基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

引用本文

赵鹏, 韩金城, 王承琨. 基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类[J]. 光谱学与光谱分析, 2021,41(2): 599-605.
ZHAO Peng, HAN Jin-cheng, WANG Cheng-kun. Wood Species Classification With Microscopic Hyper-Spectral Imaging Based on I-BGLAM Texture and Spectral Fusion[J]. Spectroscopy and Spectral Analysis, 2021,41(2): 599-605.
Doi:10.3964/j.issn.1000-0593(2021)02-0599-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

赵鹏^1,^2,^*, 韩金城¹, 王承琨¹

1.东北林业大学信息与计算机工程学院, 黑龙江省哈尔滨市 150040

2.广西科技大学计算机科学与通信工程学院, 广西柳州 545006

*通讯作者

作者简介: 赵鹏, 1972年生, 东北林业大学信息与计算机工程学院教授 e-mail: bit_zhao@aliyun.com

收稿日期: 2020-02-14 接受日期: 2020-05-05

基金: 国家自然科学基金面上项目(31670717), 中央高校基本科研业务费专项基金项目(2572017EB09), 国家林业局林业公益性行业专项(批准号 201504307-04)资助

摘要

为了提高木材树种分类的正确率, 提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1 038.57 nm)范围内的高光谱图像。首先, 利用基于OIF的特征波段选择方法降低高光谱图像的维数, 选择出含有信息量大的波段。其次, 对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像, 对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时, 对高光谱图像的全波段求取平均光谱并进行S-G(Savitzky-Golay)平滑得到光谱特征。最后, 将得到的纹理特征和光谱特征融合后送进极限学习机(ELM)中进行分类。此外, 还和基于灰度共生矩阵(GLCM)的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个: 一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征; 二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明, 单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%, 而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%, 该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM, 这为后面建立的融合模型打下很好的基础, 单独使用平均光谱特征来分类的正确率最高可以达到92.71%, 使用所提出的特征融合方法所得到的分类正确率最高可达到100%, 这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外, 使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此, 所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率, 该方法在木材树种分类方面有着一定的利用价值。

关键词: 高光谱图像; I-BGLAM; 纹理特征; 光谱特征; 特征融合; 木材树种分类

中图分类号:TP391.4 文献标志码:A

Wood Species Classification With Microscopic Hyper-Spectral Imaging Based on I-BGLAM Texture and Spectral Fusion

ZHAO Peng^1,^2,^*, HAN Jin-cheng¹, WANG Cheng-kun¹

1. School of Information and Computer Engineering, Northeast Forestry University, Harbin 150040, China

2. School of Computer Science and Communication Engineering, Guangxi University of Science and Technology, Liuzhou 545006, China

*Corresponding author

Abstract

To improve the accuracy of wood species classification, a method is proposed based on I-BGLAM (Improved-Basic Gray Level Aura Matrix) texture features and spectral features fusion in this paper. Experimental data are hyper-spectral images in the visible and near-infrared spectral band (i. e., 372.53~1 038.57 nm) obtained by SOC710VP hyper-spectral imaging system. Firstly, the feature band selection method based on OIF (Optimum Index Factor) was used to reduce the dimension of hyper-spectral images and select the band containing a large amount of information. Secondly, NSCT (Nonsubsampled Contourlet Transform) and inverse transformation of NSCT were used to obtain the fusion image for the selected band images, and I-BGLAM was used to extract its texture features for the obtained fusion image. At the same time, the average spectrum of the whole band of hyper-spectral image was obtained, and the spectral characteristics were obtained by S-G (Savitzky-Golay) smoothing. Finally, the obtained texture features and spectral features were fused and sent to ELM (Extreme Learning Machine) for classification. In addition, the method proposed in this paper is compared with the traditional method of wood identification based on GLCM (Gray Level Co-occurrence Matrix) and the mainstreams method proposed in the field of wood species identification in recent years. There are two main innovations in this paper. One is to use the strong texture extractor I-BGLAM to extract its texture features from hyper-spectral images; the other is to propose a new feature fusion model for the classification of hyper-spectral images. The experimental results of 8 tree species show that the accuracy of using I-BGLAM to extract texture features for classification was up to 88.54%, while the accuracy of using GLCM to extract texture features was up to 76.04%. The results show that the use of I-BGLAM in this paper is better than that of GLCM in texture feature extraction, which lays a good foundation for the fusion model established later. The accuracy of classification by using the average spectral features alone can reach 92.71%. The classification accuracy of the proposed feature fusion method can reach up to 100%. This shows that it is better to use the fusion model proposed in this paper for classification than to use the classification model of a single feature. In addition, the classification accuracy obtained by using the method proposed in this paper is higher than the other two mainstream recognition methods in this field. Therefore, the method proposed in this paper based on I-BGLAM texture feature and spectral feature fusion can improve the accuracy of wood species classification, which has certain utilization value in the classification of wood species.

