CN112861875A - 一种用于区分不同木材产品的方法 - Google Patents

一种用于区分不同木材产品的方法 Download PDF

Info

Publication number
CN112861875A
CN112861875A CN202110077351.2A CN202110077351A CN112861875A CN 112861875 A CN112861875 A CN 112861875A CN 202110077351 A CN202110077351 A CN 202110077351A CN 112861875 A CN112861875 A CN 112861875A
Authority
CN
China
Prior art keywords
image
points
feature
matching
wood
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.)
Granted
Application number
CN202110077351.2A
Other languages
English (en)
Other versions
CN112861875B (zh
Inventor
孙永科
杜官本
邱坚
王宪
曹涌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Forestry University
Original Assignee
Southwest Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Forestry University filed Critical Southwest Forestry University
Priority to CN202110077351.2A priority Critical patent/CN112861875B/zh
Publication of CN112861875A publication Critical patent/CN112861875A/zh
Application granted granted Critical
Publication of CN112861875B publication Critical patent/CN112861875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Abstract

本发明提供一种用于区分不同木材产品的方法，包括：步骤一：获取木制品图像，然后使用特征点检测方法在所述木制品图像上裁剪一个子区域作为判断图像；步骤二：利用所述判断图像与用户图像进行比较，计算其相似度；步骤三：根据相似度来区分不同木材产品；其中，所述特征点检测方法包括以下步骤：步骤1：使用AKAZE算法找到所述木制品图像的所有特征点；步骤2：根据所述特征点选取判断图像。本发明方法实现了图像特征序列化，提高了计算效率。

