古和历史研究等
具有重要的意义"汪杭军等! %$$;$& 随着数字图像
处理%人工智能%模式识别等技术的发展!以及它们
在文字识别"+CDNC%’1*5! #;;8$%人脸识别",CD^P@D
%’1*5! %$$:$%指纹识别"GNVYNV%’1*5! %$$:$等众多
领域的成功应用!为木材的智能识别技术提供了良
好借鉴& 很多学者结合木材学领域的特点!将这些
方法和技术应用于木材识别上& 于海鹏等 "%$$!#
%$$9$分别运用空间灰度共生矩阵和小波分析了木
材纹理!获得了纹理的特征参数和分频分尺度特性&
但木材宏观纹理图像对木材树种的识别提供的信息
相对较少!目前大多研究集中在对木材切片的微观
研究中!而且主要是在语义特征的测量%提取和分析
上!包括导管 "管孔$%木射线等不同组织细胞& 例
如!QP\D4I等"#;;9$分析阔叶材横切面的导管分布#
BDF/等"%$$!$测定了木材细胞壁厚度# 任洪娥等
"%$$"$利用链码技术提取针叶材细胞的边界轮廓
信息# 刘镇波"%$$!$对针叶材和阔叶材细胞几何量
参数%细胞形态量参数%树脂道%木材组织比量参数%
胞壁率%构造分子分布密度进行研究# 黄慧"%$$8$
采用数学形态学研究了阔叶材中的管孔%弦切面上
木射线特征# RIFE等"%$$;$采用遗传算法研究了
阔叶材导管的自动分割问题&
以上可以看到对木材微观的研究主要集中在阔
叶材上!并通过图像处理方法提取各种语义特征&
图像分割是这些基于图像分析应用的第一步工作!
也是最基本的工作"TN%’1*5! %$$:$& 虽然现在研
究者提出了众多有效的图像分割算法!但是这些算
法往往都是针对特定一类问题!而且即使这样也往
往有会导致语义连续区域的过渡和欠缺分割的情况
"-NVIEN%’1*5! %$$;$# 加上针叶材本身结构比较单
一!在横切面上以管胞为主!因此对针叶材的研究更
少& 这些使得用机器进行自动木材识别变得非常
困难&
林 业 科 学 !" 卷6
根据针叶树材显微图像显示的主要是管胞%管
胞径向排列整齐%其长宽比在树成熟期后是比较稳
定的特点!本文首次提出分割针叶材横切面显微图
像 的 一 部 分! 提 取 S’, " KCDF3DKI03/@K/FNF4
IFI0WVDV$特征!生成*特征树+ ")DENF+CNNV$!并采用
&.f"VPKK/C4[N34/C@I3?DFN$对样本进行分类!可获
得较好的识别效果& 这表明通过部分木材微观的纹
理结构进行木材识别具有可行性!也为今后更多的
机器学习和模式识别中的一些在其他应用领域中有
效方法"如子空间类方法$运用到木材自动识别中
提供了途径&
#6材料与方法
@F@A数据准备
在 某 木 材 标 本 馆 选 取 黄 山 松 " @-20&
’1-K12%2&-&$%棘柏 "X02-=%$0&;#$G#&121$%江南油杉
"8%’%*%%$-1 .(.*#*%=-&$%马尾松"@-20&G1&-121$%日
本扁柏 ")/1G1%.(=1$-&#:’0&1 $%日本香柏 "J/0Q1
&’12A-&/-$%水杉 "I%’1&%S0#-1 +*(=’#&’$#:#-A%&$和雪
松")%A$0&A%#A1$1$等 : 种针叶材样本!按照常规方
法制作横切面木材切片!并统一采用奥林巴斯
2-OfSq& GL9# 显微镜和 HS"$ 数码显微成像系统
采集显微图像&
对显微图像按照早晚材过渡"截取区域落在早
晚材过渡部分$%早材"截取区域落在早材部分$和
随机"截取区域相比前面没有特殊要求$7 种分割方
式截取 #$$ e#$$ 的子区域& 要求截取区域尽量不
要靠近轮界线!可含少量木射线!但不含断裂%树脂
道等其他组织或较大的杂质& 按照这 7 种分割方
式!分别对每一树种在不同位置截取 #% 个样本& 由
于切片颜色是由切片制作时染色所致!并非木材本
身的特征!将上一步获得的 #$$ e#$$ 像素子区域图
像转换为 %98 级& 图 # 显示了黄山松按照 7 种分割
方式最终得到的灰度图效果&
图 #6黄山松 7 种分割方式截取效果
QDE5#6kNVDU4V/X/X@-20&’1-K12%2&-&PFUNC4?CNNUD[DUNU MIWV
66由于样本大小的问题!采用留一交叉验证来检
验不同算法的识别效果& 留一交叉验证只使用原样
本中的一个作为测试样本!具余的都作为训练样本!
