CN115063603A - 基于边缘信息的木材年轮线精确提取及复原方法 - Google Patents

基于边缘信息的木材年轮线精确提取及复原方法 Download PDF

Info

Publication number
CN115063603A
CN115063603A CN202210888061.0A CN202210888061A CN115063603A CN 115063603 A CN115063603 A CN 115063603A CN 202210888061 A CN202210888061 A CN 202210888061A CN 115063603 A CN115063603 A CN 115063603A
Authority
CN
China
Prior art keywords
annual ring
line
annual
ring line
ring
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
CN202210888061.0A
Other languages
English (en)
Other versions
CN115063603B (zh
Inventor
徐敏
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.)
Haimen Wangchao Furniture Manufacturing Co ltd
Original Assignee
Haimen Wangchao Furniture Manufacturing Co ltd
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 Haimen Wangchao Furniture Manufacturing Co ltd filed Critical Haimen Wangchao Furniture Manufacturing Co ltd
Priority to CN202210888061.0A priority Critical patent/CN115063603B/zh
Publication of CN115063603A publication Critical patent/CN115063603A/zh
Application granted granted Critical
Publication of CN115063603B publication Critical patent/CN115063603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06T5/77—
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于边缘信息的木材年轮线精确提取及复原方法，属于数据处理技术领域。该方法采用相关的电子设备进行图形识别，以获取木材截面RGB图像，具体方法包括以下步骤：计算排序后各年轮线的完整度、黏连度和清晰度；根据排序后各年轮线的完整度、黏连度和清晰度计算各年轮线的真伪度；根据各年轮线的真伪度判断各年轮线是否为伪年轮；将伪年轮去除后的年轮线记为正常年轮线，根据各存在缺口的正常年轮线对应的各缺口向量对节瘤区位置进行定位和复原。本发明能够有效区别木材截面图中的正常生长年轮线和伪年轮线，并能够对节瘤区进行定位和复原，可实现对木材年轮线的精确提取。

Description

基于边缘信息的木材年轮线精确提取及复原方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于边缘信息的木材年轮线精确提取及复原方法。
背景技术
木材年轮在生长过程中，由于在一个生长周期内的环境因素的突变，例如：长期干旱以后突然下雨、火灾、病害虫损坏等，导致木材出现两个及以上的生长轮，在进行边缘检测提取轮廓的时候也会被提取出来并被误作为生长轮，此外木材也会出现节瘤区将年轮线的部分中断，对木材的年轮分割增加了难度。根据木材年轮的圈数可以判断木材的年龄，现有对木材年轮的圈数的提取多基于人工，检测效率和检测精度难以保证。
发明内容
为了解决现有方法不能精确提取木材年轮线的问题，本发明提供了一种基于边缘信息的木材年轮线精确提取及复原方法的技术方案，包括以下步骤：
获取木材截面RGB图像，对所述木材截面RGB图像进行灰度化处理，得到对应的木材截面灰度图像；从木材截面灰度图像中提取轮廓线，记为初始轮廓线；