Description

一种用于区分不同木材产品的方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种用于区分不同木材产品的方法。
背景技术
研究表明，消费者不仅重视详细的木制家具的信息，更关心它的可信程度[1]。木材区块链是一种数据可信技术，可用于木材追溯系统。它能为消费者提供与木材实体相关的识别和遗传信息，从而提高客户的认可度[2][3]。在木块链系统中，标识技术是连接木材实体与记录的关键手段。
研究人员尝试使用一些方法一些方法例如二维码(QR)和无线射频识别(RFID)。然而，他们并不安全，因为很容易被伪造和转印。
DNA是鉴定木材品种的重要特征[8]，[9]。然而，获取DNA序列昂贵并且费时间。它也不适合干木材，因为从干木材提取的DNA是困难的[10]。DNA的另一个缺点是它不能区分同一植物体的木材生产。
图像识别技术是木材识别的另一种方法。R.Schraml和H.Hofbauer使用七种测量方法识别单个木材实体[11]，他们也在实验中测试了指纹和虹膜识别方法[12]。由于木材结构的异向性[13]，[14]，可以利用木材图像来区分不同的木版。此外，木材表面纹理是木材固有的特征，不能转移给他人，因此在木材追溯系统中使用是一种信任和安全。
根据之前的研究，基于图像的技术适用于木材的描摹。然而，大多数的研究都集中在木头物种的识别上，而不是单个木制品的区别[15]，[16]。
[1]Victoria-Sophie Osburg,Shanna Appelhanz,Waldemar Toporowski,andMatthias Schumann.An empirical investigation of wood product informationvalued by young consumers.Journal of Cleaner Production,110:170–179,jan 2016.
[2]Shanna Appelhanz,Victoria-Sophie Osburg,Waldemar Toporowski,andMatthias Schumann.Traceability system for capturing,processing andprovidingconsumer-relevant information about wood products:system solution and itseconomic feasibility.Journal of Cleaner Production,110:132–148,jan 2016.
[3]R.Schraml,J.Charwat-Pessler,A.Petutschnigg,and A.Uhl.Towards theapplicability of biometric wood log traceability using digital log endimages.Computers and Electronics in Agriculture,119:112–122,nov 2015.
[4]Simone Figorilli,Francesca Antonucci,Corrado Costa,FedericoPallottino,Luciano Raso,Marco Castiglione,EdoardoPinci,Davide Del Vecchio,Giacomo Colle,Andrea Rosario Proto,Giulio Sperandio,and Paolo Menesatti.Ablockchain implementation prototype for the electronic open sourcetraceability of wood along the whole supply chain.Sensors(Switzerland),18(9):1–12,2018.
[5]Julie Godbout,Claude Bomal,Ken Farr,Miranda Williamson,andNathalie Isabel.Genomic tools for traceability:Opportunities,challenges andperspectives for the Canadian forestry sector.The Forestry Chronicle,94(01):75–87,jan 2018.
[6]Anders
Figure BDA0002908052860000021
Martin Erlandsson,
Figure BDA0002908052860000022
KaarleJaakkola,
Figure BDA0002908052860000023
Nilsson,KajNummila,Ville Puntanen,and Antti Sirkka.Monitoring environmentalperformance of the forestry supply chain using RFID.Computers in Industry,62(8-9):830–841,2011.
[7]D P DYKSTRA,G KURU,R TAYLOR,R NUSSBAUM,W B MAGRATH,and JSTORY.Technologies for wood tracking:Verifying and monitoring the chain ofcustody and legal compliance in the timber industry.Technical report,2003.
[8]Eleanor E.Dormontt,Markus Boner,Birgit Braun,Gerhard Breulmann,Bernd Degen,Edgard Espinoza,Shelley Gardner,Phil Guillery,John C.Hermanson,Gerald Koch,Soon Leong Lee,Milton Kanashiro,AntoRimbawanto,Darren Thomas,AlexC.Wiedenhoeft,Yafang Yin,Johannes Zahnen,and Andrew J.Lowe.Forensic timberidentification:It’s time to integrate disciplines to combat illegal logging,2015.
[9]Andrew J.Lowe and Hugh B.Cross.The Application of DNA methods toTimber Tracking and Origin Verification.IAWA Journal,32(2):251–262,2011.