Keyword: Hyper-spectral imaging; I-BGLAM; Texture feature; Spectral feature; Feature fusion; Classification of wood species

文章图片

引言

在人们的日常生活中实木木材的应用十分广泛, 因此木材具有巨大的利用价值。每种木材的强度、密度和耐用性都不相同, 这就导致木材的价格也各不相同, 那么正确的区分出不同种类的木材就具有非常重要的意义。在计算机领域中实现树种归类的方法主要有两种: 木材微观细胞结构分类和木材表面的宏观特性分类。微观细胞结构识别技术是通过显微镜得到木材的细胞结构图像, 然后对得到的图像进行识别分类。任洪娥^[1]等提出了三种对木材细胞图像的轮廓提取方法, 提取出的细胞特征参数可用于木材树种识别, 但是这种技术需要对木材进行切片, 使得实验过程比较复杂。宏观特征识别技术是通过木材的纹理、颜色和光谱等特征来识别。 Mä enpä ä ^[2]等在识别分类木材表面缺陷时使用了颜色特征和纹理特征融合的方法。单纯使用颜色特征也是有一定缺点的如木材表面颜色不均匀或不同木材树种间颜色相似, 这就对识别造成了困难。王辉^[3]等建立了一种木材纹理和颜色结合的模型用来分类, 提取了木材图像的颜色矩和纹理特征并将两者融合用于分类, 得到了较高的分类精度, 特征融合的方法也为木材树种分类提供了可行的思路。纹理特征提取的传统方法是使用灰度共生矩阵(gray level co-occurrence matrix, GLCM)及其统计量来表示的。白雪冰^[4]等使用GLCM提取木材表面的纹理来实现木材缺陷的检测。在我们的实验过程中使用GLCM来提取木材表面纹理特征时发现分类结果并不理想, 原因是因为我们的木材宏观解剖图像纹理分布不均匀而且没有很强的纹理, 因此, 面对弱纹理的图像找到一种强纹理提取器是十分重要的。 Qin^{[5, 6]}等从GLCM中衍生出了灰度光环矩阵(gray level aura matrix, GLAM)和基本灰度光环矩阵(basic gray level aura matrix, BGLAM)用来提取图像的纹理特征, 但是这两种方法只是应用于标准纹理数据库的图像分割和图像合成方面, 并没有使用到木材树种识别领域。在此基础上, Zamri^[7]等提出了改进的基本灰度光环矩阵(improved-basic gray level aura matrix, I-BGLAM)来提取木材的纹理特征从而实现木材树种的分类, 得到了较好的分类效果。

利用光谱特征来实现木材树种分类的方法主要是使用光谱仪采集木材在不同波段的光谱值来进行识别分类的。 Ramalho^[8]等利用近红外光谱技术以巴西的热带树木为研究对象做了对天然林和人工林的木材样本的区分工作, 实验得到的识别准确率较高, 表明在进行天然林和人工林的木材样本分类是可行的。郝勇^[9]等利用近红外光谱实现了对木材种类的快速、准确的识别, 实验中采用了5种方法对光谱进行预处理, 这一处理提高了识别精度。 Silvana Nisgoski^[10]等以6种树种为研究对象, 采集了木材表面的近红外光谱, 然后使用了二阶导数对全光谱做预处理, 把PCA-LDA作为分类方法, 实现了对木材树种的快速分类。

高光谱图像包括空间维和光谱维。因此, 高光谱图像不仅可以提供对象的纹理信息, 还可以提供对象表面的光谱信息。高光谱图像主要被应用于卫星遥感领域, 但随着高光谱技术的发展现在也可以应用到样本组织成分检测领域中。例如, Hycza^[11]等以波兰东北部森林林分为研究对象, 利用AISA(airborne imaging spectrometer for application)拍摄高光谱图像, 使用九种分类算法对七种树种进行分类, 最后得到了90.3%的正确率, 说明丛林的高光谱图像可以实现对森林中的树种精确归类。孙俊^[12]等对图像采集系统操作得到特征波长光谱、图像信息和照片信息, 并相应地将其与氮值作为相关模型进行识别, 实验结果良好, 说明高光谱技术可以为作物含氮的快速、无损检测提供标准。 Zhao^[13]等提出了一种基于木材高光谱图像的硬木树种的识别方法, 该方法以木材的高光谱图像为研究对象, 获得了样本管孔的外围和中心的光谱特征作为分类的基础, 实现了木材树种的分类。

综上所述, 为了实现木材树种的精确分类我们可以单独选择提取木材表面的纹理特征作为分类的依据, 当然也可以单独利用光谱技术获得木材的光谱特征作为分类依据, 但是单独使用某一种特征进行分类并不能得到最高的分类正确率, 为了能够提高木材树种的分类精度, 我们将纹理和光谱融合送进分类器中进行分类。

