?

基于奇異值分解的木材細胞切片識別算法*

孫永科1，曹涌1，熊飛1，邱堅2

(1.西南林業(yè)大學(xué) 計算機與信息學(xué)院，云南昆明650224；2.西南林業(yè)大學(xué) 材料工程學(xué)院，云南昆明650224)

摘要：木材細胞切片識別需要對圖片進行降維處理，提取最大特征數(shù)據(jù)來進行識別。相似度高的切片由于它們的最大特征的范數(shù)相近，所以很難區(qū)分。針對這種情況，提出了一種基于RealAdaBoost+SVD-n的細胞切片識別算法，該算法首先計算切片圖像的奇異值，將奇異值按從大到小的順序排列，然后去掉前n項較大的值，使用剩余項作為圖片特征，利用RealAdaBoost分類器進行訓(xùn)練和測試。實驗結(jié)果表明，該方法不僅能夠識別差異較大的木材切片，而且還能夠很好地區(qū)分較為相似的細胞切片，該識別算法具有很好的魯棒性。

關(guān)鍵詞：木材識別；奇異值；細胞切片；AdaBoost

木材的識別技術(shù)在生產(chǎn)生活中經(jīng)常使用且具有重要的意義。首先，木材材種的快速有效鑒別方法可以幫助有關(guān)部門及時查處非法交易的珍貴木材資源，有保護資源的作用。其次，還可以對從國外進口的各種物品的木質(zhì)包裝進行檢測，防止非法木質(zhì)材料以及木材上帶有的有害物種進入中國。最后也可以用在木質(zhì)家具市場中，用來鑒別家具的真實材料。

傳統(tǒng)的木材識別技術(shù)需要較長的鑒別時間，而木材的快速識別技術(shù)，目前的研究成果主要有3種：第一種是基于宏觀的木紋識別，第二種是基于DNA技術(shù)的木材識別，第三種是基于微觀的細胞切片木材識別?；诤暧^的木紋識別技術(shù)主要依靠個人的經(jīng)驗，準(zhǔn)確率不高；基于DNA的木材識別技術(shù)雖然準(zhǔn)確率很高，但是成本高，周期長；基于微觀的細胞切片的木材識別技術(shù)，識別的速度快，費用低，適合目前的需求。如果將第三種木材識別技術(shù)和計算機相結(jié)合，將大大提高識別效率，降低費用。

謝沛宏等通過分析木材切片的管孔特征來識別木材[1]，方益明等采用基于傅里葉變換和獨立成分分析技術(shù)對木材進行識別[2]，劉子豪等采用KPCA+gentleAdaBoost的方法對木材細胞切片進行識別[3～4]，這些方法都取得了較好的效果。

近些年來由于人臉識別技術(shù)的不斷提高，奇異值分解越來越廣泛地應(yīng)用到人臉的識別系統(tǒng)中，并且取得了非常好的效果[5]，結(jié)合特征值降維方法[6]，可以有效地提高計算的速度。將這些算法應(yīng)用在材種切片細胞圖片的識別中，也取得較好的識別效果。通過實驗發(fā)現(xiàn)，使用SVD+AdaBoost的識別效果優(yōu)于使用PCA/KPCA+AdaBoost的識別效果，在材種圖片比較相似的時候，SVD、PCA、KPCA提取的主要特征值都有很大的相似性，區(qū)分度不高。本研究提出了一種基于奇異值分解的木材切片識別算法，該算法去掉了相似度最為接近的幾個主要特征值，在剩余的次要特征值中重新選擇若干主要特征進行識別，算法能夠?qū)D片進行降維處理而且具有很好的魯棒性。通過使用不同的分類器和特征值進行對比實驗，結(jié)果表明，本研究提出的方法識別率較高，可以對木材切片進行較為準(zhǔn)確的分類。