[10]Lee Hong Tnah,Soon Leong Lee,Kevin Kit Siong Ng,SubhaBhassu,andRofina Yasmin Othman.DNA extraction from dry wood of Neobalanocarpusheimii(Dipterocarpaceae)for forensic DNA profiling and timber tracking.Wood Scienceand Technology,46(5):813–825,2012.
[11]Rudolf Schraml,Heinz Hofbauer,Alexander Petutschnigg,and AndreasUhl.Tree Log Identification Based on Digital Cross-Section Images of Log EndsUsing Fingerprint and Iris Recognition Methods.In Journal of MathematicalImaging and Vision,volume 47,pages 752–765.Springer,sep 2015.
[12]Rudolf Schraml,Heinz Hofbauer,Alexander Petutschnigg,and AndreasUhl.On rotational pre-alignment for tree log identification using methodsinspired by fingerprint and iris recognition.Machine Vision and Applications,27(8):1289–1298,2016.
[13]Chaoji Chen,YudiKuang,Shuze Zhu,Ingo Burgert,Tobias Keplinger,AmyGong,Teng Li,Lars Berglund,Stephen J.Eichhorn,and Liangbing Hu.Structure–property–function relationships of natural and engineered wood.Nature ReviewsMaterials,5(9):642–666,sep 2020.
[14]JasnaSimonovi′c,JasnaStevanic,Daniela Djikanovi′c,Lennart Salmén,and KsenijaRadoti′c.Anisotropy of cell wall polymers in branches of hardwoodand softwood:a polarized FTIR study.Cellulose,18(6):1433–1440,dec 2011.
[15]Sung-Wook Hwang,Kayoko Kobayashi,ShengchengZhai,and JunjiSugiyama.Automated identification of Lauraceae by scale-invariant featuretransform.Journal ofWood Science,64(2):69–77,apr 2018.
[16]Tobias Pahlberg,Olle Hagman,and Matthew Thurley.Recognition ofboards using wood fingerprints based on a fusion of feature detectionmethods.Computers and Electronics in Agriculture,111:164–173,feb 2015.
[17]Edouard Oyallon and Julien Rabin.An Analysis of the SURFMethod.Image Processing On Line,5:176–218,jul 2015.
[18]Zhang Huijuan and Hu Qiong.Fast image matching based-on improvedSURF algorithm.In 2011 International Conference on Electronics,Communicationsand Control(ICECC),pages 1460–1463.IEEE,sep 2011.
[19]Elizabeth Trundle.Sift.Prairie Schooner,86(1):85–100,2012.
[20]Pablo Fernández Alcantarilla,Adrien Bartoli,and AndrewJ.Davison.KAZE Features.In Lecture Notes in Computer Science(includingsubseries Lecture Notes in Artificial Intelligence and Lecture Notes inBioinformatics),pages 214–227.Lecture Notes in Computer ence,2012.
[21]Shaharyar Ahmed Khan Tareen and Zahra Saleem.A comparativeanalysis
of SIFT,SURF,KAZE,AKAZE,ORB,and BRISK.In 2018 InternationalConferenceon Computing,Mathematics and Engineering Technologies(iCoMET),pages 1–10.IEEE,mar 2018.
[22]Vasif V.Nabiyev,
Figure BDA0002908052860000031
AsumanGünay,GülMuzaffer,and GüzinUluta，s.Shredded banknotes reconstruction using AKAZE points.ForensicScience International,278:280–295,sep 2017.
[23]Chen Meixi,Yuan Yule,and Zhao Yong.KAZE Feature Point withModified-SIFT Descriptor.In Proceedings of 3rd International Conference onMultimedia Technology(ICMT-13),pages 1250–1258,Paris,France,2013.AtlantisPress.
[24]Herbert Bay,Andreas Ess,TinneTuytelaars,and Luc VanGool.SpeededUp Robust Features(SURF).Computer Vision and Image Understanding,110(3):346–359,jun 2008.