本文针对8个木材树种的高光谱图像, 利用I-BGLAM提取其空间维的纹理特征以及利用S-G^[14]平滑的方法得到光谱特征, 然后将上述两种特征融合后送入极限学习机(extreme learning machine, ELM)^[15]中进行分类, 该方法提高了木材树种的分类精度。

1 数据来源

实验使用了8种纹理清晰的木材作为研究对象, 木材的详细资料如表1所示。图像采集的具体流程如下: 首先, 将这8种木材用圆盘锯切割成2 cm× 2 cm× 3 cm的小木块, 这里值得注意的是切割时要保证木块的横截面处平滑无毛刺。然后, 利用显微高光谱成像系统采集木块的高光谱图像。每类木材拍摄60幅高光谱图像, 总共得到480幅高光谱图像作为研究样本。其中每类木材随机选取48个样本作为训练集, 其他的12个样本作为测试集。这些木材样本均来自不同的树木。这里值得注意的是样本全部取自木材的横截面图像, 这是因为木材横截面图像中包含的特征多, 木材的弦、径切面的特征相对较少, 不利于木材的分类识别, 因此, 在木材树种识别领域大多是对木材的横截面图像进行研究。

表1 样本木材的详细资料 Table 1 Details of the sample wood

接下来是对该高光谱系统及图像采集的描述: 该系统是美国SOC公司生产的SOC710VP高光谱成像仪, 光谱分辨率为5.2 nm, 光谱范围为372.53~1 038.57 nm, 共计128个波段。拍摄到的显微高光谱图像尺寸大小为200× 200× 128, 显微镜放大的倍数为45倍。图1是采集到的样本横截面的二维灰度图像。

	Figure Option View Download New Window
	图1 8种样本木材的二维灰度图像 (a): 美国红橡; (b): 印尼菠萝格; (c): 非洲卡斯拉; (d): 红花梨; (e): 南美柚木; (f): 水煮柚; (g): 桦木; (h): 香樟木Fig.1 Two-dimensional grayscale images of eight sample woods (a): Red oak; (b): Merbau; (c): Talisai; (d): African padauk; (e): Basralocus; (f): Teak; (g): Silky oak; (h): Medang

在使用该便携式高光谱成像仪采集图像时应该保持外界环境例如温度、湿度及样本保存时间等因素尽量恒定, 尽量保证每个样本的颜色保持不变, 否则, 可能会使得可见光波段的光谱图像发生变化, 影响后续的特征提取和分类识别精度。

2 研究方法

2.1 图像预处理

在本文的实验中所需要研究的对象是基于二维灰度图像的, 而高光谱图像属于高维图像不能直接使用, 因此需要对其进行预处理操作。预处理分为两步, 第一步是对图像进行降维, 这里使用的降维方法是OIF(optimum index factor)^[16]。第二步是对降维后的图像进行融合, 这里使用的图像融合是NSCT(nonsub sampled contourlet transform)^[17]。

下面介绍基于OIF的波段选择方法, OIF主要是将第i个波段的标准差S_i和i, j波段之间的相关系数R_ij结合起来进行最优波段的选择, 如式(1)所示。

$OIF = \overset{m}{\sum_{i = 1}} S_{i} / \overset{m}{\sum_{i = 1}} \overset{m}{\sum_{j = 1}} | R_{ij} |$ (1)

i和j波段之间的相关系数R_ij如式(2), 其中 $S_{ij}^{2}$ 为i和j波段的协方差, 计算方法如式(3)所示。

$R_{ij} = S_{ij}^{2} / S_{i} \times S_{j}$ (2)

$\begin{matrix} S_{ij}^{2} = Cov (i, j) = \frac{1}{n} \overset{n}{\sum_{k = 1}} (x_{ik} - x_{i}) (y_{jk} - y_{j}) \end{matrix}$ (3)

其中x_ik为第i波段的第k个像元光谱灰度值, $x_{i}$ 为第i波段的光谱灰度均值, n为实验区像元数。

下面是图像融合过程, 设波段选择后留下的m个波段图像分别为{I₁, I₂, …, I_j, …, I_m}, 其中I_j的图像尺寸为M× N。由于各个波段均来自于一幅样本图像, 所以并不需要对其进行图像配准。对上述得到的图像做NSCT, 分别分解得到对应的低频子带{L₁, L₂, …, L_j, …, L_m}和高频子带{ $H_{1}^{k}$ , $H_{2}^{k}$ , …, $H_{j}^{k}$ , …, $H_{m}^{k}$ }。这里对低频子带使用加权平均求出L', 其中L'是融合后的新低频分量, L_i是第i个波段图像的低频分量。

$L' = \frac{\overset{m}{\sum_{i = 1}} L_{i}}{m}$ (4)

