高光譜圖像紋理增強提高木材識別能力方法設計

0引 言

高光譜圖像分析技術發(fā)展的越來越成熟，為各個領域的識別技術提高了一定的幫助，在經(jīng)濟的不斷發(fā)展與住房的逐漸改革下，木材的應用越來越多，各個行業(yè)對木材的需求逐漸加大。木材作為建筑與裝修的主要材料，如何提高識別木材的能力，逐步成為社會的熱點問題?，F(xiàn)階段，我國木材原材料的使用情況較為嚴峻，對木材的浪費較為嚴重，木材識別能力低是造成木材原料浪費的原因之一。傳統(tǒng)的木材識別方式以自動檢測木材分類為主，根據(jù)木材的特征提取，對木材原料的好壞進行檢測分類。然而，傳統(tǒng)的木材識別方法對自動檢測設備的要求較高，識別的依據(jù)主要是木材紋理的差異性，依賴于顏色與亮度的視覺特征，識別結果具有一定的限制性。

高光譜圖像紋理增強方法目前應用范圍越來越廣泛，解決了部分領域識別技術存在的困難。高光譜圖像紋理增強方法不僅能夠提供光譜信息，還能全方位地提供空間紋理信息，多維度地獲取到木材的特征信息。在成像信息方面，高光譜圖像包括木材的光譜信息，通過多維度獲取方式，也包括木材的紋理信息，是圖譜合一的方法。通過電磁波，將被測物的特征，以高頻率圖像的方式呈現(xiàn)，得到被測物不同波段的信息。高光譜圖像對于圖片的像素點要求較高，所有像素點均要對應光譜反射率信息，保持連續(xù)性。通常情況下，高光譜圖像紋理增強方法通過成像光譜儀的作用，獲取到像元之間連續(xù)的圖像信息，以紅綠藍波段為主要光譜，根據(jù)高光譜數(shù)據(jù)的合成作用，使獲取到的數(shù)據(jù)能夠清晰地表示出被測物的各個特征分布。高光譜圖像在光譜分辨率方面存在很大優(yōu)勢，對木材的特征，具有非常強的識別能力，通過光譜圖像，反映出不同木材光譜之間的差異。基于此，本文提出了對高光譜圖像紋理增強方法提高木材識別能力的研究，通過此種方法，實現(xiàn)對木材識別的目標，減少對木材原料的浪費。

1高光譜圖像紋理增強提高木材識別能力方法設計

本文設計的高光譜圖像紋理增強提高木材識別能力的方法，具體的設計流程如圖 1 所示。

圖 1 提高木材識別能力方法流程

根據(jù)圖 1 可以看出，本文設計的方法通過圖像采集與預處理、建立圖像紋理增強識別模型、紋理特征提取、選擇圖像自適應波段、近紅外高光譜圖像最終達到識別木材的目標。

1.1 木材圖像采集與預處理

在木材圖像采集前，首先要保證圖像采集的環(huán)境條件良好，采用分辨率較高的數(shù)碼相機，按照圖像采集要求的方向，采集木材的橫向切面信息，控制鏡頭與木材樣品之間的距離在 10cm~20cm 之間。分別拍攝三種不同品種的木材，保證每個品種的木材圖像照片數(shù)量為 120 張。將拍攝好的樣品圖片進行剪裁處理，將像素大小剪裁為 400*400，不進行圖像的銳化處理。圖像拍攝通常從全景景觀開始，然后從高分辨率的本地照片開始，主要是拍攝地形和山區(qū)應用程序的木材，為后續(xù)增強提高木材識別能力進行支持。在高光譜圖像紋理增強方法中，紋理分類的特征提取階段是重要的組成部分。

在紋理的特征提取操作中，采用相應的特征提取儀器，通過信息統(tǒng)計方法操作，提取到的木材紋理灰度信息，能夠全方位地體現(xiàn)木材紋理信息的變化。木材紋理的主要特征，包括木材切面色調的亮暗、木材切面紋理的粗細等，基于灰度矩陣，多方位提取木材紋理特征的參數(shù)數(shù)據(jù)。灰度矩陣是通過算法計算木材的特定值與空間特定關系的像素，通過計算出的像素對圖像頻率進行描述，進一步得出圖像的紋理。傳統(tǒng)的灰度矩陣對木材冗余特征的判定存在一定的缺陷，在矩陣中元素方向出現(xiàn)次數(shù)相同時，顯示同一圖像在不同角度的灰度下，對應的特征向量也不同。

