刘镇波[1]2004年在《木材显微图像特征参数提取与树种判别方法研究》文中研究指明应用先进的计算机彩色图像分析软件对木材横切面的细胞轮廓形态、细胞几何尺寸、组织比量等进行测定与分析；采用空间灰度共生矩阵方法提取木材横切面的显微图像灰度变化与构造特征参数，探讨了基于所提取的多种量化的图像特征参数实现树种判别的可行性，并初步建立基于木材横切面显微图像内容(特征参数)的木材树种判别程序。 对基于木材横切面显微图像所提取的33项特征进行主成分分析，结果表明前七个主成分因子集中了33个变量的90％左右的信息，它们分别是导管(树脂道)形态与尺寸因子、横切面纹理强弱及周期大小因子、组织比量因子、纹理粗细与复杂程度因子、木纤维(管胞)细胞的几何尺寸因子、木纤维(管胞)细胞形态因子、径向木纤维(管胞)细胞壁大小因子。同时结合变量间的相关分析，从33项特征中选取出了15项对树种判别具有实际意义的特征参数。 利用所选取出的15项特征参数，以最大相似原理初步建立了基于图像分析的计算机树种判别匹配算法，这种判别匹配算法是通过计算待判别树种与已知树种之间的相似系数来实现的。文中运用了最小差值差数判别法、树种综合特征阈值法、综合加权相似法叁种方式进行相似系数的计算。其中最小差值差数判别法与树种综合特征阈值法是将每个特征参数对木材横切面显微图像特征的贡献率视为一致，只是树种综合特征阈值法是以阈值的大小来判断特征的相似性，而综合加权相似法是建立在对木材横切面显微图像特征参数的主成分分析的基础上，根据每个特征参数的贡献率大小计算相似系数。以相似系数计算为基础的计算机树种判别程序对未知树种的判别并不是给出唯一的答案，而是将数据库中的树种按相似系数的大小进行排序，同时能在主界面上显示树种的宏、微观特征和叁切面显微图像，以便用户进一步验证待判别树种应为何种树种，提高了判别结果的准确性。 通过对木材横切面显微图像量化特征参数的提取与分析、基于图像分析的判别匹配算法和判别程序的建立，结果表明，以基于图像分析的方法达到木材判别的目的是基本可行的。此项研究结果将为木材鉴别、树木分类提供一种新的技术参考手段和初步的科学理论依据。
王秀华[2]2005年在《木材横切面构造特征计算机视觉分析与树种分类识别研究》文中研究表明为解决基于木材横切面显微图像特征参数的木材树种计算机识别这一难题,采用计算机视觉分析技术实现对木材横切面显微图像特征参数的提取,并以基于图像特征参数的识别算法建立计算机木材树种识别程序。其主要方法是:在对计算机彩色图像分析软件二次开发的基础上,进行木材横切面的各种主要细胞轮廓形态、细胞几何尺寸、主要组织比量等参数的测定与分析;采用空间灰度共生矩阵方法提取木材横切面显微图像的纹理特征参数,并分析了木材横切面显微图像的纹理变化特征;探讨了基于所提取的图像特征参数实现树种识别的可行性,最终建立了基于木材横切面显微图像内容(特征参数)的木材树种识别程序。 实验中共提取反映木材横切面显微图像特征的参数32项,其分别是与木纤维(管胞)细胞相关的参数10项、与导管(树脂道)细胞相关的参数8项、与木射线细胞相关的参数2项、胞壁率参数1项及图像纹理特征参数11项。像素间距及角度是影响图像纹理特征参数的最重要因素,通过对不同像素间距及角度的显微图像纹理特征参数的分析表明,在像素间距d=3及角度θ=0°时所提取的纹理特征量最有利于表征木材横切面显微图像纹理特征。 建立了木材横切面细胞简化模型,并分析了各纹理参数的专业涵义。当细胞壁与细胞腔比例在一定范围内时可获得纹理细腻、清晰度高、纹理变化快、周期性大及纹理分布丰富的横切面显微图像,而此时,无论细胞壁与细胞腔的比例往哪个方向变化,都会使纹理变粗、清晰度下降、纹理变化变慢、周期性减弱及纹理分布减少。对树种在纹理参数值不同范围内的分布情况发现:绝大部分树种的横切面显微图像纹理较细腻、清晰度较高、周期性较强、纹理信息丰富。