CN101702196B - 基于木材显微图像的针叶材树种自动识别方法 - Google Patents

Abstract

一种基于木材显微图像的针叶材树种自动识别方法，属显微图像的计算机识别技术，分为训练和识别两部分，训练的具体步骤有：基础样本材料的准备、预处理、主成分分析特征提取和独立成分分析特征提取；识别的具体步骤有：待识别材料的准备、预处理、待识别图像的投影和重构、树种的认定。本方法能对已存储的针叶材横切面显微图像数据库中数据进行训练，并对待识别针叶材采用计算机相似度比对方法进行树种识别，具有不受鉴别者主观影响、综合能力和运算效率高、速度快和正确率较高的优点。

Description

基于木材显微图像的针叶材树种自动识别方法

技术领域

本发明涉及一种显微图像的计算机识别技术，尤其是针对针叶树种木材切片显微图像的自动识别方法。

背景技术

针叶材早期的识别方法主要靠人工经验和知识，根据宏观特征和微观特征，通过观察、比较和分析逐步鉴定识别木材。后来出现的对分式检索表和穿孔卡片检索表使人们可以借助相应的工具来进行木材识别，但是通过手工查阅和使用检索表效率低下，而且检索表容易破损。计算机的出现，特别是数据库技术的广泛应用，人们将木材树种名称及构造特征等数据在计算机中存储，开创了木材识别计算机检索系统。该系统具有处理信息快、运行效率高、综合功能强等特点。但由于计算机检索时输入的特征需要操作者凭印象进行主观的描述，从而使这种识别方法仍具有很大的主观色彩，尚需用户本人对木材构造特征有清晰认识，限制了数据库识别方法的应用范围。

经检索，涉及树木生物学特征检别的有CN1936552“红木的近红外光谱识别方法”，而借助计算机对木材显微图像匹配比对进行针叶树种识别的方法，至今未见报道。

发明内容

针对现有技术中，针叶树种识别速度慢、查阅的纸质材料和检索表易破损、综合能力和运算效率低、受鉴别者主观影响大等不足，本发明要解决的问题是提供一种借助于计算机对针叶材显微图像中所隐含的生物学和统计特征采用图像匹配比对进行针叶树种自动识别的方法。

解决上述问题的技术方案是：本自动识别方法分为训练和识别两部分，具体步骤如下：

一.训练

(1)基础样本材料的准备：

1)取材：将选定的木材切割成一块小的长方体试样，在树干胸径的边材内缘处取材，不取近髓部，横切面平整，至少有一个完整的年轮，年轮界限和长边平行；

2)软化：将试样放入酒精和甘油的混合液中浸泡或加热煮沸，直至软化到能用刀片切割；

3)切片：切取的薄片厚度为10～200μm，切片的木材特征显示清晰；

4)染色：用蒸馏水清洗切片，加入蒸馏水，滴几滴番红溶液，放置2小时以上；

5)做片：

a)脱水与透明处理：脱水采用酒精由低浓度至高浓度逐级浸泡方式，最后用无水酒精浸泡至完全脱水，脱水后的切片进行透明处理后放入二甲苯中保存；

b)切片封固：用中性树脂胶将切片封固在玻片上，待树脂胶干固后保存；

6)切片的计算机存储，即显微摄像：用摄影显微镜对封固好的切片进行显微拍摄，获得木材显微构造的电子数码图像，保存于电脑文件中；

(2)预处理

1)截取子区域：

在给定针叶材横切面显微图像的早晚材过渡部分选取一块长度和宽度值为100-400像素的子区域，截取区域早材管胞占大部分；

2)灰度图转换：

将上一步获得的像素子区域转换为256级灰度图像；

(3)主成分分析特征提取

对经过预处理后样本图像采用主成分分析方法进行去二阶相关和降维处理；

设训练集共有m幅图像，每个训练样本x_i表示为1×n的行向量，记X＝[x₁，x₂，…，x_m]^T∈R^m×n是由样本向量组成的矩阵，作如下主成分分析操作：C＝PΛP^T，其中P＝[p₁，p₂，...，p_m]，P是特征向量阵，Λ是特征值对角阵，取前r个最大特征值，相应的特征向量为：P_r＝[p₁，p₂，...，p_r]∈R^m×r，一般我们取r＝m；

令 $Y=P_r^{T}X=[y_1,y_2,...,y_m],$ Y是训练样本集X在特征子空间P_r上的投影，称Y中的每一个元素，即行向量为“特征树”，或样本的主成分分析特征；

(4)独立成分分析特征提取

1)白化处理

对输入数据Y进行线性变换，变换后的数据Y′的协方差矩阵是单位矩阵，采用协方差特征值分解，E(YY^T)＝EDE^T，其中E是正交矩阵E{YY^T}的特征向量，D是它的特征值矩阵，白化处理可通过式子：

Y′＝ED^-1/2EY实现，其中，白化矩阵W_Z定义为：W_Z＝ED^-1/2E；

2)计算分离矩阵

采用信息最大化法或互信息最小法或极大似然估算法计算独立成分分析模型，计算分离矩阵，得到W；

3)构造独立成分分析独立树基图像

将输入数据经过主成分分析处理得到的“特征树”变换成一维行向量，并把所有的特征树逐行叠置构成一个m×r的矩阵，记为Y，由上一步独立成分分析模型的估计算法训练出W，再加上对初始数据的白化变换，最后得到解混合矩阵W_I＝W_ZW，用W_I对独立成分分析输入数据Y做线性变换得到独立树基图像U：U＝W_I Y；

4)重构训练样本集

将原样本木材图像在独立成分分析特征子空间中重新表示：由U＝W_I Y，得

又因

当r不等于m时，P_r不是方阵，从最小二乘意义上通过伪逆求X的估计

$\hat{X}={\left[P_r^T\right]}^{\#}Y={\left[P_r^T\right]}^{\#}{W}_I^{-1}U=\mathrm{BU},$ 其中#是伪逆运算，式中

将

作为训练样本集的重构样本，用于树种分类之中；

二.识别

(1)待识别材料的准备

与训练中样本切片材料准备相同方法将待识别样本材料的针叶树种木材切片、封固、显微拍摄、制作电子数码图像和计算机存储；

(2)预处理

给定待识别针叶材横切面显微图像，在其早晚材过渡部分截取100-400像素的子区域，选取部位的标准与训练样本切片相同，经转换成256级灰度图像后保存；

(3)待识别图像的投影和重构

将待识别样本的针叶材图像表示成一维行向量x_test，首先将其在主成分分析特征空间中投影得到r_test：

然后与混合矩阵作用

获得待识别木材的独立成分分析特征向量；

(4)分类

将训练木材样本图像的独立成分分析系数向量作为木材图像的特征向量，并采用向量余弦的最近邻分类器进行分类；

设b_test为待识别的木材图像的特征向量，b_train为参与训练的已知树种类别的木材图像的特征向量，则b_test与b_train之间的余弦为：

b_test将被归类到与之距离最小的b_train所在的针叶材树种类别。

本发明的有益效果是：在已存储的针叶材横切面显微图像数据库中，对待识别针叶材采用计算机相似度比对方法进行树种识别，具有不受鉴别者主观影响、综合能力和运算效率高、速度快和正确率较高的优点。

具体实施方式

本发明下面结合实施例予以阐明：

木质材料以其独特的材料性能以及优良的环境学特性深受人们喜爱，广泛用于人类的生活当中，发挥着重要的作用。由于树种不同，木材的构造就不一样，材质有差异，用途也就不同。因此正确地识别木材的树种就显得特别重要，主要表现在：1)根据各种木材具有的不同化学、物理和力学性质，按其材质特性，充分合理地使用木材资源；2)使木材在流通中做到真材实料按质论价，这对于木材家具、家装产业的健康发展意义重大；3)使木材进出口管理中防止非法木材交易和交易欺诈行为；4)对考古和历史研究也具有重要意义。如通过木材识别可以了解古代树种的生长、分布及利用，古代人们掌握材性和选材、用材的科学性等情况。

针叶树材显微图像显示的主要是管胞，实际的显微结构中也是如此，管胞占木材总体积89％～98％，管胞径向排列整齐，其长宽比在树成熟期后是比较稳定的。横切面上早晚材过渡情况对于针叶材树种识别具有重要的意义，这部分是指树木横断面年轮中显示的春夏生长部到秋冬生长部的过渡部分，具有独特的季节生长的对比性特征，因此作为选取部分。这些具有细微差别的识别特征通过人的肉眼很难进行区分，但计算机易计算，然后用于针叶材树种识别。

主成分分析(Principle Component Analysis，PCA)是一种经典的线性数据降维方法，它是在最小均方误差意义下用较少的维数表示原数据，具有简单、高效的特点。

独立成分分析(Independent Component Analysis，ICA)作为一种盲源分离技术，是基于信号的高阶统计特性的分析方法。在独立成分分析特征提取前先采用主成分分析进行降维，可以有效减少算法的运行时间。由于采用了独立成分分析方法，它不但考虑了二阶以上的统计特征，而且分解得到的基向量在空间分布上更为局部化；而局部化特征对于针叶材树种识别非常有利，因为同一树种的管胞会受到树龄、生长环境等因素的影响，而局部特征可以降低这些影响。

下面详细介绍本方法所采用的具体步骤：

一、训练过程

1、材料准备(样本切片制作及计算机存储)

木材切片的制作目前还没有国家标准规定，但是在木材行业中有常规的做法，为明确起见，下面介绍本方法对木材切片的制作流程：

7)取材：将选定的木材切割成一块小的长方体试样。一般在树干胸径的边材内缘处取材，不取近髓部，横切面平整，至少有一个完整的年轮，年轮界限和长边平行。

8)软化：将试样放入酒精和甘油的混合液中浸泡或加热煮沸，直至软化到能用刀片切割。

9)切片：切取的薄片厚度为10～200μm，切片的木材特征显示清晰。

10)染色：用蒸馏水清洗切片，加入蒸馏水，滴几滴番红溶液，放置2小时以上。

11)做片

a)脱水与透明处理：脱水采用酒精由低浓度至高浓度逐级浸泡方式，最后用无水酒精浸泡至完全脱水，脱水后的切片进行透明处理后放入二甲苯中保存；

b)切片封固：用中性树脂胶将切片封固在玻片上，待树脂胶干固后保存；

12)切片的计算机存储(显微摄像)：用摄影显微镜对封固好的切片进行显微拍摄，获得木材显微构造的电子数码图像，保存于电脑文件中；

2、预处理

1)截取子区域

在给定针叶材横切面显微图像的早晚材过渡部分宜选取一块200×200(长度和宽度值为100-400)像素的区域。要求截取区域早材管胞占大部分(尽量不要靠近年轮线)，可含少量木射线，但不含断裂、树脂道。

2)灰度图转换

将上一步获得的200×200像素子区域转换为256级灰度图像。切片颜色是为便于观察由切片制作时染色所致，并非木材本身的特征，它对树种识别没有意义。

3、主成分分析特征提取

对经过预处理后样本图像采用主成分分析方法进行去二阶相关和降维处理，以降低参加后续独立成分分析特征提取的向量的维数，提高独立成分分析特征获取的效率。

设训练集共有m幅图像，每个训练样本x_i表示为1×n的行向量，记X＝[x₁，x₂，…，x_m]^T∈R^m×n是由样本向量组成的矩阵。作如下主成分分析操作：C＝PΛP^T，其中P＝[p₁，p₂，...，p_m]，P是特征向量阵，Λ是特征值对角阵。取前r个最大特征值，相应的特征向量为：P_r＝[p₁，p₂，...，p_r]∈R^m×r，一般我们取r＝m。

令 $Y=P_r^{T}X=[Y_1,Y_2,...,Y_m],$ Y是训练样本集X在特征子空间P_r上的投影，称Y中的每一个元素(行向量)为“特征树”，或样本的主成分分析特征。

4、独立成分分析特征提取

1)白化处理

为了提高独立成分分析特征提取算法的效率，对输入矩阵Y进行白化处理。即对输入数据Y进行线性变换，使得变换后的数据Y′，它的协方差矩阵是单位矩阵。采用协方差特征值分解，E(Y Y^T)＝EDE^T，其中E是正交矩阵E{YY^T}的特征向量，D是它的特征值矩阵。白化处理可通过式子：Y′＝ED^-1/2EY实现，其中，白化矩阵W_Z定义为：W_Z＝ED^-1/2E。

2)计算分离矩阵

目前常用的独立成分分析模型估计方法有信息最大化(Informax)法、互信息最小(负熵最大化)法、极大似然估计法等。下面以Bell和Sejnowski提出的Informax算法为分离矩阵W的求解方法作为说明。

设X是n维随机向量，定义分离矩阵W是n×n可逆矩阵，U＝WX，且G＝f(U)是代表神经元输出的n维随机向量，f＝(f₁，f₂，…，f_n)，其中f是可逆单调非线性的压缩函数，它把实数映射到[0，1]之间。在Bell和Sejnowski提出的算法中，f为Sigmoid函数：f_i(u)＝1/(1+e^-u)。算法通过将梯度上升准则作用于G的熵值H(G)来改变分离矩阵W，从而使向量x与G中的随机向量因素g之间的互信息最大。矩阵改变规则如下： $\mathrm{\ΔW}\∝{\▿}_{W}H\left(G\right)W^{T}W=(I+G^{\′}{U}^T)W,$ 其中，T表示矩阵转置，I是单位矩阵，H(Y)是随机向量Y的熵，是熵的梯度矩阵，该矩阵的第i行、第j列的元素是H(Y)关于W_ij的偏微分。

3)构造独立成分分析独立树基图像

将输入数据经过主成分分析处理得到的“特征树”变换成一维行向量，并把所有的特征树逐行叠置构成一个m×r的矩阵，记为Y。由上一步独立成分分析模型的估计算法训练出W，再加上对初始数据的白化变换，最后得到解混合矩阵W_I＝W_ZW。用W_I对独立成分分析输入数据Y做线性变换得到独立树基图像U：U＝W_I Y。

4)重构训练样本集

将原样本木材图像在独立成分分析特征子空间中重新表示：由U＝W_I Y，得又因

当r不等于m时，P_r不是方阵，从最小二乘意义上通过伪逆求X的估计

$\hat{X}={\left[P_r^T\right]}^{\#}={\left[P_r^T\right]}^{\#}{W}_I^{-1}U=\mathrm{BU},$ 其中#是伪逆运算，式中 $B={\left[P_r^T\right]}^{\#}{W}_1^{-1}.$ 将

作为训练样本集的重构样本，用于树种分类之中。

二、识别过程

1、材料准备(待识别样本切片制作及计算机存储)

与训练中样本切片材料准备相同方法将待识别样本材料的针叶树种木材切片、封固、显微拍摄、制作电子数码图像和计算机存储。

2、预处理

给定待识别针叶材横切面显微图像，在其早晚材过渡部分也宜截取200×200像素的子区域，选取部位的标准与训练样本切片相同。经转换成256级灰度图像后保存。以下操作均是利用该图像进行识别。

3、待识别样本的投影及重构

将待识别样本的针叶材图像表示成一维行向量x_test，首先将其在主成分分析特征空间中投影得到r_test：

然后与混合矩阵作用

获得待识别木材的独立成分分析特征向量。

4、分类

将训练木材样本图像的独立成分分析系数向量作为木材图像的特征向量，并采用向量余弦的最近邻分类器进行分类。由于经独立成分分析学习后，所提取的特征向量的长度是不同的，采用余弦作为度量值比欧氏距离能使独立成分分析取得更好的分类效果。

设b_test为待识别的木材图像的特征向量，b_train为参与训练的已知树种类别的木材图像的特征向量，则b_test与b_train之间的余弦为：

b_test将被归类到与之距离最小的b_train所在的针叶材树种类别。

Claims (1)

1.一种基于木材显微图像的针叶材树种自动识别方法，分为训练和识别两部分，其特征是所述方法按如下步骤进行：

一.训练

(1)基础样本材料的准备：

1)取材：将选定的木材切割成一块小的长方体试样，在树干胸径的边材内缘处取材，不取近髓部，横切面平整，至少有一个完整的年轮，年轮界限和长边平行；

2)软化：将试样放入酒精和甘油的混合液中浸泡或加热煮沸，直至软化到能用刀片切割；

3)切片：切取的薄片厚度为10～200μm，切片的木材特征显示清晰；

4)染色：用蒸馏水清洗切片，加入蒸馏水，滴几滴番红溶液，放置2小时以上；

5)做片：

a)脱水与透明处理：脱水采用酒精由低浓度至高浓度逐级浸泡方式，最后用无水酒精浸泡至完全脱水，脱水后的切片进行透明处理后放入二甲苯中保存；

b)切片封固：用中性树脂胶将切片封固在玻片上，待树脂胶干固后保存；

6)切片的计算机存储，即显微摄像：用摄影显微镜对封固好的切片进行显微拍摄，获得木材显微构造的电子数码图像，保存于电脑文件中；

(2)预处理

1)截取子区域：

在给定针叶材横切面显微图像的早晚材过渡部分选取一块长度和宽度值为100-400像素的子区域，截取区域早材管胞占大部分；

2)灰度图转换：

将上一步获得的像素子区域转换为256级灰度图像；

(3)主成分分析特征提取

对经过预处理后样本图像采用主成分分析方法进行去二阶相关和降维处理；

设训练集共有m幅图像，每个训练样本x_i表示为1×n的行向量，记X＝[x₁，x₂，…，x_m]^T∈R^m×n是由样本向量组成的矩阵，作如下主成分分析操作：C＝PΛP^T，其中P＝[p₁，p₂，...，p_m]，P是特征向量阵，Λ是特征值对角阵，取前r个最大特征值，相应的特征向量为：P_r＝[p₁，p₂，...，p_r]∈R^m×r，一般我们取r＝m；

令 $Y=P_r^{T}X=[y_1,y_2,...,y_m],$ Y是训练样本集X在特征子空间P_r上的投影，称Y中的每一个元素，即行向量为“特征树”，或样本的主成分分析特征；

(4)独立成分分析特征提取

1)白化处理

对输入数据Y进行线性变换，变换后的数据Y′的协方差矩阵是单位矩阵，采用协方差特征值分解，E(YY^T)＝EDE^T，其中E是正交矩阵E{YY^T}的特征向量，D是它的特征值矩阵，白化处理可通过式子：Y′＝ED^-1/2EY实现，其中，白化矩阵W₂定义为：W_Z＝ED^-1/2E；

2)计算分离矩阵

采用信息最大化法或互信息最小法或极大似然估算法计算独立成分分析模型，计算分离矩阵，得到W；

3)构造独立成分分析独立树基图像

将输入数据经过主成分分析处理得到的“特征树”变换成一维行向量，并把所有的特征树逐行叠置构成一个m×r的矩阵，记为Y，由上一步独立成分分析模型的估计算法训练出W，再加上对初始数据的白化变换，最后得到解混合矩阵W_I＝W_ZW，用W_I对独立成分分析输入数据Y做线性变换得到独立树基图像U：U＝W_I Y；

4)重构训练样本集

将原样本木材图像在独立成分分析特征子空间中重新表示：由U＝W_I Y，得

又因

当r不等于m时，P_r不是方阵，从最小二乘意义上通过伪逆求X的估计

$\hat{X}={\left[P_r^T\right]}^{\#}Y={\left[P_r^T\right]}^{\#}{W}_1^{-1}U=\mathrm{BU},$ 其中#是伪逆运算，式中 $B={\left[P_r^T\right]}^{\#}{W}_1^{-1},$ 将作为训练样本集的重构样本，用于树种分类之中；

二.识别

(1)待识别材料的准备

与训练中样本切片材料准备相同方法将待识别样本材料的针叶树种木材切片、封固、显微拍摄、制作电子数码图像和计算机存储；

(2)预处理

给定待识别针叶材横切面显微图像，在其早晚材过渡部分截取100-400像素的子区域，选取部位的标准与训练样本切片相同，经转换成256级灰度图像后保存；

(3)待识别图像的投影和重构

将待识别样本的针叶材图像表示成一维行向量X_test，首先将其在主成分分析特征空间中投影得到r_test：然后与混合矩阵作用获得待识别木材的独立成分分析特征向量；

(4)分类

将训练木材样本图像的独立成分分析系数向量作为木材图像的特征向量，并采用向量余弦的最近邻分类器进行分类；

设b_test为待识别的木材图像的特征向量，b_train为参与训练的已知树种类别的木材图像的特征向量，则b_test与b_train之间的余弦为：

b_test将被归类到与之距离最小的b_teain所在的针叶材树种类别。