利用密度聚类算法对所述初始轮廓线进行聚类，得到多个年轮聚类轮廓线；根据各年轮聚类轮廓线的角度跨度将年轮聚类轮廓线划分为完整的年轮聚类轮廓线和不完整的年轮聚类轮廓线，将每一条完整的年轮聚类轮廓线记为一条第一年轮线；将不完整的年轮聚类轮廓线中属于同一年轮线的年轮聚类轮廓线共同记为一条第二年轮线；将各第一年轮线和各第二年轮线按照对应的极坐标半径的大小进行排序，计算排序后各年轮线的完整度、黏连度和清晰度；根据排序后各年轮线的完整度、黏连度和清晰度计算各年轮线的真伪度；根据各年轮线的真伪度判断各年轮线是否为伪年轮；
将伪年轮去除后的年轮线记为正常年轮线，对于存在缺口的正常年轮线，根据各存在缺口的正常年轮线对应的排序后的年轮线序号和各缺口中心位置信息构建各存在缺口的正常年轮线对应的各缺口向量；根据各存在缺口的正常年轮线对应的各缺口向量对节瘤区位置进行定位和复原。
进一步地，所述根据各年轮聚类轮廓线的角度跨度将年轮聚类轮廓线划分为完整的年轮聚类轮廓线和不完整的年轮聚类轮廓线，包括：
对于任一年轮聚类轮廓线：
计算该年轮聚类轮廓线上的点的极坐标
Figure 151637DEST_PATH_IMAGE001
，求取极大值
Figure 334619DEST_PATH_IMAGE002
和极小值
Figure 273757DEST_PATH_IMAGE003
，如果该年轮聚类轮廓线上的点的极坐标
Figure 456345DEST_PATH_IMAGE001
分布在
Figure 797328DEST_PATH_IMAGE003
和
Figure 490826DEST_PATH_IMAGE002
之间
Figure 182838DEST_PATH_IMAGE004
，那么该聚类轮廓的角度跨度
Figure 513325DEST_PATH_IMAGE005
；如果该年轮聚类轮廓线上的点的极坐标
Figure 521864DEST_PATH_IMAGE001
分布在
Figure 623812DEST_PATH_IMAGE003
和
Figure 458913DEST_PATH_IMAGE002
之外，
Figure 422452DEST_PATH_IMAGE006
或
Figure 534764DEST_PATH_IMAGE007
，那么该聚类轮廓的角度跨度
Figure 728985DEST_PATH_IMAGE008
；
判断该年轮聚类轮廓线的完整度
Figure 880743DEST_PATH_IMAGE009
，将该年轮聚类轮廓线的完整度与完整度阈值
Figure 693979DEST_PATH_IMAGE010
进行比对，如果
Figure 113327DEST_PATH_IMAGE011
小于阈值
Figure 557078DEST_PATH_IMAGE012
，则判定该年轮聚类轮廓线不是完整的年轮聚类轮廓线；如果
Figure 524028DEST_PATH_IMAGE011
不小于阈值
Figure 94949DEST_PATH_IMAGE012
，则判定该年轮聚类轮廓线是完整的年轮聚类轮廓线。
进一步地，所述将不完整的年轮聚类轮廓线中属于同一年轮线的年轮聚类轮廓线共同记为一条第二年轮线，包括：
对不完整的年轮聚类轮廓线进行圆的拟合操作：计算各不完整的年轮聚类轮廓线上任意三点确定的圆参
Figure 306488DEST_PATH_IMAGE013
，
Figure 921140DEST_PATH_IMAGE014
为圆的圆心位置的横坐标，
Figure 844228DEST_PATH_IMAGE015
为圆的圆心位置的纵坐标，
Figure 936949DEST_PATH_IMAGE016
为圆的圆心位置的半径；
求取各不完整的年轮聚类轮廓线对应的各圆参的均值，根据各不完整的年轮聚类轮廓线对应的各圆参的均值计算任意两不完整的年轮聚类轮廓线对应的圆相似度，将圆相似度大于设定圆相似度阈值的不完整的年轮聚类轮廓线判定为属于同一年轮线，将属于同一年轮线的各年轮聚类轮廓线共同记为一条第二年轮线；若某不完整的年轮聚类轮廓线与其它不完整的年轮聚类轮廓线之间的圆相似度均不大于设定圆相似度阈值，则将该不完整的年轮聚类轮廓线单独记为一条第二年轮线。
进一步地，计算排序后各年轮线的完整度的方法包括：
对于存在缺口的年轮线，根据年轮线的缺口个数和缺口处的宽度计算年轮线的完整度指标，计算公式为：
Figure 596469DEST_PATH_IMAGE017
其中，
Figure 804859DEST_PATH_IMAGE018
和
Figure 667772DEST_PATH_IMAGE019
代表调节参数，
Figure 813452DEST_PATH_IMAGE020
为某年轮线的完整度指标，
Figure 874949DEST_PATH_IMAGE021
为该年轮线的缺口个数，
Figure 570417DEST_PATH_IMAGE022
为该年轮线上第m个缺口的宽度。
进一步地，计算排序后各年轮线的黏连度的方法包括：
