基于Gabor濾波與Tamura紋理特征的板材分類研究

白雪冰，林 鑫*，竇延光，武云鵬

(1.東北林業(yè)大學(xué) 機(jī)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(yùn)用合適的方法對木材表面的特征進(jìn)行描述，成為木材學(xué)領(lǐng)域爭相研究的熱點(diǎn)。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(yùn)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(yàn)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(jìn)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(jìn)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(yàn)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(jī)抽取80幅，10類樣本共抽取800幅木材紋理圖像作為本試驗(yàn)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(yàn)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(yàn)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(jìn)行特征的提取[4]。該方法的運(yùn)作機(jī)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(jìn)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(shí)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(jìn)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(shí)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(diǎn)的平均強(qiáng)度值，數(shù)學(xué)表達(dá)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(qiáng)度差進(jìn)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(qiáng)度差，Ek,v表示每個像素垂直方向上的平均強(qiáng)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(dá)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(dá)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(diǎn)所在位置的梯度向量的模和局部邊緣方向進(jìn)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(dá)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(dá)式如下：

(13)

式中，PDd代表n×n局部方向的共生矩陣距離點(diǎn)[15]。

1.3.5 規(guī)整度 規(guī)整度的表達(dá)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(dá)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(yàn)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?？紤]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(yàn)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(jìn)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(yàn)

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(jī)這3種分類器中進(jìn)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(jìn)行了分類試驗(yàn)。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(yàn)中能夠得到更好的識別效果。結(jié)合表3、表4進(jìn)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(yàn)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(yàn)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(jìn)行分類識別，識別率均可達(dá)到85.1%以上；以Gabor-Tamura紋理特征參數(shù)送入分類器進(jìn)行分類識別時，識別率可達(dá)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(jìn)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(jī)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(jìn)行分類，得到了本次試驗(yàn)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(jìn)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(yàn)中得到了很高的識別率，但在分類試驗(yàn)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(shí)際生產(chǎn)實(shí)踐中其他木材的分析和探究也將是下一步研究的內(nèi)容。