对高频子带使用模值取大的方法求出H', 其中i=1, 2, …, m。

$H' = \max (| H_{i}^{k} |)$ (5)

最后根据新的低频分量和新的高频分量利用NSCT逆变换, 得到融合后的图像I'。图2给出了图像预处理的流程图。

	Figure Option View Download New Window
	图2 图像预处理 (a): 特征波段选择; (b): 图像融合Fig.2 Image preprocessing (a): Feature band selection; (b): Image fusion

2.2 基于I-BGLAM纹理特征提取

接下来我们使用I-BGLAM^[7]的方法来提取二维灰度图片的纹理特征。该方法本质上是对GLCM的一种改进, 其具体步骤如下: 首先需要压缩灰度图像的像素值, 将一幅图像的灰度级压缩到16个级别即得到的特征向量长为136维, 可得到最好的分类效果, 具体按式(6)进行处理。其中F(x, y)代表类型为uint8的灰度图像, floor代表向下取整, F'(x, y)为像素值最大为15的灰度图像, 图3中给出了降低后的结果。从图3中可以看出即使将灰度值进行压缩依然可以清晰的表示出图像的纹理信息。

$F' (x, y) = floor ((\frac{F (x, y)}{\max (F (x, y)) + 1}) \times 16)$ (6)

	Figure Option View Download New Window
	图3 像素值压缩结果 (a): 原始图像; (b): 压缩后的图像Fig.3 Pixel value compression results (a): The original image; (b): Compressed image

接下来按照式(7)的方法计算特征矩阵B, 设灰度图像为F(i, j)(i∈ {2, 3, …, M-1}, j∈ {2, 3, …, N-1}), M与N分别代表灰度图像的长与宽。为防止B的角标无意义, 在计算之前需要将F(i, j)的每一个像素值加1避免0的出现, 即F(i, j)∈ {1, 2, …, 16}。通过式(7)计算的矩阵B是一个尺寸为16× 16的方阵。

$\{\begin{array}{l} B (F (i, j), F (i, j + 1)) = B (F (i, j), F (i, j + 1)) + 1 \\ B (F (i, j), F (i + 1, j + 1)) = B (F (i, j), F (i + 1, j + 1)) + 1 \\ B (F (i, j), F (i + 1, j)) = B (F (i, j), F (i + 1, j)) + 1 \\ B (F (i, j), F (i + 1, j - 1)) = B (F (i, j), F (i + 1, j - 1)) + 1 \end{array}$ (7)

然后将方阵B按式(8)进行计算, 这样做的目的在于减少特征向量的维度。

$B' (i, j) = \{\begin{array}{l} B (i, j) + B (j, i) & if (i \neq j) \\ B (i, j) & if (i = j) \end{array}$ (8)

最后将方阵B'按式(9)进行转换, ∪ ₊代表元素串联。转换后的向量x即为特征向量, 其长度为136。图4给出了8个树种提取的该特征值, 该方法主要应用于普通木材树种的分类识别。

$x = ⋃_{+} B' (i, j) (i \in {1, 2, \dots, 16}; j \in {i, i + 1, \dots, 16})$ (9)

	Figure Option View Download New Window
	图4 I-BGLAM特征值曲线Fig.4 I-BGLAM characteristic curve

2.3 基于光谱特征提取及纹理特征和光谱特征融合

原始光谱图像有128个波段(372.53~1 038.57 nm), 图5所示的就是实验中用到的8个木材样本的平均光谱曲线。从曲线走势中可以得出, 这8种木材的曲线有明显的可分性, 但是在某些波段处也存有一些噪声, 因此, 为了进一步提高光谱曲线的可分性我们需要对原始光谱数据做平滑处理。

	Figure Option View Download New Window
	图5 8种木材样本的平均光谱曲线Fig.5 Average spectral curves of 8 wood samples

具体的提取光谱特征的方法如下: 假设每幅高光谱图像是N× N× P的三维张量, 其中N× N是空间维, 是光谱维, 首先, 将这个三维张量沿着第三维展开得到(N* N)× P表示每个波段对应N* N个像素点, 然后对这些像素的值求平均得到1× P的向量, 称之为平均光谱, 最后, 对平均光谱进行S-G平滑处理, 得到光谱特征。由于S-G平滑方法比较成熟, 这里不对原理进行赘述。本实验中的高光谱数据是200× 200× 128的三维张量, 200× 200是每个波段对应的二维图片的大小, 即一个波段对应40 000个像素点, 每个像素点对应一个光谱值, 然后对这些数值取平均则作为该波段的平均光谱特征, 这样就得到了1× 128的向量作为该高光谱图像的平均光谱。

