CN111815542B - 一种树木年轮图像髓心定位、年轮测量方法 - Google Patents
一种树木年轮图像髓心定位、年轮测量方法 Download PDFInfo
- Publication number
- CN111815542B CN111815542B CN202010757316.0A CN202010757316A CN111815542B CN 111815542 B CN111815542 B CN 111815542B CN 202010757316 A CN202010757316 A CN 202010757316A CN 111815542 B CN111815542 B CN 111815542B
- Authority
- CN
- China
- Prior art keywords
- image
- annual ring
- annual
- medulla
- tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010039509 Scab Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种树木年轮图像髓心定位、年轮测量方法,包括以下步骤:(1)对树木年轮图像灰度化处理;(2)对灰度图进行降噪;(3)利用自适应阈值化操作对降噪处理后的图像进行图像分割,将年轮与背景部分分割;(4)利用二值图像连通域算法提取每个年轮轮廓,将面积过小的连通域视作噪点并过滤;(5)计算各个年轮中心坐标,选择最小完整的年轮中心坐标作为树木年轮髓心;(6)从髓心向四周引多条射线计算出与每个年轮的交点坐标;(7)根据像素距离进行长度投影计算各年轮间实际宽度、年轮数目。本发明所述方法能够综合数字图像处理技术,构建基于树木年轮图像髓心定位、年轮测量系统,为年轮采集、分析的智能化、自动化提供可能。
Description
技术领域
本发明属于电子信息领域,具体涉一种树木年轮图像髓心定位、年轮测量方法。
背景技术
树木年轮间距与年轮数目是研究树木生长规律、森林生产力计算和气候变化的重要依据,对监测林木生长状况具有重要意义。传统的年轮识别方法主要由专业人员手工测量,存在工作量大、效率低、成本高、易出错等诸多弊端。年轮参数的自动化测量技术可以快速处理大量年轮数据,这对树木年轮学的研究具有重要意义。
目前,国内外树木年轮组成成分测量和分析方法对树木圆盘在生长过程中产生的结疤、砍伐过程中产生的毛刺、收集过程中产生的噪声点较为敏感,常采用的基于阈值和区域生长的图像分割方法难以取得理想的效果。
发明内容
发明目的:本发明的目的在于提供一种能够测量出树木年龄、快速精确得到树木年轮特征的树木年轮图像髓心定位、年轮测量方法。
技术方案:本发明的树木年轮图像髓心定位、年轮测量方法,包括以下步骤:
(1)输入树木年轮圆盘彩色图像,将彩色图像转为灰度图像;
(2)对灰度图像进行降噪处理;
(3)自适应阈值化,对降噪处理后的图像进行图像分割,将年轮与背景部分分割开来;
(4)二值图像连通域,从黑白图中提取一个个图像连通块,并计算每个连通块所包含的像素点数目;
(5)将像素点过少的连通块视作噪点并剔除,所保留的大面积连通块则为树木的年轮;
(6)计算出各个年轮的中心坐标,选择最小且完整的年轮中心坐标作为树木年轮圆盘的髓心;
(7)从髓心出发向四周引多条射线,计算射线与每个年轮的交点坐标,并得到相邻年轮的像素间距;
(8)对收集到的圆盘图像进行长度投影;
(9)根据相邻年轮的像素间距以及长度投影,计算年轮宽度、数目。
步骤(2)中,利用高斯滤波对灰度图像进行降噪处理,能够抑制噪声,提高图像质量。
步骤(3)中,采用基于局部邻域块高斯加权平均的自适应阈值化提取图像中的年轮轮廓。
步骤(4)中,采用八连通方式从黑白图中提取一个个图像连通块。
步骤(6)中,根据每个年轮的长宽计算出各个年轮的中心坐标。
有益效果:本发明与现有技术相比,其有益效果在于:利用数字图像处理技术,实现对树木年轮髓心快速识别、年轮间距精确测量;既解决了手工测量效率低、易出错等问题,又保证了自动识别精度,为相关从业人员节约了大量精力与时间。
附图说明
图1为本发明的流程图;
图2为本发明中年轮轮廓的识别示意图;
图3为本发明中原图经灰度化操作后的灰度图;
图4为本发明中经高斯滤波后的图像;
图5为本发明中经自适应阈值、二值化操作后的图像;
图6为本发明中经二值图像连通域提取,噪点过滤后的图像;
图7为本发明中图像连通域(各年轮)及各个中心的图像;
图8为本发明中最终处理获得的结果图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明做进一步详细介绍。
如图1所示,本发明的树木年轮图像髓心定位、年轮测量方法,包括以下步骤:
(1)RGB图像灰度化:输入的树木年轮圆盘图像是一张RGB彩图,每个像素点由(r,j,b)三个分量值组成,可通过下式将RGB彩色像素值转化为灰度像素值,结果如图3所示;
grayPixel=(b*29+g*150+r*77+128)>>8
(2)高斯滤波操作:高斯滤波是一种线性平滑滤波,本发明选择3*3的高斯核对经过(1)转换后的数字图像进行卷积计算,消除高斯噪声,对图像进行减噪,使图像变得较为平滑。结果如图4所示,相较于图3,图像细节处相对“模糊”,图像更加平滑;