利用如下公式计算各年轮线的黏连度指标：
Figure 841998DEST_PATH_IMAGE023
其中，
Figure 276522DEST_PATH_IMAGE024
为第
Figure 943258DEST_PATH_IMAGE025
条年轮线
Figure 70614DEST_PATH_IMAGE026
的黏连度指标，
Figure 360650DEST_PATH_IMAGE027
表示第
Figure 21700DEST_PATH_IMAGE028
圈年轮的年轮宽度，第
Figure 979161DEST_PATH_IMAGE028
圈年轮是由第
Figure 339735DEST_PATH_IMAGE028
条年轮线
Figure 352953DEST_PATH_IMAGE029
和第
Figure 378546DEST_PATH_IMAGE025
条年轮线
Figure 895241DEST_PATH_IMAGE026
围成的，
Figure 364399DEST_PATH_IMAGE030
表示第
Figure 160186DEST_PATH_IMAGE031
圈年轮的年轮宽度，
Figure 68099DEST_PATH_IMAGE032
表示第
Figure 501617DEST_PATH_IMAGE025
圈年轮的年轮宽度。
进一步地，计算排序后各年轮线的清晰度的方法包括：
利用如下公式计算各年轮线的清晰度：
Figure 407256DEST_PATH_IMAGE033
其中，
Figure 690338DEST_PATH_IMAGE034
是某年轮线的清晰度评价指标，
Figure 496883DEST_PATH_IMAGE035
是该年轮线上的所有像素点灰度的均值，
Figure 565333DEST_PATH_IMAGE036
代表该年轮线上的像素点梯度幅值的均值，
Figure 891141DEST_PATH_IMAGE037
和
Figure 146673DEST_PATH_IMAGE038
为设定调节参数。
进一步地，所述根据排序后各年轮线的完整度、黏连度和清晰度计算各年轮线的真伪度；根据各年轮线的真伪度判断各年轮线是否为伪年轮，包括：
利用如下公式计算各年轮线的真伪度
Figure 84804DEST_PATH_IMAGE039
：
Figure 7761DEST_PATH_IMAGE040
其中，
Figure 504470DEST_PATH_IMAGE039
是某年轮线的真伪度，
Figure 512877DEST_PATH_IMAGE041
为该年轮线的黏连度，
Figure 266418DEST_PATH_IMAGE034
为该年轮线的清晰度，
Figure 43881DEST_PATH_IMAGE020
为该年轮线的完整度；
比较各年轮线的真伪度与真伪度阈值的大小，如果某年轮线的真伪度超过真伪度阈值，则将该年轮线判定为伪年轮线。
进一步地，所述根据各存在缺口的正常年轮线对应的各缺口向量对节瘤区位置进行定位和复原，包括：
将缺口向量中年轮线序号值连续且缺口向量中缺口的中心位置的极角差异小于设定阈值的缺口位置判定为同一节瘤区存在的位置，将属于同一节瘤区的缺口向量进行聚合，得到各节瘤区在其相交年轮线上的位置坐标；
以每一个节瘤区为单位，在节瘤区位置处采用霍夫圆变换进行复原：对缺口之外的年轮线进行霍夫圆拟合，并用得到的霍夫圆方程对缺失的年轮线进行年轮线预测，补全缺失的年轮线。
进一步地，利用如下公式计算任意两不完整的年轮聚类轮廓线对应的圆相似度：
Figure 977071DEST_PATH_IMAGE042
其中，圆相似度
Figure 941616DEST_PATH_IMAGE043
表示第i个年轮聚类轮廓线的圆参
Figure 283867DEST_PATH_IMAGE044
和第j个年轮聚类轮廓线的圆参
Figure 915837DEST_PATH_IMAGE045
的圆相似度，
Figure 754348DEST_PATH_IMAGE046
为设定调节参数，
Figure 471769DEST_PATH_IMAGE047
为第i个年轮聚类轮廓线的圆心位置的横坐标，
Figure 555393DEST_PATH_IMAGE048
为第i个年轮聚类轮廓线的圆心位置的纵坐标，
Figure 963241DEST_PATH_IMAGE049
为第i个年轮聚类轮廓线的圆心位置的半径；
Figure 988966DEST_PATH_IMAGE050
为第j个年轮聚类轮廓线的圆心位置的横坐标，
Figure 678835DEST_PATH_IMAGE051
为第j个年轮聚类轮廓线的圆心位置的纵坐标，
Figure 549839DEST_PATH_IMAGE052