这样重复进行!直至每个样本恰好被作为一次测试
样本为止& 将试验按照木材图像截取方式分成 7
组!每组 ;8 个样本& 按照留一交叉验证!每组测试
进行 ;8 次!每次训练样本数为 ;9 个!测试样本
# 个&
@FCA.3=特征提取
主成 分 分 析 " KCDF3DK0N3/@K/FNF4IFI0WVDV!
S’,$是一种经典的线性数据降维方法!它是在最小
均方误差意义下用较少的维数表示原数据!具有简
单%高效的特点& +PCZ 等"#;;#$提出了 )DENFQI3NV!
首次将 S’,运用到图像的人脸识别上!并成为整个
图像和模式识别领域的经典之著!被广泛运用在计
算机视觉中的降维中&
#1%1#6构建协方差矩阵6设训练集共有 G幅图
像!每个训练样本 E-表示为 # e#$ $$$的行向量"将
图像像素按扫描顺序排成列向量 $!记 Pi0E#!
E%!,!EG1/>
#$ $$$ eG!是由样本向量组成的矩阵!其
中 E-i0E-!#!E-!%!E-!7,E-!#$ $$$ 1
J!-i#!%!,7$!J为
矩阵 的 转 置& 由 P构 造 样 本 的 协 方 差 矩 阵’
)T #
GU#(
G
-T#
PPJ!其中P是由 P减去平均图像得
到的&
#1%1%6计算特征树6作如下 S’,操作’ )i@+@J!
其中 @i0=#!=%!,!=G1!@是特征向量阵!+是特征
值对角阵& 取前 $个最大特征值!相应的特征向量
为’ @$i0=#!=%!,!=$1/>
Ge$!称 @$中的每一个列
向量为样本的 S’,特征!亦可称之为 *特征树 +
")DENF+CNNV$&
#1%176投影6令 6i@J$Pi0(#! (%! ,! (G1!称 6
%!#
6第 #$ 期 汪杭军等’ 一种新的针叶材自动识别方法
是训练样本集 P在特征树 @$上的投影!它是由原图
像在特征子空间中的变换所组成的矩阵& 这些新的
样本的维数是 $维的!而且远远小于#$ $$$!从而达
到了降维目的& 接下来的分类操作都是在这个新的
特征子空间上进行的&
@FEA最近邻和 !TD分类算法
#171#6最近邻分类算法6最近邻分类算法!是一个
理论上比较成熟的方法!也是最简单的机器学习算
法之一& 本文选择该算法是为了与 &.f进行对比
和分析!其思路是寻找一个样本在特征空间中的最
相似"即特征子空间中最邻近$的样本属于某一个
类别!则该样本也属于这个类别& 因此!对测试样
本!也需要在特征树上进行投影以获得在特征子空
间上的一个表示&
#171%6&.f分类算法6支持向量机" &.f$是在统
计学习理论基础上发展起来的一种机器学习方法
".IKFDZ!#;;;$!它基于结构风险最小化原则!根据
有限的样本信息在模型的复杂性和学习能力之间寻
求最佳折衷!在解决小样本%非线性及高维模式识别
问题中表现出特有的优势&
木材识别属于多类识别问题!并不能直接运用
二类 &.f算法& 对于多类分类的模型选择!一般有
一对多和一对一 % 种策略!这里采用 BNNC4?D等
"%$$:$提出的算法&
设给定训练样本"E-! (-$!-i#!,!*!其中 E-/
>2!(-/7#!%!,!O8!则多类 &.f分类就是求解式
"#$的优化问题得到最优分类超平面"BNNC4?D%’1*5!
%$$:$’
@DF
KG!,
6 #
%(
O
GT#
KJGKG c)(
*
-T#
,-!
&!’!6KJ(-E-UK
J
GE-# %
G
- U,-!-T#!,!*& "#$
其中 ) <$ 是惩罚因子!KG 是类 G的权向量!
