白雪冰，林 鑫*，竇延光，武云鵬

(1.東北林業(yè)大學(xué) 機電工程學(xué)院，黑龍江 哈爾濱 150040；2.陜西省林產(chǎn)品質(zhì)檢與產(chǎn)業(yè)服務(wù)保障中心，陜西 西安 710082)

在眾多的板材品質(zhì)評價指標(biāo)當(dāng)中，最直觀的當(dāng)屬木材表面紋理，所以運用合適的方法對木材表面的特征進行描述，成為木材學(xué)領(lǐng)域爭相研究的熱點。目前有關(guān)木材表面相關(guān)參數(shù)的測評多是通過人為觀察以及相關(guān)儀器測量，造成了效率不高、精度差的問題，難以滿足人們對板材表面參數(shù)的一致性要求。本研究在總結(jié)以往學(xué)術(shù)研究的基礎(chǔ)上，運用圖像處理和模式識別的理論知識，研究適用于板材表面紋理特征描述及其分類的方法，對于木材識別分類具有重要的意義和應(yīng)用價值[1-3]。

1 材料與方法

1.1 試驗樣本

研究對象選取中國東北部常見的紅松、落葉松、白樺、水曲柳和柞木等5種樹種，其中紅松、落葉松歸類于針葉材類，白樺、水曲柳和柞木歸類于闊葉材類。對上述5種木材進行徑切向和弦切向2個方向的切割制作，使用掃描儀對切割件進行掃描。在制作樣本庫的環(huán)節(jié)生成了上述5種木材徑切面及弦切面共10類圖像，每類圖像數(shù)量為100幅，共計1 000幅樣本圖像，樣本圖像存儲為BMP格式，像素大小為512×512。由于篇幅有限，每類樣本僅列出1個圖像作為代表(圖1)。

圖1 板材試驗樣本

樣本庫建立完成，共有10類紋理圖像共計1 000幅。將其劃分為2個部分：第1部分，從每類圖像中隨機抽取80幅，10類樣本共抽取800幅木材紋理圖像作為本試驗的訓(xùn)練集合；第2部分，從每類樣本中抽取剩余的20幅圖像，10類樣本共抽取200幅木材紋理圖像作為本試驗的測試集合。訓(xùn)練集合用來建立板材表面紋理特征參數(shù)體系，測試集合則用來驗證所建立的參數(shù)體系的有效性。

1.2 Gabor濾波

Gabor濾波器的紋理分析方法屬于頻譜法類別中的一種，對于二維數(shù)字圖像的紋理分析一般采用二維Gabor濾波器對其進行特征的提取[4]。該方法的運作機理與人類視覺系統(tǒng)對圖像的感知過程十分相近，因此非常適合用來對紋理進行判別和分析，同時Gabor濾波器還有著出色的方向選擇性和空間局部性，能夠描述樣本圖像處于特定頻率和方向時的紋理特征[5-8]。

二維Gabor濾波器可以表示為[9]：

(1)

(2)

式中，σx、σy代表高斯函數(shù)在x、y方向上的標(biāo)準(zhǔn)差；f代表濾波器的頻率；θ代表濾波器的方向。

將上述濾波器的定義式分為實部和虛部2個函數(shù)[10-12]：

(3)

(4)

1.3 Tamura紋理特征

Tamura等[13]在人對紋理視覺感知的心理學(xué)方面進行了深入研究，提出了以粗糙度、方向度、對比度、規(guī)整度、線性度和粗略度6個特征來表征紋理的特性。

1.3.1 粗糙度 圖像的紋理粗糙程度實際上與紋元的尺寸、重復(fù)頻率有關(guān)，其計算方法首先在圖像上2k×2k大小的活動窗口中計算每個像素點的平均強度值，數(shù)學(xué)表達式如下：

(5)

式中，k=0,1,...,5；g(i,j)代表位于該處的灰度值。

再對每個像素水平和垂直方向上互不重疊的活動窗口之間的平均強度差進行計算，計算公式如下：

(6)

式中，Ek,h表示每個像素水平方向上的平均強度差，Ek,v表示每個像素垂直方向上的平均強度差。最佳尺寸Sbest(x,y)=2k，對其求平均值即可得到粗糙度，表達式如下：

(7)

式中，m代表圖像長度，n代表圖像寬度。

1.3.2 對比度 對比度表征了一幅圖像灰度反差的程度，其表達式如下：

(8)

式中，μ4代表四階矩均值，σ2代表方差?？傻茫?/p>

(9)

式中，σ代表圖像的灰度標(biāo)準(zhǔn)差，α4代表圖像的灰度值峰態(tài)。

1.3.3 方向度 方向度表征了圖像紋理的散布或集中方向，首先對像素點所在位置的梯度向量的模和局部邊緣方向進行計算，計算公式如下[14]：

(10)

式中，ΔH、ΔV分別代表紋理圖像與下列2個3×3模板卷積得出的水平方向上和垂直方向上梯度向量的變化量。

使用直方圖HD表示θ的值為：

(11)

圖像紋理的方向度則可以通過對直方圖峰值尖銳程度的計算得出，表達式如下：

(12)

式中，p代表直方圖的峰值，np代表直方圖峰值的數(shù)量，wp代表某個峰值所包含的量化區(qū)間，φp代表最高值的離散區(qū)域。

1.3.4 線性度 線性度的表達式如下：

(13)

式中，PDd代表n×n局部方向的共生矩陣距離點[15]。

1.3.5 規(guī)整度 規(guī)整度的表達式如下：

Freg=1-r(σcrs+σcon+σdir+σlin)

(14)

