利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量
基于物体轮廓检测和特征提取的木材图像计数模型
基于物体轮廓检测和特征提取的木材图像计数模型1. 引言1.1 研究背景Wood is one of the most widely used natural resources in various industries, including construction, furniture manufacturing, and paper production. The demand for wood products continues to rise, leading to an increase in the need for efficient methods to manage and process wood materials. Traditional methods of counting and measuring wood have limitations in terms of accuracy and efficiency, prompting the development of automated wood image analysis techniques.1.2 研究意义木材作为重要的资源，在许多领域都有着广泛的应用，如建筑、家具制造、纸浆生产等。
对于木材的数量和质量的快速准确检测一直是一个重要的问题。
传统的人工计数方法效率低下，成本高昂，并且容易受主观因素影响，难以满足大规模生产的需求。
开发一种基于物体轮廓检测和特征提取的木材图像计数模型具有重要的意义。
通过利用先进的图像处理技术，我们可以有效地提高木材计数的准确性和效率。
基于物体轮廓检测的方法可以帮助我们准确地识别每一块木材，并进行计数。
特征提取技术可以帮助我们从图像中提取出有用的信息，如颜色、纹理等特征，用于区分木材的种类和质量。
通过将这两种技术结合起来，我们可以设计出一种高效的木材图像计数模型，在实际应用中取得更好的效果。
木材表面缺陷图像识别的算法研究
木材表面缺陷图像识别的算法研究摘要随着木材加工业的集约化发展，木材产品的生产量持续大幅度增长。
在生产中，对木材表面加工质量高水平的苛求，尤其是一致性的要求，使得传统的人工检测方式已经难以胜任。
为此，本论文基于机器视觉理论对木材表面缺陷识别进行了深入研究。
结合数字图像处理技术和支持向量机模式识别技术，本论文研究了木材表面缺陷图像预处理、特征提取、模式识别问题，研究并改进了用于检测木材表面缺陷的定位和识别等图像处理算法。
图像的预处理是检测的第一步，它对图像缺陷特征的正确提取是非常关键的。
本文针对传统滤波算法在抑制噪声的同时，也会对图像的边缘及细节有比较大的损害，使图像的边沿及细节变模糊的问题，提出了加权有向平滑滤波算法。
并在图像分割上融合了几种分割方法，提出一种改进的基于双正交小波变换的多分辨率图像融合方法和基于融合技术的小波变换和形态学边缘检测算法，优化了分割效果，为后续特征提取打下了很好的基础。
对于木材缺陷的识别，本文从纹理特征（5个灰度共生矩阵参数）和颜色特征（4个颜色矩参数）两个角度来描述缺陷。
根据各参数分布情况，选择标准差较小的参数作为分类器输入特征向量；以及采用主分量分析法进行特征提取，降低纹理特征维数，消除模式特征之间的相关性，突出其差异性，满足识别层的输入要求。
并采用支持向量机分类器进行缺陷的模式识别，达到较高的识别率。
实验结果证明：根据木材表面缺陷图像的纹理特征和颜色特征，运用数字图像处理技术，来解决木材表面缺陷的分割和识别等问题，是行之有效的途径。
关键词：数字图像处理技术；图像分割；特征提取；支持向量机AbstractWith the development of wood industry, the manufacture of wood products is increasing significantly. The demand of a consistent high-quality surface wood product introduces automatic inspection that cannot be easily satisfied by traditional manual inspection. Based on the theory of computer vision, a research on defect distinguish of the wood surface is made in the paper.Image preprocess, feature extraction and pattern recognition of wood surface defect images are also studied by means of digital image processing technique and pattern recognition technology based on SVM(Support Vector Machines). Image processing algorithms are studied and improved to orientate and recognize wood surface defect.Image preprocess is the first step for detection, which is vital to the correct extraction of the defection feature. In the fact of a traditional filtering algorithm can substantially damage the edges and details of the image and blur the image’s edges and details, a weighted and directional smoothing algorithm is proposed in this paper. Merging several image segmentation method , a improved method of image fusion of multi-resolution analysis based on biorthogonal wavelet transform and a edge detection algorithm based on the fusion technology of wavelet transform and morphological edge detection are proposed in the paper. Thus segmentation result is optimized and laying the root for feature extraction of follow up.The defects are described from two aspects based on image characteristic, the texture features(five gray level co-occurrence matrix parameters) and color features （four color moment parameters）to identify the wood defects. According to the distribution of these parameters, the parameters which have small standard deviation are selected as the input eigenvector of the classifiers. And the features are extracted by the principal components analysis which can reduce the texture dimensions and eliminate the relevance between feature modes and highlight their difference to satisfy the input request of the recognition level. Using Support Vector Machines classifier to identify the defects, the correct rates of pattern recognition achieve better level.The experiment results show it is an effective way to solve the segmentation and identification of wood surface defects by texture features and color features of wood surface defect images according to the digital image processing technology,.Keyword：digital image processing technique；image segmentation；feature extraction；SVM (Support Vector Machines)目录第一章绪论 ................................................................................................................... - 1 -1.1 课题的研究背景和意义 ..................................................................................... - 1 -1.1.1 课题的研究背景...................................................................................... - 1 -1.1.2 课题的研究意义...................................................................................... - 1 -1.2 木材表面缺陷检测的研究现状及发展趋势........................................................ - 2 -1.2.1 木材缺陷的常用检测方法 ....................................................................... - 2 -1.2.2 国内外研究现状...................................................................................... - 3 -1.2.3 木材检测技术的发展与展望.................................................................... - 4 -1.3 木材表面缺陷特征及存在形式 .......................................................................... - 5 -1.3.1 木材缺陷种类.......................................................................................... - 5 -1.3.2 木材缺陷对木材质量的影响.................................................................... - 8 -1.4 课题的主要研究内容和创新.............................................................................. - 8 -第二章木材表面缺陷图像的增强预处理...................................................................... - 11 -2.1 图像增强概述.................................................................................................. - 11 -2.2 木材缺陷图像灰度变换 ................................................................................... - 12 -2.2.1 木材缺陷图像灰度化处理 ..................................................................... - 12 -2.2.2 木材缺陷图像灰度变换 ......................................................................... - 13 -2.3 木材缺陷图像平滑 .......................................................................................... - 16 -2.3.1 邻域平滑............................................................................................... - 16 -2.3.2 中值滤波............................................................................................... - 16 -2.3.3 加权有向平滑滤波 ................................................................................ - 17 -2.4 图像锐化 ......................................................................................................... - 21 -2.4.1微分算子................................................................................................ - 22 -2.4.2 Sobel算子.............................................................................................. - 23 -2.4.3拉普拉斯算子 ........................................................................................ - 24 -2.5 本章小结 ......................................................................................................... - 25 -第三章图像分割 .......................................................................................................... - 27 -3.1 基于区域的图像分割....................................................................................... - 27 -3.1.1 并行区域分割技术 ................................................................................ - 27 -3.1.2 串行区域分割技术 ................................................................................ - 29 -3.2基于边缘的图像分割........................................................................................ - 30 -3.2.1 梯度算子............................................................................................... - 31 -3.2.2 Canny边缘检测算子 .............................................................................. - 32 -3.2.3 几种边缘检测算子的比较 ..................................................................... - 33 -3.3 结合特定理论工具的分割技术 ........................................................................ - 33 -3.3.1 基于人工神经网络的分割技术 .............................................................. - 34 -3.3.2 基于小波分析和变换的分割技术 .......................................................... - 34 -3.3.3 基于数学形态学的分割技术.................................................................. - 37 -3.4 本章小结 ......................................................................................................... - 40 -第四章特征提取 .......................................................................................................... - 41 -4.1 纹理特征提取.................................................................................................. - 41 -4.1.1灰度共生矩阵 ........................................................................................ - 41 -4.1.2 Haralick特征 .......................................................................................... - 43 -4.2 色彩特征提取.................................................................................................. - 45 -4.2.1颜色直方图 ............................................................................................ - 46 -4.2.2 颜色矩 .................................................................................................. - 47 -4.3 主成分分析 ..................................................................................................... - 47 -4.3.1主成分分析的原理 ................................................................................. - 48 -4.3.2 主成分分析的基本步骤 ......................................................................... - 49 -4.4 基于主成分分析的算法实现 ........................................................................... - 50 -4.4.1 基于主成分分析的降维算法.................................................................. - 50 -4.4.2 基于主成分分析的降维结果.................................................................. - 51 -4.5 本章小结 ......................................................................................................... - 52 -第五章支持向量机的分类器设计 ................................................................................. - 54 -5.1分类器简介...................................................................................................... - 54 -5.2 SVM算法原理 .................................................................................................. - 54 -5.3 核函数的选择 ................................................................................................. - 57 -5.4 基于SVM的识别结果 ...................................................................................... - 57 -5.4.1 基于纹理特征的木材缺陷图像识别 ..................................................... - 58 -5.4.2 基于主成分分析法的综合纹理特征和颜色特征的木材缺陷图像识别 .. - 59 -5.4.3 三类木材缺陷识别结果 ....................................................................... - 60 -5.5 本章小结 ........................................................................................................ - 61 -第六章总结与展望 ...................................................................................................... - 63 -6.1 总结 ................................................................................................................ - 63 -6.2 展望 ................................................................................................................ - 63 -参考文献 ....................................................................................................................... - 65 -第一章绪论1.1 课题的研究背景和意义1.1.1 课题的研究背景我国是一个木材资源非常匮乏的国家，我国现有森林面积 1.33亿hm2，森林蓄积101.3m3，仅次于俄罗斯、巴西、加拿大、美国，居世界第五位。
木材识别技术研究综述
第1期（总第373期）2021年1月No.1 JAN文章编号：1673-887X(2021)01-0125-04木材识别技术研究综述程昱之，钟丽辉，孙永科（西南林业大学，云南昆明650224）摘要在查阅大量文献的基础上，介绍了在木材识别方面的背景和各种木材识别方法及其优缺点，包括传统木材识别、基于数据库的木材检索识别、木材图像识别技术、近红外光谱技术、气质联用技术和DNA法的木材识别方法。
关键词木材识别；方法；识别技术中图分类号S781.1文献标志码A doi:10.3969/j.issn.1673-887X.2021.01.054Review of Wood Identification TechnologyCheng Yuzhi,Zhong Lihui,Sun Yongke(Southwest Forestry University,Kunming650224,Yunnan,China)Abstract：On the basis of consulting a large number of documents,this article introduces the background of wood recognition and various wood recognition methods and their advantages and disadvantages,including traditional wood recognition,database-based wood retrieval and recognition,wood image recognition technology,near infrared spectroscopy technology,GC-MS and DNA meth‐od for wood identification.Key words：wood identification,method,recognition technology1木材识别的背景木材识别在木材进出口贸易、考古木材、珍贵木材鉴定和植物分类等方面都发挥着关键作用。
基于改进EfficientNet的木材识别研究
( College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin 150040, China)
Abstract:Wood is a common renewable resource. Different kinds of wood have different uses and commercial values. The traditional wood classification work mainly depends on manual work, and the work efficiency is low. In order to improve the efficiency of
( 东北林业大学 机电工程学院,哈尔滨 150040)
摘 要:木材是一种常见的可再生资源,不同品种的木材有着不同的用途和商业价值。 传统的木材分类工作主要依靠人
工完成,工作效率较低。 为提高木材识别效率,提出一种基于改进 EfficientNet 的木材识别方法。 该方法以 EfficientNet 作为基
入渐进式学习策略,采用不同尺寸大小的图像和不同丢弃概率的 Dropout 层进行训练,进一步提升模型训练速度和识别准确
率。 试验结果表明,改进后的 EfficientNet 模型识别准确率达到 99. 83%,相比于未改进的 EfficientNet 模型提高了 0. 49%,且模
型参数仅 6. 16 MB。 该研究的模型能够很好地识别木材种类,为移动端部署木材种类识别模型提供参考。
Dropout layers with different discarding probabilities are used for training, which further improves the training speed and recognition accuracy of the model. The experimental results show that the recognition accuracy of the improved EfficientNet model can reach
基于改进的NCSPSO优化SVM的木材缺陷图像分割
第１ ０ 期
林 业 机 械 与 木 工 设 备
Ｆ Ｏ Ｒ Ｅ Ｓ Ｔ Ｒ Ｙ ＭＡ Ｃ ＨＩ Ｎ Ｅ Ｒ Ｙ ＆ ＷＯ Ｏ Ｄ ＷＯ Ｒ Ｋ Ｉ Ｎ Ｇ Ｅ Ｑ Ｕ Ｉ Ｐ ＭＥ Ｎ Ｔ
Ｖ ｏ １ ４ ２ Ｎ ｏ ． １ ０
Ｏ ｃ ｔ ． ２ ０ １ ４
２ ０ １ ４年 １ ０月
ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ． Ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ａ ｎ ｎ ｅ ａ ｌ ａ ｒ ｉ ｔ ｈ ｍｅ ｔ ｉ ｃ ａ ｎ ｄ ｔ ｈ ｅ ＮＣＳ ＰＳ Ｏ ａ ｒ ｅ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｅ ｘ ｐ ｅ ｉｍｅ ｒ ｎ ｔ ｓ ｔ ｏ ｖ ｅ ｉｔ ｒ ｙ ｔ ｈ ｅ ｓ ｕ ｐ ｅ ｒ ｉ ｏ ｒ ｉ ｔ ｙ ｏ ｆ ＮＣ— — Ｓ Ｐ Ｓ ０． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｉ ｍａ ｇ ｅ ｓ ｅ ｍ ｅ ｇ ｎ ｔ ａ ｔ ｉ ｏ ｎ；ＮＣＳ Ｐ ＳＯ ；ｓ ｕ ｐ ｐ ｏ ｔ ｒ ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈｉ ｎ ｅ； ｗｏ ｏ ｄ ｄ ｅ ｆ ｅ ｃ ｔ
ｃ ｒ ｏ ｓ ｓ ｏ ｖ ｅ ｒ ｏ ｐ ｅ ｒ ａ ｔ ｏ ｒ ａ ｒ ｅ ａ ｄ ｏ ｐ ｔ ｅ ｄ ｔ ｏ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ｅ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ（ Ｓ Ｖ Ｍ） ｆ ｏ ｒ ｉ ｍ ａ ｇ ｅ ｓ ｅ ｇ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｗ ｏ ｏ ｄ ｄ ｅ ｆ ｅ ｃ ｔ ｓ ｅ ｇ ｍ ｅ ｎ ｔ ａ —
图像分割 ， 提 取木材缺陷分割 图。主要 对 Ｎ Ｃ Ｓ Ｐ Ｓ Ｏ算法进行改进 ， 寻找 最优 惩罚 系数 ｃ和 高斯核 函数 中的参数 ， 然
基于物体轮廓检测和特征提取的木材图像计数模型
基于物体轮廓检测和特征提取的木材图像计数模型木材是一种重要的原材料，用于建筑、家具制作和其他各种工业应用。
在木材加工行业中，准确地计算出木材的数量对于生产管理和库存管理至关重要。
传统的手工计数方法效率低下，容易出现误差。
开发一种基于物体轮廓检测和特征提取的木材图像计数模型，可以有效提高计数的准确性和效率。
在该模型中，我们需要对木材的轮廓进行检测。
可以使用边缘检测算法，如Canny算法，来找到物体的边界。
该算法基于图像中像素之间的灰度差异来寻找边缘。
通过适当的参数设置，可以获得清晰的木材轮廓。
接下来，我们需要从木材图像中提取特征。
特征提取是一种将原始数据转换为具有更高表达能力的表示形式的过程。
在木材计数模型中，可以提取一些特征，如颜色、纹理和形状等。
颜色特征可以通过提取图像中的像素颜色信息来得到。
可以使用聚类算法，如K-means算法，来将图像中的像素划分为不同的颜色区域。
每个颜色区域可以表示不同类型的木材，通过计算每个颜色区域中的像素数量，可以得到不同类型木材的数量。
纹理特征是指木材表面的纹理形状。
可以使用纹理描述符，如局部二值模式（Local Binary Pattern）来提取纹理特征。
该方法将每个像素与其周围像素进行比较，并将结果编码为二进制数。
通过统计整个图像中出现的纹理模式的频率，可以得到纹理特征。
形状特征是指木材的外形轮廓。
可以使用形状描述符，如Hu矩，来描述轮廓的形状。
Hu矩是一组统计量，可以表示物体的几何形状特征。
通过计算每个木材轮廓的Hu矩，可以得到不同形状木材的数量。
通过将颜色特征、纹理特征和形状特征组合起来，可以建立一个计数模型。
可以使用机器学习算法，如支持向量机（SVM），来训练模型。
通过使用大量标记好的木材图像进行训练，模型可以学习到木材特征和数量的关系。
然后，可以使用该模型对新的木材图像进行计数。
在实际应用中，该木材图像计数模型可以与图像处理技术结合，实现自动计数。
通过自动计数，可以节省人力成本，提高计数的准确性和效率。
木材表面缺陷的人工智能研究——评《木材表面缺陷的模式识别方法》
新书推介木材表面缺陷的人工智能研究——评《木材表面缺陷的模式识别方法》吴婷（中原工学院，郑州 450007）木材、水泥、钢材和塑料是当今四大基础建筑材料，其中木材是唯一可再生资源，广泛应用于家具、装修、建筑等领域。
随着对木制品需求量和品质需求的不断攀升，我国木材加工装备自动化程度及加工精度偏低、锯切工艺不够合理等弊端也逐渐显现，这些是导致木材原料利用效率及生产效率较低的重要因素。
提高木材利用率，充分利用有限的森林资源，是我国林业科技人员的重要课题。
木材材质缺陷是降低木材制品价值的主要因素之一，尤其是木材表面结疤、虫眼、裂纹等缺陷，不仅影响产品外观，还会降低木材强度。
因此，木材缺陷识别是木材加工的关键工序之一，实现木材缺陷的自动识别与定位，是提高木材利用效率的重要前提。
有鉴于此，科学出版社出版发行了《木材表面缺陷的模式识别方法》，为木材表面缺陷识别，提供了人工智能的解决方案。
该书着重介绍了采用图像处理与模式识别方法，及木材表面缺陷识别的理论和技术，共9章。
