0引 言

高光譜圖像分析技術(shù)發(fā)展的越來(lái)越成熟，為各個(gè)領(lǐng)域的識(shí)別技術(shù)提高了一定的幫助，在經(jīng)濟(jì)的不斷發(fā)展與住房的逐漸改革下，木材的應(yīng)用越來(lái)越多，各個(gè)行業(yè)對(duì)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(shí)別木材的能力，逐步成為社會(huì)的熱點(diǎn)問(wèn)題?，F(xiàn)階段，我國(guó)木材原材料的使用情況較為嚴(yán)峻，對(duì)木材的浪費(fèi)較為嚴(yán)重，木材識(shí)別能力低是造成木材原料浪費(fèi)的原因之一。傳統(tǒng)的木材識(shí)別方式以自動(dòng)檢測(cè)木材分類(lèi)為主，根據(jù)木材的特征提取，對(duì)木材原料的好壞進(jìn)行檢測(cè)分類(lèi)。然而，傳統(tǒng)的木材識(shí)別方法對(duì)自動(dòng)檢測(cè)設(shè)備的要求較高，識(shí)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(jué)特征，識(shí)別結(jié)果具有一定的限制性。

高光譜圖像紋理增強(qiáng)方法目前應(yīng)用范圍越來(lái)越廣泛，解決了部分領(lǐng)域識(shí)別技術(shù)存在的困難。高光譜圖像紋理增強(qiáng)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(guò)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(guò)電磁波，將被測(cè)物的特征，以高頻率圖像的方式呈現(xiàn)，得到被測(cè)物不同波段的信息。高光譜圖像對(duì)于圖片的像素點(diǎn)要求較高，所有像素點(diǎn)均要對(duì)應(yīng)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(qiáng)方法通過(guò)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(lán)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(cè)物的各個(gè)特征分布。高光譜圖像在光譜分辨率方面存在很大優(yōu)勢(shì)，對(duì)木材的特征，具有非常強(qiáng)的識(shí)別能力，通過(guò)光譜圖像，反映出不同木材光譜之間的差異?；诖耍疚奶岢隽藢?duì)高光譜圖像紋理增強(qiáng)方法提高木材識(shí)別能力的研究，通過(guò)此種方法，實(shí)現(xiàn)對(duì)木材識(shí)別的目標(biāo)，減少對(duì)木材原料的浪費(fèi)。

1高光譜圖像紋理增強(qiáng)提高木材識(shí)別能力方法設(shè)計(jì)

本文設(shè)計(jì)的高光譜圖像紋理增強(qiáng)提高木材識(shí)別能力的方法，具體的設(shè)計(jì)流程如圖 1 所示。

圖 1 提高木材識(shí)別能力方法流程

根據(jù)圖 1 可以看出，本文設(shè)計(jì)的方法通過(guò)圖像采集與預(yù)處理、建立圖像紋理增強(qiáng)識(shí)別模型、紋理特征提取、選擇圖像自適應(yīng)波段、近紅外高光譜圖像最終達(dá)到識(shí)別木材的目標(biāo)。

1.1 木材圖像采集與預(yù)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(jī)，按照?qǐng)D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(gè)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(jìn)行剪裁處理，將像素大小剪裁為 400*400，不進(jìn)行圖像的銳化處理。圖像拍攝通常從全景景觀開(kāi)始，然后從高分辨率的本地照片開(kāi)始，主要是拍攝地形和山區(qū)應(yīng)用程序的木材，為后續(xù)增強(qiáng)提高木材識(shí)別能力進(jìn)行支持。在高光譜圖像紋理增強(qiáng)方法中，紋理分類(lèi)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(yīng)的特征提取儀器，通過(guò)信息統(tǒng)計(jì)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(diào)的亮暗、木材切面紋理的粗細(xì)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(guò)算法計(jì)算木材的特定值與空間特定關(guān)系的像素，通過(guò)計(jì)算出的像素對(duì)圖像頻率進(jìn)行描述，進(jìn)一步得出圖像的紋理。傳統(tǒng)的灰度矩陣對(duì)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(shí)，顯示同一圖像在不同角度的灰度下，對(duì)應(yīng)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(duì)灰度矩陣提取進(jìn)行了改進(jìn)。改進(jìn)的灰度矩陣提取木材特征，具有旋轉(zhuǎn)性能，能夠直接通過(guò)圖像的灰度，進(jìn)行相應(yīng)的圖像預(yù)處理?；叶染仃嚱?jīng)過(guò) 90°旋轉(zhuǎn)后，得到的圖像是對(duì)稱(chēng)的。所以，本文改進(jìn)后的灰度矩陣，在空間方面具有對(duì)稱(chēng)性，特征根與空間維度的變化保持一致。當(dāng)圖像灰度級(jí)數(shù)值較小時(shí)，木材的光譜特征值變化較小;當(dāng)灰度級(jí)數(shù)值較大時(shí)，對(duì)木材紋理特征的識(shí)別更加有幫助。本文的三種木材灰度矩陣，分別采用了 48 個(gè)灰度級(jí)，對(duì)應(yīng)的矩陣特征值變化，如圖 2 所示。