为第j个年轮聚类轮廓线的圆心位置的半径。
有益效果：本发明基于木材截面图像计算了各年轮线的完整度、黏连度和清晰度，能够有效区别木材截面图中的正常生长年轮线和伪年轮线，并能够对节瘤区进行定位和复原，可实现对木材年轮线的精确提取。本发明的方法属于一种自动提取和复原方法，相较于现有基于人工的提取和复原方式，效率更高，且能够避免人为主观因素带来的影响。
附图说明
图1是本发明的基于边缘信息的木材年轮线精确提取及复原方法流程图；
图2是本发明的年轮线完整度计算方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
本发明的目的在于解决现有方法不能精确提取木材年轮线的问题。如图1所示，本实施例的基于边缘信息的木材年轮线精确提取及复原方法包括以下步骤：
（1）获取木材截面RGB图像，对所述木材截面RGB图像进行灰度化处理，得到对应的木材截面灰度图像；从木材截面灰度图像中提取轮廓线，记为初始轮廓线；
本实施例利用相机获取木材截面RGB图像，对RGB图像进行灰度化处理，将
Figure 202407DEST_PATH_IMAGE053
图像转化为对应的灰度图像；然后对灰度图像过滤噪声，采用
Figure 399033DEST_PATH_IMAGE054
算子边缘检测提取木材截面的轮廓线，记为初始轮廓线
Figure 310619DEST_PATH_IMAGE055
。
对RGB图像进行灰度化处理的过程、对灰度图像进行过滤噪声的过程以及采用
Figure 906686DEST_PATH_IMAGE054
算子进行边缘检测的过程为现有技术，此处不再赘述。
（2）利用密度聚类算法对所述初始轮廓线进行聚类，得到多个年轮聚类轮廓线；根据各年轮聚类轮廓线的角度跨度将年轮聚类轮廓线划分为完整的年轮聚类轮廓线和不完整的年轮聚类轮廓线，将每一条完整的年轮聚类轮廓线记为一条第一年轮线；将不完整的年轮聚类轮廓线中属于同一年轮线的年轮聚类轮廓线共同记为一条第二年轮线；将各第一年轮线和各第二年轮线按照对应的极坐标半径的大小进行排序，计算排序后各年轮线的完整度、黏连度和清晰度；根据排序后各年轮线的完整度、黏连度和清晰度计算各年轮线的真伪度；根据各年轮线的真伪度判断各年轮线是否为伪年轮；
树木年轮在生长过程中，由于在一个生长周期内的环境因素的突变，例如：长期干旱以后突然下雨、火灾、病害虫损坏等，导致木材截面部分出现两个及以上的生长轮，在进行边缘检测提取轮廓的时候也会被提取出来并被误作为生长轮，因此在得到上述初始轮廓线L以后，还需对生长轮进行判断，将伪年轮筛选出来。
伪年轮相比于正常的生长轮来说，有一些结构上的区别：伪年轮一般不是一个完整的闭合环；伪年轮与附近的年轮的距离较小，甚至有部分重合；伪年轮的轮廓不够清晰。基于上述结构特点，本实施例基于三个评价指标来区分伪年轮
Figure 164492DEST_PATH_IMAGE056
和正常生长轮
Figure 17172DEST_PATH_IMAGE057
，这三个指标分别为：完整度
Figure 930902DEST_PATH_IMAGE020
、黏连度
Figure 658555DEST_PATH_IMAGE041
和清晰度
Figure 396966DEST_PATH_IMAGE034
。接下来对这三个指标的计算过程进行说明：
①计算轮廓线
Figure 935395DEST_PATH_IMAGE055
的完整度。
得到初始轮廓线
Figure 585688DEST_PATH_IMAGE055
后，首先基于
Figure 602185DEST_PATH_IMAGE058
密度聚类算法对初始轮廓线
Figure 788578DEST_PATH_IMAGE055
进行聚类，将初始轮廓线
Figure 232329DEST_PATH_IMAGE055
（包括伪年轮
Figure 635498DEST_PATH_IMAGE056
和正常生长轮
Figure 455686DEST_PATH_IMAGE057
）分离开；具体的，设置邻域半径
Figure 281604DEST_PATH_IMAGE059
，数目阈值
Figure 896257DEST_PATH_IMAGE060
，对于初始轮廓线
Figure 521142DEST_PATH_IMAGE055
上的任意一个没有被处理过的点：以该点为中心，在邻域半径
Figure 145021DEST_PATH_IMAGE061
中计算半径内包含的所有轮廓线
Figure 40427DEST_PATH_IMAGE055
上灰度差值小于阈值
Figure 825981DEST_PATH_IMAGE062
的点的数目，如果包含的数目不小于数目阈值
Figure 938162DEST_PATH_IMAGE063
