依據(jù)彩色共生矩陣對木質板材的識別1)

王輝 李輝 陳立君

(盤錦職業(yè)技術學院,盤錦，124000) (東北林業(yè)大學)

隨著生活水平的逐步提高，人們對木質板材，特別是高檔木制品的需求與日劇增。由于名貴珍稀樹種板材與普通樹種板材存在較大價格差異，導致在家具、樂器等木制品生產領域出現(xiàn)了部分仿制品。此外，在木質板材的進出口貿易中或企業(yè)加工生產過程中，也常常需要對木質板材進行分類識別。顏色和紋理特征都是木質板材重要的天然屬性，它們直接影響木材制品的感觀效果和經(jīng)濟效益，同時可以作為區(qū)分不同樹種板材重要依據(jù)。與密度、強度等指標一樣，板材顏色和紋理已在木材質量檢驗工作中日益受到重視，例如很多國家已將它們作為評價木材品質和木材制品價值的重要衡量指標[1]。

在木質板材種類識別的眾多方法中，基于圖像處理與模式識別技術的方法，克服了傳統(tǒng)識別方法由人參與主觀描述的缺點，已經(jīng)成為木質板材識別的研究熱點。參考文獻[2]利用圖像紋理特征最大相似性完成了板材樹種檢索識別，但當被檢索的樣本圖像的紋理特征不明顯時,檢索的最終結果并不理想。文獻[3]—文獻[9]利用灰度共生矩陣、分形、高斯—馬爾可夫隨機場等紋理特征，對板材樹種進行了研究。文獻[10]和文獻[11]給出了幾種基于顏色特征木材的分級識別算法。以上研究均是單純依據(jù)紋理或顏色特征，而板材樹種識別應同時綜合分析板材的顏色和紋理特征，單純依據(jù)其中一個，勢必會造成信息損失，影響分類識別精度。因此，本文提出一種基于彩色灰度共生矩陣的板材樹種識別方法，并采用遺傳算法對特征參數(shù)進行特征選擇，消除特征參數(shù)間的冗余信息，獲得了滿意的木質板材分類識別精度。

1 彩色共生矩陣

1.1 灰度共生矩陣

灰度共生矩陣法是當前應用最廣泛的紋理分析方法之一，它本質上是以估計灰度圖像的二階組合條件概率密度函數(shù)為研究基礎[12-13]。它能夠描述在方向上，從圖像某個像素灰度值為i的像素(x,y)出發(fā)，統(tǒng)計與其距離為d，灰度值為j的像素(x+a,y+b)，同時出現(xiàn)的頻數(shù)P(i,j,d,θ)，可定義為：

P(i,j,d,θ)={[(x,y),(x+a,y+b)|f(x,y)=i；

f(x+a,y+b)=j]}。

(1)

其中，θ為灰度共生矩陣法的構成方向，可取θ=0°、45°、90°和135°等4個構成方向?；叶裙采仃嚹軌蚍从吵鰣D像灰度關于方向、變化幅度、相鄰間隔等圖像的綜合信息。Haralick et al.定義了14個灰度共生矩陣紋理特征參數(shù)(W1～W14)，依次為角二階矩、對比度、相關、熵、方差、均值和、方差和、逆差矩、差的方差、和熵、差熵、集群蔭、集群突出以及最大概率[14-15]。

1.2 彩色共生矩陣構造方法

一般來講，在彩色圖像分析中關于彩色和紋理的處理有兩種策略：分開策略與聯(lián)合策略。分開策略是指彩色和紋理被認為是獨立的圖像特征，從而可以分別從圖像中獲取灰度紋理特征參數(shù)和純彩色特征參數(shù)，這種方法將顏色和紋理孤立分析，勢必會造成信息損失。而聯(lián)合策略是指從某幅原始彩色圖像中獲得N幅偽灰度圖像，然后分別提取各偽灰度圖像的紋理特征參數(shù)，將從這些偽灰度圖像中提取出來的紋理特征作為原彩色圖像的紋理描述。目前，偽灰度圖像獲取方法主要有基于顏色相似性的推導法和直接法，所謂直接法是指將彩色圖像的色彩光譜頻道作為偽灰度圖像的方法。其中，直接法能最大限度保持原圖像的彩色紋理信息，被本研究所采用。

彩色共生矩陣具體構造方法如下。

(1)顏色空間選擇。顏色空間的建立和選擇對于獲取有效彩色特征來說至關重要，根據(jù)前期工作研究，色調(H)、飽和度(S)、明度(V)顏色空間是一個均勻顏色模型，模型中3個坐標是獨立的，可以獨立感知各顏色分量的變化，符合人眼對色彩的感知心理，適合區(qū)分不同樹種板材。

(2)將圖像從紅綠藍(Red-Green-Blue)顏色空間轉換到色調、飽和度、明度(Hue-Saturation-Value)顏色空間。

(3)在色調、飽和度、明度顏色空間各通道上構造共生矩陣，并獲取紋理特征參數(shù)。

把色調、飽和度、明度顏色空間的3個通道的圖像看作是原彩色圖像的3副偽灰度圖像，如圖1所示，其中由于H分量偽灰度圖像對比度低，為了便于觀察將其進行了對比度拉伸。之后，在3副偽灰度圖像上構造灰度共生矩陣，如圖2所示，并獲取紋理特征，依次標注為H_W1～H_W14、S_W1～S_W14、V_W1～V_W14(特征編號為1～42)，將它們組合在一起，形成彩色紋理特征矢量。