,-#$!%
G
-i
$6(-iG
#6(-+{ G!决策函数为 ICE @I_Gi#!,!OKJGE&
%6结果与分析
首先按照 #1% 中描述的方法计算特征树!特征
树的个数 $跟前 $个特征值和占总特征值和的比例
-有关!这里取 $1;;;& 图 % 给出了一些特征树的示
例& 接下来将所有 ;9 个训练样本投影到特征树上!
组成了在特征子空间中的样本&
图 %6特征树示意
QDE5%6)_I@K0NV/X)DENF+CNNV
66采用最近邻和 &.f对测试样本进行分类!其中
&.f采用线性核函数!惩罚因子分别为 #$$& 对所
有的测试样本同样也将它投影到相应的特征子空间
中& 表 # 给出了 7 种分割方式下最近邻和 &.f分
类的识别效果&
从表 # 可以看到’ 7 种分割方式中!早晚材过渡
分割比其他 % 种分割方式的识别率要高出很多& 在
木材学中!早材至晚材的转变和过渡的急缓是识别
针叶材树种的一个重要特征!因此早晚材过渡分割
方式包含了比较多的树种信息!因此在同等条件下
7!#
林 业 科 学 !" 卷6
能获得较高的识别率& 早材部分细胞分裂速度快%
细胞壁薄%形体较大!而晚材部分形成的细胞腔小而
壁厚%组织较致密!因此相同条件下早材分割比晚材
也包含较多的信息& 从而在 % 种分类算法下!分割
识别效果均有’ 早晚材过渡 <早材 <随机!也表明
了不同分割方式下!分割样本所包含的树种信息是
不一样的&
表 @A最近邻和 !TD 分类效果比较
)#2B@A3,+"#-%/,’,0-*:,4’%$%,’-*/<&$/2*$?**’
KK#’(!TD :&#//%0%*-/
分割方式 HD[DUNU MIWV 最近邻分类 **">$ &.f分类 &.f">$
早晚材过渡 +CIFVD4D/FI0
KIC4 /X NIC0W IFU
0I4NM//U
!81:: "%1;%
早材 )IC0WM//U 7"19$ !$187
随机 kIU/@ %:1#7 %91$$
66除了随机分割方式!&.f分类算法比最近邻分
类的识别率要高!尤其是在包含较多树种信息的早
晚材过渡分割方式下!达到了 "%1;%>!为正确识别
木材树种提供了可能& 在高维空间中"这里原始样
本空间为#$ $$$维!通过 S’,投影到特征子空间
后!大致为 "$ c;% 维左右!由上面讲到的比例 -决
定$!同类样本的分布与不同类样本之间可能不存
在线性可分的解 "表中最近邻分类的识别率均在
9$>以下就充分说明了这点$!通过引入核技术!可
将问题通过非线性变换转换到更高维的空间!在这
个空间中构造线性判别函数来实现原空间中的非线
性判别& &.f就是这样做的!并且找到的核函数同
时巧妙地解决了维数问题!其算法复杂度与维数
无关&
在分类算法中!对象的相似性度量方法是非常
重要的!一般可通过不同的范数距离来定义 % 个对
象之间的相似度& 下面式"%$是 *# 范数!也称城区
距离或 fIF?I4IF 距离# 式 " 7 $ 是 *=范数!又称
fDFZ/MVZD距离!当 =i% 时即欧氏距离# 式 "!$是
*‚范数!又称 ’?NYWV?N[距离& 由于 &.f分类算法
采用决策函数进行分类!因此采用不同的范数作为
对象相似度衡量时!试验了 *#!*%!*9 和 *‚范数对最
近邻分类算法的识别效果影响!最后结果见图 7&
以*‚范数作为距离度量可以得到最好的结果!达到
9%1$:>!而 *# 范数最差& 从这 % 个范数的定义可
以发现!衡量对象间的相似性!用 *‚范数仅与一个
维相关"相距最大的那个维$# 用 *# 范数则与每一
个维数均相关!且每个维度的权重都是一样的& 从
试验的结果可看出!高维图像空间中的每个维对木
材树种识别的贡献度是不一样的& 但是对 *=范数
来说!并不是 =越大越好’ 首先!=的大小并没有解
决不同维度权重的问题# 第二!对于计算机数值计
算来说!由于受到数据表示精度的影响!当 =大于一
定阈值后!不断计算的效率会受到一定的影响!而且
识别率也会受到影响&
A*#"E!($ T0EU(0# T(
-
dE-U(-d! "%$
A*="E!($ T0EU(0= T (
-
dE-U(-d( )= #V=!