接下来需要进行的是将纹理信息和光谱信息结合得到新的融合特征。本文使用了基于ELM的特征级融合方法。该特征融合是在进入ELM之前融合, 针对本实验的每个样本提取M种特征, 每种特征分别是d_k维, k=1, 2, …, M。特征融合后的输入样本可以用一个D维向量y表达, 其中 $D = \overset{M}{\sum_{k = 1}} d_{k} 。$

$y = (μ_{1} y_{1}, μ_{1} y_{2}, \dots, μ_{1} y_{d_{1}}, \dots, μ_{2} y_{d_{2}}, \dots, μ_{M} d_{M})^{T}$ (10)

其中μ _k是第k种特征对应的权重。将y送进ELM中就可以得到分类结果。

在本实验中就有两类特征: 纹理特征(136维)和光谱特征(128维), 即d₁=136, d₂=128, 在融合时设置权重μ ₁=0.5, μ ₂=0.5。

至此, 本实验所用的全部方法介绍完毕, 整个实验的流程图参见图6。

	Figure Option View Download New Window
	图6 实验过程的流程图Fig.6 Flow chart of the experimental process

3 结果与讨论

3.1 识别正确率分析

实验包括单独使用I-BGLAM提取的纹理特征分类、单独使用光谱维特征分类以及本文提出的使用融合特征分类, 本实验使用的分类器为ELM, 表2是实验5次的分类结果。

表2 使用不同特征得到的分类正确率 Table 2 Classification accuracy using different features

从表2的结果可以看出单独使用I-BGLAM纹理或者单独使用光谱维特征进行分类时, 5次中最高的精度分别是88.54%和92.71%, 而使用了本文提出的融合方法进行精度最高可达100%。分析本次实验得到的结果, 本文在提取纹理特征之前使用了OIF方法对原来的高光谱图像做了波段选择的操作, 通过该操作我们获得了该图像具有最大信息量的波段同时也去掉了一些噪声波段, 之后在进行图像融合得到用于提取纹理特征的图片, 这样的图片主要的纹理特征被保留, 噪声被去除, 之后对该图片使用强纹理提取器I-BGLAM得到的纹理特征进行分类, 但是本实验所用的树种有部分本身的纹理就不清晰, 不论使用什么图像处理方法仍然得不到较好的纹理特征, 因此单独使用纹理分类的正确率只有88.54%。而在使用光谱特征分类时先是对每个波段所有的像素点的光谱值求平均, 之后再进行平滑去除噪声点, 但是有些噪声是不可能被去除的, 这是由于在采集样本时有的木材表面的粗糙程度或者实验环境中的光照等因素影响, 因此单独使用光谱特征的分类结果只有92.71%。为了提高分类正确率, 因此利用特征融合的思想将两类特征融合, 使两者在分类过程中发挥互补作用, 最后成功的将结果提高到了100%。

综上所述, 使用单一特征来进行木材树种分类不能得到最佳的分类效果, 因此, 提出了将两种特征融合, 使得两种特征充分发挥各自的优势并且互相补充彼此, 以将正确率最大化提高。总结这部分实验结果我们可以知道本文提出将木材的表面纹理特征和木材的光谱特征融合在一起去分类的这种方法是可以极大的提高木材树种的分类正确率。

到目前为止, 本实验已经从理论和实验结果两个方面说明了我们提出的模型具有可行性和高正确率。为了更全面地完成本文的研究内容, 我们还做几个对比实验, 选择的实验方法都是在木材树种识别分类领域具有代表性的, 其中包括沿用多年的传统分类模型和近些年有学者提出的新的模型。

3.2 与其他木材树种分类方法作对比

在本节, 我们将一起来讨论在使用同样的数据集的前提下本文方法与其他文献的方法的分类正确率。表3给出了具体的实验结果。在表3中列出的本文方法、传统方法GLCM和文献[18]、文献[19]中的主流方法。传统方法是先使用PCA选择图像的第一主成分, 然后利用GLCM提取纹理特征来进行分类, 这种方法相对比较简单, 但是这种方法非常依靠图片纹理的清晰程度, 一旦遇到不清晰的纹理那么结果就不会很好。文献[18]中使用了GA(遗传算法)和GA+KDA(遗传算法+核心判别分析)对热带木材树种识别分类, 文中使用该方法是为了进行非线性特征选择并减少木材数据库的维数, 减少图片的存储空间, 增加识别准确率。文献[19]中提出了一种自动木材种类的识别系统, 首先使用了模糊预分类器根据木材的孔隙特征对木材进行预划分类, 然后提取木材表面的管孔和纹理特征送入SVM中进行最终分类, 这种方法降低了处理的复杂性和分类时间, 得到了不错的效果。

表3 本文与其他方法的最高分类正确率 Table 3 The highest classification accuracy rate of this article and other methods

