首页 > 论文范文 > 工程工业论文 > 轻工业论文 > 木材加工工业论文 > 基于灰度共生矩阵纹理特征木材树种高光谱无损检测识别方法研究

基于灰度共生矩阵纹理特征木材树种高光谱无损检测识别方法研究

2020-07-01 428 上传者：管理员

摘要：目前，木材树种无损检测识别技术已成为木材工业亟待解决的问题。提出了一种基于灰度共生矩阵(GLCM)纹理特征木材树种高光谱无损检测识别方法。在1000nm～2500nm的光谱范围内获取了样本高光谱数据，利用PCA对高光谱图像原始数据进行降维处理，得到主成分图像序列，并对主成分图像序列提取木材纹理特征参数，发现BP神经网络分类器的识别率为91.5%。实验表明:基于高光谱图像纹理特征能有效描述木材，用其实现对木材树种的识别是可行的，说明GLCM纹理特征参数对木材树种具有一定的描述能力，为木材树种的识别提供了新的思路。该方法能够较好地解决木材树种识别问题，对木材工业的现实生产、经营、管理等方面具有重要的现实意义。

关键词：
GLCM
无损检测识别
木材加工
木材树种
特征
高光谱
加入收藏

引言

长期以来，木材与人类生活息息相关。近年来，随着人们生活品质的提升和对回归自然的追求，木材在人们生活中的地位越来越重要。木材树种识别是木材商品正常流通的前提条件。从使用方面来看，木材是良好的室内环境材料和生活用具材料，给人以舒适感。从生产加工方面来看，密度、耐久性能、干燥性能、胶勃性能、加工特性等木材材性都很重要。不同树种的木材有着不同的材性，木材树种识别是高质量生产加工的保障。一般来说，对一个未知的木材样本进行树种鉴定识别，必须经过专业的木材鉴定机构才能准确鉴定识别到的树种，这给木材工业的生产经营部门、进出口管理部门和林业管理部门带来诸多不便。随着我国木材工业的迅猛发展，木材树种识别技术已经成为木材工业亟待解决的问题。提出了一种基于GLCM特征木材树种高光谱无损检测识别方法，使木材企业可以摆脱对木材鉴定机构的过分依赖，从而实现木材树种的快速便捷识别，这对木材工业的现实生产、经营、管理等方面具有重要的现实意义。

1、灰度共生矩阵

纹理被认为是由灰度分布在空间位置上反复出现而形成的。一般来说，在图像空间存在某种位置关系的两个像素之间一定会存在某种灰度关系，这种灰度关系被称为图像中灰度的空间相关特性。灰度共生矩阵方法(GLCM)则是通过研究图像的灰度空间相关特性来描述灰度图像特征的一种常用纹理统计分析方法，其利用二阶组合条件概率密度函数来统计图像特征，能够综合反映出图像灰度关于相邻间隔、方向以及变化幅度的相关信息。而一般情况下，不会直接应用得到的灰度共生矩阵，而是使用Haralick等人在其基础上获取的14个二次统计特征量(也称为特征参数)，主要包括角二阶矩、相关、对比度、方差、逆差矩、差的方差、均值和、熵、聚类阴影、显著聚类、最大概率等14个特征参数。本研究只选用其中常用的11个纹理特征参数。受篇幅限制，只列出其中6个特征参数定义，具体如下:

公式1

通过研究发现，木材树种样本的11个灰度共生矩阵特征参数之间相关性较强，所涉及的5个木材树种灰度共生矩阵相关性矩阵见表1。本研究采用线性相关系数消除在表达木材树种样本中冗余的纹理特征参数，以达到降低特征向量维数和减小灰度共生矩阵特征参数计算量的目的。结合灰度共生矩阵相关性矩阵与木材树种样本纹理的特点，最终选定角二阶矩、对比度、相关、熵以及方差等5个纹理特征参数。

表1灰度共生矩阵特征参数间相关性矩阵

2、实验样本

选用红松、落叶松、白桦、水曲柳以及柞木等东北具有代表性的5个树种作为本次的研究对象，每个树种选用100个样本，共计500个实验样本，其木材树种类别编号依次为树种1～5，如图1所示。

图1木材树种样本图像

3、基于高光谱图像纹理特征木材树种识别

木材树种样本的高光谱图像信息数据量非常丰富。高光谱图像数据间的相关性较强，并存在着较多的冗余信息，这些高光谱图像间的冗余信息不仅会影响木材树种识别准确率，而且还会增加大量多余的数据处理代价。既能有效对木材树种样本的高光谱数据进行降维处理，又能在最大限度上保留其有效信息，这是本次研究的关键。

主分量分析(Principal Component Analysis，简称PCA)是分析数据的一种有效统计方法，它是基于目标统计的最佳正交变换方法，将统计数据从原始的高维度特征空间投影到一个低维度的特征空间。降维后的低维度特征空间保存了原始高维度数据的主要特征信息，从而达到高维度数据的降维处理。本研究选用主分量分析PCA方法对1000nm～2500nm的高光谱图像原始立方图像块进行降维处理，得到了主成分图像PCi(i=1,2，..λ)，当λ=8时，贡献率超过了95%，得到主成分图像序列PC1～PC8。分别对该图像序列PC1～PC8提取灰度共生矩阵纹理特征参数，则每个木材树种样本的特征相量维数为40维。BP神经网络是基于BP算法的多层前馈神经网络，本研究采用3层BP网络结构搭建BP神经网络分类器，并使用MATLAB神经网络工具箱进行建模，网络结构如图2所示。