本文為了克服傳統(tǒng)灰度矩陣存在的缺陷，對灰度矩陣提取進行了改進。改進的灰度矩陣提取木材特征，具有旋轉性能，能夠直接通過圖像的灰度，進行相應的圖像預處理。灰度矩陣經(jīng)過 90°旋轉后，得到的圖像是對稱的。所以，本文改進后的灰度矩陣，在空間方面具有對稱性，特征根與空間維度的變化保持一致。當圖像灰度級數(shù)值較小時，木材的光譜特征值變化較小;當灰度級數(shù)值較大時，對木材紋理特征的識別更加有幫助。本文的三種木材灰度矩陣，分別采用了 48 個灰度級，對應的矩陣特征值變化，如圖 2 所示。

圖 2 三種木材 64 個灰度級矩陣多重特征值

根據(jù)圖 2 可以看出，本文改進的木材識別灰度矩陣，分別從木材的高光譜圖像中，提取了 48 個切面紋理特征，所有曲線均顯示了木材的特征變化。其中，刺槐樹與板栗樹的特征值差異較小，在紋理特征分類過程中，對這兩種木材的識別率會產(chǎn)生一定的影響。

1.2 建立高光譜圖像紋理增強識別模型

在建立高光譜圖像紋理增強識別模型時，采用 Unscram-bler 9.5 軟件，利用最小二乘法進行數(shù)據(jù)分析，設置若干個光譜樣本，隨機抽取樣本作為校正集與預測集。根據(jù)系數(shù)、校正的誤差與分析誤差作為識別模型的評價指標，將高光譜數(shù)據(jù)與變量進行線性分析。建立樣本的分類變量，判定高光譜樣本屬于哪類紋理結構。結合 SCBSO 算法，對高光譜圖像紋理增強的信息進行處理。本文構建的高光譜圖像紋理增強識別模型，通過紋理信息聚類方法，具體模型表示如下所示。

公式(1)中，hi為高光譜信息頻率;xn為紋理信息聚類結果;n 為樣本信息總數(shù);gj為紋理信息數(shù)據(jù)集合。根據(jù)構建的模型獲取到木材的高光譜識別圖像，基于圖像融合的方法全方位地進行分解。將木材的光譜識別圖像加入到模糊框架中，提取圖像的二維灰度紋理特征。在對原圖像簡單的預處理后，縮減提取特征的時間，將原高光譜識別圖像進行壓縮處理，由 1280*960壓縮為 400*400。按照相應的標準要求，轉化圖片格式為灰度圖片，使用隸屬度函數(shù)，將圖像中的像素點隸屬度對應模糊處理。高光譜圖像紋理增強識別模型將木材的紋理特征及光譜特征相融合，基于決策級的融合方式，將兩類特征傳輸?shù)綄W習機中進行分類決策。將得到的決策結果求解其決策權重，根據(jù)權重實現(xiàn)兩種特征的融合。

1.3 選擇圖像自適應波段

基于上述的高光譜圖像紋理增強識別模型建立完畢后，選取高光譜圖像中變化幅度較小的自適應波段。通過因子組合原理進行波段選擇，本文綜合考慮了高光譜圖像之間各項信息數(shù)據(jù)的相關性大小，綜合構造出波段信息。對于波段信息量變化較大，但是相關性較小時，選擇的信息量應大于設置的閾值，在波段位置前段，進行降維度處理。本文選取波段遵循ABS方法，保證圖像波段的信息量大，確保各個波段具有較小的相關性。設置圖像波段內的平均像素值具有一定的獨立性，根據(jù)兩個波段的相關系數(shù)，判定波段是否存在包含現(xiàn)象。在圖像波段的降維度處理上，要充分考慮高光譜圖像紋理信息的富集程度，相鄰波段之間的相關性大小是否符合標準要求。

波段的信息量變化越大，對于后續(xù)木材識別越具有代表性意義。在自適應波段中存在圖像的 K-L 散度，是識別木材的重要應用信號，各個 K-L 散度之間相似度較高，是圖像離散信號的概率函數(shù)。用元素表示信息量的大小，K-L 散度值越高，表明元素的識別難度越大，兩種木材的特征相似度越低，K-L 散度代表兩種木材元素之間的非對稱距離，也能在一定程度上代表兩個信號間信息量的差值。高光譜圖像的波段都存在一定差異，通過 K-L 散度判斷不同光譜波段之間的相似性。將圖像中所有的光譜波段，均勻地列為向量，統(tǒng)一進行歸一化處理，得出波段向量的若干個分量。獲取到的波段向量 K-L 散度值越大，高光譜圖像之間的信息量差異性越強，相似度越低，更加有利于木材的識別操作。重復上述波段獲取的操作，最終得到含有信息量最大的高光譜圖像波段。