从表3中的数据可以得出, 本文的方法得到的正确率相比于其他方法要高的多。接下来我们将分析一下原因。与GLCM相比, 本文在纹理特征的提取过程中使用了强纹理提取器I-BGLAM, 它提取出的纹理特征要比GLCM更好, 并且本文还融合光谱特征, 因此, 本文方法得到的分类结果要比GLCM得到的结果好。与文献[18]和文献[19]相比, 本文方法得到的结果更胜一筹, 究其原因是这两篇文献中原来所用的到实验木材都是热带树种, 这些热带树种的木材表面纹理细密且管孔清晰、排列紧密, 所以他们的方法在他们的文献中有着不错的表现, 但是我们使用的木材大多管孔特征不清晰, 因此两篇文献中的方法在本文中表现的并不好。

4 结论

以8种木材的高光谱图像为研究对象, 提出了一种基于I-BGLAM纹理特征和光谱特征融合的木材树种分类方法。首先, 该模型使用了I-BGLAM获取了降维后的木材图像的纹理信息, 并做实验验证了只使用纹理特征进行木材树种识别时的准确率。然后, 提取高光谱图像中的近红外波段的光谱特征, 将其与纹理特征融合并进行实验, 得到了融合特征进行木材树种分类时的分类正确率。最后, 将本文提出的木材树种分类方法与本领域内的主流的分类方法进行对比, 得到了以下几点结论:

(1) 使用了I-BGLAM获得了降维后的木材图像的纹理信息, 经实验验证, 该方式与传统的方式如GLCM相比得到的准确率更高, 说明该模型在提取纹理方面更新颖更具有优势。

(2) 提出了将光谱特征与纹理特征融合的木材树种分类方法, 该方法充分利用了高光谱图像的“ 图谱合一” 的特点。经实验验证, 将融合后的特征送入分类器后进行分类, 分类结果要比单独使用一种特征进行分类更好, 说明使用融合特征进行分类是可行的方法。

(3) 与其他主流方法进行对比。从木材树种的分类正确率来看, 本文提出的方法的分类正确率最高可达100%, 与主流的木材树种分类方法相比具有更好的分类效果。

综上所述, 提出的新的纹理特征和光谱特征融合模型在木材树种分类领域具有一定的研究意义和利用价值。

参考文献

文献列表

[1]	REN Hong-e, XU Hai-tao(任洪娥, 徐海涛). SCIENTIA SILVAE SINICAE(林业科学), 2007, 43(9): 68. [本文引用:1]
[2]	Mäenpää T, Viertola J, Pietikäinen M. Pattern Analysis & Applications, 2003, 6(3): 169. [本文引用:1]
[3]	WANG Hui, WANG Han, KONG Xiang-wei(王辉, 王晗, 孔祥维). Measurement & Control Technology(测控技术), 2015, 34(9): 28. [本文引用:1]
[4]	BAI Xue-bing, WANG Ke-jun, ZOU Li-hui(白雪冰, 王科俊, 邹丽晖). Journal of Northeast Forestry University(东北林业大学学报), 2008, 36(12): 23. [本文引用:1]
[5]	Qin X, Yang Y H. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. IEEE, 2004. [本文引用:1]
[6]	Qin X, Yang Y H. Tenth IEEE International Conference on Computer Vision. IEEE, 2005. [本文引用:1]
[7]	Zamri , Mohd Iz’aan Paiz, et al. Computers and Electronics in Agriculture, 2016, 124: 227. [本文引用:2]
[8]	Ramalho F M G, Andrade J M, Hein P R G. Forest Systems, 2018, 27(2): e008. [本文引用:1]
[9]	HAO Yong, SHANG Qing-yuan, RAO Min, et al(郝勇, 商庆园, 饶敏, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(3): 705. [本文引用:1]
[10]	Nisgoski S, de Oliveira A A, de Muñiz G I B. Wood Science and Technology, 2017, 51(4): 929. [本文引用:1]
[11]	Hycza T, Stereńczak K, Bałazy R. New Zealand Journal of Forestry Science, 2018, 48(1): 18. [本文引用:1]
[12]	SUN Jun, JIN Xia-ming, MAO Han-ping, et al(孙俊, 金夏明, 毛罕平, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(10): 167. [本文引用:1]
[13]	Zhao P, Wang C K. Journal of Spectroscopy, 2019, 2039453. [本文引用:1]
[14]	Press W H, Teukolsky S A. Computers in Physics, 1990, 4(6): 669. [本文引用:1]
[15]	Huang G B, Zhu Q Y, Siew C K. Neurocomputing, 2006, 70(1-3): 489. [本文引用:1]
[16]	Chavez P S, Berlin G L, Sowers L. Journal of Applied Photographic Engineering, 1982, 8(1): 23. [本文引用:1]
[17]	Do M N, Vetterli M. IEEE Transactions on Image Processing, 2005, 14(12): 2091. [本文引用:1]
[18]	Yusof R, Khalid M, Khairuddin A S M. Computers and Electronics in Agriculture, 2013, 93: 68. [本文引用:3]
[19]	Ibrahim I, Khairuddin A S M, Talip M S A, et al. Wood Science and Technology, 2017, 51(2): 431. [本文引用:3]

2007

0.0

REN

Hong-e

, XU

Hai-tao

(任洪娥, 徐海涛). SCIENTIA SILVAE SINICAE(林业科学), 2007, 43(9): 68.