1特征值識別算法比較和分析

實驗使用的數(shù)據(jù)來自中國國家林業(yè)科學(xué)數(shù)據(jù)網(wǎng)站，該網(wǎng)站共有178個材種標(biāo)本的橫截面細胞切片，圖片共計826張。實驗選取數(shù)據(jù)庫中具有代表性的10個材種作為實驗樣本，樣本的材種名稱(編號)為，楓香樹(1)、楓楊(2)、核桃(3)、紅樺(4)、黃榿(5)、苦梓含笑(6)、榕樹(7)、三秋懸鈴木(8)、榆樹(9)、云南黃杞(10)。為了和文獻[3]中的方法進行對比，特征值算法選取奇異值PCA和KPCA，分類器選取SVM和AdaBoost，在matlab中，使用不同的組合進行訓(xùn)練和測試。

1.1SVM+SVD/PCA/KPCA

使用SVM分類器對SVD、PCA和KPCA進行分類。SVM分類器使用C-SVC多分類參數(shù)，核函數(shù)使用polynomial，其表達式為(gamma*u′*v+coef0)^degree，degree=3。實驗圖片取2/3作為訓(xùn)練數(shù)據(jù)，1/3用來進行測試。實驗選取特征值的前n項作為訓(xùn)練和和測試的數(shù)據(jù)。當(dāng)n取不同的值時系統(tǒng)的平均識別率見圖1。

a1b1c1a2b2c2

圖1SVM算法中前n項特征識別率

Fig.1Firstnrecognition rate of SVM

在圖1中橫坐標(biāo)表示n的取值，縱坐標(biāo)表示識別的正確率。從圖1中可以看出,隨著n取值的增大，識別的正確率慢慢收斂于某一個定值。 SVM+PCA的識別率最穩(wěn)定，SVM+KPCA的識別率為零，SVM+SVD的識別率在n取值較小的情況下最高。

根據(jù)圖1中SVD的正確率分布，挑選前25項最大值，對圖像進行反向還原，其效果見圖2。

a1b1c1a2b2c2

圖2SVD最大特征值還原效果

Fig.2Image reconstruct with max number of SVD

從還原的結(jié)果可以明顯看出，前25項最大特征值已經(jīng)包含了原圖的主要特征，因此實驗選擇特征值的前25項進行訓(xùn)練和測試，分別以每一類材種作為測試樣本，其他作為訓(xùn)練數(shù)據(jù)，經(jīng)過10次實驗，測試的結(jié)果如圖3所示。圖3(a)中的橫坐標(biāo)代表10個不同的材種，縱坐標(biāo)表示材種的最大識別率，圖3(b)中的橫坐標(biāo)代表10個不同的材種，縱坐標(biāo)表示識別率的方差。

從圖3中發(fā)現(xiàn)，使用SVM分類器時，系統(tǒng)的識別正確率非常不穩(wěn)定，同一材種因標(biāo)本不同其識別率存在較大的差異，這意味著模型對沒有參與訓(xùn)練的圖片很難正確識別。

(a)最大識別率(b)識別率方差

圖3SVM實驗結(jié)果

Fig.3Experiment result of SVM

1.2AdaBoost+SVD/PCA/KPCA

AdaBoost算法使用sprtools工具箱中的RealAdaBoost進行訓(xùn)練，參數(shù)weak_linear參數(shù)設(shè)置為3。使用classify函數(shù)進行分類測試。實驗取1/2作為訓(xùn)練正樣本，其他材種的圖片作為負樣本，經(jīng)過多次試驗后，統(tǒng)計數(shù)據(jù)結(jié)果見圖4。

在圖4中，橫坐標(biāo)都代表測試的材種，圖4(a)中的縱坐標(biāo)表示材種的平均識別正確率，圖4(b)中的縱坐標(biāo)表示識別率的方差。實驗結(jié)果表明，在RealAdaBoost分類器中使用PCA作為特征值與使用KPCA作為特征值的分類效果一樣，使用SVD作為特征值的分類效果較差。采用SVD特征值的識別時，個別材種很難被正確識別，但是采用SVD特征值時的總體效果優(yōu)于其他方案。