1.4 近紅外高光譜圖像識別木材

高光譜圖像的自適應波段選擇完畢后，通過近紅外的方式，根據(jù)高光譜圖像區(qū)域內的吸收峰變化，識別木材。對木材的識別來說，近紅外光譜區(qū)產(chǎn)生的官能團較多，一級倍頻位于1350nm~1985nm 之間，倍頻的近紅外光譜位于 1690nm~2350nm之間，木材對近紅外區(qū)域對官能團的吸收作用，主要表現(xiàn)在木質素與化學纖維素方面，木材中的化學成分較為復雜，根據(jù)對應的高光譜吸收峰變化能夠進行木材種類的判定。本文獲取的木材近紅外高光譜吸收圖，如圖 3 所示。

圖 3 木材原始近紅外高光譜吸收圖

根據(jù)圖 3 可以看出，木材的各個吸收峰特點較突出，在位于 1250nm、1560nm、1967nm 以及 2234nm 附近，木材產(chǎn)生了吸收作用，木質素的倍頻伸縮作用位于 1250nm 與 1560nm 之間，纖維素的彎曲振動發(fā)生在 2234nm 位置附近。根據(jù)近紅外高光譜吸收圖，能夠獲取到在近紅外區(qū)域下，木材的化學基團變化。由于木材抽提物對高光譜區(qū)域具有吸收作用，通過近紅外區(qū)域下，對木材的高光譜吸收圖進行定量分析，預測木材中的木質素及纖維素含量，根據(jù)其化學特性識別木材。木材的化學特征與紋理特征相結合，能夠有效地提高木材的識別能力與精確度。

2實驗分析

2.1 實驗準備

為了驗證本文提出的高光譜圖像紋理增強方法提高木材識別能力的有效性，進行了如下實驗。本實驗選取十種不同的木材樣本，例如楊木、樟子松、漆木、紅木、橡木以及榆木等。在采集木材的高光譜信息時，對異常的樣本及測試集進行劃分，保證本實驗樣本的質量，提高實驗結果的準確率。對實驗中的十種木材，進行高光譜圖像區(qū)域提取，由于實驗中的高光譜儀器分辨率較大，獲取的圖像中包含許多重復的信息，對重復信息進行 ROI 處理，篩選后繼續(xù)操作。在 ROI 提取的數(shù)據(jù)信息中，包括最大值與最小值的光譜信息、平均光譜信息。最大值光譜信息能夠表示實驗的 ROI 區(qū)域，在實驗中具有一定的局限性。平均光譜信息代表數(shù)據(jù)樣本高光譜信息，因此，本實驗選擇平均光譜信息，作為實驗的高光譜信息參數(shù)。采用工具欄進行高光譜顯微提取，獲取完整的數(shù)據(jù)樣本光譜信息。在局部區(qū)域形狀的選擇，可以采用橢圓、正方形以及不規(guī)則多邊形，最終經(jīng)過反復實驗操作，選擇的區(qū)域窗口為正方形。將樣本的中心區(qū)域加工為 10mm*10mm*20mm的木塊，每個木塊設置 5 個ROI，尺寸為 150*150，計算出 ROI的光譜反射率。在采集的十種木材高光譜圖像曲線圖中，觀察波段范圍的交點走向，在多個點重合在一起時，計算木材識別的反射率。

2.2對比分析

將本文提出的高光譜圖像紋理增強提高木材識別能力的方法設置為實驗組，傳統(tǒng)的BP神經(jīng)網(wǎng)絡提高木材識別能力的方法設置為對照組，對比兩種方法識別木材的速度，實驗測試結果，如表 1 所示。

表 1 兩種木材識別方法的測試結果對比

根據(jù)表 1 可知，本文提出的高光譜圖像紋理增強提高木材識別能力的方法，識別木材的反射率較高，對于不同種類的木材識別的速率較傳統(tǒng)方法快，能夠在較短的時間內完成木材的識別工作，且識別的結果灰度級較高，保證了識別結果的精確性要求。因此，證明本文提出的提高木材識別能力的方法更具有優(yōu)勢。

3結 語

本文提出的高光譜圖像紋理增強提高木材識別能力的方法，作為一種新的圖譜技術，有效地提高了對木材特征的識別能力，減少了木材原料由于識別不當產(chǎn)生的浪費，在木材識別方面具有良好的發(fā)展前景。實驗證明，本文提出的識別方法提高了木材識別結果的正確率，對不同特征的木材識別，具有較強的適應性。然而，本文提出的方法在應用中處于起步階段，在未來的研究中，需要加強對高光譜圖像紋理增強方法的深入研究與完善，對木材的解剖方法進行完善，提高木材識別結果的精確度。

萊森光學(深圳)有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯：湯梓紅