同时还分析了纹理特征参数之间的相关性,结果表明大部分纹理参数间都具有显着的相关关系。 分析了木材的胞壁率与壁腔比参数与横切面显微图像纹理参数之间的关系,结果表明:当木材的胞壁率为40～70%、壁腔比为0.15～0.50时,木材横切面显微图像的纹理比较细腻、周期性大、清晰程度高、图像整体色调的明暗深浅最强烈、含有最丰富的纹理信息。而且,胞壁率、壁腔比在这一范围时,树种样本数最多。 对所提取的特征参数进行主成分分析,结果表明前七个主成分因子集中了32个变量的80%以上的信息,它们分别是图像纹理对比度因子、导管(树脂道)形态与尺寸因子、纹理周期性与复杂性因子、木纤维(管胞)细胞的几何尺寸因子、导管(树脂道)含量与分布因子、木纤维(管胞)细胞形态因子、木射线含量因子。同时结合变量间的相关分析,从32项特征中选取出了13项相对独立、且对树种识别具有实际意义的特征参数。 利用所选取出的反映木材横切面显微图像特征的13项参数,以最大相似原理建立了基于图像特征参数的计算机树种识别匹配算法,这种识别匹配算法是通过计算待识别树种与已知树种之间的相似系数来实现的,相似系数大表明两个树种间相似程度高。程序中运用了最小差值参数判别法、树种综合特征阈值法、综合加权相似法叁种方式进行相似系数的计算。其中最小差值参数判别法与树种综合特征阈值法是将每个特征参数对
朱佳[3]2014年在《基于SEM显微图像的木材材种分类研究》文中研究说明应用先进的计算机图像处理和机器学习技术对木材横切面扫描电镜（SEM）显微图像进行特征提取和分类，通过将Graph Cuts和ThreshCanny算法应用于木材横切面显微图像的分割，提取出反应木材显微构造的特征参数，再进一步对所提取的特征进行主成分分析和特征融合，以探讨基于这些木材显微构造特征参数和机器学习技术实现木材材种正确分类的可行性。基于ThreshCanny和Graph Cuts算法所提取的木材细胞特征均对于木材SEM显微图像具有较好的区分能力。在给定的树种中，同一种针叶材的早、晚材以及不同种针叶材的特征参数间均存在明显的差异；而与针叶材相比，各项特征参数在同一种阔叶材的早、晚材间的差异不够明显，且部分特征参数间很难找到明显的分界值，但不同种阔叶材的各项特征参数间依然存在明显的差异。对从木材横切面SEM显微图像中所提取的10项特征参数进行主成分分析，实验结果表明前两个主成分因子集中了原来10个特征变量近85%的信息。同时结合变量间的相关分析，从10项特征中选取6项相对独立的，且对木材材种分类具有实际意义的特征参数。基于加权均值融合后的特征，采用LDA、QDA、mahalanobis、KNN以及SVM五种分类器，并结合留一交叉验证法对给定的10个树种进行分类，均获得了比单独使用ThreshCanny特征或Graph Cuts特征更高的正确分类率。当将SVM分类器与留一交叉验证法相结合对给定10个树种进行分类时，获得了最好的分类结果，融合系数最优时其最高正确分类率达到95%。而当使用LDA分类器时，获得了最差的分类结果，融合系数最优时其最高正确分类率为87%。基于不同的图像分割算法，通过对木材SEM显微图像量化特征的提取、分析、降维和融合，应用五种分类器进行木材材种分类实验，实验结果表明，基于木材SEM显微图像，利用图像分割和特征融合达到对木材材种正确分类的目的是可行且有效的。此项研究为木材微观特征提取、木材材种分类及木材识别等相关研究提供了一种新颖的方法参考和科学的理论依据。