式中，r代表歸一化因子，σcrs、σcon、σdir、σlin分別代表Fcrs、Fcon、Fdir、Flin的標(biāo)準(zhǔn)差。

1.3.6 粗略度 粗略度的表達式如下：

Frgh=Fcrs+Fcon

(15)

2 結(jié)果與分析

2.1 Tamura紋理特征參數(shù)的獲取

對樣本庫所含的10類板材表面紋理圖像，分別求取其粗糙度、方向度、對比度、規(guī)整度、線性度和粗略度等6個特征值。樣本庫共10類板材表面紋理圖像的Tamura紋理特征參數(shù)如表1所示，每類樣本僅羅列1組數(shù)據(jù)。

表1 Tamura紋理特征參數(shù)

2.2 Gabor-Tamura紋理特征參數(shù)的獲取

本試驗在具有奇對稱性并可以邊緣檢測的Gabor濾波器虛部卷積圖像中提取Tamura紋理特征。設(shè)定濾波器的尺度參數(shù)與頻率成反比，窗口長寬比為1。考慮到虛部濾波器具有奇對稱性，同時借鑒神經(jīng)生理學(xué)的相關(guān)研究，本試驗選取θ=0°,45°,90°,135°，f=0.25,0.167,0.125,0.062 5,0.041 7,0.031 25，4個方向、6個頻率共計24個Gabor濾波器對樣本庫的圖像進行濾波，在每個濾波圖像上提取粗糙度、方向度、對比度、線性度、規(guī)整度、粗略度等6類Tamura紋理特征，得到1幅板材圖像的144維特征向量。

受篇幅限制，僅從白樺徑切與白樺弦切樣本中抽取1個紋理圖像作為代表，展示該圖像在θ=0°，f=0.25時的板材表面紋理濾波圖像(圖2)。

圖2 白樺徑切與白樺弦切樣本圖及其灰度化圖像、Gabor濾波器虛部卷積

樣本庫共10類板材表面紋理圖像，僅從白樺徑切與白樺弦切樣本中抽取1個紋理圖像作為代表，羅列該圖像在f=0.25，θ=0°,45°,90°,135°時濾波圖像的粗糙度、方向度、對比度、線性度、規(guī)整度、粗略度等6類Tamura紋理特征值(表2)。

表2 Gabor-Tamura紋理特征參數(shù)

2.3 不同分類器的分類試驗

將Tamura紋理特征與Gabor-Tamura紋理特征，送入BP神經(jīng)網(wǎng)絡(luò)、K最近鄰、以徑向基函數(shù)(Radial Basis Function)為核函數(shù)的支持向量機這3種分類器中進行分類[16-17]，各類方法的識別情況如表3、表4所示。

本研究基于Tamura紋理特征及Gabor濾波器虛部卷積圖像中提取的Tamura紋理特征分別進行了分類試驗。如表3所示，Tamura紋理特征參數(shù)作為輸入時，紅松、落葉松樣本圖像在BP(lm)神經(jīng)網(wǎng)絡(luò)、BP(br)神經(jīng)網(wǎng)絡(luò)、K近鄰及SVM這4種分類器中得到的平均分類識別率為87.1%，白樺、水曲柳與柞木樣本圖像的平均分類識別率為89.3%。如表4所示，Gabor-Tamura紋理特征參數(shù)作為輸入時，紅松、落葉松樣本圖像在BP(lm)神經(jīng)網(wǎng)絡(luò)、BP(br)神經(jīng)網(wǎng)絡(luò)、K近鄰及SVM這4種分類器中得到的平均分類識別率為96.0%，白樺、水曲柳與柞木樣本圖像的平均分類識別率為96.7%。比較得知，闊葉材樣本圖像相比針葉材在本研究的分類試驗中能夠得到更好的識別效果。結(jié)合表3、表4進行分析，在本研究5類樹種的徑切、弦切共10類樣本圖像中，水曲柳弦切樣本圖像在任意特征參數(shù)體系和分類器的分類試驗中都能夠得到100%的識別率，相比其余9類樣本圖像具有最佳的識別效果。

表3 Tamura紋理特征在不同分類器下的分類情況

表4 Gabor-Tamura紋理特征在不同分類器下的分類情況

試驗結(jié)果表明，采用上述4種分類器對2種不同的特征參數(shù)體系進行分類識別，識別率均可達到85.1%以上；以Gabor-Tamura紋理特征參數(shù)送入分類器進行分類識別時，識別率可達到95.1%以上。因此得出結(jié)論，本研究所建立的特征參數(shù)體系能夠較好的描述板材表面紋理的特征，同時能夠有效地對板材進行識別分類。對各個分類器的性能比較可知，以RBF作為核函數(shù)的支持向量機分類器都得到了最優(yōu)結(jié)果，在Gabor濾波器虛部卷積圖像中提取Tamura特征的參數(shù)體系下進行分類，得到了本次試驗最高的識別率97.8%，這表明SVM分類器對板材表面圖像的分類比BP神經(jīng)網(wǎng)絡(luò)和KNN分類器具有更好的分類性能。

3 結(jié)論

本研究提出了一種基于多通道Gabor濾波和Tamura紋理特征的板材紋理特征提取方法，克服了傳統(tǒng)方法在提取樣本圖像的全局特征時對局部紋理特征不敏感的問題。該方法使用不同方向和尺度的Gabor濾波器組對預(yù)處理后的板材表面紋理圖像進行濾波，在全局濾波圖像上提取Tamura紋理特征值，生成能夠描述板材表面紋理特征的參數(shù)體系。本研究建立的特征參數(shù)體系，雖然在分類試驗中得到了很高的識別率，但在分類試驗的效率上還有待提高，同時本研究的研究對象局限于東北地區(qū)常見的5種樹種，對于實際生產(chǎn)實踐中其他木材的分析和探究也將是下一步研究的內(nèi)容。