圖 2 三種木材 64 個(gè)灰度級(jí)矩陣多重特征值

根據(jù)圖 2 可以看出，本文改進(jìn)的木材識(shí)別灰度矩陣，分別從木材的高光譜圖像中，提取了 48 個(gè)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(shù)與板栗樹(shù)的特征值差異較小，在紋理特征分類(lèi)過(guò)程中，對(duì)這兩種木材的識(shí)別率會(huì)產(chǎn)生一定的影響。

1.2 建立高光譜圖像紋理增強(qiáng)識(shí)別模型

在建立高光譜圖像紋理增強(qiáng)識(shí)別模型時(shí)，采用 Unscram-bler 9.5 軟件，利用最小二乘法進(jìn)行數(shù)據(jù)分析，設(shè)置若干個(gè)光譜樣本，隨機(jī)抽取樣本作為校正集與預(yù)測(cè)集。根據(jù)系數(shù)、校正的誤差與分析誤差作為識(shí)別模型的評(píng)價(jià)指標(biāo)，將高光譜數(shù)據(jù)與變量進(jìn)行線性分析。建立樣本的分類(lèi)變量，判定高光譜樣本屬于哪類(lèi)紋理結(jié)構(gòu)。結(jié)合 SCBSO 算法，對(duì)高光譜圖像紋理增強(qiáng)的信息進(jìn)行處理。本文構(gòu)建的高光譜圖像紋理增強(qiáng)識(shí)別模型，通過(guò)紋理信息聚類(lèi)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(lèi)結(jié)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(gòu)建的模型獲取到木材的高光譜識(shí)別圖像，基于圖像融合的方法全方位地進(jìn)行分解。將木材的光譜識(shí)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(duì)原圖像簡(jiǎn)單的預(yù)處理后，縮減提取特征的時(shí)間，將原高光譜識(shí)別圖像進(jìn)行壓縮處理，由 1280*960壓縮為 400*400。按照相應(yīng)的標(biāo)準(zhǔn)要求，轉(zhuǎn)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(diǎn)隸屬度對(duì)應(yīng)模糊處理。高光譜圖像紋理增強(qiáng)識(shí)別模型將木材的紋理特征及光譜特征相融合，基于決策級(jí)的融合方式，將兩類(lèi)特征傳輸?shù)綄W(xué)習(xí)機(jī)中進(jìn)行分類(lèi)決策。將得到的決策結(jié)果求解其決策權(quán)重，根據(jù)權(quán)重實(shí)現(xiàn)兩種特征的融合。

1.3 選擇圖像自適應(yīng)波段

基于上述的高光譜圖像紋理增強(qiáng)識(shí)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(yīng)波段。通過(guò)因子組合原理進(jìn)行波段選擇，本文綜合考慮了高光譜圖像之間各項(xiàng)信息數(shù)據(jù)的相關(guān)性大小，綜合構(gòu)造出波段信息。對(duì)于波段信息量變化較大，但是相關(guān)性較小時(shí)，選擇的信息量應(yīng)大于設(shè)置的閾值，在波段位置前段，進(jìn)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(gè)波段具有較小的相關(guān)性。設(shè)置圖像波段內(nèi)的平均像素值具有一定的獨(dú)立性，根據(jù)兩個(gè)波段的相關(guān)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(guān)性大小是否符合標(biāo)準(zhǔn)要求。

波段的信息量變化越大，對(duì)于后續(xù)木材識(shí)別越具有代表性意義。在自適應(yīng)波段中存在圖像的 K-L 散度，是識(shí)別木材的重要應(yīng)用信號(hào)，各個(gè) K-L 散度之間相似度較高，是圖像離散信號(hào)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(shí)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(duì)稱(chēng)距離，也能在一定程度上代表兩個(gè)信號(hào)間信息量的差值。高光譜圖像的波段都存在一定差異，通過(guò) 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(jìn)行歸一化處理，得出波段向量的若干個(gè)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(qiáng)，相似度越低，更加有利于木材的識(shí)別操作。重復(fù)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(shí)別木材