(3)自适应阈值化操作:根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值,每个像素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定的,亮度较高的图像区域的二值化阈值通常会较高,而亮度低的图像区域的二值化阈值则会相适应的变小,不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。本发明采用基于局部邻域块高斯加权平均的自适应阈值化操作,在区域中(x,y)周围的像素根据高斯函数按照他们离中心点的距离进行加权计算,再减去常数C(设定为5),其中邻域块大小设定为15。得到有且仅有0(黑色)和255(白色)两种像素值的二值图像,如图 5所示,即为树木年轮的轮廓,图中依然有诸多噪点;
(4)二值图像连通域算法:通过对二值图像中黑色像素(目标)的标记,让每个单独的连通区域形成一个被标识的块,进一步获取这些块的轮廓、外接矩形、质心、不变矩等几何参数。本发明采用八连通、逐行扫描的方式,把每一行中连续的黑色像素组成一个序列称为一个团,并记下它的起点start、它的终点 end以及它所在的行号,然后将每行连通的团进行相互关联,识别连通块,如图 2所示;
(5)噪点过滤:如图6所示,提取所识别连通域的特征,包括连通域的长、宽、竖直方向坐标最大最小值、水平方向坐标最大最小值、面积、中心坐标等,具体详见下表1所示:其中,像素点数目较少的连通域视作噪点并删除,像素点数目较多的连通域视作数目年轮并保留,其像素点阈值设为100;表1
(6)髓心定位:根据下式计算每个年轮连通域的中心坐标(CentreX,CentreY),如图7所示,其中外围弧线为提取的年轮,中间黑点为其中心坐标。
在完整的年轮中选择面积最小年轮的中心坐标作为树木年轮圆盘的髓心,年轮是否“完整”的判定为下式,比值越接近1表示年轮越圆,比值在[0.9,1.1]间可判定该年轮“完整”。面积最小的大小则通过特征Area进行比较;
(7)年轮交点:如图8所示,从髓心出发向竖直向上、竖直向下、水平向左、水平向右、引四条射线,计算射线与每个年轮的交点坐标,并获得相邻年轮的像素间距,其中,中心大方形点为树木年轮髓心,其他小方形点为射线与年轮交点坐标。树木年轮上出现的裂纹会对年轮的测距与数目的计算造成误差,所以树木圆盘的年轮数应为四个方向射线交点数的最大值:设从髓心出发的四条射线与年轮的交点数分别为Numu、Numd、Numl、Numr,则其最大值为NumOfRing。
NumOfRing=Max(Numu,Numd,Numl,Numr)
(8)长度投影:输入的彩色图像与真实树木圆盘存在比例关系,最终树木年轮实际间距的计算,需对圆盘图像进行等比例放缩。若圆盘图像上下方向实际测量距离为dh、左右方向实际测量距离为dw、圆盘图像上下方向像素间距为dhp、左右方向像素间距为dwp,则上下方向实际距离与像素之比Sh,左右方向实际距离与像素之比Sw,计算公式如下:
(9)计算年轮宽度:通过计算四个方向上各交点坐标间的距离,可计算得到圆盘图像从髓心出发上、下、左、右侧方向上年轮间的宽度:设某方向上的一交点坐标为(x1,y1),与之相邻的交点坐标为(x2,y2),年轮间宽度d(实际值)计算公式如下:
Claims (4)
1.一种树木年轮图像髓心定位、年轮测量方法,其特征在于,包括以下步骤:
(1)输入树木年轮圆盘彩色图像,将彩色图像转为灰度图像;
(2)对灰度图像进行降噪处理;
(3)自适应阈值化,对降噪处理后的图像进行图像分割,将年轮与背景部分分割开来;
(4)二值图像连通域,从黑白图中提取一个个图像连通块,并计算每个连通块所包含的像素点数目;
(5)通过提取所识别连通域的特征,包括连通域的长、宽、竖直方向坐标最大最小值、水平方向坐标最大最小值、面积、中心坐标,将像素点过少的连通块视作噪点并剔除,所保留的大面积连通块则为树木的年轮;
(6)计算出各个年轮的中心坐标,选择最小且完整的年轮中心坐标作为树木年轮圆盘的髓心;
(7)从髓心出发向四周引多条射线,计算射线与每个年轮的交点坐标,并得到相邻年轮的像素间距;
(8)对收集到的圆盘图像进行长度投影;
(9)根据相邻年轮的像素间距以及长度投影,计算年轮宽度、数目;
步骤(3)中,采用基于局部邻域块高斯加权平均的自适应阈值化提取图像中的年轮轮廓。
2.根据权利要求1所述的树木年轮图像髓心定位、年轮测量方法,其特征在于:步骤(2)中,利用高斯滤波对灰度图像进行降噪处理。
3.根据权利要求1所述的树木年轮图像髓心定位、年轮测量方法,其特征在于:步骤(4)中,采用八连通方式从黑白图中提取一个个图像连通块。
4.根据权利要求1所述的树木年轮图像髓心定位、年轮测量方法,其特征在于:步骤(6)中,根据每个年轮的长宽计算出各个年轮的中心坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010757316.0A CN111815542B (zh) | 2020-07-31 | 2020-07-31 | 一种树木年轮图像髓心定位、年轮测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010757316.0A CN111815542B (zh) | 2020-07-31 | 2020-07-31 | 一种树木年轮图像髓心定位、年轮测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815542A CN111815542A (zh) | 2020-10-23 |
CN111815542B true CN111815542B (zh) | 2024-05-07 |
Family