"7$
A*‚ "E!($ T0EU(0‚ T@I_"dE-U(-d$&"!$
图 76最近邻分类中不同范数的识别率比较
QDE576’/@KICDV/F /XCN3/EFD4D/F CNVP04VMD4? UDXNCNF4
F/C@V/X**30IVVDXDNC
76结论与讨论
对基于横切面显微图像的针叶材识别问题!本
文首次提出将图像裁剪成局部的小样本进行识别!
避免了对图像边缘进行分割这个难题!同时提出了
对图像的 7 种分割方式’ 早晚材过渡%早材和随机
分割& 通过提取 S’,特征!生成特征树!在新的子
空间中!采用留一交叉验证!对最近邻和 &.f % 种
分类算法进行了一些试验!得到如下结论’
#$ 不同的分割方式对识别性能影响较大&
%$ &.f通过空间维数提升!解决线性不可分
问题!并且核函数的计算仍在原空间中进行!避免维
数问题!这些优点决定了它在解决本文中木材识别
问题的优势&
7$ 采用不同的范数作为对象相似性度量对木
材的识别影响较大!从试验所采用的 ! 种距离范数
中!*‚的结果最好& 但是如何设计更合理的高维空
间中的距离函数!使得基于此距离函数进行分类能
够获得理想的效果!这是今后可以继续做的工作
"TVP %’1*5! %$$;$&
从目前的识别效果来看!采用早晚材过渡分割
方式!并以 &.f分类可以进行一定程度的计算机辅
助自动识别& 而本工作的意义更在于为今后更多的
此类机器学习和模式识别中的方法引入到木材自动
!!#
6第 #$ 期 汪杭军等’ 一种新的针叶材自动识别方法
识别中提供了途径&
对于人工进行针叶材树种识别来说!横切面显
微图像上的很多特征!通过鉴别和分析后可以完成
识别!但还有一些并不能仅通过这些特征加以区别&
在横切面上占了绝大部分的管胞及其排列方式里!
是否像指纹一样已经包含了足够的树种信息了呢2
这些信息以统计的方式表达出来!是否绕开了人眼!
又是否能够以某种方式被机器发现呢2 这些都需要
经过不断的努力去寻找的答案&
参 考 文 献
黄6慧5%$$85基于木材组织构造的数字图像处理系统研究5南京
林业大学硕士学位论文5
刘镇波5%$$!5木材显微图像特征参数提取与树种判别方法研究5
东北林业大学硕士学位论文5
任洪娥! 徐海涛5%$$"5细胞特征参数计算机的提取理论5林业科
学! !7";$ ’ 8: A"75
汪杭军! 张广群! 祁亨年! 等5%$$;5木材识别方法研究综述5浙江
林学院学报! %8"8$ ’ :;8 A;$%5
于海鹏! 刘一星! 张6斌! 等5%$$!5应用空间灰度共生矩阵定量分
析木材表面纹理特征5林业科学! !$"8$ ’ #%# A#%;5
于海鹏! 刘一星! 孙建平5%$$95基于小波的木材纹理分频信息提取
与分析5林业科学! !#"%$ ’ #$$ A#$95
,CD^P@Dk! BIFNUI&! TIEIT5%$$:5)FNCEWVI[DFE/X+. YWXI3N
UN4N34D/F5(F SC/3NNUDFEV/X4?N#V4DF4NCFI4D/FI0’/FXNCNF3N/F
SNC[IVD[N+N3?F/0/EDNVkN0I4NU +/,VVDV4D[N)F[DC/F@NF4V",4?NFV!
hCNN3N! JP0W#8 A #:! %$$: $5Q5fIZNU/F! -5GID0DN! h5
SIF4^D/P! IFU (5 fIE0/EDIFFDV! )UV5 S)+k, / $:!
,’f! *O! # A:5
GNVYNVQ! +CD3?D0DT! &/0ID@IF G5%$$:5fP04D@/UI0YD/@N4CD3VWV4N@
YIVNU /F XDFENCKCDF4 DUNF4DXD3I4D/F IFU DCDV CN3/EFD4D/F5 (F
SC/3NNUDFEV/X4?N7CU (F4NCFI4D/FI0’/FXNCNF3N/F (FX/C@I4D/F IFU
’/@@PFD3I4D/F +N3?F/0/EDNV’ QC/@ +?N/CW 4/ ,KK0D3I4D/FV
"HI@IV3PV! &WCDI! ,KCD0" A##! %$$: $5(’++,/ $:! ()))!
HI@IV3PV! # A95
QP\D4If! 2?WI@If! &IDZDT5 #;;95 ’?ICI34NCD^I4D/F /X[NVVN0
UDV4CDYP4D/F YWX/PCDNC4CIFVX/C@D@IENIFI0WVDV! CN3NF4XIV4X/PCDNC
4CIFVX/C@V5R//U ,FI4/@W! 7!"%$ ’ 78 A!!5
TN-! SNFEnh! )[NCUDFEG! %’1*5%$$:5,3/@KICI4D[NV4PUW/X
UNX/C@IY0N3/F4/PC@N4?/UV/F @NUD3I0D@IENVNE@NF4I4D/F5(@IEN
IFU .DVD/F ’/@KP4DFE! %8"%$ ’ #!# A#875
TVP ’f! ’?NF f &5%$$;52F 4?NUNVDEF IFU IKK0D3IYD0D4W/XUDV4IF3N
XPF34D/FVDF ?DE?‘UD@NFVD/FI0UI4IVKI3N5()))+CIFVI34D/FV/F
BF/M0NUENIFU HI4I)FEDFNNCDFE! %#"!$ ’ 9%7 A9785
BNNC4?D& &! &PFUICICI\IF &! ’?IFEB! %’1*5%$$:5,VNlPNF4DI0UPI0
@N4?/U X/C0ICENV3I0N@P04D‘30IVV0DFNICV[@V5(F SC/3NNUDFE/X4?N
#!4? ,’f &(hBHH DF4NCFI4D/FI0 ’/FXNCNF3N /F BF/M0NUEN
HDV3/[NCWIFU HI4IfDFDFE"-IV.NEIV! *N[IUI! q&,! ,PEPV4%! A
%"! %$$:$5BHH/ $:5,’f! *O! !$: A!#85
BDF/f! (V?DUIOJ! H/Df! %’1*5%$$!5)_KNCD@NF4I03/FUD4D/FVX/C
lPIF4D4I4D[ND@IENIFI0WVDV/XM//U 3N0 V4CP34PCN(((! KCN3DVN
@NIVPCN@NF4V/XMI04?D3ZFNVV5J/PCFI0/X4?NJIKIF R//U kNVNIC3?
&/3DN4W! 9$"#$ ’ # A;5
-NVIENH! ,FEN0DFD)H! G0/3? (! %’1*5%$$;5,CN[DNM/X7H[NVVN0
0P@NF VNE@NF4I4D/F 4N3?FDlPNV’ @/UN0V! XNI4PCNVIFU N_4CI34D/F
V3?N@NV5fNUD3I0(@IEN,FI0WVDV! #7"8$ ’ :#; A:!95
+CDNCƒH! JIDF ,B! +I_4+5#;;85QNI4PCNN_4CI34D/F @N4?/UVX/C
3?ICI34NC CN3/EFD4D/F‘I VPC[NW5 SI4NCF kN3/EFD4D/F!
%;"!$ ’ 8!# A88%5
+PCZ f! SNF40IFU ,5#;;#5)DENFXI3NVX/CCN3/EFD4D/F5J’/EFD4D[N
*NPC/V3DNF3N! 7"#$ ’ "# A:85
.IKFDZ .*5#;;;5,F /[NC[DNM/XV4I4DV4D3I00NICFDFE4?N/CW5()))
+CIFVI34D/FV/F *NPCI0*N4M/CZV! #$"9$ ’ ;:: A;;;5
RIFET! ]DT! -DR! %’1*5%$$;5, h,‘YIVNU IP4/@I4D3K/CN
VNE@NF4I4D/F I0E/CD4?@5(F SC/3NNUDFEV/X4?NQDCV4,’fa&(h).2
&P@@D4/F hNFN4D3 IFU )[/0P4D/FICW ’/@KP4I4D/F " &?IFE?ID!
’?DFI! JPFN#% A#!! %$$;$5h)’/ $;! ,’f! *O! ;:9 A;::5
!责任编辑6石红青"
9!#