Automatic diagnosis of the wood assortment is the issue which needs to be solved urgently in wood industry．The wood assortment recognition that based on the lumber cell characteristic is a new research direction．The cell appearance is an important characteristic in the cell image analysis．And the cell characteristic parameter extracting is the foundation of wood assortment recognition．This paper introduced three cell outline extraction methods and proposed extracting the information of cell boundary outline using chain code technology which had the merits such as quick computing speed and the higher precision and SO on．This paper also elaborated the some kinds of methods of computing the cell characteristic parameter such as cell perimeter，cell number counting，area，circular ratio and center of gravity and so on which provide the important basis for the wood assortment recognition．

Northeast Forestry University Harbin 150040

介绍3种细胞轮廓提取方法，提出利用链码技术提取细胞的边界轮廓信息。结果表明，该方法具有计算速度快和精确度高等优点。论述计算细胞周长、个数、面积、圆形度和重心等特征参数的多种方法，这些细胞特征参数可为木材材种识别提供重要的依据。

... 任洪娥^[1]等提出了三种对木材细胞图像的轮廓提取方法, 提取出的细胞特征参数可用于木材树种识别, 但是这种技术需要对木材进行切片, 使得实验过程比较复杂 ...

2003

0.0

... ^[2]等在识别分类木材表面缺陷时使用了颜色特征和纹理特征融合的方法 ...

2015

0.0

... 王辉^[3]等建立了一种木材纹理和颜色结合的模型用来分类, 提取了木材图像的颜色矩和纹理特征并将两者融合用于分类, 得到了较高的分类精度, 特征融合的方法也为木材树种分类提供了可行的思路 ...

2008

0.0

... 白雪冰^[4]等使用GLCM提取木材表面的纹理来实现木材缺陷的检测 ...

2004

0.0

... Qin^[5,6]等从GLCM中衍生出了灰度光环矩阵(gray level aura matrix, GLAM)和基本灰度光环矩阵(basic gray level aura matrix, BGLAM)用来提取图像的纹理特征, 但是这两种方法只是应用于标准纹理数据库的图像分割和图像合成方面, 并没有使用到木材树种识别领域 ...

2005

0.0

2016

0.0

... 在此基础上, Zamri^[7]等提出了改进的基本灰度光环矩阵(improved-basic gray level aura matrix, I-BGLAM)来提取木材的纹理特征从而实现木材树种的分类, 得到了较好的分类效果 ...

... 2 基于I-BGLAM纹理特征提取接下来我们使用I-BGLAM^[7]的方法来提取二维灰度图片的纹理特征 ...

2018

0.0

... Ramalho^[8]等利用近红外光谱技术以巴西的热带树木为研究对象做了对天然林和人工林的木材样本的区分工作, 实验得到的识别准确率较高, 表明在进行天然林和人工林的木材样本分类是可行的 ...

2019

0.0

... 郝勇^[9]等利用近红外光谱实现了对木材种类的快速、准确的识别, 实验中采用了5种方法对光谱进行预处理, 这一处理提高了识别精度 ...

2017

0.0

... Silvana Nisgoski^[10]等以6种树种为研究对象, 采集了木材表面的近红外光谱, 然后使用了二阶导数对全光谱做预处理, 把PCA-LDA作为分类方法, 实现了对木材树种的快速分类 ...

2018

0.0

... 例如, Hycza^[11]等以波兰东北部森林林分为研究对象, 利用AISA(airborne imaging spectrometer for application)拍摄高光谱图像, 使用九种分类算法对七种树种进行分类, 最后得到了90 ...

2014

0.0

SUN

Jun

, JIN

Xia-ming

, MAO

Han-ping

, et al(孙俊, 金夏明, 毛罕平, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(10): 167.