[25]Shichao Zhang,Xuelong Li,Ming Zong,Xiaofeng Zhu,and RuiliWang.Efficient kNN Classification With Different Numbers of NearestNeighbors.IEEE Transactions on Neural Networks and Learning Systems,29(5):1774–1785,may 2018.
[26]Zhongheng Zhang.Introduction to machine learning:k-nearestneighbors.Ann Transl Med,4(11):218,2016.
[27]Liang Zhang,Peiyi Shen,GuangmingZhu,WeiWei,and Houbing Song.AFast Robot Identification and Mapping Algorithm Based on KinectSensor.Sensors,15(8):19937–19967,aug2015.
[28]Martin H.Weik.Hamming distance.In Computer Science andCommunications Dictionary,pages 706–706.Springer US,Boston,MA,2000.
[29]Martin A.Fischler and Robert C.Bolles.Random sample consensus:aparadigm for model fitting with applications to image analysis and automatedcartography.Communications of the ACM,24(6):381–395,jun 1981.
[30]Jake Lever,Martin Krzywinski,and Naomi Altman.Classificationevaluation.Nature Methods,13(8):603–604,aug 2016.
[31]D.M.W.Powers.Evaluation:From precision,recall and f-measure toroc.,informedness,markedness&correlation.Journal of Machine LearningTechnologies,2(1):37–63,2011.
[32]Arjun Puri and Manoj Kumar Gupta.Comparative Analysis ofResampling Techniques under Noisy Imbalanced Datasets.In 2019InternationalConference on Issues and Challenges in Intelligent Computing Techniques(ICICT),pages 1–5.IEEE,sep 2019.
[33]Ethan Rublee,Vincent Rabaud,Kurt Konolige,and Gary Bradski.ORB:Anefficient alternative to SIFT or SURF.In 2011International Conference onComputer Vision,pages2564–2571.IEEE,nov 2011.
[34]George P.Rédei.Euclidean Distance.In Encyclopedia of Genetics,Genomics,Proteomics and Informatics,pages 638–638.Springer Netherlands,Dordrecht,2008.
[35]Lei Zhang,Yongdong Zhang,Jinhu Tang,Ke Lu,and Qi Tian.Binary CodeRanking with Weighted Hamming Distance.In 2013IEEE Conference on ComputerVision and Pattern Recognition,pages 1586–1593.IEEE,jun 2013.
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，提供一种用于区分不同木材产品的方法。
一种用于区分不同木材产品的方法，包括以下步骤：
步骤一：获取木制品图像，然后使用特征点检测方法在所述木制品图像上裁剪一个子区域作为判断图像；
步骤二：利用所述判断图像与用户图像进行比较，计算其相似度；
步骤三：根据相似度来区分不同木材产品；
其中，所述特征点检测方法包括以下步骤：
步骤1：使用AKAZE算法找到所述木制品图像的所有特征点；
步骤2：根据所述特征点选取判断图像。
进一步地，如上所述的方法，所述使用AKAZE算法找到所述木制品图像的所有特征点具体包括以下步骤：
步骤1：把彩色图片转换为灰度图；
步骤2：分别对图像进行1/2缩放，1/4缩放和1/8缩放得到三个不同尺度的图片；
步骤3：对每一个尺度空间中的图片进行模糊操作；所述模糊操作使用热传导程，每一个图片使用4个不同的传导系数进行模糊，新产生成4张不同的图片，每个尺度空间共有5张图片；
步骤4：对每一个尺度空间中的5张图片进行比较，保留在不同模糊度下都存在的像素点，有这些共同像素点组成的图像记为该尺度的特征图像；
步骤5：遍历最大的尺度空间的特征图像，判断特征图像中的像素点在其它尺度的特征图像中是否存在映射，如果存在映射，则认为该像素点为特征点；如果不存在，则认为该像素点不是特征点。
进一步地，如上所述的方法，根据所述特征点选取判断图像具体包括以下步骤
步骤1：选择图片的中心位置为参考点；
步骤2：选取一个初始最小的矩形，然后计算该矩形中特征点的数量；如果特征点的数量小于50，就增加矩形的尺寸然后重新统计，直到所选择的矩形区域中至少包含500个特征点；
步骤3：选取所述包含至少500个特征点的矩形区域为作为所述判断图像。
进一步地，如上所述的方法，所述步骤二利用所述判断图像与用户图像进行比较，计算其相似度具体包括以下步骤：
步骤1：计算待测试图片中的AKAZE特征点和描述符；
步骤2：利用2-近邻算法判断待测试图片中特征点在待测试图片中的近距离点，形成特征点匹配集合；
步骤3：遍历特征点匹配集合，比较每一个匹配中两个匹配点之间的欧式距离，如果第2个距离大于第一个距离的1.7倍，则认为该判断图中的点和第一个点的匹配是一个最佳匹配；过滤后的集合称为最佳匹配集合；
步骤4：对最佳匹配集合中的匹配点进行拟合，计算单映射矩阵，并选择符合单映射的点；
步骤5：统计单映射点的数目，记为两幅图片的相似度。
进一步地，如上所述的方法，所述步骤三根据相似度来区分不同木材产品具体包括：图片的相似度如果大于阈值30，认为两幅图片相似。
有益效果：