觀察色調、飽和度、明度3副偽灰度圖像的灰度共生矩陣法，不難發(fā)現(xiàn)，3個的灰度共生矩陣法主要信息都集中在對角線上，且為沿著對角線連續(xù)分布，表明本文所用彩色共生矩陣構造方法，能連續(xù)保留原有圖像的顏色和紋理信息，減少圖像信息損失。

2 實證分析

2.1 試驗樣本

本研究選用東北具有代表性的5個樹種木質板材為研究對象，包括紅松(Pinuskoraiensis)、白樺(Betulaplatyphylla)、落葉松(Larixgmelinii)、水曲柳(Fraxinusmandshurica)、柞木(Quercusmongolica)。其中，每個樹種包含弦切和徑切兩種切面樣本，即試驗樣本庫包含10類，共計1 000個實驗樣本(每類100個樣本)，圖像樣本分辨率為512×512，如圖2所示，其木質板材類別編號依次為類別1～10。

2.2 彩色共生矩陣特征獲取與特征選擇

本研究應用MATLAB2011a編制了彩色工程矩陣紋理獲取與基于遺傳算法特征選擇程序，獲取了10類木質板材圖像的色調、飽和度、明度的彩色共生矩陣42個特征參數(shù)，具體見圖3所示，受篇幅限制，列出12個特征參數(shù)W1～W12。

觀察圖3可見，彩色共生矩陣顏色空間3個通道的特征參數(shù)間與不同類別間均存在較大差異，能夠表達木質板材圖像豐富的顏色信息和紋理信息，同時也表明用其對木質板材進行分類識別是可行的。但由于特征向量維數(shù)較大，且特征參數(shù)間存在耦合相關性和冗余性，不利于進行分類識別。因此，本研究使用遺傳算法對42維紋理特征參數(shù)進行特征選擇，搜索過程如圖4所示。

特征搜索過程得到最優(yōu)特征矢量VT=[1,3,6,8,10,15,16,18,20,21,24,29,30,31,34,35,36,37,38,39,40,41]，即最優(yōu)特征矢量VT=[H_W1,H_W3,H_W6,H_W8,H_W10,S_W1,S_W2,S_W4,S_W6,S_W7,S_W10,V_W1,V_W2,V_W3,V_W6,V_W7,V_W8,V_W9,V_W10,V_W11,V_W12,V_W13]。

2.3 分類識別

概率神經(jīng)網(wǎng)絡(PNN)是一種適合于模式分類的徑向基函數(shù)網(wǎng)絡變形。它采用了多變量Parzen窗估算不同類別概率密度函數(shù)的方法，具有訓練速度快、收斂性優(yōu)、能產生貝葉斯后驗概率輸出以及結構固定等優(yōu)點[16-18]。

概率神經(jīng)網(wǎng)絡由輸入層、徑向基層和輸出層組成，其數(shù)學圖像處理網(wǎng)絡結構圖如圖5所示。

其中，N為輸入特征向量維數(shù)，Q為訓練樣本數(shù)，S為樣本的類別總數(shù)。

首先，計算輸入特征向量x與徑向基神經(jīng)元層權值IW11之間的距離，然后與閾值b1向量做乘法，經(jīng)過徑向傳遞函數(shù)得到了該層第i個節(jié)點的輸出向量a1。輸出層為線性傳遞函數(shù)，競爭變量代表競爭函數(shù)，其主要功能是尋找其輸入向量n2中各元素的最大值，并使與最大值相對應的神經(jīng)元輸出值等于1，而使得其他類別的神經(jīng)元的輸出為0，此時分類結果能夠達到最大正確概率a2。

與徑向基神經(jīng)網(wǎng)絡相同，分布密度函數(shù)能夠對PNN網(wǎng)絡的分類識別能力產生較大影響，分布密度函數(shù)的值越大，函數(shù)的擬合就越平滑，需要越多神經(jīng)元來適應函數(shù)的快速變化；反之，也需要許多神經(jīng)元來適應函數(shù)的緩慢變化，但這樣設計的網(wǎng)絡分類器識別能力會變差。根據(jù)前期工作研究，即文獻[7]指出，當分布密度函數(shù)的值為0.1時，適合對板材進行分類研究，被本文所采用，用于木質板材分類識別，其整體識別率為96.0%。

竇剛等人[3]提出一種采用顏色紋理及光譜特征的木材樹種分類識別方法，平均識別率為89%；劉子豪等人[4]利用橫切面微觀構造圖像實現(xiàn)了木材的自動識別，識別率為90.1%；孫伶君等人[5]利用分塊LBP對樹種識別進行了研究，平均識別率為90%；王克奇等人[6]在小波變換域下實現(xiàn)了木材紋理的分類識別，識別率為94%；王輝等人[6]提出了一種基于概率神經(jīng)網(wǎng)絡的板材紋理分類識別方法，識別率為88.0%。本文所用方法，識別率為96.0%，明顯高于其他方法，表明本文方法是明顯有效的。

3 結論

本研究將木質板材色調、飽和度、明度顏色空間3個顏色通道的圖像看作是原彩色圖像的3副偽灰度圖像，在偽灰度圖像上，分別構造灰度共生矩陣，獲取特征參數(shù)，構成42維彩色紋理特征向量，經(jīng)特征選擇后，降低特征向量維數(shù)到22維，得到新的特征向量VT，在一定程序上消除了特征參數(shù)間的耦合相關性和冗余性。在矢量VT張成的特征空間中，PNN神經(jīng)網(wǎng)絡分類器對木材樣本的識別率達到96.0%。結果表明：彩色共生矩陣法能有效描述木質板材，用其實現(xiàn)對木質板材的分類與識別是可行的，同時，也為彩色自然紋理的分類識別提供了新的思路。