Abstract: In this study, we developed a fast and non-destructive technology for the prediction of the nitrogen content in lettuce leaves based on hyperspectral imaging technology which contains abundant spectral and spatial information in an object. First, hyperspectral images of lettuce leaves in the visible and near infrared (390-1050 nm) regions were acquired by the hyperspectral imaging system, and then the corresponding nitrogen content in the lettuce leaves were obtained by Kjeldahl method successively. The binary mask image was successfully determined by the method of dividing the image of very high reflectance intensity by the image of very low reflectance intensity with a certain threshold, and ROI (Region of Interest) in the sample of lettuce leaf was determined by removing the regions of noise using the acquired binary mask image. As the hyperspectral imaging technology provided much more information including spectral and spatial information for all the samples of lettuce leaves, and in which some information is noisy and redundant. In fact, this leads to the difficulty of meeting the needs for fast and efficient detection of some objects. So it is very hard to be directly used for on-line industrial application in our daily life. Therefore, effective selection of several characteristic wavelengths is necessary for the hyperspectral images. In this paper, the initial investigation was carried out by using a principal component analysis (PCA) to identify a number of potential characteristic wavelengths (662.9 nm, 711.7 nm, 735.0 nm, 934.6 nm) according to the weight coefficient distribution curve of the first three principal component images (PC1, PC2, PC3) under the full wavelengths. Both spectral data and texture data based on a co-occurrence matrix were extracted from the four characteristic wavelength images on the ROI, and the texture data of the first three principal component images were also extracted simultaneously. Then spectral data from four characteristic wavelength images, texture data (from four characteristic wavelength images, from the first three principle component images) and the combined data were utilized to develop different SVR (support vector machine regression) models to predict the nitrogen content in the lettuce leaves respectively. According to the performance of all the SVR models in the calibration set and the prediction set, the experiment results show that, from the calibration performance index, the model based on spectral data combined texture data from four characteristic wavelength images is the best with a coefficient of determination (R2C =0.996) and the root-mean-square error (RMSEC) of 0.034. From the prediction performance index, however the model based merely on spectral data is the best with a coefficient of determination (R2P=0.86) and the root-mean-square error (RMSEP) of 0.22. This study provides valuable information for rapid and non-destructive nitrogen detection in crops.

高光谱图像包含丰富的光谱与图像信息，该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外（390～1 050 nm）范围内的生菜叶片高光谱图像，同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像，获取感兴趣区域（ROI，region of interest）。由于高光谱数据量大、且数据间冗余性强，因此如何有效的提取一些特征波长十分重要。该文采用主成分分析（PCA，principal component analysis）对原始高光谱图像进行处理，根据前3个主成分图像（PC1、PC2、PC3）在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征，并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征，最后利用支持向量机回归（SVR，support vector machine regression）分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明，在校正性能指标决定系数R2C上，基于光谱特征+特征波长图像纹理特征的模型较好，R2C=0.996，校正集均方根误差RMSEC为0.034；在预测性能指标决定系数R2P上，基于光谱特征的模型较好，R2P=0.86，预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。

... 孙俊^[12]等对图像采集系统操作得到特征波长光谱、图像信息和照片信息, 并相应地将其与氮值作为相关模型进行识别, 实验结果良好, 说明高光谱技术可以为作物含氮的快速、无损检测提供标准 ...

2019

0.0

... Zhao^[13]等提出了一种基于木材高光谱图像的硬木树种的识别方法, 该方法以木材的高光谱图像为研究对象, 获得了样本管孔的外围和中心的光谱特征作为分类的基础, 实现了木材树种的分类 ...

1990

0.0

... 本文针对8个木材树种的高光谱图像, 利用I-BGLAM提取其空间维的纹理特征以及利用S-G^[14]平滑的方法得到光谱特征, 然后将上述两种特征融合后送入极限学习机(extreme learning machine, ELM)^[15]中进行分类, 该方法提高了木材树种的分类精度 ...

2006

0.0

1982

0.0

... 预处理分为两步, 第一步是对图像进行降维, 这里使用的降维方法是OIF(optimum index factor)^[16] ...

2005

0.0

... 第二步是对降维后的图像进行融合, 这里使用的图像融合是NSCT(nonsub sampled contourlet transform)^[17] ...

2013

0.0

... 在表3中列出的本文方法、传统方法GLCM和文献[18]、文献[19]中的主流方法 ...

... 文献[18]中使用了GA(遗传算法)和GA+KDA(遗传算法+核心判别分析)对热带木材树种识别分类, 文中使用该方法是为了进行非线性特征选择并减少木材数据库的维数, 减少图片的存储空间, 增加识别准确率 ...

... 与文献[18]和文献[19]相比, 本文方法得到的结果更胜一筹, 究其原因是这两篇文献中原来所用的到实验木材都是热带树种, 这些热带树种的木材表面纹理细密且管孔清晰、排列紧密, 所以他们的方法在他们的文献中有着不错的表现, 但是我们使用的木材大多管孔特征不清晰, 因此两篇文献中的方法在本文中表现的并不好 ...

2017

0.0

... 在表3中列出的本文方法、传统方法GLCM和文献[18]、文献[19]中的主流方法 ...

... 文献[19]中提出了一种自动木材种类的识别系统, 首先使用了模糊预分类器根据木材的孔隙特征对木材进行预划分类, 然后提取木材表面的管孔和纹理特征送入SVM中进行最终分类, 这种方法降低了处理的复杂性和分类时间, 得到了不错的效果 ...