(a)平均識別率(b)識別率方差

圖4RealAdaBoost訓(xùn)練結(jié)果

Fig.4Training result of RealAdaBoost

在選擇分類器時，使用RealAdaBoost分類器的整體識別效果優(yōu)于使用SVM分類器。對于較為相似的圖像，兩者的識別率都較低。

1.3RealAdaBoost+SVD-n

通過對個別識別率較低的材種進行觀察發(fā)現(xiàn)，導(dǎo)致識別率低的主要原因是由于材種的細胞橫切面圖片比較相似，由此產(chǎn)生的特征值比較相近，因此導(dǎo)致識別錯誤。

通過觀察特征值的分布規(guī)律，發(fā)現(xiàn)特征的最大項主要集中在前2項，在相似的圖片中2項的值極為相似，而且占的比重較大。后面的n項數(shù)據(jù)雖然很小，但是差異較大。因此，第三個實驗方案選擇使用Adaboost分類器和去掉前n項的特征值作為訓(xùn)練數(shù)據(jù)。為了提高系統(tǒng)的穩(wěn)定性，本實驗使用多次實驗的最小識別率作為衡量標(biāo)準(zhǔn)。由于當(dāng)n>3時，系統(tǒng)的迭代次數(shù)過多，所以此處只討論n=1,2,3的情況。

(a)SVD-n(b)PCA-n(c)KPCA-n

圖5去掉前n項的最小識別率

Fig.5Minimum recognition rate without first n

圖5中的橫坐標(biāo)代表10種不同的木材，縱坐標(biāo)表示識別的最小正確率，三條線分別表示當(dāng)n=1，2，3時的識別效果。圖5(a)表示使用去掉前n項SVD最大值的識別率分布，可以看出隨著n的增大，個別材種的識別準(zhǔn)確率在不斷提高，圖5(b)中個別材種的識別率隨著n的增加也在不斷提高，圖5(c)中去掉前2項和去掉前3項的識別率是一樣的。由此可見在n=2時，這些材種的識別率最好。

2實驗結(jié)果

實驗1.1的結(jié)果表明該方法因材種的不同其識別的準(zhǔn)確率和穩(wěn)定性存在較大的差異。圖6(a)是不同材種在多次實驗時的最低識別率統(tǒng)計，圖6(b)是最大識別率統(tǒng)計圖，表1是實驗結(jié)果的具體數(shù)據(jù)，表格中的第一列表示特征值的種類，第二列n表示特征值去掉前n項。實驗數(shù)據(jù)表明所有的實驗對象幾乎都存在無法識別的情況。

(a)最小識別率(b)最大識別率

圖6　SVM+SVD實驗結(jié)果

注：“-”表示值為0。

表2是最小識別率的統(tǒng)計。表2數(shù)據(jù)表明大部分的測試樣本都能被完全識別，在使用SVD作為特征值的情況下，當(dāng)n=0時，2號樣本無法被識別，其他樣本都可以被準(zhǔn)確識別和區(qū)分，當(dāng)n增大時，2號樣本的識別率提高到100 %，但是10號樣本的識別率有所降低。實驗數(shù)據(jù)表明，隨著n的變化個別材種的識別率會發(fā)生變化，但總體識別率隨著n的增加而提高；使用PCA作為特征值時，識別率與n之間的關(guān)系不明顯并且平均識別率低于使用SVD的識別方法；使用KPCA作為特征值的識別方法，識別率雖然隨著n的增加也呈上升趨勢，但是識別效果不如使用SVD時明顯。

結(jié)合表1和表2可知，當(dāng)n=3時，系統(tǒng)的總體識別效果最好，說明在這幾組實驗中RealAdaBoost + SVD-3的實驗方案識別效果最好。

表2　RealAdaBoost最小識別率統(tǒng)計

注：“+”表示值為1。

3結(jié)論

木材識別計算機化不僅可以提高識別效率，而且能夠降低識別成本。木材細胞切片識別是木材識別領(lǐng)域的研究熱點，研究木材圖像的計算機識別方法具有重要意義。本研究提出了一種基于RealAdaBoost+SVD-n的木材識別算法，該算法的識別率較高，穩(wěn)定性好。通過實驗對比分析，可以得到以下結(jié)論：

(1)木材細胞圖片的奇異值最大的一些值代表圖像的主要特征，細胞切片越相似，主要特征值越接近。

(2)奇異值中次要特征值中最大的一些值能夠體現(xiàn)細節(jié)信息，可以用來區(qū)分較為相似的圖片。

(3)RealAdaBoost分類器的分類效果優(yōu)于SVM分類器。

該算法在《海門口遺址木質(zhì)文物保護關(guān)鍵技術(shù)研究與應(yīng)用》項目中已經(jīng)應(yīng)用,并取得了較好的效果。

參考文獻：

[1]謝沛宏，陳華，徐峰,等.基于管孔特征的木材樹種圖像識別[J].廣西科學(xué)院學(xué)報，2011，27(4)：323-325.

[2]方益明，鄭紅平，馮海林.基于傅里葉變換和獨立成分分析的木材顯微圖像特征提取與識別[J].浙江林學(xué)院學(xué)報，2010，27(6)：826-830.

[3]劉子豪，祁亨年，張廣群，等.基于橫切面微觀構(gòu)造圖像的木材識別方法[J].林業(yè)科學(xué)，2013，49(11)：116-121.

[4]徐劍，張洪偉.Adaboost算法分類器的設(shè)計與應(yīng)用[J].四川理工學(xué)院學(xué)報(自然科學(xué)版)，2014,21(27):28-31.

[5]李曉東，基于子空間和流行學(xué)習(xí)的人臉識別算法研究[M].濟南：山東人民出版社，2013.

[6]Klema V C.The singular value deeomposition:Its computation and some application[J].IEEE Transactions on Automatic Control,1980,25:164-176.

The Recognize Algorithm of Wood Cell Section Based on

Singular Value Decomposition

Sun Yong-ke1，Cao Yong1，Xiong Fei1，Qiu Jian2

(1.School of Computer and Information Science, Southwest Forestry University， Kunming Yunnan 650224，P.R.China；

2.School of materials engineering, Southwest Forestry University， Kunming Yunnan 650224，P.R.China)

Abstract:For recognizing wood cell section images, dimension reduction should be made to extract the major characteristic data.Since the similar the cell images the closer eigen values of the norms, small images could hardly be identified.For this reason, an improved cell section identification method based on RealAdaBoost + SVD-n was suggested.Firstly, singular values of cell section image was calculated and it was arranged from big to small.Then the top n singular values was removed, and the remains was used as image characteristics for testing by RealAdaBoost.The results showed that this method could not only recognize the wood cell section images with great differences but also could well distinguish similar cell section images.This recognize algorithm showed good robustness.

Key words:wood recognition；singular value decomposition； cell section；AdaBoost

中圖分類號：TP 391.41

文獻標(biāo)識碼：A

文章編號：1672-8246(2015)06-0077-05

通訊作者簡介：邱堅(1965-)，男，教授，博士，主要從事木材科學(xué)研究。E-mail：13759512363@qq.com

作者簡介：第一孫永科(1980-),男，講師，碩士，主要從事計算機圖形圖像研究。E-mail：Sunyongke@swfu.edu.cn

基金項目：云南省社會發(fā)展科技計劃(2011CA020)，云南省教育廳科學(xué)研究基金項目(2014Y323)。

收稿日期：*2015-05-17

doi10.16473/j.cnki.xblykx1972.2015.06.016