本发明在AKAZE算法的基础上进行了改进，实现了图像特征序列化，提高了计算效率。实验结果表明，准确率达到0.98，返回率达到0.96,F1达到0.96。计算时间减少到转型AKAZE算法的1/3。结果表明，改进后的算法具有良好的性能和耐用性。本发明方法提高了木头区块链中标签的可靠性和效率。这有助于促进木材可追溯系统的应用。
附图说明
图1为特征点描述符计算示意图；
图2为实验例所用家具图像；
图3为根据图2获取的图像；
图4为实验例中高斯模糊和阿卡兹传导的比较图；
图5为木材表面的特征点像；其中，(a)AKAZE算法检测149个点，(b)ORB算法检测140个点，(c)SURF算法检测57个点，(d)SIFT算法检测138个点；
图6为不同算法的比较图；其中，(a)为不同算法的F1值比较；(b)为不同算法的accuracy值比较；(c)为不同算法的Recall值比较；
图7为本发明算法获取的各中值与匹配阈值的关系图；其中，(a)为本发明算法的F1值与匹配阈值关系；(b)为本发明算法的accuracy值与匹配阈值关系；(c)为本发明算法的recall值与匹配阈值关系；
图8为本发明方法匹配后得到结果图；其中，第一列是原始图像，第二列为测试图像，第三列是第一列放大后的判据区域；第四列是第二列的放大图；第五列是匹配结果图；
图9为非串行化方法与串行化方法的匹配时间差异图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的区分不同木材产品的方法包括两个步骤：第一个过程是上传，获取木制品图像，然后使用特征点检测方法裁剪一个子区域作为判断图像。第二步是识别，将区块链系统中的特征与用户图像进行比较，计算其相似度。我们设计了一种新的方法来裁剪包含足够特征点的分区，以减少存储在区块链系统中的数据量来保持匹配的准确性。
在上传过程中，先后执行了两个方法，一种是使用AKAZE算法找到图像的所有特征点，另一种是从特征点中选取判断图像。
在匹配过程中，将客户的图像与序列化后的数据进行对比；首先，在图像上传后检测特征点，并计算特征点的描述符。其次，重点比较待测试图片中特征点与可追溯系统中的序列化特征点，并进行相似性的输出。
传统的方法是将判断图像存储在系统中，在进行匹配时需要重新进行特征点检测和描述计算，而本发明则将它移出。
1.提出的方法
特征点检测和描述是木材溯源系统的重要功能。特征点与相邻节点的灰度值有显著差异，描述符是与特征点相关的串行数字数据。大多数已发表的算法都有这种能力实现这一工作[17]，[18]，如尺度不变特征转换算法(SIFT)[19]和Surf算法。这些算法都是基于高斯模糊算法来找出特征点和计算描述符。但是并不适用于木制品，因为高斯模糊侧重在粗犷，而不是木制品表面经常出现的纤细纹理[20]。木材表面图像进行高斯模糊变得聚集和失去纹理信息。本发明基于非线性的热传导方程进行图片的模糊处理，能够很好的保留图片中的边缘信息。
提取到的信息能够很好的描述对象的外形特征。该算法包含以下步骤：
A.特征点检测
非线性扩散算法是另一种以边缘为重点的特征检测方法。在加速后的KAZE(AKAZE)中，采用定义为式(1)的热传导方程对获取的木制品图像[21]进行处理，比高斯模糊法更好保持木材射线。
Figure BDA0002908052860000081
其中div为发散度，
Figure BDA0002908052860000082
为梯度算子，L为：热量。
定义电导率函数c，如下公式(2)所示：
Figure BDA0002908052860000083
其中
Figure BDA0002908052860000084
的参数是一个高斯平滑函数，x、y代表坐标，t代表时间。函数g有两种类型作为公式
Figure BDA0002908052860000091
Figure BDA0002908052860000092
其中k是对比度，g2是OpenCV库中使用的默认扩散函数；g1是函数g的一种。
1)特征点
AKAZE拾取特征点使用一个O度和S子层次金字塔。对应的比例尺测量值定义为式(5)。
σi(o，s)＝2o+s/S，o∈[0，...，O-1]，s∈[0，...，S-1] (5)
其中i是金字塔中的图像索引。为了模拟传导方程，AKAZE使用公式(6)将参数映射到t。
Figure BDA0002908052860000093
假设图像为L，通过公式(7)计算滤过的金字塔
Figure BDA0002908052860000094
式中，Al(Li)为Li的导电矩阵，使用Hessian矩阵检测兴趣点，不同大小的图像需要对尺度进行归一化[20]，计算如式(8)所示。在得到hessian矩阵之后，选取灰度值大于其邻域的点作为特征点，通常将邻域缩小为3×3大小[22]。
Figure BDA0002908052860000095
2)描述符
使用不变旋转描述符增加匹配的鲁棒性。第一步是找到主导方向。
定义一个圆心为特征点的元，半径为6σi，并将其分为6个部分，温度为π/3弧度。控制方向与滑动段导数响应最长的方向相同[23]，[24]。块的导数是Lx和Ly的和。在图1中，右上段表示主方向，因为它有最长的导数。主方向是第一段的方向，角度是θ。
事实上，AKAZE使用了在SURF算法中使用的M-SURF描述符来描述特征点。将一个以中心为特征点的24×24的正方形旋转到主导方向角上，并使用它来过滤相邻像素[20]。
既：首先将正方形划分为4×4个有2个重叠的子区域，计算每个子区域的特征dv。特征dv表示为公式(9)，由于每个子区域有4个特征，因此一个特征点的矢量有64个特征数据。
dv＝(∑Lx，∑Ly，∑|Lx|，∑Ly|) (9)
其中，Lx和Ly为该子区域在不同八度上的一阶导数。
A.关键区域检测算法
由于从小的子区域中提取特征点比从原始图像中提取特征点快，我们设计了一种新的基于距离的子区域提取算法，该方法用于提取包含至少500个特征点的尽可能小的子区域，这里的阈值500来自于实验的统计数据。标准图像的选择流程为：在采集了整个图像的特征点后开始，计算图像中心并标记(xcyc)，定义初始距离阈值r＝48，测量所有中心点到每个特征点的距离，收集小于阈值r的距离。如果所收集的大小小于500，则增加距离阈值r并再次收集。当采集到足够的特征点或阈值r大于图像尺寸时，循环就会跳出。
如果收集到足够多的特征点，就会计算出一个包含这些特征点的最小矩形，这个矩形就是指纹区域。如果阈值r太大，没有收集到足够的特征点，那么这个程序将返回none，这意味着这幅图像不适合这个算法。
计算标准图片的过程说明了准则图像的计算过程。需要一个原始图像和特征点列表。程序计算中心点与特征点之间的距离，以便收集足够的特征点。变量r被限制在48个像素之间，并且是图像宽度和高度的最大变量。
A.序列化
定义所选特征点集合为SK，序列化特征点sk，sk∈SK定义为公式(10)。最后，数据板有2个数据表示特征点位置，64个数据表示描述符。总长度是66个数据。
ski＝[x，y，dv1，dv2，...，dv64] (10)
子区域的序列化特征为定义为式(11)的向量。
img＝[sk1，sk2，.....skk]，k≈500. (11)
D：匹配