ID=72863400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010757316.0A Active CN111815542B (zh) | 2020-07-31 | 2020-07-31 | 一种树木年轮图像髓心定位、年轮测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815542B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677365B (zh) * | 2022-04-18 | 2024-04-05 | 北京林业大学 | 一种高精度的树木年轮分析方法及系统 |
CN115294459B (zh) * | 2022-09-28 | 2023-01-13 | 南通欧瑞佳木业有限公司 | 基于生长不均衡特性的木材年轮识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10146807A (ja) * | 1996-11-18 | 1998-06-02 | Hiroshi Sakuraba | 木材片 |
CN105354823A (zh) * | 2015-09-28 | 2016-02-24 | 佛山市朗达信息科技有限公司 | 树木年轮图像边缘提取与分割的系统 |
CN107884412A (zh) * | 2017-12-21 | 2018-04-06 | 华南农业大学 | 一种针叶树木芯的年轮信息检测装置及方法 |
CN109917394A (zh) * | 2019-03-13 | 2019-06-21 | 南京信息工程大学 | 一种基于天气雷达的短临智能外推方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032868B (zh) * | 2009-09-28 | 2013-10-02 | 株式会社名南制作所 | 原木的年轮中心检测装置以及方法 |
-
2020
- 2020-07-31 CN CN202010757316.0A patent/CN111815542B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10146807A (ja) * | 1996-11-18 | 1998-06-02 | Hiroshi Sakuraba | 木材片 |
CN105354823A (zh) * | 2015-09-28 | 2016-02-24 | 佛山市朗达信息科技有限公司 | 树木年轮图像边缘提取与分割的系统 |
CN107884412A (zh) * | 2017-12-21 | 2018-04-06 | 华南农业大学 | 一种针叶树木芯的年轮信息检测装置及方法 |
CN109917394A (zh) * | 2019-03-13 | 2019-06-21 | 南京信息工程大学 | 一种基于天气雷达的短临智能外推方法 |
Non-Patent Citations (5)
Title |
---|
llyich,FV等.Theoretical studies and measurements of elastic-acoustic performance of wood with different methods for selection of resonant growing crop.《wood research》.2015,417-427. * |
图像处理技术与统计学方法在自动化年轮分析系统中的应用;陈佶;《中国优秀硕士学位论文全文数据库信息科技辑》;20150315;I138-2606 * |
基于参考点选择策略的改进型NSGA-III算法;耿焕同等;《模式识别与人工智能》;191-201 * |
基于图像处理的印刷板打孔定位与实现;陈东强;彭亚涛;金戈;;福建轻纺;20180825(第08期);33-40 * |
树木年轮参数图像检测方法研究;韩其燕;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;第1.3.2节、第2.1.4节、第2.1.5节、第2.2.1节、第2.2.2节、第3.1节、第3.2节、第3.3.3节、第4.2节、第4.5节、图1-2、图2-4、表4-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815542A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN111815542B (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN114821114A (zh) | 一种基于视觉系统的坡口切割机器人图像处理方法 | |
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN111783773B (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN109344820A (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN109345544B (zh) | 一种24色卡的色差自动分析方法 | |
CN114627463B (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN113610187B (zh) | 基于图像技术的木材纹理提取及分类方法 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN110570437B (zh) | 一种基于边界识别的电力通道自动化巡检数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |