林啟招，孫永科，邱堅

(1.西南林業(yè)大學 材料科學與工程學院，云南 昆明650224；2.西南林業(yè)大學 大數(shù)據(jù)與智能工程學院，云南 昆明650224)

木材的紋理是木材缺陷判定和木材材種鑒定的一個重要依據(jù)，通過木材的紋理特征不僅可以判斷木材的缺陷，也可以通過木材紋理的分布特征對木材進行分類。目前，有些學者研究了利用支持向量機(SVM)技術(shù)識別木材，比如：劉瑞明等[1]提出的基于相關(guān)向量回歸方法可以檢測到木線條表面的點狀小缺陷，羅微等[2]用融入局部二值模式和方向梯度直方圖的SVM對缺陷木材進行分類，張召等[3]利用SVM技術(shù)在實驗中已經(jīng)能夠識別出木材的缺陷。汪杭軍[4]利用Gabor小波和Greedy Sort Search(GSS)特征選擇算法對木材體視圖進行了自動分類研究，向東等[5-6]提出了基于LBP - ADABOOST 模型木材紋理分類方法。近年有較多學者提出了基于深度學習來識別木材缺陷[7-10]，也有研究用深度置信網(wǎng)絡(luò)識別木材缺陷及紋理的[11]。這些方法在提取木材紋理時都取得比較好的效果，但是他們都使用分類器來對訓練樣本進行總體學習，得到一個分類器，最后使用分類器來判斷木材的缺陷或者種類。這些算法在進行判定時，使用木材圖像作為輸入，直接進行數(shù)據(jù)的判定，輸入的數(shù)據(jù)中不僅包含木材紋理信息還包含木材本身的顏色信息，因為算法本身的限制，提取的木紋不完全，不準確。一些木材底色信息參與計算后將嚴重干擾分類器的分類效果，降低識別的正確性。如果能夠?qū)D像中的木材紋理單獨提取出來，將會大大增加木材缺陷檢查和分類的準確性。

紅木木材屬于珍稀名貴木材，快速檢測紅木技術(shù)在森林檢查和海關(guān)查驗中具有很重要的應(yīng)用價值。有別于劉嘉新等[12]提出的重構(gòu)缺陷原木圖像的算法，本文提出了一種基于顏色空間的木紋紋路提取技術(shù)，能夠提取連續(xù)的木材紋路。經(jīng)實驗證明，該方法能夠快速地提取紅木的紋理，提取的木材紋理連續(xù)，正確率高。為實現(xiàn)木材材種的快速鑒定提供了基礎(chǔ)方法。

1 算法介紹

紅木紋理檢測算法的計算包括讀取RGB彩色圖像、亮度補償處理、顏色空間轉(zhuǎn)換、紋理檢測4個步驟。

顏色是木材紋理判定的一個重要信息，因此在輸入時要求使用RGB圖像。普通圖片直接讀取的顏色值都存在一定誤差，因此需要對其進行顏色補償處理，REIN-LIEN HSU等[13]在實驗中發(fā)現(xiàn)，使用0.95做為顏色的gamma修正系數(shù)分別對每一個像素點的RGB值進行補償處理操作，可以提高特定顏色的提取正確率。經(jīng)試驗發(fā)現(xiàn)gamma修正同樣可以提高木材紋理的識別效果，見圖1和圖2。

(a)原始圖像 (b)提取的紋理 (c)提取的底色

(a)原始圖像 (b)提取的紋理 (c)提取的底色

圖1(a)使用放大200倍的木材橫截面圖像；圖1(b)是使用Y和Cb分割后得到的紋理信息；圖1(c)是分割后得到的底色圖像。圖2(a)是木材橫截面原圖，圖2(b)是未經(jīng)gamma修正提取的紋路圖像。對比圖1和圖2可以發(fā)現(xiàn)，圖1(b)中的提取的紋路連續(xù)、清晰，圖2(b)中提取的紋理線條模糊。實驗結(jié)果說明gamma修正有助于提高木材紋理的提取效果。

木材紋理提取需要選擇一個合適的顏色空間對紋理和底色進行分類，實驗發(fā)現(xiàn)RGB顏色空間不適合用來進行特征的分類[13-15]。基于Rein-Lien Hsu的研究基礎(chǔ)，實驗采用YCbCr顏色空間進行木材紋理提取，取得了很好的實驗效果。

YCbCr是一種色彩空間。Y為顏色的亮度(luminance)成分、而Cb和Cr則為藍色和紅色的濃度偏移量成份。紅木的紋理在Cb和Cr上的分布具有一定的規(guī)律，因此使用YCbCr顏色空間可以容易地提取木材的紋理圖像。通常計算機中存儲的圖片多數(shù)是RGB圖像，為了便于特征提取，首先要把RGB圖像轉(zhuǎn)換為YCbCr圖像，本文使用公式(1)進行顏色空間轉(zhuǎn)換。

(1)

1.1 紋理分布特征

圖3 木材紋理顏色空間分布

實驗選擇了大約700張紅木的橫切面圖片，人工提取了木材紋理。將木材的紋理顏色和底色分布到Y(jié)-Cb-Cr空間，效果如圖3。

圖3中Red所指向的連續(xù)區(qū)域是木材底色紅色在Y-Cb-Cr空間上的分布，Green所指向的連續(xù)區(qū)域是木材紋理綠色在Y-Cb-Cr顏色空間上的分布。由圖3可以看出，Red指向的紅色樣點和Green所指向的綠色樣點沒有重疊，存在一個空間平面可以有效地把Red指向的紅色區(qū)域和Green所指向綠色區(qū)域分割開來。實驗時，木材圖片使用放大鏡拍攝，拍攝時有補光處理，外界光源的干擾較少。同種木材的顏色基本保持相

同的顏色分布，具有一定的穩(wěn)定性。所以可以直接使用原始的YCbCr顏色數(shù)值進行分類處理。

1.2 特征區(qū)域定位

在圖3中存在一個分割平面能夠把底色和紋理分割開來。因此找出分割平面就可以順利地把木材的紋理提取出來。根據(jù)空間平面的定義知道，在Y-Cb-Cr三維空間中，只要能夠找到分割平面上的任意三個點坐標，就可以求出方程。

設(shè)該分割平面上不共線的三點分別為M1(x1,y1,z1)，M2(x2,y2,z2)，M3(x3,y3,z3)，其中xi為Y(luminance)的取值，yi為Cb的取值，zi為Cr的取值。則平面的方程可以表示為式(2)：

(2)

式(2)轉(zhuǎn)換后得到式(3):

(3)

通過實驗，求得M1(44, 130, 79) ，M2(111, 149, 94)，M3(174, 116, 151)。帶入式(3)后得到式(4)。

(4)

式(4)整理后得到的平面方程如下：

1860x+2792y+52z-573420=0

(5)

利用式(5)，依次把圖片中每個像素的YCbCr值帶入公式進行計算，如果計算結(jié)果大于0，則把該像素歸類到木材的底色，如果計算結(jié)果小于0，則把該像素歸類到木材的紋理。如果等于0，可以選擇丟棄該像素點。

2 實驗結(jié)果

實驗選擇6種珍貴的檀木進行測試，每種檀木取不少于100張圖片，共計630張木材的橫截面圖片。首先使用本文的算法提取木材圖像中的紋理，然后人工檢查處理結(jié)果的正確性。檢查的2個指標分別是提取率和連續(xù)性。提取率主要觀察圖像中的紋理被正確提取出來的比率，提取率越高得分越高；連續(xù)性主要考察提取的木材紋理是否連續(xù)，連續(xù)性越好說明效果越好。表1中，使用“+”表示觀察的結(jié)果，符號“+” 越多，表示識別的效果越好。

表1 實驗樣本

表1中的提取率和連續(xù)性最好的計3個“+”符號。其中樣本4(刀狀黑黃檀)的識別效果如圖4所示，圖4(a) 是刀狀黑黃檀的原圖，圖4(b)是提取的紋理效果，圖4(c)是木材的底色。圖4(b)中的紋理提取率高，且連續(xù)性好，可以從圖中明顯觀察出紋理的走向和分布，所以提取率和連續(xù)性都記為“+++”。 樣本5(白花崖豆木)的木材紋理提取率也較高，如圖5所示，識別效果也記為“+++”。

圖4 刀狀黃檀紋理提取

圖5 白花崖豆木紋理提取

3 結(jié)果分析

使用150倍的電子放大鏡拍攝木材的橫截面，拍攝時使用補光燈。實驗樣本共取自6個樹種，共計拍攝圖片約630張，總體識別效果較好，部分樣本的準確率可以達到人工提取的效果，提取準確率接近100%。

也存在一些樣本識別效果不理想的情況，因此少數(shù)樣本的底色和紋理的顏色非常相似，提取的木材紋理零散且連續(xù)性差。實驗表明：前景色與背景色差異越大，提取的效果越好，差異越小，提取的效果越差。

該方法不僅能夠識別木材紋理的邊界，而且能夠提取連續(xù)的區(qū)域。傳統(tǒng)的圖像紋理提取技術(shù)多數(shù)采用偏微分技術(shù)，如canny紋理提取技術(shù)，可以提取紋理的邊緣線條，但是無法提取完整的紋理信息。與canny算法相比，本文提出的方法可以提取連續(xù)的成片區(qū)域，提取的信息量更全面，對于一些特定的木材材種識別效果非常好，在珍稀名貴木材的圖像鑒別中具有較高的應(yīng)用價值。