高光譜圖像的自適應(yīng)波段選擇完畢后，通過(guò)近紅外的方式，根據(jù)高光譜圖像區(qū)域內(nèi)的吸收峰變化，識(shí)別木材。對(duì)木材的識(shí)別來(lái)說(shuō)，近紅外光譜區(qū)產(chǎn)生的官能團(tuán)較多，一級(jí)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(duì)近紅外區(qū)域?qū)倌軋F(tuán)的吸收作用，主要表現(xiàn)在木質(zhì)素與化學(xué)纖維素方面，木材中的化學(xué)成分較為復(fù)雜，根據(jù)對(duì)應(yīng)的高光譜吸收峰變化能夠進(jìn)行木材種類(lèi)的判定。本文獲取的木材近紅外高光譜吸收?qǐng)D，如圖 3 所示。

圖 3 木材原始近紅外高光譜吸收?qǐng)D

根據(jù)圖 3 可以看出，木材的各個(gè)吸收峰特點(diǎn)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(zhì)素的倍頻伸縮作用位于 1250nm 與 1560nm 之間，纖維素的彎曲振動(dòng)發(fā)生在 2234nm 位置附近。根據(jù)近紅外高光譜吸收?qǐng)D，能夠獲取到在近紅外區(qū)域下，木材的化學(xué)基團(tuán)變化。由于木材抽提物對(duì)高光譜區(qū)域具有吸收作用，通過(guò)近紅外區(qū)域下，對(duì)木材的高光譜吸收?qǐng)D進(jìn)行定量分析，預(yù)測(cè)木材中的木質(zhì)素及纖維素含量，根據(jù)其化學(xué)特性識(shí)別木材。木材的化學(xué)特征與紋理特征相結(jié)合，能夠有效地提高木材的識(shí)別能力與精確度。

2實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證本文提出的高光譜圖像紋理增強(qiáng)方法提高木材識(shí)別能力的有效性，進(jìn)行了如下實(shí)驗(yàn)。本實(shí)驗(yàn)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(shí)，對(duì)異常的樣本及測(cè)試集進(jìn)行劃分，保證本實(shí)驗(yàn)樣本的質(zhì)量，提高實(shí)驗(yàn)結(jié)果的準(zhǔn)確率。對(duì)實(shí)驗(yàn)中的十種木材，進(jìn)行高光譜圖像區(qū)域提取，由于實(shí)驗(yàn)中的高光譜儀器分辨率較大，獲取的圖像中包含許多重復(fù)的信息，對(duì)重復(fù)信息進(jìn)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(shí)驗(yàn)的 ROI 區(qū)域，在實(shí)驗(yàn)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(shí)驗(yàn)選擇平均光譜信息，作為實(shí)驗(yàn)的高光譜信息參數(shù)。采用工具欄進(jìn)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(guò)反復(fù)實(shí)驗(yàn)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(gè)木塊設(shè)置 5 個(gè)ROI，尺寸為 150*150，計(jì)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(diǎn)走向，在多個(gè)點(diǎn)重合在一起時(shí)，計(jì)算木材識(shí)別的反射率。

2.2對(duì)比分析

將本文提出的高光譜圖像紋理增強(qiáng)提高木材識(shí)別能力的方法設(shè)置為實(shí)驗(yàn)組，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)提高木材識(shí)別能力的方法設(shè)置為對(duì)照組，對(duì)比兩種方法識(shí)別木材的速度，實(shí)驗(yàn)測(cè)試結(jié)果，如表 1 所示。

表 1 兩種木材識(shí)別方法的測(cè)試結(jié)果對(duì)比

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

3結(jié) 語(yǔ)

本文提出的高光譜圖像紋理增強(qiáng)提高木材識(shí)別能力的方法，作為一種新的圖譜技術(shù)，有效地提高了對(duì)木材特征的識(shí)別能力，減少了木材原料由于識(shí)別不當(dāng)產(chǎn)生的浪費(fèi)，在木材識(shí)別方面具有良好的發(fā)展前景。實(shí)驗(yàn)證明，本文提出的識(shí)別方法提高了木材識(shí)別結(jié)果的正確率，對(duì)不同特征的木材識(shí)別，具有較強(qiáng)的適應(yīng)性。然而，本文提出的方法在應(yīng)用中處于起步階段，在未來(lái)的研究中，需要加強(qiáng)對(duì)高光譜圖像紋理增強(qiáng)方法的深入研究與完善，對(duì)木材的解剖方法進(jìn)行完善，提高木材識(shí)別結(jié)果的精確度。

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

審核編輯：湯梓紅