包括：绪论，木材表面缺陷图像识别系统，木材表面缺陷的常规分割方法及其改进，基于分形理论的木材表面缺陷分割，木材表面纹理的灰度共生矩阵参数，木材纹理的模式识别方法，基于纹理特征的木材表面缺陷分割，木材表面缺陷的识别，木材表面缺陷识别实验软件系统。
木材缺陷种类繁多，木材表面形态、颜色各有差异，纹理多样，可导致噪声点较多，增加了缺陷识别的难度。
目前，我国在木材加工生产过程中的木材缺陷识别，主要是依靠人工目测进行。
由于操作人员经验不同，易造成识别结果差异，且作业强度大、时间长，容易造成视觉疲劳，影响最终识别精度。
随着木材加工生产不断向柔性化及智能化方向发展，木工机械数控技术水平也逐步提高。
同时，超声波检测、X射线检测、红外检测等光电检测技术的迅猛发展及普遍应用，使木材缺陷识别的自动化程度亦迅速提高。
加上信息化发展阶段计算机技术的飞速发展，计算机的视觉技术、深度学习、人工智能等功能，使得图像处理与模式识别技术在木材缺陷识别领域得以应用。
LBP—自适应增强模型的木材纹理分类
LBP—自适应增强模型的木材纹理分类作者：向东陈宇陈广胜来源：《哈尔滨理工大学学报》2015年第02期摘要：针对传统木材纹理分类的准确率低且难度大的问题，依据LBP（局部二值）算子和AD-ABOOST（自适应增强）算法理论，提出了LBP-ADABOOST模型对木材纹理进行识别分类，通过均匀旋转不变特性与原始LBP算子相融合，提取纹理的特征值，结合自适应增强算法，从而训练得到每类纹理所对应的分类器模型参数，构造分类器，实现对木材纹理准确高效分类，实验结果表明相比于BP神经网络，SVM支持向量机等分类算法，该模型的实验结果误差率为4%左右，准确率高，实用性强，关键词：木材纹理分类；LBP算子；ADABOOST算法；分类器DOI：IO.15938/j.jhust.2015.02.011中图分类号：TP391.4文献标志码：A文章编号：1007-2683（2015）02-0057-060 引言木材纹理分类是木材优化利用过程的重要部分，木材纹理结构精细复杂、无规律的天然属性，使得纹理分类一直是木材学的前沿课题.针对不同的研究，国内外学者提出了不同的特征提取及纹理分类算法，非负矩阵分解，灰度共生矩阵法，马尔可夫随机场，尺度不变特征变换法等存特征提取方面取得了一定的突破，而常用的分类算法有BP神经网络，SVM支持向量机，决策树，极限学习机等.大多纹理分类模型基于以上算法的结合，且取得了一定的成果，此外，我国对于木材纹理分类的研究起步较晚，初期主要是对国外的经验总结，优化传统的分类算法，现阶段我国的纹理分类技术发展较好，但也存在一定缺陷，主要由于实际应用的训练样本在个体之间存在着差异，导致分类算法对分类结果的差异性较大.如何提高木材纹理分类的准确性至关重要，也将是本文的重点.近些年，一种简单高效的纹理特征分析方法——局部二值模式（logical binary pattern，LBP）成为了众多学者研究的对象，在描述、提取局部纹理特征方面取得了很好的效果.此外，Adaboost自适应增强算法是通过训练样本特征得到弱分类器，对弱分类器的线性组合得到最终的强分类器，进行分类学习，其在机器学习和数据挖掘方面应用较广.基于以上表述，本文采用LBP与ADABOOST的融合尝试进行木材纹理分类，且这种分类算法在木材纹理分类方面应用极少.经实验，本文提出的基于LBP-ADABOOST模型的木材纹理分类算法达到预期目的，并且正确率明显高于BP神经网络，SVM支持向量机，不失为木材纹理分类提供一种有效方法.1 特征提取局部二值模式（logical binary pattern，LBP）最早是由Ojala等在1996年提出，是一种描述图像局部纹理特征的算子，原始的LBP算子定义为在3×3的窗体内，以窗体中心像素为阈值，与相邻的8个像素的灰度值比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，反之为0.这样，3×3领域内的8个点可产生8bit的无符号数，即得到该窗体的LBP 值，并用这个值来反映该区域的纹理信息，如图l所示：随着LBP算子在图像中的应用，扩展定义一个半径为R（R>O）的圆形邻域，B（B>O）个邻域像素点均匀分布在圆周上面.设定该邻域中心像素值是C，则C可用该邻域内的B+1个像素的函数来定义，即其中：gc为中心像素值；g0，g1，gb-1为B个邻域像素值.中心像素的坐标是（Xc，Yc），则其邻域坐标（Xi，Yi）为：当坐标（Xi，Yi）不在中心，通过双线性内插法，将邻域的像素值减去中心的像素值计算得到局部的纹理特征像素值C：假定在实际情况中中心像素值与邻域像素值的差值g0-gc，gb-1-gc独立于gc，则（3）可表示为：由于c（g。
浅谈神经网络方法在木材表面缺陷识别中的应用
浅谈神经网络方法在木材表面缺陷识别中的应用摘要：从现在神经网络在模式识别中的发展来看，针对大型的网络结构的优化问题和网络学习问题还有待进一步的解决和提高。
因此，研究各种神经网络在木材表面缺陷识别中的实用性和准确性，对推动木材表面缺陷识别方法的研究，有着十分重要的现实意义。
关键字：木材表面缺陷,神经网络,BP网络Abstract: from now neural network in pattern recognition of the development perspective, in large network structure optimization problem and network learning problems is still open to solve and improve. Therefore, to study various neural network in the wood surface defect recognition of the practicability and accuracy, wood surface defect recognition to promote the study of the method, has very important practical significance.Key word: wood surface defect, neural network, and BP network中图分类号：F762.4 文献标识码：A 文章编号：随着科学技术的发展，神经网络理论作为一门新兴学科，近年来被广泛应用于木材表面缺陷的识别分类中，以达到神经网络具有的实时性、容错性以及学习性等特点。
然而，由于木材表面缺陷种类繁多，随机性比较强，这些都给分类器提出了很高的要求。
现阶段，人们普遍采用都是基于误差逆传播算法（BP）的神经网络，然而BP网络的缺点是对干扰量非常敏感、隐含层节点数需要经过多次尝试、学习速度慢且易陷入局部极小点。
支持向量机参数优化方法在木质粉尘火花探测中的应用
支持向量机参数优化方法在木质粉尘火花探测中的应用谢思熠;徐兆军;那斌;朱南峰【摘要】In order to improve the accuracy of wood dust spark detection, a material classification method based on Support Vector Machine (SVM) was used to detect wood dust sparks.The Pinus massoniana and poplar dust were selected as the research object.The two kinds of dusts were grouped into ignition test to obtain the hyperspectral image of spark and ash, and the luminosity data in the region of interest (ROI) was extracted for pretreatment.The SVM classification model is established by using the data in the region of interest, and the SVM classification model of the two types of trees is optimized by Grid Search method (GS) , Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) respectively.The classification prediction accuracy of the parameter optimization method is compared.The results show that the three optimization methods can detect the wood powder sparks of the two tree species well.The detection accuracy of the grid search method is significantly higher than the other two, which is more suitable for wood dust spark detection.It provides a theoretical basis for the efficient detection of wood dust sparks.%为提高木质粉尘火花检测的准确性, 利用基于支持向量机 (SVM) 的物质分类方法检测木质粉尘火花.选取马尾松和杨木粉尘为研究对象, 将两种粉尘分组点燃试验, 获取火花和灰分的高光谱图像, 提取感兴趣区域 (region of interest, ROI) 内的发光度数据进行预处理.利用感兴趣区域内的数据建立SVM分类模型, 分别利用网格搜索法(GS) 、遗传算法 (GA) 以及粒子群算法 (PSO) 对两类树种的SVM分类模型进行参数优化, 并将三种参数优选方法的分类预测准确率进行对比.结果表明, 三种优化方法均能够很好地检测两种树种的木粉火花, 其中网格搜索法检测准确率明显高于其余两种, 更适于木质粉尘火花探测, 这为人造板生产过程中能够高效检测木质粉尘火花提供了一定的理论依据.【期刊名称】《林产工业》【年(卷),期】2019(046)001【总页数】5页(P20-24)【关键词】木粉尘;火花探测;高光谱;支持向量机;参数优选;分类识别【作者】谢思熠;徐兆军;那斌;朱南峰【作者单位】南京林业大学,南京 210037;南京林业大学,南京 210037;南京林业大学,南京 210037;南京林业大学,南京 210037【正文语种】中文【中图分类】TS6人造板生产过程中会产生木粉尘，当木粉尘在密闭管道内满足两个条件时则会引起燃爆，一是具有助燃气体如空气，二是具有点火源。
基于机器视觉的木材缺陷无损检测研究
摘要基于机器视觉的木材缺陷检测技术，对提高锯材质量、锯材等级分选、加速木材加工自动化有重大意义。
木文以常见的木材缺陷如：死节、活节、虫眼及裂痕图像为研究对象，对木材缺陷的机器视觉无损检测进行了深入的研究。
主要内容包括：（1）木材缺陷的分割：图像分割是木材表面缺陷检测的关键步骤，本文针对传统算法的分割不足，提出了基于RGB颜色空间下的两两分量线性分割图像算法。
由试验分析可得，无论什么缺陷类型，对于发生颜色改变的缺陷都会有较好的分割效果，且活节与死节的正确分割率可以达到87.5%。
（2）木材缺陷类型的识别：缺陷种类识别通常是基于神经网络的识别，本文对卷积神经网络与BP神经网络分别进行缺陷识别测试，并对两种网络识别效果进行比对，通过试验数据可得到：卷积神经网络识别的缺陷类型准确率达到85%以上，而BP神经网络的算法识别率为80%，此外CNN网络不需要繁杂的预处理过程，且其具有用时少、鲁棒性强的优点，所以本文采用卷积神经网络对木材缺陷进行识别。
（3）木材缺陷的定位：采用CMOS工业相机在恒定光强的灯箱中获取木材缺陷图像。
本文标定算法参考张正友标定法以及Camera Calibration开发包，从而得到相机的内参、外参及畸变系数。
利用标定结果对图像进行矫正并做定位试验。
本文通过寻找不规则缺陷图像的重心，对缺陷进行定位。
通过将算法识别到的重心与实际人工测量的重心进行对比，多次数据分析得到：两者误差在（-1.10cm,0.92cm）之间。
通过结合重心的坐标以及缺陷外接矩形便可以到达精确剔除缺陷的目的。
本文通过对木材缺陷的分割、识别以及定位，可以为工业的木材缺陷检测提供系统的解决方案，拓展了机器视觉在木材缺陷检测方面的应用。
关键词：木材缺陷图像；图像分割；缺陷种类识别；定位IABSTRACTWood defect detection technology based on machine vision is of great significance to improve the quality of sawn timber, classification of sawn timber, and accelerate the automation of wood processing. In this paper, wood defects such as dead knot, living knot, insect eye and crack image were studied. The machine vision nondestructive testing of wood defects was studied deeply. The main contents include:(1) Wood defect segmentation: Image segmentation is the key step of wood surface defect detection. Aiming at the shortage of traditional segmentation algorithm, a two-component linear segmentation algorithm based on RGB color space is proposed. According to the experimental analysis, no matter what defect type, it will have a better segmentation effect for the defect with color change, and the correct segmentation rate of the living and dead knots can reach 87.5%.(2) Recognition of Wood Defect Type: Defect Type Recognition is usually based on neural network recognition. In this paper, convolution neural network and BP neural network are tested for defect recognition, and the recognition effect of the two networks is compared. Through the test data, it can be concluded that the accuracy of defect type identification by convolution neural network is up to 1%. The recognition rate of BP neural network is 80%. In addition, CNN network does not need complicated pretreatment process, and it has the advantages of less time and strong robustness. Therefore, convolution neural network is used to identify wood defects.(3) Wood defect location: CMOS industrial camera was used to obtain the image of wood defect in a constant light intensity lamp box. In this paper, the calibration algorithm refers to Zhang Zhengyou calibration method and Camera Calibration development kit, so as to obtain the camera's internal parameters, external parameters and distortion coefficient. The calibration results are used to correct the image and make the location test. In this paper, locating the center of gravity of irregular defects is used to locate defects. By comparing the center of gravity identified by the algorithm with the actual measured center of gravity, it is found that the error between them is (- 1.10 cm, 0.92 cm). By combining the coordinates of the center of gravity and the defect external rectangle, we can achieve the goal of eliminating the defects accurately.Through the segmentation, identification and location of wood defects, this paper can provide a systematic solution for industrial wood defect detection, and expand the application of machineIIvision in wood defect detection.Key words: wood defect image; image segmentation; defect type recognition; locationIII目 录摘 要 (I)ABSTRACT (II)1绪论 (1)1.1研究背景 (1)1.2研究意义 (1)1.3国内外研究现状 (2)1.3.1 缺陷分割的研究现状 (2)1.3.2 缺陷识别的研究现状 (2)1.3.3 缺陷定位的研究现状 (3)1.4本文的研究内容 (4)2试验平台设计 (6)2.1研究平台硬件 (6)2.1.1 光源 (6)2.1.2 成像系统 (7)2.2研究软件 (9)2.3素材获取的途径及素材统计 (9)2.4本章小结 (11)3木材缺陷图像分割 (12)3.1常见的木材缺陷 (12)3.1.1 木材的天然缺陷 (12)3.1.2 木材的生物为害缺陷 (14)3.1.3 木材的干燥缺陷 (15)3.2木材缺陷的语义表述 (15)3.3颜色空间 (16)3.4基于RGB空间的图像分割方法 (16)3.4.1 图像分割的流程 (16)3.4.2 RGB图像预处理 (17)3.4.3 缺陷分割的RGB基色计算 (18)3.5图像分割试验与数据分析 (21)3.5.1 试验原理与过程 (21)3.5.2 数学形态学在本文中的应用 (23)3.5.3 RGB算法研究结果 (24)3.6试验结果与分析 (24)3.7本章小结 (28)4木材缺陷种类识别 (30)4.1木材缺陷的特征提取 (30)4.1.1 图像特征 (30)4.1.2 提取原则 (30)4.1.3 木材缺陷图像特征识别类型的选取 (31)4.1.4 本文提取的特征向量 (31)4.2 缺陷识别 (37)4.2.1图像识别与分类的常用方法比较 (38)IV4.2.2 BP神经网络的原理 (38)4.2.3 CNN原理 (39)4.3缺陷识别试验结果与分析 (43)4.3.1 CNN算法识别结果 (43)4.3.2 BP算法识别结果 (44)4.3.3 BP网络与CNN对比 (46)4.4本章小结 (46)5木材缺陷定位与测量 (48)5.1相机的标定与图像校正 (48)5.1.1 摄像机的参考坐标系 (48)5.1.2 线性模型 (49)5.1.3 非线性模型 (50)5.1.4 摄像机内参数标定试验 (52)5.1.5 摄像机标定流程 (52)5.1.6 标定结果与误差分析 (55)5.2定位与测量的方法 (55)5.2.1 本文定位的流程 (55)5.2.2 本文的缺陷图像重心定位 (56)5.3定位与测量的试验 (56)5.3.1 试验方法 (56)5.3.2 试验结果与分析 (57)5.4本章小结 (58)6总结与展望 (59)6.1本文小结 (59)6.2不足与展望 (59)6.2.1 不足 (59)6.2.2 展望 (60)参考文献 (61)1绪论1.1研究背景根据第八次全国森林资源清查，我国森林面积为 2.08亿hm2、森林蓄积122.96亿m3[1]；森林覆盖率远低于全球31%的水平，其中人均森林蓄积量仅为世界平均水平的1/7[1]。
基于邻接自适应谱聚类的木材表面缺陷分割算法
林业工程学报，２０２４，９（２）：１２４－１３２ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２３０６０２９收稿日期：２０２３－０６－２７㊀㊀㊀㊀修回日期：２０２３－０８－１２基金项目：国家重点研发计划（２０１６ＹＦＤ０６００１０１）㊂作者简介：魏子腾，男，研究方向为数据挖掘㊁机器学习㊂通信作者：业宁，男，教授㊂Ｅ⁃ｍａｉｌ：ｙｅｎｉｎｇ＠ｎｊｆｕ．ｅｄｕ．ｃｎ基于邻接自适应谱聚类的木材表面缺陷分割算法魏子腾，业宁∗（南京林业大学信息科学技术学院，南京２１００３７）摘㊀要：针对人工分割木材表面缺陷的烦琐性和阈值分割算法对缺陷像素信息衡量的不稳定性，提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法㊂算法以简单线性迭代超像素（ｓｉｍｐｌｅｌｉｎｅａｒｉｔｅｒａｔｉｖｅｃｌｕｓｔｅｒ，ＳＬＩＣ）为基础，对缺陷图像进行预处理，融合木材缺陷的纹理特性和超像素块间的距离尺度，并采用邻接自适应谱聚类进行分割；缺陷分割初步完成后，通过变异系数衡量缺陷块中像素信息的离散程度进行再次分割，克服初次分割结果的过分割问题；考虑木材表面缺陷形态学上的封闭性，将２次分割图像进行合并，继而用邻接扫描法对次分割图形进行填充，最终对木材表面缺陷进行分割界定㊂考虑木材表面缺陷种类的多样性，选取了虫眼㊁死节㊁活节等缺陷图像进行分割对比试验，相较于ＯＴＳＵ阈值分割算法，本研究算法在单个和多个木材表面缺陷分割方面，类别平均像素准确度（ｍｅａｎｐｉｘｅｌａｃｃｕａｒａｃｙ，ＭＰＡ）分别提升４．６９％，１４．２３％，平均交并比（ｍｅａｎｉｎｔｅｒｓｅｃｔｉｏｎｏｖｅｒｕｎｉｏｎ，ｍＩｏＵ）分别提升３３．２７％，３３．４３％㊂本研究算法能够更加准确地将木材表面缺陷从复杂背景中分割出来，缺陷边缘轮廓的构建更接近于理想分割情况，且运行时间较短，对木材表面缺陷的分割具备较强的精确性与可行性㊂关键词：木材表面缺陷；图像分割；邻接自适应谱聚类；超像素；变异系数中图分类号：ＴＰ１８１㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２４）０２－０１２４－０９ＷｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎａｄｊａｃｅｎｃｙａｄａｐｔｉｖｅｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇＷＥＩＺｉｔｅｎｇ，ＹＥＮｉｎｇ∗（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｐｒｅｃｉｓｅｄｅｔｅｃｔｉｏｎｏｆｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｃａｎｍｏｒｅｅｆｆｅｃｔｉｖｅｌｙｅｎｈａｎｃｅｔｈｅｖａｌｕｅｏｆｗｏｏｄｔｏｍｅｅｔｔｈｅａｃｔｕ⁃ａｌｐｒｏｄｕｃｔｉｏｎｎｅｅｄｓ，ｂｕｔｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄｓｏｆｄｅｔｅｃｔｉｎｇｄｅｆｅｃｔｓｃａｎｎｏｔｍｅｅｔｔｈｅｐｒｏｄｕｃｔｉｏｎｒｅｑｕｉｒｅｍｅｎｔｓ．Ａｉｍｉｎｇａｔｓｏｌｖｉｎｇｔｈｅｔｅｄｉｏｕｓｉｓｓｕｅｓｏｆｍａｎｕａｌｌｙｓｅｇｍｅｎｔｉｎｇｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓａｎｄｔｈｅｉｎｓｔａｂｉｌｉｔｙｏｆｔｈｅｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｉｎｍｅａｓｕｒｉｎｇｔｈｅｄｅｆｅｃｔｉｖｅｐｉｘｅｌｉｎｆｏｒｍａｔｉｏｎ，ａｎａｌｇｏｒｉｔｈｍｆｏｒｓｅｇｍｅｎｔｉｎｇｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｂａｓｅｄｏｎａｄｊａ⁃ｃｅｎｃｙａｄａｐｔｉｖｅｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇｗａｓｐｒｏｐｏｓｅｄ．Ｔｈｅａｌｇｏｒｉｔｈｍｗａｓｂａｓｅｄｏｎｓｉｍｐｌｅｌｉｎｅａｒｉｔｅｒａｔｉｖｅｃｌｕｓｔｅｒ（ＳＬＩＣ），ｗｈｉｃｈｐｒｅ⁃ｐｒｏｃｅｓｓｅｓｔｈｅｄｅｆｅｃｔｉｍａｇｅｓ，ｄｉｖｉｄｅｄｔｈｅｍｉｎｔｏｓｅｔｓｏｆｓｕｐｅｒ⁃ｐｉｘｅｌｂｌｏｃｋｓｗｉｔｈｓｉｍｉｌａｒｉｎｔｅｒｎａｌｉｎｆｏｒｍａｔｉｏｎ，ｔｈｅｎｆｕｓｅｄｔｈｅｍｗｉｔｈｔｈｅｔｅｘｔｕｒｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｗｏｏｄｄｅｆｅｃｔｓａｎｄｔｈｅｄｉｓｔａｎｃｅｓｃａｌｅｂｅｔｗｅｅｎｓｕｐｅｒ⁃ｐｉｘｅｌｂｌｏｃｋｓａｎｄｕｓｅｄａｄｊａｃｅｎｃｙａｄａｐｔｉｖｅｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇｆｏｒｓｅｇｍｅｎｔａｔｉｏｎ．Ａｆｔｅｒｔｈｅｉｎｉｔｉａｌｓｅｇｍｅｎｔａｔｉｏｎｗａｓｃｏｍｐｌｅｔｅｄ，ｔｈｅｄｉｓｃｒｅｔｅｄｅｇｒｅｅｏｆｐｉｘｅｌｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｄｅｆｅｃｔｉｖｅｂｌｏｃｋｗａｓｓｅｇｍｅｎｔｅｄａｇａｉｎｂｙｍｅａｓｕｒｉｎｇｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｔｉｏｎｔｏｏｖｅｒ⁃ｃｏｍｅｔｈｅｏｖｅｒ⁃ｓｅｇｍｅｎｔａｔｉｏｎｐｒｏｂｌｅｍｏｆｔｈｅｉｎｉｔｉａｌｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔ．Ｉｎｃｏｎｓｉｄｅｒａｔｉｏｎｏｆｔｈｅｍｏｒｐｈｏｌｏｇｉｃａｌｃｌｏｓｕｒｅａｎｄｃｏｍｐｌｅｔｅｎｅｓｓｏｆｔｈｅｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓ，ｔｈｅｔｗｏｓｅｇｍｅｎｔｅｄｉｍａｇｅｓｗｅｒｅｍｅｒｇｅｄ．Ｆｏｌｌｏｗｉｎｇｔｈａｔ，ｔｈｅｓｕｂ⁃ｓｅｇｍｅｎｔｅｄｇｒａｐｈｓｗｅｒｅｆｉｌｌｅｄｗｉｔｈｔｈｅｎｅｉｇｈｂｏｒｓｃａｎｎｉｎｇｍｅｔｈｏｄ，ａｎｄｆｉｎａｌｌｙｔｈｅｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｗｅｒｅｓｅｇｍｅｎｔｅｄａｎｄｄｅｆｉｎｅｄ．Ｗａｔｅｒｓｈｅｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍ，ｉｔｅｒａｔｉｖｅｔｈｒｅｓｈｏｌｄｉｎｇａｌｇｏｒｉｔｈｍ，ＯＴＳＵｔｈｒｅｓｈｏｌｄｉｎｇｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍ，ａｎｄＮＪＷｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇｗｅｒｅｕｓｅｄａｓｃｏｍｐａｒｉｓｏｎａｌｇｏｒｉｔｈｍｓｆｏｒｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ，ａｎｄｃｏｎｓｉｄｅｒｉｎｇｔｈｅｄｉｖｅｒｓｉｔｙｏｆｄｅｆｅｃｔｔｙｐｅｓｏｎｔｈｅｓｕｒｆａｃｅｏｆｗｏｏｄ，ｄｅｆｅｃｔｉｍａｇｅｓｓｕｃｈａｓｉｎｓｅｃｔｅｙｅｓ，ｄｅａｄｋｎｏｔｓａｎｄｌｉｖｅｋｎｏｔｓｗｅｒｅｓｅｌｅｃｔｅｄｆｏｒｓｅｇ⁃ｍｅｎｔａｔｉｏｎｃｏｍｐａｒｉｓｏｎｅｘｐｅｒｉｍｅｎｔｓ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｗａｔｅｒｓｈｅｄａｌｇｏｒｉｔｈｍ，ｉｔｅｒａｔｉｖｅｔｈｒｅｓｈｏｌｄｉｎｇａｌｇｏｒｉｔｈｍ，ＮＪＷｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｎｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｏｆｄｅｆｅｃｔｓｏｎｔｈｅｓｕｒｆａｃｅｏｆａｓｉｎｇｌｅｐｉｅｃｅｏｆｗｏｏｄｃａｔｅｇｏｒｙｍｅａｎｐｉｘｅｌａｃｃｕｒａｃｙ（ＭＰＡ）ｗｅｒｅｉｍｐｒｏｖｅｄｂｙ２．９％，１７．１８％ａｎｄ１．２％，ａｎｄｔｈｅｍｅａｎＩｎｔｅｒｓｅｃｔｉｏｎｏｖｅｒＵｎｉｏｎ（ｍＩｏＵ）ｗｅｒｅｉｍｐｒｏｖｅｄｂｙ３２．１３％，３９．７１％ａｎｄ１３．３２％，ｒｅｓｐｅｃｔｉｖｅｌｙ．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅＯＴＳＵｔｈｒｅｓｈｏｌｄｓｅｇ⁃ｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｎｃｒｅａｓｅｄｔｈｅＭＰＡｂｙ４．６９％ａｎｄ１４．２３％ｆｏｒｓｉｎｇｌｅａｎｄｍｕｌｔｉｐｌｅｗｏｏｄｓｕｒ⁃ｆａｃｅｄｅｆｅｃｔｓｓｅｇｍｅｎｔａｔｉｏｎ，ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅｍＩｏＵｗａｓｅｎｈａｎｃｅｄｂｙ３３．２７％ａｎｄ３３．４３％，ｃｏｒｒｅｓｐｏｎｄｉｎｇｌｙ．Ｔｈｅａｌｇｏ⁃㊀第２期魏子腾，等：基于邻接自适应谱聚类的木材表面缺陷分割算法ｒｉｔｈｍｉｎｔｈｉｓｓｔｕｄｙｃａｎｍｏｒｅａｃｃｕｒａｔｅｌｙｓｅｇｍｅｎｔｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｆｒｏｍｔｈｅｃｏｍｐｌｅｘｂａｃｋｇｒｏｕｎｄ，ｃａｎｓｅｇｍｅｎｔｉｍａｇｅｓｃｏｎｔａｉｎｉｎｇｓｉｎｇｌｅｏｒｍｕｌｔｉｐｌｅｄｅｆｅｃｔｓ，ａｎｄａｄａｐｔｅｄｔｏｔｈｅｉｍａｇｅｓｏｆｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｗｉｔｈｄｉｆｆｅｒｅｎｔｓｃａｌｅｓａｎｄｃｏｌｏｒｄｅｐｔｈｓ．Ｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｄｅｆｅｃｔｅｄｇｅｃｏｎｔｏｕｒｓｉｓｃｌｏｓｅｒｔｏｔｈｅｉｄｅａｌｓｅｇｍｅｎｔａｔｉｏｎｓｉｔｕａｔｉｏｎ，ａｎｄｔｈｅｒｕｎｎｉｎｇｔｉｍｅｉｓｓｈｏｒｔｅｒ，ｗｈｉｃｈｐｒｏｖｉｄｅｓｓｔｒｏｎｇａｃｃｕｒａｃｙａｎｄｆｅａｓｉｂｉｌｉｔｙｆｏｒｓｅｇｍｅｎｔｉｎｇｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓ．Ｋｅｙｗｏｒｄｓ：ｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔ；ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ；ａｄｊａｃｅｎｃｙａｄａｐｔｉｖｅｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇ；ｓｕｐｅｒ⁃ｐｉｘｅｌ；ｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｔｉｏｎ㊀㊀木材作为实木家具的重要基材，需要进行合理的优化与利用而实现最大出材率和出材价值㊂优化技术中最关键一环是木材表面缺陷的界定，只有做到缺陷的精准定位，才能使木材物尽其用［１］㊂传统的人工划线不仅工序烦琐，极大地耗费人力，而且存在木材浪费㊁价值降低㊁重工返工等问题㊂现有的木材表面缺陷分割算法以阈值算法为主，将缺陷与背景进行划分，其中包括迭代阈值分割［２］㊁最大类间方差法（ＯＴＳＵ阈值分割法）等㊂而在此基础上，戴天虹等［３］将ＯＴＳＵ算法与数学形态学结合，从而提取缺陷边缘㊂Ｃｈａｎｇ等［４］使用了凸优化作为平滑的预处理，并评估了不同凸优化权重的影响，再采用ＯＴＳＵ分割方法，以最大程度接近目标缺陷边缘㊂王勋等［５］采用模糊Ｃ均值和ＯＴＳＵ相结合的方法进行分割，能够适应于背景与缺陷颜色差别不大的情况㊂但是，这些分割算法都不符合人眼对物体区域分割化的模式，它们以单个像素信息作为数据项进行缺陷划分，在分割过程中极易将背景像素误划分为缺陷；同时，对于缺陷的整体分布把握不够稳定，缺陷边缘的界定能力弱，分割效果往往不够理想㊂针对以上存在的问题，笔者提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法㊂算法以ＳＬＩＣ超像素为基础，对木材表面缺陷进行预处理，融合木材的纹理特征和超像素块间的距离尺度，采用邻接自适应谱聚类进行分割，能够准确地将木材表面缺陷从复杂图像背景中划分出来；再以变异系数衡量超像素块内像素信息的混淆程度进行次分割，有效地对缺陷边缘进行精细化界定；将两次分割图像合并，采用邻接扫描法进行填充，最终对木材的表面缺陷进行分割，最大程度划分出缺陷的完整形态㊂１㊀研究背景１．１㊀ＳＬＩＣ超像素ＳＬＩＣ超像素作为一种思想简单㊁实现方便的算法，可有效将像素合并为区域块，更符合人眼识别物体的方式，被广泛应用于图像分割的预处理［６］㊂该算法需将彩色图像转换为ＣＩＥＬＡＢ颜色空间和二维坐标的５维特征向量，即［ｌ，ａ，ｂ，ｘ，ｙ］，其中，［ｌ，ａ，ｂ］为ＬＡＢ色彩空间，［ｘ，ｙ］为空间坐标，然后对特征向量构建度量标准，以图像像素进行局部聚类，能够构成大小均匀㊁形状规则的超像素块㊂ＳＬＩＣ超像素将图像的Ｎ个像素平均预分割为Ｋ个超像素㊂因此，每个超像素块大小为Ｎ／Ｋ，种子点距离近似为Ｓ＝Ｎ／Ｋ㊂图像中每个像素点需要与最近的种子进行相似度衡量，并将最相似的种子标签赋值给该像素，不断迭代，直至收敛㊂像素之间的相似度衡量关系如下［７］：ｄＬａｂ＝（ｌｉ－ｌｊ）２＋（ａｉ－ａｊ）２＋（ｂｉ－ｂｊ）２ｄｘｙ＝（ｘｉ－ｘｊ）２＋（ｙｉ－ｙｊ）２Ｄｓ＝ｄＬａｂ＋ｍＳｄｘｙìîíïïïïïï（１）式中：ｄＬａｂ是像素间的ＣＩＥＬＡＢ颜色差异；ｄｘｙ为像素间的空间坐标距离；Ｄｓ是将颜色差异和坐标距离结合的像素点之间的相似程度进行衡量；Ｓ为种子之间的距离；ｍ为平衡系数，用以衡量颜色差异和坐标距离在像素相似度之间的各自占比，能够有效控制超像素的紧密程度㊂１．２㊀ＮＪＷ谱聚类ＮＪＷ谱聚类［８］对样本间相似度的衡量采用了Ｋ近邻和高斯核函数，然后以相似矩阵构建拉普拉斯矩阵进行特征分解，并选取Ｃ个聚类数的最小特征值对应特征向量，在特征向量空间上进行聚类㊂其中，高斯核函数公式如下：Ｗｉｊ＝ｅｘｐ（－ Ｘｉ－Ｘｊ ２２２σ２），Ｎ（ｉ，ｊ）＝１０，Ｎ（ｉ，ｊ）＝０ìîíïïïï（２）式中：Ｎ（ｉ，ｊ）＝１表示样本邻接，否则不邻接；σ表示领域宽度，σ值越大，高斯核函数的局部影响范围就越大㊂２㊀基于邻接自适应谱聚类的木材表面缺陷分割算法２．１㊀木材表面缺陷预处理木材表面缺陷图像呈现多变性，存在多种缺陷类别，且分布形状不一，分布场景复杂［９］㊂缺陷图５２１林业工程学报第９卷像对应的像素数据集中包含大量独立的像素信息项，但仅依据像素点之间的区别极易使背景中单个或多个像素点被误划分为缺陷，难以对缺陷边缘进行较为精准地分割［１０］，分割难度较大㊂因此，根据图像中像素点之间的区别而直接采用谱聚类算法划分缺陷，不但计算资源消耗大，容易造成内存溢出［１１］，而且分割也往往达不到较为理想的效果㊂为了解决上述问题，首先需要对木材表面缺陷图像进行预处理，在预处理的基础上，再对缺陷进行细致化分割㊂本研究算法的分割总体图如图１所示，并按其流程进行详细阐述㊂图１㊀木材表面分割总体图Ｆｉｇ．１㊀Ｏｖｅｒａｌｌｄｉａｇｒａｍｏｆｗｏｏｄｓｕｒｆａｃｅｓｅｇｍｅｎｔａｔｉｏｎ图３㊀木材表面缺陷ＬＡＢ色彩Ｆｉｇ．３㊀ＬＡＢｃｏｌｏｒｏｆｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓＳＬＩＣ超像素对木材表面缺陷图像进行预处理，根据图像像素之间的颜色差异和空间坐标距离，以公式（１）将相似的像素点合并为超像素区域，每个超像素区域的平均尺度大小保持一致［１２］㊂超像素的预处理将像素点转化成区域块，构建多个像素的合并区域及其上下文信息，能够对后续图像的分割做好预前准备工作㊂本研究算法采用ＳＬＩＣ超像素对木材表面缺陷图像进行预处理，生成超像素区域，如图２所示㊂其中：图像像素大小为５１２ˑ５１２；图２ａ的超像素平均尺度Ｓ＝４０，ｍ＝２０；图２ｂ的超像素平均尺度Ｓ＝３０，ｍ＝２０㊂图２㊀ＳＬＩＣ预处理Ｆｉｇ．２㊀ＳＬＩＣｐｒｅｐｒｏｃｅｓｓ木材表面缺陷图像经过ＳＬＩＣ超像素预处理分割后，分割区域个数为Ｎ，每个超像素区域内的像素信息相似，将区域内像素信息和坐标信息进行整体合并，作为木材表面缺陷超像素数据集合㊂图像的超像素数据集为Ｘ＝｛Ｘ１，Ｘ２， ，ＸＮ｝，每个Ｘ数据项可以用５维向量｛ Ｌ， ｂ， ａ， ｘ， ｙ｝进行描述，｛ Ｌ， ｂ，ａ｝为超像素区域内所有像素的ＬＡＢ色彩平均值，｛ ｘ， ｙ｝则为超像素块重心，即所有像素的中心位置㊂木材表面缺陷图像ＬＡＢ色彩的三通道如图３所示㊂从缺陷的三通道直观图可以看出，Ｌ通道值和ｂ通道值能够较为明显地反映出木材表面缺陷图像中的缺陷和背景之间的区别，而ａ通道中缺陷与背景之间的值趋于一致，对于相似性衡量会产生反作用㊂所以，对于超像素块之间的相似性衡量采用欧氏距离，并考虑ＬＡＢ色彩中的Ｌ㊁ｂ通道值和位置坐标信息㊂超像素块的相似性衡量公式如下：ｄＬａｂ（Ｘｉ，Ｘｊ）＝ｍ１（ Ｌｉ－ Ｌｊ）２＋ｍ２（ ｂｉ－ ｂｊ）２ｄｘｙ（Ｘｉ，Ｘｊ）＝（ ｘｉ－ ｘｊ）２＋（ ｙｉ－ ｙｊ）２Ｄｓ（Ｘｉ，Ｘｊ）＝ｄＬａｂ＋ｍ３ｄｘｙìîíïïïï（３）式中：ｄＬａｂ是不同超像素块之间的ＣＩＥＬＡＢ颜色差异衡量，其中，ｍ１㊁ｍ２为Ｌ和ｂ通道在木材表面缺陷的占比权重值，Ｌ通道值在缺陷信息中占比更大，故ｍ１＞ｍ２；ｄｘｙ为超像素块间重心的空间坐标欧６２１㊀第２期魏子腾，等：基于邻接自适应谱聚类的木材表面缺陷分割算法氏距离；Ｄｓ是将超像素块木材纹理之间的颜色差异和空间坐标距离相结合，对超像素块之间的相似性进行衡量，Ｄｓ越大，则相似性越小；ｍ３为坐标位置占比权重，考虑到缺陷相似程度主要依据是颜色差异，一般取ｍ３＝０．１㊂２．２㊀邻接自适应谱聚类相比其他的聚类算法，谱聚类算法的结果不易陷入局部最优，能够更好地适应于各种形状的样本空间，具备优越的聚类性能［１３］㊂在ＳＬＩＣ超像素的预处理基础上，利用ＮＪＷ谱聚类对木材表面缺陷中的超像素块进行聚类，能够更准确地将木材缺陷从复杂图像背景中分割开来㊂ＮＪＷ谱聚类算法采用高斯核函数来对超像素块进行相似性衡量，并使用Ｋ近邻对相似的超像素区域进行邻接，再对缺陷块的拉普拉斯矩阵进行特征分解，选取最小的Ｃ个聚类数的特征值对应特征向量，并构建特征向量空间，在特征向量空间上进行聚类，得到背景与缺陷划分㊂但是谱聚类在衡量超像素之间的相似性时，高斯核函数中参数σ受到人为设定值的波动影响，不能稳定地衡量相似性，并且Ｋ近邻邻接超像素块时，缺陷与背景之间邻接容易造成冗余，存在较多的复杂化邻接，难以很好地反映超像素块之间的联系，增加了区分缺陷和背景之间的难度㊂因此，谱聚类算法存在较大的冗余性［１４］和局限性［１５］㊂针对上述谱聚类的冗余性和局限性，构建一种邻接自适应谱聚类，算法采用满邻原则来减少缺陷与背景之间邻接的冗余性，并使用邻值取代参数σ，对样本的相似性做出新的衡量，邻值公式如下：Ｐｉ＝ðｎｊ＝１，ｉʂｊＬｉｊ（４）式中：Ｐｉ表示邻值；ｎ表示超像素块数；Ｌ为邻接矩阵，当超像素块ｘｉ与ｘｊ相邻接时，Ｌｉｊ值为１，否则为０㊂邻值范围为［Ｋ，ｎ］，邻值越大，则超像素块越重要㊂根据邻值大小，按照满邻原则对超像素块之间的邻接矩阵进行邻接优化㊂满邻原则定义为：在对超像素块进行Ｋ近邻邻接时，超像素块邻值不能超过Ｋ值，样本邻值范围为［０，Ｋ］㊂使用邻值取代高斯核函数中的参数σ，消除人工参数对于衡量相似性之间的不稳定性㊂局部参数Ｐ的使用可以间接精确地反映样本局部的疏密程度，有效替换σ控制领域宽度，对超像素块之间的相似性做自适应衡量㊂新的高斯核函数如下：Ｗｉｊ＝ｅｘｐ（－ Ｘｉ－Ｘｊ ２２２ＰｉＰｊ），Ｎ（ｉ，ｊ）＝１０，Ｎ（ｉ，ｊ）＝０ìîíïïïï（５）衡量木材表面缺陷图像超像素块相似性时，Ｘｉ－Ｘｊ ２２＝Ｄｓ（Ｘｉ，Ｘｊ），其中，Ｐｉ表示Ｘｉ邻值，Ｐｊ表示Ｘｊ邻值，邻值越大，相似性越大㊂邻接自适应谱聚类算法如下：输入：输入样本Ｘ＝｛ｘ１，ｘ２， ，ｘｎ｝，近邻值Ｋ，聚类数Ｃ㊂输出：聚类结果标签ＦɪＲｎ∗１１．根据样本集Ｘ，采用欧氏距离和Ｋ近邻方法构建邻接无向图Ｓ㊂２．根据无向图Ｓ计算邻接矩阵Ｌ，根据式（４）计算样本邻值Ｐ㊂按Ｐ排序得Ｘ＝｛ｘｐ１，ｘｐ２， ，ｘｐｎ｝，ｘｐｉ表示第ｉ个重要样本点，ｘｋｐｉ表示其第ｋ个邻接点对应的ｘｊ㊂３．置Ｌ，Ｗ∗为零矩阵，按照满邻原则进行邻接优化㊂Ｆｏｒｉ＝１ʒｎ㊀Ｆｏｒｋ＝１ʒＫ㊀㊀ＩＦＸｋｐｉ的邻值ɤＫ㊀㊀㊀Ｌ（ｉ，ｊ）＝Ｌ（ｊ，ｉ）＝１㊀㊀ｅｎｄ㊀ｅｎｄ４．根据式（４），计算邻值矩阵Ｐ，再使用式（５）计算样本之间的新相似矩阵Ｗ∗㊂５．根据矩阵Ｗ∗，构建度矩阵Ｄ和拉普拉斯矩阵Ｌ＝Ｄ－Ｗ；再以Ｌ＝Ｄ－１／２ＬＤ－１／２将Ｌ矩阵标准化，并计算出特征向量矩阵㊂６．选取最小的Ｃ个特征值对应的特征向量并归一化，构成特征向量空间Ｈ㊂７．使用Ｋｍｅａｎｓ聚类方法对矩阵Ｈ进行聚类，得到聚类簇的划分Ｆ㊂２．３㊀木材表面缺陷次分割２．３．１㊀变异系数木材表面缺陷经过超像素预处理，将处理后的超像素块用邻接自适应谱聚类进行划分，以聚类簇平均像素信息高的部分作为缺陷块，并将所有缺陷块合并为木材表面缺陷，如图１中的（３）所示㊂但是经过初次邻接自适应谱聚类的分割，缺陷的分割图像中仍然存在分割的不完全性，即缺陷图像的过分割现象，分割结果过于依赖ＳＬＩＣ超像素的预分割㊂为了解决缺陷过分割现象，采用变异系数衡量分割后缺陷中超像素块所有像素信息的离散程度㊂对于离散程度大的超像素块，即存在分割不完全的问题，再次采用邻接自适应谱聚类进行次分割，缺陷中超像素块中的像素信息ｄｉ为：ｄｉ＝ｍ１Ｌｉ＋ｍ２ｂｉ（６）７２１林业工程学报第９卷式中：Ｌｉ是像素点的Ｌ通道值；ｂｉ是像素的ｂ通道值㊂构建超像素块内的像素信息集合Ｄ＝｛ｄ１，ｄ２， ，ｄｍ｝，其中，ｍ为超像素块内包含的像素个数㊂采用变异系数衡量超像素集合Ｄ的离散程度，变异系数［１６］如下：Ｃｖ＝σ（Ｄ）／μ（Ｄ）（７）式中：σ（Ｄ）为超像素内部信息集合的标准差；μ（Ｄ）为超像素内部信息集合的平均值，变异系数值越高，则其离散程度越大，反之则越小，一般当Ｃｖ超过０．３时，其信息集合较为离散化㊂木材表面缺陷使用变异系数衡量超像素块内的离散程度，对于离散程度大的缺陷块，以块内像素信息集合Ｄ作为数据集，采用邻接自适应谱聚类次分割后，解决缺陷过分割问题㊂次分割中以聚类簇平均像素信息高的部分为缺陷块，将所有缺陷块合并为木材表面缺陷，如图１中的（５）所示，缺陷分割更加精准，缺陷边缘更加符合缺陷的实际情况㊂２．３．２㊀图像合并与邻接扫描填充木材表面缺陷的过分割缺陷经过邻接自适应谱聚类次分割后，缺陷的边缘得到了优化分割，但是内部存在一些像素区域未被归为缺陷㊂考虑到木材表面缺陷形态学上的完整性和封闭性［１７］，对其缺陷内部进行填充，使缺陷整体呈现出完整形态㊂首先将邻接自适应谱聚类分割后和次分割后的图像进行合并，取出２次分割后不同的合并区域，即次分割的优化区域，如图１中的（４）所示；再以邻接扫描法将合并图像填充进次分割图像，构建完整的木材表面缺陷图像㊂分割图像合并图中木材表面缺陷坐标集Ａ＝ｘ１，ｘ２， ，ｘｎ{}，其中每个数据项为坐标［ｘ，ｙ］，对应代表该坐标点为缺陷㊂邻接扫描法按照合并图的缺陷从左往右，从上往下进行扫描，如果合并图像的缺陷坐标点对应次分割像素点位置的上㊁左坐标为缺陷像素则进行填充，将其归为缺陷像素点㊂邻接扫描法如下：输入：合并图缺陷坐标Ａ＝｛Ｘ１，Ｘ２， ，Ｘｎ｝，次分割图Ｂ输出：邻接填充图ＢＦｏｒｉ＝１ʒｎ㊀ＩＦ㊀Ｂ图中ｘｉ坐标的左㊁上像素为缺陷：Ｂ图中ｘｉ位置像素归为缺陷㊀ｅｎｄｅｎｄ次分割图像经过图像合并㊁邻接扫描填充后，生成了完整的木材表面缺陷分割图像，如图１中的（６）所示，缺陷边缘得到了优化，内部组织结构完整，缺陷整体划分结果精确㊂以缺陷分割总体图（图１）为基础，基于邻接自适应谱聚类木材表面缺陷分割的整体流程如图４所示㊂图４㊀木材表面缺陷分割流程Ｆｉｇ．４㊀Ｗｏｏｄｄｅｆｅｃｔｓｅｇｍｅｎｔａｔｉｏｎｆｌｏｗｃｈａｒｔ３㊀木材表面缺陷分割试验及测试本研究数据来源于Ｋａｇｇｌｅ大数据竞赛网站上的ＬａｒｇｅＳｃａｌｅＩｍａｇｅＤａｔａｓｅｔｏｆＷｏｏｄＳｕｒｆａｃｅＤｅｆｅｃｔｓ数据集，其中的木材表面缺陷图像中有多种类别缺陷，包括死节㊁活节㊁虫眼等，且各种缺陷呈现多变性，分布复杂，同一块区域内可能存在多种缺陷的组合分布㊂试验环境为６４位的Ｗｉｎ１１系统㊁ＣＰＵ型号为ＡＭＤＲｙｚｅｎ７５８００ＨｗｉｔｈＲａｄｅｏｎＧｒａｐｈｉｃｓ，１６Ｇ内存，Ｐｙｔｈｏｎ３．７，Ｏｐｅｎｃｖ⁃ｐｙｔｈｏｎ４．６㊂３．１㊀评价指标本研究采用类别平均像素准确度和平均交并比这２种常见的图像分割效果评价指标，来对木材表面缺陷分割效果进行评估㊂３．１．１㊀类别平均像素准确度类别平均像素准确度［１８］（ｍｅａｎｐｉｘｅｌａｃｃｕａｒａｃｙ，ＭＰＡ，式中记为ＭＰＡ）表示求每个类的类别像素准确度（ｃｌａｓｓｐｉｘｅｌａｃｃｕｒａｙ，ＣＰＡ，式中记为ＣＰＡ），即被正确分类像素数占该类所有像素的比例，然后累加求平均值㊂ＭＰＡ计算公式如下：ＣＰＡ＝ＴＰＴＰ＋ＦＰＭＰＡ＝１ＣðＣｉ＝０ＣＰＡｉìîíïïïïï（８）式中：ＴＰ为真阳性；ＦＰ为假阳性；Ｃ为类别个数㊂ＭＰＡ范围为［０，１］，其数值越大，图像分割效果越好㊂８２１㊀第２期魏子腾，等：基于邻接自适应谱聚类的木材表面缺陷分割算法３．１．２㊀平均交并比平均交并比［１９］（ｍｅａｎｉｎｔｅｒｓｅｃｔｉｏｎｏｖｅｒｕｎｉｏｎ，ｍＩｏＵ，式中记为ｍＩｏＵ）是指计算每个类预测区域和实际区域的交集除以预测区域与实际区域的并集，然后累加每个类的ＩｏＵ求平均值得到ｍＩｏＵ㊂二分类ｍＩｏＵ计算公式如下：ｍＩｏＵ＝１２（ＴＰＴＰ＋ＦＰ＋ＦＮ＋ＴＮＴＮ＋ＦＮ＋ＦＰ）（９）式中：ＦＮ为假阴性；ＴＮ为真阴性㊂ｍＩｏＵ平均每个类别之间的分割准确性范围为［０，１］，其数值越大，分割效果越好㊂图５㊀木材表面缺陷分割结果Ｆｉｇ．５㊀Ｒｅｓｕｌｔｓｏｆｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｅｇｍｅｎｔａｔｉｏｎ３．２㊀邻接自适应谱聚类分割邻接自适应谱聚类降低了Ｋ近邻对样本邻接的冗余性，能够更有效地减少缺陷超像素块和木材背景超像素块之间的邻接联系，降低了区分不同类之间的难度；同时，使用邻值替代了高斯核函数中的人工参数σ，更加稳定且准确地对超像素之间的相似性进行衡量㊂为了验证邻接自适应谱聚类算法的效果，以分水岭分割算法㊁迭代阈值分割算法㊁ＯＴＳＵ阈值分割算法和本研究算法中谱聚类采用ＮＪＷ谱聚类和邻接自适应谱聚类，对木材表面缺陷中的活节㊁死节㊁虫眼３种单类缺陷进行图像缺陷分割，其中图像像素大小为５１２ˑ５１２㊂将木材表面缺陷中的背景和缺陷进行人工划分，如图５ａ列所示，并将其二值化，生成标准的木材表面缺陷图像㊂红圈内部为缺陷，外部划分为背景㊂以标准的二值化木材表面缺陷图像作为对照组，将本研究算法中谱聚类采用ＮＪＷ谱聚类和邻接自适应谱聚类，以及分水岭分割算法㊁迭代阈值分割算法㊁ＯＴＳＵ阈值算法进行分割效果的对比，其中，分割效果的衡量标准采用类别平均像素准确度㊁平均交互比和分割时间㊂木材表面缺陷分割结果如图５所示，分割衡量效果如表１所示，分割复杂度时间如表２所示㊂９２１林业工程学报第９卷从图５ｆ列的本研究算法对３类缺陷的分割图和图５ｅ列ＮＪＷ谱聚类分割图，以及图５ｂ㊁ｃ列的阈值分割图㊁图５ａ列的基于形态学分水岭分割算法可以直观看出，本研究算法能够精准分割木材表面缺陷，相比于ＮＪＷ谱聚类㊁分水岭分割算法，能够更加有效地区分背景与缺陷之间的区别；而相比于迭代阈值分割㊁ＯＴＳＵ阈值算法，不易于将背景中位置相对独立的单个像素划分为缺陷，从而有效对缺陷的边缘进行界定，对于复杂背景下的木材表面缺陷具备了更好的分割能力与适应性㊂以划分标准木材缺陷二值化分割图作为参照，对图５中算法的分割图进行分割效果衡量㊂其中，基于邻接自适应谱聚类的木材表面缺陷分割算法相比于ＮＪＷ谱聚类㊁ＯＴＳＵ阈值算法㊁迭代阈值分割算法和分水岭分割算法，对木材表面缺陷分割效果的ＭＰＡ㊁ｍＩｏＵ更高，ＭＰＡ分别提升１．２０％，４．６９％，１７．０１％，２．９１％，ｍＩｏＵ分别提升１９．９６％，３３．２７％，３９．７１％，２．１３％，对木材表面缺陷的分割效果更加准确，能够更好地对缺陷整体分布进行界定㊂在时间复杂度方面，ＯＴＳＵ算法和分水岭算法所需时间少，但是其对于缺陷边缘的界定能力非常弱，存在大量背景点被误划分为缺陷，对于复杂背景下缺陷的细致化分割较为困难，具备较差的实际应用能力㊂而本研究算法时间复杂度不高，相比于ＮＪＷ谱聚类并没有太大的提高，３类缺陷中最少的只需要４．２３ｓ，具备较好的实用性㊂总体而言，基于邻接自适应谱聚类的木材表面缺陷分割算法能更好地将缺陷从复杂背景中区分出来，对缺陷边缘以及整体界定准确，缺陷边缘轮廓的构建更接近于理想分割情况，算法整体具备较强的精确性和实用性㊂表１㊀分割效果Ｔａｂｌｅ１㊀Ｄｉｖｉｓｉｏｎｅｆｆｅｃｔ缺陷分水岭分割迭代阈值分割ＯＴＳＵ阈值分割ＮＪＷ谱聚类本研究算法ＭＰＡｍＩｏＵＭＰＡｍＩｏＵＭＰＡｍＩｏＵＭＰＡｍＩｏＵＭＰＡｍＩｏＵ虫眼１０．９４８３０．１４６８０．５３５３０．１４１５０．４６６８０．１２５５０．９８１００．７９８３０．９８７１０．８９１９虫眼２０．９９１３０．７０３６０．７０１９０．０８４１０．９６３８０．４４２００．９９２９０．７６０１０．９９６３０．９０２７死节１０．９８７７０．７４１１０．９８７１０．８０５５０．９８７１０．８０５５０．９８１５０．６３３６０．９９３５０．８９１８死节２０．９６６５０．８３２７０．９８２３０．９２８２０．９８２３０．９２８２０．９５２９０．７６３９０．９８６２０．９３８２活节１０．９１８７０．４９７６０．９５８９０．８１０８０．９５８９０．８１０８０．９８３９０．９１３５０．９９０２０．９５４７活节２０．９５３７０．６４７００．７５４８０．３４３９０．８００００．３９１００．９７６４０．８２８５０．９８７８０．９１７３表２㊀分割复杂度时间Ｔａｂｌｅ２㊀Ｐａｒｔｉｔｉｏｎｃｏｍｐｌｅｘｉｔｙｔｉｍｅ单位：ｓ缺陷分水岭分割迭代阈值分割ＯＴＳＵ阈值分割ＮＪＷ谱聚类本研究算法虫眼１０．０３０．２３０．２２２．０３４．２３虫眼２０．０２０．２６０．１０３．５８４．２９死节１０．０３０．３７０．０８３．８０４．７４死节２０．０５０．３８０．０８１５．８３２１．０２活节１０．０７０．２９０．０９１４．０４１９．０４活节２０．０８０．２９０．０９５７．２２３７．０８３．３㊀木材表面多个缺陷分割在实际的木材表面缺陷分割中，一块完整的木材板上往往会分布多个节子㊁虫眼等缺陷，而且缺陷的分布较为复杂㊂在分割中，不同缺陷之间存在相互影响，且随着图像尺寸的增加，算法所需的资源呈几何倍数增长［２０］，相较于单个缺陷图像的分割更加困难㊂笔者在１２００ˑ５１２㊁１０００ˑ１０００㊁１２００ˑ５１２㊁１０００ˑ１０００㊁１２００ˑ５１２㊁１２００ˑ５１２像素的６张多个木材表面缺陷图像上进行试验，图像色彩深度不一，且存在不同的多个缺陷㊂将本研究算法和ＯＴＳＵ阈值分割算法进行分割试验对比，将分割结果与人工标注的标准缺陷分割图像进行分割效果衡量，分割效果如表３所示，时间复杂度如表４所示，分割结果如图６所示㊂表３㊀多个缺陷分割效果Ｔａｂｌｅ３㊀Ｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔｏｆｍｕｌｔｉｐｌｅｄｅｆｅｃｔｓ缺陷情况ＯＴＳＵ算法本研究算法ＭＰＡｍＩｏＵＭＰＡｍＩｏＵ多个缺陷１０．９７２１０．６１１８０．９９２３０．８４３８多个缺陷２０．９８４８０．６９５００．９９３１０．８３２４多个缺陷３０．９８７１０．７６３００．９９２７０．８５３１多个缺陷４０．５８４１０．００６３０．９９７００．５１１０多个缺陷５０．９５２６０．４７８３０．９８８１０．８３１２多个缺陷６０．６２１１０．０６１９０．９９２７０．７５１０表４㊀多个缺陷时间复杂度Ｔａｂｌｅ４㊀Ｔｉｍｅｃｏｍｐｌｅｘｉｔｙｏｆｍｕｌｔｉｐｌｅｔｙｐｅｓｏｆｄｅｆｅｃｔｓ缺陷情况ＯＴＳＵ算法／ｓ本研究算法／ｓ多个缺陷１０．２１３６．９３多个缺陷２０．２０９２．９３多个缺陷３０．１７１７．８７多个缺陷４０．３５１４．５９多个缺陷５０．２２１６．６７多个缺陷６０．２７２４．４７０３１㊀第２期魏子腾，等：基于邻接自适应谱聚类的木材表面缺陷分割算法图６㊀木材表面多个缺陷分割结果Ｆｉｇ．６㊀Ｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓｏｆｍｕｌｔｉｐｌｅｔｙｐｅｓｏｆｄｅｆｅｃｔｓｏｎｗｏｏｄｓｕｒｆａｃｅ㊀㊀如图６所示，在不同图像尺度和色彩深度下，相较于ＯＴＳＵ算法分割对于多个节子㊁虫眼等缺陷的分割，本研究算法能够准确识别所有缺陷所处的位置，能直观看出比较精确地分割出了所有缺陷的边缘，精准地定位了多个缺陷整体分布情况，能够对不同图像色彩深度质量下的缺陷进行有效分割；而ＯＴＳＵ算法分割图中，对图像中含有多个缺陷的定位模糊，在实际缺陷位置周边的大量背景点被误归类为缺陷，应用于多个缺陷的实际场景下的分割能力弱㊂将多个缺陷分割图像与标准缺陷图像进行分割效果的数字化，本研究算法相较于ＯＴＳＵ算法，ＭＰＡ㊁ｍＩｏＵ分别提升了１４．２３％，３３．４３％㊂本研究算法能够更加准确地分割图像中存在的多个缺陷，能应用于较大尺度和不同图像色彩深度质量的缺陷分割图中，而且缺陷分割所需的时间复杂度不高，最少的仅需１４．５９ｓ，能够运用于实际分割场景，具备较好的应用性㊂４㊀结㊀论本研究提出了一种基于邻接自适应谱聚类的木材表面缺陷图像分割算法，算法使用ＳＬＩＣ超像素进行预处理，以木材缺陷的纹理特性和距离尺度，采用邻接自适应谱聚类进行分割㊂针对分割后缺陷的过分割问题，用变异系数来衡量分割后缺陷块中像素信息的离散程度，对于离散程度大的缺陷块进行次分割，对缺陷边缘进行更加细致化处理㊂１３１林业工程学报第９卷考虑次分割后木材形态学上的封闭性和完整性，将分割图和次分割图像合并，得到次分割优化部分，再采用邻接扫描法将缺陷内部进行填充，最终能够对木材表面缺陷进行精确界定分割，且算法时间复杂度较低，能够应用于节子㊁虫眼等缺陷及不同尺度和色彩深度图像下的分割场景，算法具备较高的对木材表面分割的精确性和实用性㊂但是，ＳＬＩＣ超像素参数的不同会对图像分割产生一定影响，需要进行优化调整［２１］㊂本研究算法将把减少ＳＬＩＣ参数的影响和与近红外光谱技术相结合［２２］应用于木材表面缺陷的分割作为下一步研究方向㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］ＣＨＥＮＹＴ，ＳＵＮＣＳ，ＲＥＮＺＲ，ｅｔａｌ．Ｒｅｖｉｅｗｏｆｔｈｅｃｕｒｒｅｎｔｓｔａｔｅｏｆａｐｐｌｉｃａｔｉｏｎｏｆｗｏｏｄｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙ［Ｊ］．ＢｉｏＲｅｓｏｕｒｃｅｓ，２０２２，１８（１）：２２８８－２３０２．ＤＯＩ：１０．１５３７６／ｂｉｏｒｅｓ．１８．１．ｃｈｅｎ．［２］ＣＵＩＪＷ，ＧＵＯＤＹ，ＬＩＺ．Ｉｔｅｒａｔｉｖｅｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈ⁃ｏｄｂａｓｅｄｏｎｉｎｆｏｒｍａｔｉｏｎｅｎｔｒｏｐｙ［Ｃ］／／ＰｒｏｃＳＰＩＥ１２０５９，ＴｅｎｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＰｒｅｃｉｓｉｏｎＭｅｃｈａｎｉｃａｌＭｅａｓｕｒｅｍｅｎｔｓ，２０２１，１２０５９：１２０－１２６．ＤＯＩ：１０．１１１７／１２．２６１１６１３．［３］戴天虹，吴以．基于ＯＴＳＵ算法与数学形态学的木材缺陷图像分割［Ｊ］．森林工程，２０１４，３０（２）：５２－５５．ＤＯＩ：１０．１６２７０／ｊ．ｃｎｋｉ．ｓｌｇｃ．２０１４．０２．０３９．ＤＡＩＴＨ，ＷＵＹ．ＩｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｏｆｗｏｏｄｄｅｆｅｃｔｂａｓｅｄＯＴＳＵａｌｇｏｒｉｔｈｍａｎｄｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙ［Ｊ］．ＦｏｒｅｓｔＥｎｇｉｎｅｅｒｉｎｇ，２０１４，３０（２）：５２－５５．［４］ＣＨＡＮＧＺＹ，ＣＡＯＪ，ＺＨＡＮＧＹＺ．Ａｎｏｖｅｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｐｐｒｏａｃｈｆｏｒｗｏｏｄｐｌａｔｅｓｕｒｆａｃｅｄｅｆｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎｔｈｒｏｕｇｈｃｏｎｖｅｘｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＲｅｓｅａｒｃｈ，２０１８，２９（６）：１７８９－１７９５．ＤＯＩ：１０．１００７／ｓ１１６７６－０１７－０５７２－７．［５］王勋，李廷会，潘骁，等．基于改进模糊Ｃ均值聚类与Ｏｔｓｕ的图像分割方法［Ｊ］．广西师范大学学报（自然科学版），２０１９，３７（４）：６８－７３．ＤＯＩ：１０．１６０８８／ｊ．ｉｓｓｎ．１００１－６６００．２０１９．０４．００８．ＷＡＮＧＸ，ＬＩＴＨ，ＰＡＮＸ，ｅｔａｌ．ＩｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｆｕｚｚｙＣ⁃ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｎｄＯｔｓｕｍａｘｉｍｕｍｖａｒｉａｎｃｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＧｕａｎｇｘｉＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉ⁃ｅｎｃｅＥｄｉｔｉｏｎ），２０１９，３７（４）：６８－７３．［６］ＡＮＧＵＬＡＫＳＨＭＩＭ，ＬＡＫＳＨＭＩＰＧＧ．Ｗａｌｓｈｈａｄａｍａｒｄｔｒａｎｓｆｏｒｍｆｏｒｓｉｍｐｌｅｌｉｎｅａｒｉｔｅｒａｔｉｖｅｃｌｕｓｔｅｒｉｎｇ（ＳＬＩＣ）ｓｕｐｅｒｐｉｘｅｌｂａｓｅｄｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇｏｆｍｕｌｔｉｍｏｄａｌＭＲＩｂｒａｉｎｔｕｍｏｒｓｅｇｍｅｎ⁃ｔａｔｉｏｎ［Ｊ］．ＩＲＢＭ，２０１９，４０（５）：２５３－２６２．ＤＯＩ：１０．１０１６／ｊ．ｉｒｂｍ．２０１９．０４．００５．［７］ＢＯＥＭＥＲＦ，ＲＡＴＮＥＲＥ，ＬＥＮＤＡＳＳＥＡ．Ｐａｒａｍｅｔｅｒ⁃ｆｒｅｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｗｉｔｈＳＬＩＣ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１８，２７７：２２８－２３６．ＤＯＩ：１０．１０１６／ｊ．ｎｅｕｃｏｍ．２０１７．０５．０９６．［８］白璐，赵鑫，孔钰婷，等．谱聚类算法研究综述［Ｊ］．计算机工程与应用，２０２１，５７（１４）：１５－２６．ＤＯＩ：１０．３７７８／ｊ．ｉｓｓｎ．１００２－８３３１．２１０３－０５４７．ＢＡＩＬ，ＺＨＡＯＸ，ＫＯＮＧＹＴ，ｅｔａｌ．Ｓｕｒｖｅｙｏｆｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２１，５７（１４）：１５－２６．［９］ＷＡＮＧＸＪ，ＷＵＳＨ，ＬＩＵＹＰ．Ｄｅｔｅｃｔｉｎｇｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｗｉｔｈｆｕｓｉｏｎａｌｇｏｒｉｔｈｍｏｆｖｉｓｕａｌｓａｌｉｅｎｃｙａｎｄｌｏｃａｌｔｈｒｅｓｈｏｌｄｓｅｇ⁃ｍｅｎｔａｔｉｏｎ［Ｃ］／／ＰｒｏｃＳＰＩＥ１０６１５，ＮｉｎｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＧｒａｐｈｉｃａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＧＩＰ２０１７），２０１８，１０６１５：５２９－５３７．ＤＯＩ：１０．１１１７／１２．２３０２９４４．［１０］ＺＨＵＸＨ，ＺＨＯＵＹ，ＹＡＮＧＭＬ，ｅｔａｌ．Ｓｐａｔｉａｌ⁃ｓｐｅｃｔｒａｌｃｏｎ⁃ｓｔｒａｉｎｅｄａｄａｐｔｉｖｅｇｒａｐｈｆｏｒｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌｕｓｔｅｒｉｎｇ［Ｊ］．Ｓｅｎｓｏｒｓ，２０２２，２２（１５）：５９０６．ＤＯＩ：１０．３３９０／ｓ２２１５５９０６．［１１］ＣＨＥＮＧＸＺ，ＬＩＵＸＪ，ＤＯＮＧＸＷ，ｅｔａｌ．ＩｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＬＩＣａｎｄｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇ［Ｃ］／／２０２０Ｃｈｉ⁃ｎｅｓｅＡｕｔｏｍａｔｉｏｎＣｏｎｇｒｅｓｓ（ＣＡＣ）．Ｎｏｖｅｍｂｅｒ６－８，２０２０，Ｓｈａｎｇｈａｉ，Ｃｈｉｎａ．ＩＥＥＥ，２０２１：３０５８－３０６２．ＤＯＩ：１０．１１０９／ＣＡＣ５１５８９．２０２０．９３２６４９５．［１２］ＳＩＧ㊅ＩＲＣＩ̇ＩＯ，ＢＩＬＧＩＮＧ．ＡｍｏｄｉｆｉｅｄＳＬＩＣ⁃ｂａｓｅｄｓｕｐｅｒｐｉｘｅｌｓｅｇ⁃ｍｅｎｔａｔｉｏｎｆｏｒｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＦａｃｕｌｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｒｃｈｉｔｅｃｔｕｒｅｏｆＧａｚｉＵｎｉｖｅｒｓｉｔｙ，２０２３，３８（１）：３９９－４０７．ＤＯＩ：１０．１７３４１／ｇａｚｉｍｍｆｄ．８３５８４６．［１３］ＬＩＨＭ，ＹＥＸＣ，ＩＭＡＫＵＲＡＡ，ｅｔａｌ．Ｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇｆｏｒｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇ［Ｃ］／／２０２０ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＤａｔａＭｉｎｉｎｇ（ＩＣＤＭ）．Ｎｏｖｅｍｂｅｒ１７－２０，２０２０，Ｓｏｒｒｅｎｔｏ，Ｉｔａｌｙ．ＩＥＥＥ，２０２１：１０９４－１０９９．ＤＯＩ：１０．１１０９／ＩＣＤＭ５０１０８．２０２０．００１３１．［１４］吴健，崔志明，时玉杰，等．基于局部密度构造相似矩阵的谱聚类算法［Ｊ］．通信学报，２０１３，３４（３）：１４－２２．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－４３６ｘ．２０１３．０３．００３．ＷＵＪ，ＣＵＩＺＭ，ＳＨＩＹＪ，ｅｔａｌ．Ｌｏｃａｌｄｅｎｓｉｔｙ⁃ｂａｓｅｄｓｉｍｉｌａｒｉｔｙｍａｔｒｉｘｃｏｎｓｔｒｕｃｔｉｏｎｆｏｒｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｎＣｏｍｍｕ⁃ｎｉｃａｔｉｏｎｓ，２０１３，３４（３）：１４－２２．［１５］ＣＡＯＺＱ，ＣＨＥＮＨＪ，ＷＡＮＧＸＡ．Ｓｐｅｃｔｒａｌｃｌｕｓｔｅｒｉｎｇｂａｓｅｄｏｎｔｈｅｌｏｃａｌｓｉｍｉｌａｒｉｔｙｍｅａｓｕｒｅｏｆｓｈａｒｅｄｎｅｉｇｈｂｏｒｓ［Ｊ］．ＥＴＲＩＪｏｕｒｎａｌ，２０２２，４４（５）：７６９－７７９．ＤＯＩ：１０．４２１８／ｅｔｒｉｊ．２０２１－０２３０．［１６］ＳＵＮＴＤ，ＷＡＮＧＪ，ＷＡＮＧＣＣ．ＴＯＰＳＩＳｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｂａｓｅｄｏｎｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｔｉｏｎ［Ｃ］／／２０２０３９ｔｈＣｈｉｎｅｓｅＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ（ＣＣＣ）．Ｊｕｌｙ２７－２９，２０２０，Ｓｈｅｎｙａｎｇ，Ｃｈｉｎａ．ＩＥＥＥ，２０２０：１７５－１７９．［１７］钟丽辉，孙永科，苗晟，等．基于自适应阈值分割和形态学的木材表面缺陷提取［Ｊ］．农业技术与装备，２０２１（２）：１４６－１４７．ＺＨＯＮＧＬＨ，ＳＵＮＹＫ，ＭＩＡＯＳ，ｅｔａｌ．Ｅｘｔｒａｃｔｉｏｎｏｆｗｏｏｄｓｕｒ⁃ｆａｃｅｄｅｆｅｃｔｓｂａｓｅｄｏｎａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎａｎｄｍｏｒ⁃ｐｈｏｌｏｇｙ［Ｊ］．ＡｇｒｉｃｕｌｔｕｒａｌＴｅｃｈｎｏｌｏｇｙ＆Ｅｑｕｉｐｍｅｎｔ，２０２１（２）：１４６－１４７．［１８］ＢＡＩＷ．ＡｎＥＮｅｔｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ［Ｊ］．ＣｏｍｐｕｔａｔｉｏｎａｌＩｎｔｅｌｌｉｇｅｎｃｅａｎｄＮｅｕｒｏ⁃ｓｃｉｅｎｃｅ，２０２３，２０２３：６９６５２５９．ＤＯＩ：１０．１１５５／２０２３／６９６５２５９．［１９］ＳＯＮＧＪ，ＡＨＮＷ，ＰＡＲＫＳ，ｅｔａｌ．Ｆａｉｌｕｒｅｄｅｔｅｃｔｉｏｎｆｏｒｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｏｎｒｏａｄｓｃｅｎｅｓｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＡｐｐｌｉｅｄＳｃｉ⁃ｅｎｃｅｓ，２０２１，１１（４）：１８７０．ＤＯＩ：１０．３３９０／ａｐｐ１１０４１８７０．［２０］ＹＩＮＳＬ，ＺＨＡＮＧＹ，ＫＡＲＩＭＳ．ＬａｒｇｅｓｃａｌｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｆｕｚｚｙｒｅｇｉｏｎｃｏｍｐｅｔｉｔｉｏｎａｎｄＧａｕｓｓｉａｎｍｉｘｔｕｒｅｍｏｄｅｌ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１８，６：２６０６９－２６０８０．ＤＯＩ：１０．１１０９／ＡＣＣＥＳＳ．２０１８．２８３４９６０．［２１］ＵＬＬＡＨＳ，ＢＨＡＴＴＩＮ，ＺＩＡＭ．ＡｄａｐｔｉｖｅｔｕｎｉｎｇｏｆＳＬＩＣｐａｒａｍｅ⁃ｔｅｒＫ［Ｊ］．ＭｕｌｔｉｍｅｄｉａＴｏｏｌｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２１，８０（１７）：２５６４９－２５６７２．ＤＯＩ：１０．１００７／ｓ１１０４２－０２１－１０９００－５．［２２］王珏，李彦杰，陈益存，等．近红外光谱技术在林业领域的应用［Ｊ］．南京林业大学学报（自然科学版），２０２３，４７（３）：２３７－２４６．ＤＯＩ：１０．１２３０２／ｊ．ｉｓｓｎ．１０００－２００６．２０２２０３００１．ＷＡＮＧＪ，ＬＩＹＪ，ＣＨＥＮＹＣ，ｅｔａｌ．Ｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｎｅａｒ⁃ｉｎ⁃ｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｉｎｆｏｒｅｓｔｒｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵ⁃ｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ），２０２３，４７（３）：２３７－２４６．（责任编辑㊀莫弦丰）２３１。
机器学习方法在木材树种识别领域的应用
机器学习方法在木材树种识别领域的应用近年来，随着人工智能和机器学习技术的飞速发展，它们在各个领域的应用也越来越广泛。
在木材树种识别领域，机器学习方法也开始发挥重要作用。
本文将探讨机器学习在木材树种识别方面的应用，并介绍一些常用的机器学习算法。
一、机器学习在木材树种识别中的重要性在传统的木材树种识别中，通常需要依赖人工经验和专业知识进行判断，这不仅费时费力，而且容易受到主观因素的影响。
而机器学习技术的出现，能够通过对大量的木材数据进行学习，自动地从中学习到特征和规律，从而实现自动识别的功能。
这极大地提高了木材树种识别的准确性和效率。
二、常用的机器学习算法1. 支持向量机（Support Vector Machine，SVM）支持向量机是一种监督学习算法，通过在特征空间中构造超平面，将不同类别的数据进行划分。
在木材树种识别中，SVM可以根据已有的标记样本进行训练，建立分类模型，然后对未知的木材样本进行预测分类。
2. 决策树（Decision Tree）决策树是一种基于树结构进行决策的算法。
在木材树种识别中，决策树可以根据木材的特征属性（如颜色、纹理等），构建一个树形的分类模型。
对于待识别的木材样本，通过根据特征属性在决策树上进行判断，最终确定其所属的树种类别。
3. 人工神经网络（Artificial Neural Network，ANN）人工神经网络是一种模拟人脑神经网络结构和功能的计算模型。
它通过学习和训练，能够自动发现数据中的模式和规律。
在木材树种识别中，通过设计适当的神经网络结构和参数，利用输入的木材特征数据进行训练，从而实现对树种的识别。
三、机器学习在木材树种识别中的应用案例1. 基于图像识别的木材树种分类利用计算机视觉和图像处理技术，结合机器学习算法，可以对木材的图像进行分析和处理，从而实现对木材树种的自动分类。
通过提取图像的颜色、纹理等特征，训练相应的分类模型，可以对待识别的木材图像进行准确的树种分类。
基于二维阈值向量的木材表面缺陷分割方法
基于二维阈值向量的木材表面缺陷分割方法
白雪冰;王科俊;邹丽晖
【期刊名称】《东北林业大学学报》
【年(卷),期】2008(036)009
【摘要】根据木材表面缺陷图像的自身特点,提出了基于灰度-梯度二维阈值向量的缺陷区域分割方法.该方法以灰度-梯度共生矩阵为模型,通过计算基于灰度-梯度共生矩阵的二维熵并使边缘区域的熵最大化来选择二维阈值向量.该方法不仅利用了图像的灰度信息,也利用了图像的梯度信息.采用形态学运算对分割后的二值图像进行分割后处理,试验表明,分割效果良好.
【总页数】3页(P53-55)
【作者】白雪冰;王科俊;邹丽晖
【作者单位】哈尔滨工程大学,哈尔滨,150001;哈尔滨工程大学,哈尔滨,150001;北京理工大学
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种基于自适应阈值的弹壳表面缺陷分割方法 [J], 苟文韬;诸洪;刘彬;谢蔚卿;熊长江
2.基于二维阈值向量分割的足迹边缘提取方法 [J], 杨姝;史力民;王彩荣;高立群
3.基于梯度直方图的产品表面缺陷图像自适应阈值分割方法研究 [J], 岳贤军
4.基于Markov随机场的木材表面缺陷图像分割方法 [J], 白雪冰;张庭亮;祝贺;王
再尚;张娜
5.基于自适应阈值分割和形态学的木材表面缺陷提取 [J], 钟丽辉;孙永科;苗晟;戴正权
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进的NCSPSO优化SVM的木材缺陷图像分割
基于改进的NCSPSO优化SVM的木材缺陷图像分割刘俊焱;尹婷婷;陈云凤;周宇【摘要】针对木材缺陷图像，采用基于小生境和交叉算子的粒子群算法（NCSPSO）优化支持向量机（SVM）进行图像分割，提取木材缺陷分割图。
主要对NCSPSO算法进行改进，寻找最优惩罚系数C和高斯核函数中的参数，然后采用SVM方法对训练样本进行综合训练，以建立最佳分类模型，并对木材缺陷图像分割测试。
与模拟退火法（SA）及原NCSPSO算法进行对比实验，从而验证改进NCSPSO算法的优越性。
%In view of wood defect images,Particle Swarm Optimization(NCSPSO)algorithm based on microhabitat and crossover operator are adopted to optimize support vector machine(SVM)for image segmentation and wood defect segmenta-tion diagram extraction. The focus is placed on the improvement of NCSPSO to seek the optimal penalty coefficient C and the parameter of Gauss kernel function. Then SVM is used to establish the best classification model and test wood defect image segmentation. Simulate anneal arithmetic and the NCSPSO are compared through experiments to verity the superiority of NC-SPSO.【期刊名称】《林业机械与木工设备》【年(卷),期】2014(000)010【总页数】5页(P26-29,34)【关键词】图像分割;NCSPSO算法;支持向量机;木材缺陷【作者】刘俊焱;尹婷婷;陈云凤;周宇【作者单位】南京林业大学信息科学技术学院，江苏南京 210037;南京林业大学信息科学技术学院，江苏南京 210037;南京林业大学信息科学技术学院，江苏南京 210037;南京林业大学信息科学技术学院，江苏南京 210037【正文语种】中文【中图分类】TS612;TP391.4木材缺陷既降低木材的质量，也影响木材商品价值和使用价值［1］。
基于核PCA与SVM算法的木材缺陷识别
基于核PCA与SVM算法的木材缺陷识别马旭;刘应安;业宁;闫贺【摘要】木材缺陷是影响木材产业化推广的重要因素之一,通过合理的木材缺陷识别方法可以有效规避木材缺陷在实际应用中带来的资源浪费问题,同时大幅提高木材的实际利用率.针对木材节子非线性的特征,提出了一种新颖的木材缺陷识别方法.首先,通过核主成分分析方法(Kernel Principal Component Analysis,KPCA),采用多项式的核函数(Polynomial kernel function)对木材原始的非线性数据从低维映射到高维线性特征空间,然后再对映射空间中的线性样本进行降维处理,目的是为了提取到样本的特征参数.其次,结合SVM模型,选择多项式核函数,完成对木材缺陷的识别.最后,通过比较实验所得数据与实测数据,实验结果表明本文提出的方法有较高的识别精度和识别效率.%Wood defect is an important factor affecting the wood industrialization promotion.A reasonable wood defect recognition method can effectively avoid the waste of resources caused by wood defects in the practical application.At the same time it can raise the actual utilization of wood.Considering the nonlinear characteristic of wood defects, a new wood defect recognition method is proposed.Firstly, mapping wood original nonlinear data from low dimensional to high dimensional linear feature space using the polynomial kernel function.And then the mapping space of linear dimension reduction processing samples.The purpose is to extract the feature parameters to the samples.Next by means of the SVM model, the polynomial kernel function is selected to complete the wood defect identification.The experimental results show that the proposed method has higher recognition accuracyand efficiency by comparing the data from experiment and the measured data.【期刊名称】《常州大学学报（自然科学版）》【年(卷),期】2017(029)003【总页数】9页(P60-68)【关键词】木材缺陷;核函数;主成分提取;支持向量机【作者】马旭;刘应安;业宁;闫贺【作者单位】南京林业大学信息科学技术学院,江苏南京 210037;南京林业大学信息科学技术学院,江苏南京 210037;南京林业大学信息科学技术学院,江苏南京210037;南京林业大学信息科学技术学院,江苏南京 210037【正文语种】中文【中图分类】TS611中国森林资源逐渐减少，而木材的需求量日益增大，如何提高木材的合理利用率成了急需解决的一个重大问题。
基于双向2DPCA与SVM的木材死节缺陷图像分割算法
基于双向2DPCA与SVM的木材死节缺陷图像分割算法程玉柱
【期刊名称】《林业机械与木工设备》
【年(卷),期】2018(046)012
【摘要】针对木材的死节缺陷,提出了一种双向2DPCA(二维主成分分析法)与SVM(支持向量机法)的木材缺陷图像分割算法.首先将RGB彩图灰度化,并将其灰度图分解成互不重叠的子块,然后采用双向2DPCA分别对子块的行、列方向进行特征提取,实现子块的维数约减,最后将约减后的子块矩阵变换成行向量,利用SVM对图像表面死节和背景的行向量进行训练和测试,获取死节缺陷.试验结果表明,该算法目标定位能力强,能很好地实现木材缺陷图像分割,SD、Dice、ER、NR指标分别为86.43％、92.72％、15.32％、0.33％.
【总页数】4页(P61-63,77)
【作者】程玉柱
【作者单位】南京林业大学机械电子工程学院,江苏南京210037
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于超像素的木材表面缺陷图像分割算法 [J], 胡峻峰;赵亚凤;曹军
2.基于改进K-means聚类的木材缺陷彩色图像分割算法研究 [J], 谢永华;陈庆为;梁娇娇
3.基于分数阶CV模型的木材缺陷图像分割算法 [J], 程玉柱;蔡云飞
4.基于马尔科夫随机场的木材缺陷图像分割算法 [J], 张浩然; 张岱; 武登科; 周鹏程; 东佳毅; 程玉柱
5.基于TVCV模型的多通道木材缺陷图像分割算法 [J], 郭康乐;黄元;杨妮;谭戈;董千千;程玉柱
因版权原因，仅展示原文概要，查看原文内容请购买。
LBP-自适应增强模型的木材纹理分类
LBP-自适应增强模型的木材纹理分类
向东;陈宇;陈广胜
【期刊名称】《哈尔滨理工大学学报》
【年(卷),期】2015(20)2
【摘要】针对传统木材纹理分类的准确率低且难度大的问题,依据LBP(局部二值)算子和AD-ABOOST(自适应增强)算法理论,提出了LBP-ADABOOST模型对木材纹理进行识别分类.通过均匀旋转不变特性与原始LBP算子相融合,提取纹理的特征值,结合自适应增强算法,从而训练得到每类纹理所对应的分类器模型参数,构造分类器,实现对木材纹理准确高效分类.实验结果表明相比于BP神经网络,SVM支持向量机等分类算法,该模型的实验结果误差率为4％左右,准确率高,实用性强.
【总页数】6页(P57-62)
【作者】向东;陈宇;陈广胜
【作者单位】东北林业大学信息与计算机工程学院,黑龙江哈尔滨150040;东北林业大学信息与计算机工程学院,黑龙江哈尔滨150040;东北林业大学信息与计算机工程学院,黑龙江哈尔滨150040
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于小波分解与分形维的木材纹理分类 [J], 谢永华;钱玉恒;白雪冰
2.基于特征级数据融合木材纹理分类的研究 [J], 王辉;杨林;丁金华
3.SIFT算法在木材纹理分类上的应用 [J], 陈宇;臧美英;李红波
4.基于多重分形谱的木材高光谱图像纹理分类算法 [J], 唐艳慧; 赵鹏; 王承琨
5.基于小波与曲波遗传融合的木材纹理分类 [J], 张怡卓;马琳;许雷;于慧伶
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第４７卷第６期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ.４７Ｎｏ.６２０１９年６月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＪｕｎ.２０１９１)国家林业局林业公益性行业科研专项(２０１３０４５０２)ꎮ第一作者简介:罗微ꎬ女ꎬ１９８０年１１月生ꎬ东北林业大学机电工程学院ꎬ博士研究生ꎻ现工作于哈尔滨医科大学大庆校区医学信息学系ꎬ讲师ꎮＥ－ｍａｉｌ:１９９５９５３５＠ｑｑ.ｃｏｍꎮ通信作者:孙丽萍ꎬ东北林业大学机电工程学院ꎬ教授ꎮＥ－ｍａｉｌ:ｚｄｈｓｌｐ＠１６３.ｃｏｍꎮ收稿日期:２０１９年３月１２日ꎮ责任编辑:张㊀玉ꎮ利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类１)罗微㊀孙丽萍(东北林业大学ꎬ哈尔滨ꎬ１５００４０)㊀㊀摘㊀要㊀根据木材缺陷类型及视觉特点的不同ꎬ将木材缺陷分为６类ꎬ加上正常无缺陷木材共分７类ꎻ实验将图像样本转化为灰度图后生成６８０个训练样本数据集和９４个测试样本数据集ꎮ在分析单一方向梯度直方图(ＨＯＧ)特征及局部二值模式(ＬＢＰ)采用不同核函数对木材缺陷分类性能的基础上ꎬ提出局部二值模式和方向梯度直方图融合特征对木材缺陷分类ꎮ融合特征经主成分分析并降维ꎬ利用支持向量机的４种不同核函数分别验证局部二值模式和方向梯度直方图融合特征对木材缺陷分类的性能ꎮ结果表明:利用局部二值模式和方向梯度直方图融合特征比单一缺陷特征具有更高效的分类性能ꎻ采用线性核函数及高斯核函数对局部二值模式和方向梯度直方图融合特征进行支持向量机分类ꎬ分类准确率分别可达９８.９％和９７.８％ꎬ木材缺陷可实现自动检测分类ꎮ关键词㊀木材ꎻ木材缺陷分类ꎻ方向梯度直方图ꎻ局部二值模式ꎻ支持向量机分类号㊀Ｓ７８１.５ꎻＴＰ２７４ＷｏｏｄＤｅｆｅｃｔＤｅｔｅｃｔｉｏｎａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎｂｙＦｕｓｉｏｎＦｅａｔｕｒｅａｎｄＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ//ＬｕｏＷｅｉꎬＳｕｎＬｉｐｉｎｇ(ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙꎬＨａｒｂｉｎ１５００４０ꎬＰ.Ｒ.Ｃｈｉｎａ)//ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙꎬ２０１９ꎬ４７(６):７０－７３.Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｗｏｏｄｄｅｆｅｃｔｓａｎｄｖｉｓｕａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓꎬｔｈｅｄｅｆｅｃｔｓｗｅｒｅｄｉｖｉｄｅｄｉｎｔｏｓｅｖｅｎｔｙｐｅｓꎬｔｏｇｅｔｈｅｒｗｉｔｈｎｏｒｍａｌｎｏｎ￣ｄｅｆｅｃｔｉｖｅｗｏｏｄ.Ｔｈｅｅｘｐｅｒｉｍｅｎｔｔｒａｎｓｆｏｒｍｓｉｍａｇｅｓａｍｐｌｅｓｉｎｔｏｇｒａｙｉｍａｇｅｓａｎｄｇｅｎｅｒａｔｅｓ６８０ｔｒａｉｎｉｎｇｓａｍｐｌｅｄａｔａｓｅｔｓａｎｄ９４ｔｅｓｔｓａｍｐｌｅｄａｔａｓｅｔｓ.Ｗｉｔｈｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｓｉｎｇｌｅｈｉｓｔｏｇｒａｍｏｆｏｒｉｅｎ￣ｔｅｄｇｒａｄｉｅｎｔ(ＨＯＧ)ａｎｄｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎ(ＬＢＰ)ｕｓｉｎｇｄｉｆｆｅｒｅｎｔｋｅｒｎｅｌｓｔｏｃｌａｓｓｉｆｙｗｏｏｄｄｅｆｅｃｔｓꎬｔｈｅｆｕｓｉｏｎｆｅａｔｕｒｅｓｏｆｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎａｎｄｈｉｓｔｏｇｒａｍｏｆｏｒｉｅｎｔｅｄｇｒａｄｉｅｎｔｗｅｒｅｐｒｏｐｏｓｅｄｔｏｃｌａｓｓｉｆｙｗｏｏｄｄｅｆｅｃｔｓ.Ｂｙｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌ￣ｙｓｉｓａｎｄｄｉｍｅｎｓｉｏｎａｌｉｔｙｒｅｄｕｃｔｉｏｎꎬｆｏｕｒｄｉｆｆｅｒｅｎｔｋｅｒｎｅｌｆｕｎｃｔｉｏｎｓｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｗｅｒｅｕｓｅｄｔｏｖａｌｉｄａｔｅｔｈｅｐｅｒ￣ｆｏｒｍａｎｃｅｏｆｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎａｎｄｈｉｓｔｏｇｒａｍｏｆｏｒｉｅｎｔｅｄｇｒａｄｉｅｎｔｆｕｓｉｏｎｆｅａｔｕｒｅｓｆｏｒｗｏｏｄｄｅｆｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎ.ＴｈｅｆｕｓｉｏｎｆｅａｔｕｒｅｈａｓｍｏｒｅｅｆｆｉｃｉｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｔｈａｎｓｉｎｇｌｅｄｅｆｅｃｔｆｅａｔｕｒｅꎻｔｈｅｆｕｓｉｏｎｆｅａｔｕｒｅｏｆｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎａｎｄｄｉｒｅｃｔｉｏｎａｌｇｒａｄｉｅｎｔｈｉｓｔｏｇｒａｍｉｓｃｌａｓｓｉｆｉｅｄｂｙｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｕｓｉｎｇｌｉｎｅａｒｋｅｒｎｅｌｆｕｎｃｔｉｏｎａｎｄＧａｕｓｓｋｅｒｎｅｌｆｕｎｃ￣ｔｉｏｎꎬａｎｄｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｃａｎｒｅａｃｈ９８.９％ａｎｄ９７.８％ꎬｒｅｓｐｅｃｔｉｖｅｌｙꎻｔｈｅｒｅｆｏｒｅꎬｗｏｏｄｄｅｆｅｃｔｃａｎｂｅａｕｔｏｍａｔｉ￣ｃａｌｌｙｄｅｔｅｃｔｅｄａｎｄｃｌａｓｓｉｆｉｅｄ.Ｋｅｙｗｏｒｄｓ㊀ＷｏｏｄꎻＷｏｏｄｄｅｆｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎꎻＨｉｓｔｏｇｒａｍｏｆｏｒｉｅｎｔｅｄｇｒａｄｉｅｎｔ(ＨＯＧ)ꎻＬｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎ(ＬＢＰ)ꎻＳＶＭ㊀㊀木材缺陷容易在树木自然生长㊁伐倒存储期间以及后期木材加工等各个环节生成ꎬ影响木材的材质和木制品的品质ꎬ且缺陷类型多样ꎮ传统的木材缺陷分类依靠人的肉眼并依赖主观经验判断ꎬ缺乏客观准确性ꎬ且效率低下ꎮ近年来ꎬ随着计算机视觉以及机器学习算法的不断发展ꎬ依据人工智能的木材缺陷无损检测工业化成为可能ꎮＩｒｅｎｅＹｕ－ＨｕａＧｕｅｔａｌ.[１]将节子图像分割成３个不同的区域ꎬ利用高阶统计量滤波在每个区域生成平均彩色特征ꎬ实现木材缺陷的支持向量机分类ꎮ王再超等[２]结合木材内部的应力波传播速度和支持向量机ꎬ实现木材缺陷识别分类ꎬ试样准确率达到９３％以上ꎮ张益翔[３]依据木材表面图像的灰度子图最大熵和局部二值模式特征ꎬ对木材节子缺陷检测与定位ꎮ上述研究ꎬ或依据硬件设备检测ꎬ或依据局部二值模式ꎬ而将方向梯度直方图特征及其相关的多融合特征支持向量机应用于木材缺陷分类检测的较少ꎮ方向梯度直方图特征能提取梯度变化信息ꎬ局部二值模式能表达局部灰度变化ꎬ能较好的表征木材缺陷ꎮ本研究在分析依据方向梯度直方图特征及局部二值模式实现木材缺陷分类的基础上ꎬ提出局部二值模式和方向梯度直方图融合特征作为一种针对木材缺陷提取的特征向量体系ꎻ通过主成分分析ꎬ在保证高特征贡献率的基础上实现特征降维ꎬ利用支持向量机的４种不同核函数ꎬ验证支持向量机对木材缺陷分类性能的有效性ꎮ旨在为拓展木材缺陷分类途径提供参考ꎮ１㊀材料与方法１.１㊀木材图像数据集木材图像缺陷ꎬ主要包括节子㊁变色㊁腐朽㊁虫害㊁裂纹㊁损伤(伤疤)㊁木材构造缺陷㊁木材加工缺陷等ꎮ本研究木材图像样本库中含有不同缺陷的样本图像共１５５个ꎬ通过旋转获取缺陷图像共６２０幅ꎬ包括１０４个死节㊁４０个活节㊁７２个虫害㊁９２个裂纹㊁部分腐朽和夹皮缺陷ꎻ取正常无缺陷各树种图像样本２９０幅ꎮ构建７类６８０个训练样本数据集和９４个测试样本的数据集ꎮ１.２㊀方向梯度直方图特征和局部二值模式特征方向梯度直方图是对图像局部区域的梯度方向直方图进行统计ꎬ形成最终特征[４－６]ꎮ首先将图像划分成小元胞区域(ｃｅｌｌ)ꎬ统计每个元胞区域的梯度直方图ꎬ获取不同方向的梯度分布统计ꎮ将每几个元胞组成１个块ꎬ１个块内所有元胞的特征串联起来可得到该块的方向梯度直方图特征ꎮ通过滑动块ꎬ将图像所有块的方向梯度直方图特征串联起来ꎬ即得到该图像最终可供分类使用的方向梯度直方图特征向量ꎮ本文中的元胞取８ˑ８个像素大小ꎮ将整个图像划分为８ˑ８大小的元胞ꎬ在每个元胞上单独计算直方图ꎬ直方图横轴表示梯度的方向ꎬ将横轴设置为１８个区间ꎬ即把梯度方向分割成１８个区间ꎬ梯度方向的范围指定为０ʎ~１８０ʎꎬ即每个区间范围为１０ʎꎮ这样梯度方向的粒度相对变粗ꎬ有利于适应方向的变化ꎮ块是由多个元胞组合而成的ꎬ本文中的组合方式是由２ˑ２个元胞组成１个块ꎮ由于每个元胞上面都有１个１８维的表示直方图大小的向量ꎬ则１个块上有２ˑ２ˑ１８＝７２维的向量ꎬ将这７２维向量做规范化处理即可得到新的７２维向量ꎮ因本文图像尺寸为５１２ˑ５１２像素ꎬ通过计算可得ꎬ块为(６４－２＋１)ˑ(６４－２＋１)＝３９６９个ꎮ每个块包含７２维向量ꎬ总共即为３９６９ˑ７２＝２８５７６８维向量ꎬ这个向量即为这张图片的方向梯度直方图特征ꎮ通过主成分分析ꎬ将其特征根及其相应特征贡献率从大到小排序(见表１)ꎬ以特征贡献率累计超过９５％为准则ꎬ获取前７３个特征ꎮ据此将特征向量降维ꎬ获得７３维特征向量ꎬ作为缺陷检测分类的特征输入ꎮ本文仅列出前５个主成分累计特征贡献率以说明特征获取过程ꎮ表１㊀方向梯度直方图特征主成分贡献率主成分特征根贡献率累计贡献率１４.５０６６０.７４７００.７４７０２０.２８７００.０４７６０.７９４６３０.２６９１０.０４４６０.８３９２４０.１４２２０.０２３６０.８６２８５０.１２２００.０２０２０.８８３０㊀㊀局部二值模式是一种用来描述图像局部纹理的特征[７－９]ꎮ局部二值模式特征的算子是指在１个３ˑ３的窗口内ꎬ以这个窗口的中心像素为阈值ꎬ与相邻的８个像素的灰度值比较ꎬ若周围像素值大于中心位置点的像素值ꎬ则该位置点被标记为１ꎬ否则为０ꎮ在这个３ˑ３邻域内的周围８个位置点经比较后可产生８位的二进制数ꎬ将其转换为十进制数ꎬ即为该中心点的局部二值模式的值ꎬ取值范围为０~２５５ꎬ具体操作(见图１)ꎮ图１㊀局部二值模式算子提取局部二值模式特征反映的是中心像素点与领域像素点之间的差值ꎬ所以当灰度值变化为同增同减时ꎬ局部二值模式特征变化并不明显[１０－１１]ꎮ因此ꎬ可以认为局部二值模式检测的仅是图像的纹理及缺陷特征ꎮ利用局部二值模式特征谱做２５６维的直方图统计ꎬ直方图可作为特征向量用于分类识别ꎮ通过主成分分析ꎬ将其特征根及其相应特征贡献率从大到小依次排序(见表２)ꎬ以特征贡献率累计超过９５％为准则ꎬ提取前７６个特征ꎮ据此将特征向量降维ꎬ获得７６维特征向量ꎬ作为缺陷检测分类的特征输入ꎮ本文仅列出前５个主成分累计特征贡献率以说明特征获取过程ꎮ表２㊀局部二值模式特征主成分贡献率主成分特征根贡献率累计贡献率１１７.３０６６０.７２４２０.７２４２２１.１０３９０.０４６２０.７７０４３１.０３５８０.０４３３０.８１３７４０.５５１３０.０２３１０.８３６８５０.４７２７０.０１９８０.８５６６㊀㊀比较表１及表２特征根及贡献率可知ꎬ局部二值模式主成分特征根值较大ꎮ据此推断ꎬ其可能含有能更好表达图像差别的特征信息ꎮ因此ꎬ本文特征提取的重点ꎬ可向此特征侧重ꎮ１.３㊀支持向量机与核函数支持向量机一般用于求解线性可分问题ꎮ对于给定的线性可分训练数据集ꎬ通过构造间隔最大化可得到分离超平面ꎻ而对于线性不可分问题ꎬ一般将其转化为１个线性分类问题进行求解ꎬ即采用核技巧ꎮ将输入空间通过非线性映射转换到特征空间ꎬ使得输入空间中的超曲面模型对应于特征空间上的１个超平面模型(即支持向量机)ꎬ问题转化为在特征空间求解支持向量机ꎮ通常ꎬ有４种常用的核函数:１７第６期㊀㊀㊀㊀㊀罗微ꎬ等:利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类多项式核函数－－Ｋ(ｘ(ｉ)ꎬｘ(ｊ))＝(γｘ(ｉ)Ｔｘ(ｊ)＋Ｃ)ｎꎻ高斯核函数－－Ｋ(ｘ(ｉ)ꎬｘ(ｊ))＝ｅｘｐ{(ｘ(ｉ)－ｘ(ｊ))２/２σ２}ꎻＳ型核函数－－Ｋ(ｘꎬｙ)＝ｔａｎｈ(ａｘＴ＋ｃ)ꎻ线性核函数－－Ｋ(ｘ(ｉ)ꎬｘ(ｊ))＝ｘ(ｉ)Ｔｘ(ｊ)ꎮ当特征维数较大时应选线性核函数ꎬ但其适用线性可分的数据集ꎮ当特征维数较少ꎬ样本量适中时ꎬ可选择高斯核函数ꎬ其可将特征映射到无限多维ꎬ但计算速度相对较慢ꎬ且容易过拟合ꎮ多项式核函数可以拟合出复杂的分割超平面ꎬ但其参数较多ꎮＳ型核函数可以将１个实数映射到(０ꎬ１)的区间ꎬ可以用来做二分类ꎬ但当特征相差大时效果较差ꎮ２ 结果与分析为提高特征表达全面度ꎬ将局部二值模式特征描述子的１０２４维特征向量ꎬ同方向梯度直方图特征提取的２８５７６８维特征向量整合在一起ꎬ整合后的特征可以很好的融合局部二值模式及方向梯度直方图的原始特征ꎮ但此时ꎬ整合后的维度为２８６７９２ꎬ过高的特征维度在模式判别过程中会引起维数灾难ꎮ为此ꎬ本文将整合后的融合特征做标准归一化处理ꎬ并做主成分分析ꎮ通过分析主成分贡献率可知ꎬ前１０个主成分既涵盖了８０％的特征贡献率(见表３)ꎮ原则上ꎬ越高的特征累计贡献率ꎬ对应的主成分越能更好的表达原图像特征ꎮ本文在保证较高特征累计贡献率的同时ꎬ控制维数不可过高ꎮ按照特征贡献率累计超过９８％为准则ꎬ取前１９７个融合特征作为缺陷检测分类的特征输入ꎮ表３㊀局部二值模式和方向梯度直方图融合特征主成分贡献率累计贡献率主成分数量累计贡献率主成分数量０.８０１００.９５７７０.９０１９０.９８１９７㊀㊀采用９４个测试样本数据集ꎬ将上述１９７维的局部二值模式和方向梯度直方图融合特征通过学习训练支持向量机做不同核函数的分类预测与实际分类对比图(见图２)ꎮ高斯核函数分类准确率为９７.９％(９２/９４)㊁线性核函数分类准确率为９８.９％(９３/９４)㊁多项式核函数分类准确率为９５.７％(９０/９４)ꎬ除Ｓ型核函数外ꎬ其它核函数针对融合特征均具有较高准确率ꎮ图２㊀依据局部二值模式和方向梯度直方图融合特征的支持向量机４种核函数分类㊀㊀综合分析方向梯度直方图特征㊁局部二值模式特征㊁局部二值模式和方向梯度直方图融合特征分２７㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４７卷类准确率(见表４)可知ꎬ单一特征做分类时ꎬ对局部二值模式特征采用线性核函数分类具有较高分类准确率ꎬ而方向梯度直方图特征更适合采用高斯核函数和多项式核函数进行分类ꎮ局部二值模式和方向梯度直方图融合特征分类准确率ꎬ在绝大多数核函数的情况下都高于单一特征ꎬ当采用线性核函数时ꎬ特征分类准确率可达９８.９％ꎮ表４㊀方向梯度直方图特征㊁局部二值模式㊁局部二值模式和方向梯度直方图融合特征分类准确率比对核函数各特征分类准确率/％方向梯度直方图特征局部二值模式特征局部二值模式和方向梯度直方图融合特征高斯９５.７８９.４９７.９线性８０.９９８.９９８.９多项式９５.７８５.１９５.７Ｓ型２０.２１９.１２５.５㊀㊀高斯核函数对方向梯度直方图特征以及局部二值模式和方向梯度直方图融合特征较敏感ꎬ分类准确率均在９５％以上ꎬ但对局部二值模式特征敏感度相对减弱ꎮ线性核函数对局部二值模式特征以及局部二值模式和方向梯度直方图融合特征较敏感ꎬ分类准确率可达９８.９％ꎬ而相对方向梯度直方图特征敏感度较差ꎬ准确率仅为８０.９％ꎮ多项式核函数对方向梯度直方图特征以及局部二值模式和方向梯度直方图融合特征较敏感ꎬ分类准确率均在９５％以上ꎬ但对局部二值模式特征敏感度相对减弱ꎮ试验结果表明ꎬ方向梯度直方图特征和局部二值模式特征恰好互补ꎬ对方向梯度直方图特征分类准确率较高(>９５％)的核函数ꎬ对局部二值模式特征敏感度相对较差ꎬ反之亦然ꎮ而对于局部二值模式和方向梯度直方图融合特征ꎬ则能在不同核函数分类中ꎬ很好的提取融合特征的主成分ꎬ使得其针对除Ｓ型以外其他核函数均具有良好的分类效果ꎮ据此可知ꎬ本文提出的局部二值模式和方向梯度直方图融合特征提高了木材缺陷分类准确率ꎬ能够更充分高效的表达缺陷特征ꎬ是一种针对木材缺陷更敏感的特征量体系ꎮ３ 结论通过提取单一方向梯度直方图特征及局部二值模式特征ꎬ验证了其对木材缺陷分类的有效性ꎮ通过主成分分析ꎬ在保证特征累计贡献率的基础上ꎬ较好的实现了特征降维ꎮ在此基础上ꎬ提出了局部二值模式和方向梯度直方图融合特征ꎮ实验结果表明ꎬ由于方向梯度直方图特征和局部二值模式特征恰好互补ꎬ则其局部二值模式和方向梯度直方图融合特征分类准确率在绝大多数情况下都优于单一特征ꎬ使其具有更高效的分类性能ꎬ最高准确率可达９８.９％ꎮ通过实验验证了不同核函数的性能ꎬ结果表明ꎬ高斯核函数和多项式核函数ꎬ对方向梯度直方图特征具有较好的分类性能ꎻ线性核函数对局部二值模式具有较好的分类性能ꎻＳ型核函数由于其二分类特性ꎬ因此对木材缺陷分类性能较差ꎮ参㊀考㊀文㊀献[１]㊀ＧＵＩＹＨꎬＡＮＤＥＲＳＳＯＮＨꎬＶＩＣＥＮＲ.Ｗｏｏｄｄｅｆｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｉｍａｇｅａｎａｌｙｓｉｓａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ[Ｊ].ＷｏｏｄＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２０１０ꎬ４４(４):６９３－７０４. [２]㊀王再超ꎬ李光辉ꎬ冯海林ꎬ等.基于应力波和支持向量机的木材缺陷识别分类方法[Ｊ].南京林业大学学报(自然科学版)ꎬ２０１５ꎬ３９(３):１３０－１３６.[３]㊀张益翔.基于小波变换和局部二值模式的木材表面缺陷识别[Ｄ].南京:南京林业大学ꎬ２０１７.[４]㊀傅红普ꎬ邹北骥.方向梯度直方图及其扩展[Ｊ].计算机工程ꎬ２０１３ꎬ３９(５):２１２－２１７.[５]㊀徐渊ꎬ许晓亮ꎬ李才年ꎬ等.结合ＳＶＭ分类器与方向梯度直方图特征特征提取的行人检测[Ｊ].计算机工程ꎬ２０１６ꎬ４２(１):５６－６０ꎬ６５.[６]㊀殷羽ꎬ郑宏ꎬ高婷婷ꎬ等.基于联合方向梯度直方图特征特征的车牌识别算法[Ｊ].计算机工程与设计ꎬ２０１５ꎬ３６(２):４７６－４８１. [７]㊀郭斯羽.面向检测的图像处理技术[Ｍ].长沙:湖南大学出版社ꎬ２０１５.[８]㊀万源ꎬ李欢欢ꎬ吴克风ꎬ等.局部二值模式和方向梯度直方图特征的分层特征融合的人脸识别[Ｊ].计算机辅助设计与图形学学报ꎬ２０１５ꎬ２７(４):６４０－６５０.[９]㊀孙玉ꎬ刘贵全.基于方向梯度直方图特征与局部二值模式特征的人脸识别方法[Ｊ].计算机工程ꎬ２０１５ꎬ４１(９):２０５－２０８ꎬ２１４. [１０]㊀ＴＡＮＸＹꎬＴＲＩＧＧＳＢ.Ｅｎｈａｎｃｅｄｌｏｃａｌｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｅｔｓｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｕｎｄｅｒｄｉｆｆｉｃｕｌｔｌｉｇｈｔｉｎｇｃｏｎｄｉｔｉｏｎｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２０１０ꎬ１９(６):１６３５－１６５０. [１１]㊀ＭＵＲＡＬＡＳꎬＷＵＱＭＪ.Ｌｏｃａｌｍｅｓｈｐａｔｔｅｒｎｓｖｅｒｓｕｓｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎｓ:ｂｉｏｍｅｄｉｃａｌｉｍａｇｅｉｎｄｅｘｉｎｇａｎｄｒｅｔｒｉｅｖａｌ[Ｊ].ＩＥＥＥＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌ＆ＨｅａｌｔｈＩｎｆｏｒｍａｔｉｃｓꎬ２０１４ꎬ１８(３):９２９－９３８.３７第６期㊀㊀㊀㊀㊀罗微ꎬ等:利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类。