通过匹配点的数量来衡量的相似度。采用k-NN[25][26]算法计算最近邻点。根据k-NN算法的原理，每个特征点都有k个匹配点，但有些匹配点并不相似。为了过滤好的匹配点，采用参数k＝2，得到两个最近的特征点[27]。定义第一幅图像中的特征点为KAo，另一幅图像中最近的两个特征点为KBm和KBn。KAo到KBm的汉明距离[28]为d1，KAo到KBn的汉明距离为d2。只有距离d1≤d2*0.6，KAo与KBm点才被认为是很好的匹配。
特征点来自于木材表面的相同位置，以满足项目功能。随机样本一致性(RandomSample Consensus，RANSAC)是一种估计工程参数[29]的迭代方法。在实验中，通常将异常值特征点再次去除，保留那些符合RANSAC项目函数的特征点。定义一个阈值N，当匹配点个数大于一个预定义的阈值N时，判定两幅图像为同一幅图像。N的最小值为4，因为RANSAC需要超过4个匹配点来估计项目功能。
E.相似度计算
图像a与定义sim的序列化数据集C的相似性。matche_points(a，cj)，cj∈C为图像a与序列化特征cj的匹配点个数。sim(a，cj)定义为公式(12)，表示a与cj∈C进行比较，返回最大的匹配点。
Figure BDA0002908052860000121
实验例：
A.材料
图片取自市场上价值不菲的木制家具。如图2所示，这些家具是一种中国风格的家具，价格昂贵，仿冒品多为廉价材料。三名工作人员，用不同的手机摄像头采集地表图像。实验中使用的三款手机分别是华为Nova7、华为荣耀20和一加5T。
同一区域由不同的相机在不同的位置拍摄，以获得更多的图像，拍摄距离约为40cm，从垂直方向的角度小于45度。原始图像如图3所示(图2所示的木头表面图片，每一行来自于相同的家具表面)，大小约为4608×3456像素，取决于手机的设置。共采集图像720张。
B.实验设计
我们模拟了序列化和匹配处理，并使用准确率、召回率和F1评估了识别性能。
1)提取特征
在上传意义上使用的序列化过程中，检测一幅原始图像，提取特征点，并将特征点序列化为结构化数据。实验中，关键节点按式(10)进行序列化。
其中x,y是特征点的位置，dvi是特征点的描述符。序列化特性包含66个数字数据。
2)测试方法
在匹配过程中，我们将图像中的特征点与序列化的特征进行比较。统计成功匹配的数量。defined O是图像数据集，定义了存储在系统中的序列化特性C。通过公式(13)计算得到图像oi,oi∈O的匹配结果为R(oi)。
Figure BDA0002908052860000131
其中N是置信阈值。
3)评价
在评价过程中，对所有原始图像使用不同的阈值n进行测试。使用三个评价指标来判断性能:准确性、召回率和F1评分。准确度是描述正确识别能力的一种度量，用公式(14)计算。
Figure BDA0002908052860000132
其中TP为真阳性检测次数，FP为假阳性检测次数，TN为真阴性检测次数，FN为假阴性检测次数。
精度(15)是预测正确率的一种指标[30]，它关注的是正面认可的紧密程度，识别精度高，识别结果稳定。
Figure BDA0002908052860000133
Recall是召回率使用公式(16)计算。它用来衡量正样本被正确识别的能力。
Figure BDA0002908052860000134
F1是精度和召回率的调和平均值，定义为式(17)，广泛应用于不均匀的阶级分布。
Figure BDA0002908052860000135
使用公式(15)计算精度，(16)计算召回率Recall。
实验中，我们还将AKAZE与SIFT、SURF、ORB[33]特征提取算法进行了比较。用这些算法代替AKAZE法重新计算了评价指标。需要改变的是距离测度，SIFT方法使用欧氏距离[34]来寻找邻域，其他方法使用汉明距离[35]来寻找邻域。
四.结果与讨论
A.匹配点评价
AKAZE算法的综合匹配性能最好，因为它的z分数最高。z分数是对一组分数与平均值之间关系的统计测量，用公式表示
Figure BDA0002908052860000141
其中x\\bar是X的均值，δ是X的标准差。
正z分数表示匹配点在均值之上，负z分数表示匹配点在均值之下。z分数越大意味着匹配结果越好。我们的实验结果如表1所示，它清楚地说明了AKAZE算法是最好的，因为它的z分数最大。
表1对阈值N＝4的正确匹配数进行统计
Methods Max Mean Std z-score
AKAZE 1783 131 167 5.98e-17
ORB 1865 27 59 -3.46e-17
SIFT 1198 30 43 -2.67e-17
SURF 514 25 32 -1.02e-17
AKAZE算法的匹配点均值明显大于其他方法，原因可能是AKAZE采用非线性扩散方法进行图像模糊，而其他方法采用高斯均值方法进行图像模糊。图4显示了非线性扩散和高斯扩散的对比(图4中，第一行:高斯模糊不同kernel大小的图像，kernel是高斯中使用的patch大小。第二行:非线性扩散尺度空间，k为传导函数g2的一个参数。)，其中，使用高斯模糊算法木材射线变得模糊，而使用非线性扩散算法木材射线保持清晰。结果表明，非线性扩散算法更适用于木材纹理图像。
图5显示了不同算法的特征点分布，AKAZE算法检测了最关键的点与这些点位于木头射线的位置。ORB算法也检测到140个特征点，但特征点分散，特别是在右侧垂直木射线。SURF算法只检测到57个特征点，但大部分都位于木射线中。SIFT算法检测到138个特征点，但这些特征点没有对齐到木射线，比其他方法更分散。
其中，木纹的重点主要位于木射线上。高斯算法忽略了黏液纹理用AKAZE算法检测。
1)阈值
F1的分数是分类系统的一个谐波指标，F1值越大表示识别性能越好。我们对所有的图像进行测试，并对识别结果进行分析，不同特征提取方法的F1评分如表2所示，其中N为置信阈值。一个显著的趋势是F1值随着N的增加而增加，AKAZE算法的F1得分总是最高。
表2f1-不同方法在不同阈值下的得分
N AKAZE SIFT SURF ORB
10 0.9595 0.348 0.095 0.163
13 0.9616 0.402 0.132 0.222
16 0.0.9618 0.446 0.207 0.271
19 0.9634 0.474 0.248 0.324
22 0.9655 0.498 0.304 0.365
25 0.9661 0.521 0.346 0.419
28 0.966 0.545 0.386 0.455
31 0.9672 0.563 0.414 0.478
34 0.9672 0.578 0.424 0.493
37 0.9684 0.59 0.473 0.523
40 0.968 0.599 0.502 0.538
43 0.968 0.606 0.504 0.56
46 0.9679 0.625 0.577 0.577
49 0.9681 0.637 0.62 0.598
这些数据还表明，阈值对AKAZE算法的影响较小。随着N的增加，SIFT F1增加0.289,SURF F1增加0.525，ORB F1增加0.435。而AKAZE F1只增加了0.0086。这些数据表明，使用AKAZE方法检测的特征点更加稳定。由于不同设备在不同位置获取的图像，较高的识别率也意味着基于AKAZE算法具有更好的旋转不变性和模糊不变性。
图6显示了F1、准确率和召回率(x轴是阈值N)。我们用不同的算法和阈值对这三个指标指标进行了测试，所有的结果都表明基于AKAZE的方法具有最好的性能。基于SIFT、ORB和SURF的方法在准确率和召回率上有不同的表现，如SURF在使用阈值N≥40时具有较高的准确率，但召回率最低。
基于AKAZE算法虽然变化不大，但仍有发展趋势。在图7中(F1、准确率和不同阈值N下的召回率，F1的最大值位于N＝37)，准确率先上升后下降，召回率几乎总是上升。阈值N＝37是识别系统的一个最优值，使用这个阈值时，F1得分、准确率和召回率最高。
图8显示了使用threshold＝37时匹配的结果(每一行来自不同的家具，第一列和第二列从相同的家具在不同的位置捕获，第三列放大第一列，第四列放大第二列。最后一列是匹配的结果。阈值N＝37。)。第一列是原始图像，第二列为测试图像，第三列是第一列放大后的判据区域。第四列是第二列的放大图。第二列的测试图像取自相同的家具，但是每一幅测试图像都是从不同的距离和不同的位置获取的。最后一列的匹配结果表明，我们提出的方法具有旋转不变性和鲁棒性。
B.识别能力
一个AKAZE描述符有64个数据，每个数据以8位表示，一个描述符的总长度为64×8位＝512bits，组合为2512。在我们的实验中，置信度阈值N＝37，这意味着37个特征点尽可能小的匹配表明识别是正确的。标识空间表示为式(19)。
(2512)N＝37 (19)
AKAZE使用汉明距离来衡量相似性。根据正确匹配点的统计，距离均值为50，标准差为20。距离小意味着基于AKAZE的方法可以识别更多的实体，距离大意味着基于AKAZE算法可以识别更少的实体。利用大距离70可计算出最小识别空间\Omegamin，表示为式(20)。
Ωmin＝(2512-70)37 (20)
\Omegamin是一个巨大的数字，表明这种方法在理论上有足够的能力来识别每一个木头块。大的识别空间是木制品可追溯性识别的理论基础。
C.识别速度
区块链系统的优势在于数据安全性，但传输速度是一个瓶颈。序列化过程大大减少了数据大小。例如，一个原始图像的大小通常为4608×3456像素，序列化后的特征大约有500×66个数据。数据大小缩小到原始图像的0.002倍。数据量小意味着传输数据所需的时间更少。
图9显示了非串行化方法与串行化方法的匹配时间差异(y轴是每幅图像匹配时间的平均值)，可以清楚地看出串行化方法减少了比较时间。在AKAZE算法中，每次匹配的比较时间约为1/3。对于SIFT、ORB和SURF算法，序列化算法也显著地推导了匹配时间。
序列化算法提高了匹配速度。对于图像特征匹配系统来说，这意味着该方法比非序列化方法能在更短的时间内获得识别结果。
在木材溯源系统中，可用于提高木材的识别效率。
五.结论
本发明提出的一种利用表面图像识别木制品的新方法。采用AKAZE方法提取特征，采用k-NN和RANSAC方法对异常值进行滤波，寻找不同图像中特征点的最佳匹配。与SIFT、ORB和SURF方法相比，我们提出的方法性能最好，F1值达到0.96，准确率达到0.98，召回率达到0.96。
我们设计了一种新的算法来裁剪小的子区域作为标准图像，并将序列化后的特征存储在结构数据中。串行化的特性提高了计算和传输效率，显著节省了存储空间。
本研究试图解决图形木块链系统的可信度问题。实验结果表明，在木头区块链系统中，利用图像识别木制品是可行的。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种用于区分不同木材产品的方法，其特征在于，包括以下步骤：
步骤一：获取木制品图像，然后使用特征点检测方法在所述木制品图像上裁剪一个子区域作为判断图像；
步骤二：利用所述判断图像与用户图像进行比较，计算其相似度；
步骤三：根据相似度来区分不同木材产品；
其中，所述特征点检测方法包括以下步骤：
步骤1：使用AKAZE算法找到所述木制品图像的所有特征点；
步骤2：根据所述特征点选取判断图像。
2.根据权利要求1所述的方法，其特征在于，所述使用AKAZE算法找到所述木制品图像的所有特征点具体包括以下步骤：
步骤1：把彩色图片转换为灰度图；
步骤2：分别对图像进行1/2缩放，1/4缩放和1/8缩放得到三个不同尺度的图片；
步骤3：对每一个尺度空间中的图片进行模糊操作；所述模糊操作使用热传导程，每一个图片使用4个不同的传导系数进行模糊，新产生成4张不同的图片，每个尺度空间共有5张图片；
步骤4：对每一个尺度空间中的5张图片进行比较，保留在不同模糊度下都存在的像素点，有这些共同像素点组成的图像记为该尺度的特征图像；
步骤5：遍历最大的尺度空间的特征图像，判断特征图像中的像素点在其它尺度的特征图像中是否存在映射，如果存在映射，则认为该像素点为特征点；如果不存在，则认为该像素点不是特征点。
3.根据权利要求1所述的方法，其特征在于，根据所述特征点选取判断图像具体包括以下步骤
步骤1：选择图片的中心位置为参考点；
步骤2：选取一个初始最小的矩形，然后计算该矩形中特征点的数量；如果特征点的数量小于50，就增加矩形的尺寸然后重新统计，直到所选择的矩形区域中至少包含500个特征点；
步骤3：选取所述包含至少500个特征点的矩形区域为作为所述判断图像。
4.根据权利要求1所述的方法，其特征在于，所述步骤二利用所述判断图像与用户图像进行比较，计算其相似度具体包括以下步骤：
步骤1：计算待测试图片中的AKAZE特征点和描述符；
步骤2：利用2-近邻算法判断待测试图片中特征点在待测试图片中的近距离点，形成特征点匹配集合；
步骤3：遍历特征点匹配集合，比较每一个匹配中两个匹配点之间的欧式距离，如果第2个距离大于第一个距离的1.7倍，则认为该判断图中的点和第一个点的匹配是一个最佳匹配；过滤后的集合称为最佳匹配集合；
步骤4：对最佳匹配集合中的匹配点进行拟合，计算单映射矩阵，并选择符合单映射的点；
步骤5：统计单映射点的数目，记为两幅图片的相似度。
5.根据权利要求1所述的方法，其特征在于，所述步骤三根据相似度来区分不同木材产品具体包括：图片的相似度如果大于阈值30，认为两幅图片相似。
CN202110077351.2A 2021-01-20 2021-01-20 一种用于区分不同木材产品的方法 Active CN112861875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110077351.2A CN112861875B (zh) 2021-01-20 2021-01-20 一种用于区分不同木材产品的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110077351.2A CN112861875B (zh) 2021-01-20 2021-01-20 一种用于区分不同木材产品的方法

Publications (2)

Publication Number Publication Date
CN112861875A true CN112861875A (zh) 2021-05-28
CN112861875B CN112861875B (zh) 2022-10-04

Family

ID=76008140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110077351.2A Active CN112861875B (zh) 2021-01-20 2021-01-20 一种用于区分不同木材产品的方法

Country Status (1)

Country Link
CN (1) CN112861875B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695498A (zh) * 2020-06-10 2020-09-22 西南林业大学 一种木材同一性检测方法
CN116128945A (zh) * 2023-04-18 2023-05-16 南京邮电大学 一种改进的akaze图像配准方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136074A (zh) * 2011-03-03 2011-07-27 浙江农林大学 一种基于mmi的木材图像纹理分析与识别方法
CN103606170A (zh) * 2013-12-05 2014-02-26 武汉大学 基于彩色尺度不变的街景影像特征检测与匹配方法
WO2017114581A1 (en) * 2015-12-30 2017-07-06 Telecom Italia S.P.A. System for generating 3d images for image recognition based positioning
CN106991695A (zh) * 2017-03-27 2017-07-28 苏州希格玛科技有限公司 一种图像配准方法及装置
CN109711014A (zh) * 2018-12-14 2019-05-03 西南林业大学 一种水热-微波联合软化处理后木材弯曲挠度的模型构建方法
CN110163182A (zh) * 2019-05-30 2019-08-23 辽宁工业大学 一种基于kaze特征的手背静脉识别方法
CN110232387A (zh) * 2019-05-24 2019-09-13 河海大学 一种基于kaze-hog算法的异源图像匹配方法
CN110263774A (zh) * 2019-08-19 2019-09-20 珠海亿智电子科技有限公司 一种人脸检测方法
CN111126412A (zh) * 2019-11-22 2020-05-08 复旦大学 基于特征金字塔网络的图像关键点检测方法
CA3032983A1 (en) * 2019-02-06 2020-08-06 Thanh Phuoc Hong Systems and methods for keypoint detection
CN111506772A (zh) * 2019-01-31 2020-08-07 北京小犀智能科技中心(有限合伙) 基于图像特征提取的以图搜影方法及系统
CN111695498A (zh) * 2020-06-10 2020-09-22 西南林业大学 一种木材同一性检测方法
CN111767960A (zh) * 2020-07-02 2020-10-13 中国矿业大学 一种应用于图像三维重建的图像匹配方法及系统
CN112241745A (zh) * 2020-10-29 2021-01-19 东北大学 一种基于光照不变颜色空间的特征点提取方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136074A (zh) * 2011-03-03 2011-07-27 浙江农林大学 一种基于mmi的木材图像纹理分析与识别方法
CN103606170A (zh) * 2013-12-05 2014-02-26 武汉大学 基于彩色尺度不变的街景影像特征检测与匹配方法
WO2017114581A1 (en) * 2015-12-30 2017-07-06 Telecom Italia S.P.A. System for generating 3d images for image recognition based positioning
CN106991695A (zh) * 2017-03-27 2017-07-28 苏州希格玛科技有限公司 一种图像配准方法及装置
CN109711014A (zh) * 2018-12-14 2019-05-03 西南林业大学 一种水热-微波联合软化处理后木材弯曲挠度的模型构建方法
CN111506772A (zh) * 2019-01-31 2020-08-07 北京小犀智能科技中心(有限合伙) 基于图像特征提取的以图搜影方法及系统
CA3032983A1 (en) * 2019-02-06 2020-08-06 Thanh Phuoc Hong Systems and methods for keypoint detection
CN110232387A (zh) * 2019-05-24 2019-09-13 河海大学 一种基于kaze-hog算法的异源图像匹配方法
CN110163182A (zh) * 2019-05-30 2019-08-23 辽宁工业大学 一种基于kaze特征的手背静脉识别方法
CN110263774A (zh) * 2019-08-19 2019-09-20 珠海亿智电子科技有限公司 一种人脸检测方法
CN111126412A (zh) * 2019-11-22 2020-05-08 复旦大学 基于特征金字塔网络的图像关键点检测方法
CN111695498A (zh) * 2020-06-10 2020-09-22 西南林业大学 一种木材同一性检测方法
CN111767960A (zh) * 2020-07-02 2020-10-13 中国矿业大学 一种应用于图像三维重建的图像匹配方法及系统
CN112241745A (zh) * 2020-10-29 2021-01-19 东北大学 一种基于光照不变颜色空间的特征点提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵瑞: "基于AlexNet模型的视觉室内定位方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695498A (zh) * 2020-06-10 2020-09-22 西南林业大学 一种木材同一性检测方法
CN116128945A (zh) * 2023-04-18 2023-05-16 南京邮电大学 一种改进的akaze图像配准方法
CN116128945B (zh) * 2023-04-18 2023-10-13 南京邮电大学 一种改进的akaze图像配准方法

Also Published As

Publication number Publication date
CN112861875B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Leng et al. Dual-source discrimination power analysis for multi-instance contactless palmprint recognition
Zhong et al. Decade progress of palmprint recognition: A brief survey
Pietikäinen et al. Local binary patterns for still images
Mehrotra et al. Robust iris indexing scheme using geometric hashing of SIFT keypoints
Zhang et al. Combining modified LBP and weighted SRC for palmprint recognition
Sarangi et al. Fusion of PHOG and LDP local descriptors for kernel-based ear biometric recognition
CN112861875B (zh) 一种用于区分不同木材产品的方法
Bakshi et al. A novel phase-intensive local pattern for periocular recognition under visible spectrum
Zhou et al. Digital image modification detection using color information and its histograms
Jayaraman et al. An efficient minutiae based geometric hashing for fingerprint database
Kaur et al. Robust iris recognition using moment invariants
Drmic et al. Evaluating robustness of perceptual image hashing algorithms
Liu et al. Fingerprint indexing based on singular point correlation
Roy et al. A novel quaternary pattern of local maximum quotient for heterogeneous face recognition
Pavlović et al. Copy-move forgery detection based on multifractals
Tamrakar et al. Occlusion invariant palmprint recognition with ULBP histograms
Hassaballah et al. Analysis and evaluation of keypoint descriptors for image matching
Badrinath et al. Score level fusion of voting strategy of geometric hashing and SURF for an efficient palmprint-based identification
Zhang et al. Palmprint identification combining hierarchical multi-scale complete LBP and weighted SRC
Pandey et al. ASRA: Automatic singular value decomposition-based robust fingerprint image alignment
Jayaraman et al. Use of geometric features of principal components for indexing a biometric database
Anand et al. Pore-based indexing for fingerprints acquired using high-resolution sensors
Kamboj et al. CG-ERNet: a lightweight Curvature Gabor filtering based ear recognition network for data scarce scenario
CN110705569A (zh) 一种基于纹理特征的图像局部特征描述子提取方法
Gupta et al. Fingerprint orientation modeling using symmetric filters

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