王振柱[4]2016年在《基于Structure5.0和SVM的木材微观图像特征与识别研究》文中认为木材鉴别技术越来越趋向于计算机自动化和智能化,通过客观的观察测量木材结构特征,来识别木材的技术也得到广泛应用。香港自然基因生命科学有限公司开发的Structure5.0软件,是用于客观分析统计材料结构特征的测量软件。本文首次将此软件用于木材微观特征的测量并进行木材种类识别。利用Structures.0对木材显微图像的特征参数进行测量与统计分析,并将测量得到的特征值与参考文献中的数据进行对比,识别木材。再通过提取木材试样的木纤维并对其进行测量,进一步核实我们的识别结果。最后以Structure5.0测得的木材显微结构特征值建立数据库,利用SVM对木材显微图像进行识别。本论文的主要内容如下：1.将Structures.0材料结构分析软件用于木材领域,对木材的微观结构进行观测,得到木材的微观结构的特征值。对Structure5.0软件的使用方法及过程进行了详细描述。在Structure5.0软件中,通过观察测量试样A和试样C的管孔类型,管孔排列方式,孔隙率,导管的弦向直径,木射线密度,木射线类型,木射线高度等微观特征,并与文献中的木材构造特征值进行对比,识别试样A和试样C。2.在Structure5.0软件中,通过观察测量试样B的木射线特征,轴向薄壁组织,管胞类型及排列方式,树脂道等微观结构,通过数据的分析对比,识别试样B3.提取试样的木纤维,利用Structures.0对试样木纤维的长度,宽度进行测量并计算木纤维组织量等特征,进一步核实实验中木材试样的识别结果。4.利用SVM多项式核函数和径向基函数,以Structure5.0测量的木射线高度、木射线宽度、木射线密度、木射线细胞个数四个特征作为参数,对木材显微图像进行识别。5.对Structure5.0与显微镜DVProEM软件进行对比,比较Structure5.0与显微镜DVProEM软件在数据测量以及数据统计分析方面的优劣。
黄慧[5]2006年在《基于木材组织构造的数字图像处理系统研究》文中提出本文通过对国内外数字图像处理技术在木材组织构造中的应用现状研究以及木材识别技术发展状况分析，提出将数字图像处理技术应用到木材组织构造研究，以实现木材组织构造测量技术和木材识别技术的自动化、智能化发展。 结合木材组织构造总体特点，本文重点分析了横切面上管孔、树脂道，弦切面上木射线形态特征。管孔在环孔材、散孔材、半环孔材中大小各有不同变化。弦切面上木射线与轴向薄壁组织形状、大小均不相同；横切面上树脂道不具有光滑的细胞边缘，分布密度远低于管孔。 为实现树种类型的判别，首次提出用数学形态学分割法分割木材组织构造图像中的各种类型组织分割出来，结合数学形态学和代数运算法第一次实现了弦切面上木射线的图像分割。以“圆”作为形态结构元素，开运算法能较好地分割出管孔。木射线的分割较为复杂，需要针对具体图像选用不同的参数及方法来实现。 基于分割图像，提取了图像中管孔的形态因子、组织比量、尺寸因子、密度分布等，使构造特征数字化，为实现木材树种图像识别奠定基础。 基于上述提取出的特征，探讨识别木材的算法，结果表明，统计分类法具有较好的树种类型判别效果。在统计分类法中，采用方差分析法分析管孔的面积变异系数。环孔材与散孔材管孔面积变异系数具有显着差别，环孔材面积变异系数均在0.1以上，散孔材面积变异系数均低于0.1，半环孔材面积变异系数居环孔材与散孔材之间。通过对组织比、面积变异系数，管孔分布密度等特征参数学习、训练，建立了针叶材、阔叶材，阔叶材环孔材、半环孔材(半散孔材)、散孔材四种木材树种类型的判别算法。 基于上述理论和分割识别算法，初步建立了基于Matlab语言的木材组织构造图像处理系统，第一次使图像处理与图像识别在同一系统中实现。系统具有对输入原始图像进行图像处理、特征参数自动提取及树种类型判别功能，同时该系统还具有某些树种的信息查询功能，如基本信息、宏、微观构造特征和叁切面显微图像等。系统运行效果良好。
梁勇[6]2010年在《基于GLCM木材树种识别方法的研究》文中认为本文通过对国内外的数字图像处理技术在木材科学中研究以及对不同的识别技术的发展状况的分析,试验研究了基于木材灰度共生矩阵(GLCM)的数字化图像处理的方法,探讨了基于木材灰度特征进行木材树种识别的可行性。不同树种的细胞类型、大小、排列、多少和壁腔比等都是不同的,这就导致了木材组织图像的灰度特征也不尽相同。在试验分析不同组织构造对木材灰度影响的基础上,针对灰度共生矩阵的特点,本文提取了木材横切面、弦切面上包括能量、熵、惯性矩、局部平稳性、相关等“纹理”特征(此“纹理”特征与木材纹理是两个不同的概念)。灰度共生矩阵参数由像素间距1到10进行讨论,结果表明像素间距越大,能量越小,熵越大,惯性矩越大,局部平稳性越小,相关越小。通过对不同像素间距的研究,找出了不同树种差异较大的像素间距。本文分析了针阔叶树材在“纹理”特征值上的变异性,讨论了不同类型阔叶树材在“纹理”特征值上的变异性,比较研究了不同树种间特征值间的差异,并据此建立了66个树种的木材灰度特征值的数据库。为了更好的研究木材“纹理”特征与木材组织构造的关系,本文对比研究了同种木材早晚材“纹理”特征值的差异性。通过二值化分析了木材的“胞壁率”、“壁腔比”,并分析了不同“胞壁率”、“壁腔比”的树种分布,通过比较表明阔叶树材的“胞壁率”较大。讨论了木材横切面上的“胞壁率”、“壁腔比”与木材“纹理”间参数的相关性。结果表明其相关性不大,说明了利用灰度来进行识别与传统的利用组织构造来识别有显着的不同。通过对木材数字图像“纹理”灰度特征的探讨,本文列举了图像识别的几种方法,本文利用最小差值法进行判别树种。根据所识别的木材的特征与数据库中的特征进行比较,得出最接近树种,并给出木材的横切面、径切面、弦切面叁切面图,识别模块同时给出了木材宏观特征和微观特征等基本信息。本文均利用Visual C++对程序进行实现。经过运行,结果表明,此方法可行。
陈丰农[7]2008年在《基于显微构造图像木材识别技术研究》文中提出木材识别经历了从宏观到微观识别的发展过程。宏观识别方法在生产实践中应用价值很大,但准确度较差,仅能鉴别属、类或者常见树种;微观识别用于宏观识别上难以识别的树种,准确度较高,但是需要丰富的木材知识,只有木材专家才能掌握,难以普及和广泛应用。为此,本论文拟基于木材显微构造图像,应用图像处理和模式识别技术探索一种新的智能木材识别方法。因为导管特征是阔叶材的最重要的识别特征之一,本文尝试仅仅利用导管的特征来识别树种。首先基于灰度形态学运算进行导管分割,并进行量化分析,研究发现不同的树种管孔有不同量化区间,从而可实现叁类管孔式的自动分类,并揭示了通过特征量化实现单一特征木材识别的可能性。
戴维[8]2011年在《基于纹理统计方法的木材类型识别研究》文中研究指明木材识别是以木材的纹理结构为主要依据,树种不同,纹理就不同。材质的差异直接关系到木材的经济价值和用途。然而纹理是木材表面的天然属性,结构精细复杂,若单纯依靠人工经验和知识来进行识别,很容易出现不能识别及误判的情况。所以,木材产业迫切需要一种能根据纹理对木材进行自动类型识别的设备。因此,对木材纹理进行研究,具有十分现实的意义。本文研究基于纹理统计方法的木材类型识别,为确立适合描述木材表面纹理灰度共生矩阵的构造方法,获取了样本库中6个不同树种纹理样本的14个GLCM特征参数,并结合木材自身的纹理特点,对特征参数随灰度共生矩阵的生长步长(像素间距)d、生长方向θ及图像灰度级g叁个构造因子的变化规律进行分析,确定在比例1：1的100*100木材图片情况下,为消除方向性的影响,灰度共生矩阵的生成方向θ取0°、45°、90°、135°四个方向的平均值,生成步长d为4,和灰度级g为128。为了从14个特征参数中选择出对类型识别最有效且数量最少的特征,本文采用“有记忆的模拟退火算法”作为搜索策略,将最近邻分类器的识别率作为特征参数子集的评价函数,提出一种基于改进的模拟退火算法的特征选择方法FS-ISA。结合相关数据分析,从14个特征参数中选取能量、熵、对比度、差异度、逆差距、方差6个组成最佳参数体系,对木材纹理进行类型识别。最后采用OpenCV库作为图像处理的工具,使用Visual C++作为开发工具,设计并实现了一个木材识别软件系统。通过将24个树种,480个样本图片进行特征参数求取分析,采用最近邻分类器和支持向量机分别进行分类验证,最终最近邻分类器的识别率能够达到91.7%。实验结果表明：按照上面描述的6个灰度共生矩阵特征参数进行木材纹理类型识别是有效的,可行的。
贾潇然, 刘迎涛[9]2009年在《树种识别技术的研究进展》文中研究表明介绍了传统的木材识别方法、计算机数据库检索方法、数字图像识别方法以及其他木材识别方法的新成果,阐述了基于数字图像的木材识别技术,并总结了木材识别理念的更新和进展。
高洁[10]2007年在《基于细胞特征的板材材种识别系统研究》文中进行了进一步梳理随着现代木材工业的发展，板材作为木材工业产品的基本形式，不同材种的板材的价格差距很大。正是由于目前珍贵稀有木材和普通木材的价格差距越来越大，在古代家具，仿古木材产品和乐器制造等领域出现了大量的仿制品，同时一些禁止砍伐的珍贵树种也大多混在一般树木中运输，这无疑给林业检查人员的识别工作增加了难度，只有准确识别珍贵野生树木，才能做到依法行政。因此在不破坏产品本身的前提下如何利用一点试件来精确识别材种，已经成为目前材种识别研究方向所要解决的问题。本文是黑龙江省攻关项目“板材材种识别数控设备与工艺研究(GC05A504)”的一部分。由于细胞作为木材重要的微观特征，板材端面细胞图像具有很多参数特征信息，因此提出了利用板材端面细胞的数学特征参数识别板材的理论，并对板材识别系统进行研究与开发。在图像采集过程中由于光线等问题，采集到的细胞图像存在大量噪声等干扰因素，本文针对这个问题，对细胞图像进行了预处理，之后再精确提取木材细胞图像中的每个细胞的面积、周长、圆形度叁个特征参数，利用以上叁个特征参数构造出10项判别参数。最后采用最小差值参数判别法来判别材种。通过大量试验，验证了该判别算法的可行性。同时引入数据库技术支持，建立板材样本端面细胞数学特征参数数据库进行统一管理。本论文采用Visual C++6.0程序设计语言，以模块化设计方法进行板材识别系统的设计，通过对5中板材切片样本进行测量建立了板材样本参数库，并对采集到的板材细胞实体图像样本进行实际检测，达到一定的识别要求，为板材识别提供了一个可行的方法。
参考文献：
[1]. 木材显微图像特征参数提取与树种判别方法研究[D]. 刘镇波. 东北林业大学. 2004
[2]. 木材横切面构造特征计算机视觉分析与树种分类识别研究[D]. 王秀华. 东北林业大学. 2005
[3]. 基于SEM显微图像的木材材种分类研究[D]. 朱佳. 浙江农林大学. 2014
[4]. 基于Structure5.0和SVM的木材微观图像特征与识别研究[D]. 王振柱. 内蒙古农业大学. 2016
[5]. 基于木材组织构造的数字图像处理系统研究[D]. 黄慧. 南京林业大学. 2006
[6]. 基于GLCM木材树种识别方法的研究[D]. 梁勇. 南京林业大学. 2010
[7]. 基于显微构造图像木材识别技术研究[D]. 陈丰农. 浙江林学院. 2008
[8]. 基于纹理统计方法的木材类型识别研究[D]. 戴维. 湖南大学. 2011
[9]. 树种识别技术的研究进展[J]. 贾潇然, 刘迎涛. 林业机械与木工设备. 2009
[10]. 基于细胞特征的板材材种识别系统研究[D]. 高洁. 东北林业大学. 2007