，则判定该点为核心点；如果寻找的点不符合上述条件但是该点在某个核心点的邻域内，则判定该点为边界点；否则，判定该点为噪声点；继续寻找下一个点重复上述操作直到所有的点都被处理为止。
所有的点都被处理后，初始轮廓线
Figure 522989DEST_PATH_IMAGE055
被分为
Figure 787749DEST_PATH_IMAGE064
条聚类轮廓线，由于节瘤区与年轮线之间的边缘线颜色一般较浅，节瘤区与年轮线之间的灰度值与年轮线上的灰度值差距较大，因此本实施例提供的聚类方法能够在聚类过程中将年轮线与节瘤区域边界线区分开。对于E条轮廓线中的任意一条，计算极坐标
Figure 993471DEST_PATH_IMAGE065
的跨度
Figure 78101DEST_PATH_IMAGE066
，
Figure 591254DEST_PATH_IMAGE067
和
Figure 710519DEST_PATH_IMAGE068
表示轮廓线上的点最大的和最小的极坐标
Figure 87143DEST_PATH_IMAGE065
，将
Figure 924649DEST_PATH_IMAGE069
的轮廓线排除，本实施例
Figure 179175DEST_PATH_IMAGE070
=
Figure 74319DEST_PATH_IMAGE071
，将排除后得到的聚类轮廓线判定为排除掉节瘤轮廓的年轮聚类轮廓线，设年轮聚类轮廓线的数量为D，分别记为
Figure 638155DEST_PATH_IMAGE072
，
Figure 448110DEST_PATH_IMAGE073
表示第1条年轮聚类轮廓线，
Figure 490016DEST_PATH_IMAGE074
表示第D条年轮聚类轮廓线。
木材截面
Figure 629879DEST_PATH_IMAGE075
可能出现节瘤区，如果木材截面
Figure 364617DEST_PATH_IMAGE075
只出现一个节瘤区，通过
Figure 661868DEST_PATH_IMAGE058
可以得到除了节瘤区所在位置缺口外的完整年轮线；如果存在两个或者两个以上的节瘤区，由于采用
Figure 507464DEST_PATH_IMAGE058
密度聚类算法时，设置的邻域半径
Figure 705096DEST_PATH_IMAGE061
往往相对于轮廓线的中断位置的宽度较小，因此，轮廓线有几个缺口，轮廓线就会被分成几类，这种情况下得到的年轮线的部分轮廓难以与伪年轮区分开。为了更准确地识别伪年轮，本实施例接下来对
Figure 610736DEST_PATH_IMAGE076
条年轮聚类轮廓线进行重聚类合并，将属于同一条年轮线的年轮聚类轮廓线重聚类成同一类，具体过程为：
如图2所示，首先基于年轮聚类轮廓线的角度跨度
Figure 129704DEST_PATH_IMAGE077
来判断年轮聚类轮廓线的完整程度，将轮廓聚类线
Figure 700362DEST_PATH_IMAGE072
上的每一个点从直角坐标转化为极坐标的形式
Figure 768813DEST_PATH_IMAGE078
，
Figure 607804DEST_PATH_IMAGE079
为极径，
Figure 863336DEST_PATH_IMAGE001
为极角；对于任一年轮聚类轮廓线上的点的极坐标
Figure 565582DEST_PATH_IMAGE001
求取极大值
Figure 488538DEST_PATH_IMAGE002
和极小值
Figure 486713DEST_PATH_IMAGE003
，如果年轮聚类轮廓线上的点的极坐标
Figure 963961DEST_PATH_IMAGE001
分布在
Figure 204319DEST_PATH_IMAGE003
和
Figure 981782DEST_PATH_IMAGE002
之间
Figure 150857DEST_PATH_IMAGE004
，那么对应的聚类轮廓的角度跨度
Figure 646561DEST_PATH_IMAGE005
；如果年轮聚类轮廓线上的点的极坐标
Figure 425030DEST_PATH_IMAGE001
分布在
Figure 322579DEST_PATH_IMAGE003
和
Figure 928135DEST_PATH_IMAGE002
之外
Figure 379976DEST_PATH_IMAGE006
或
Figure 962136DEST_PATH_IMAGE007
，那么对应的聚类轮廓的角度跨度
Figure 510929DEST_PATH_IMAGE008
。判断各年轮聚类轮廓线的完整度
Figure 21807DEST_PATH_IMAGE009
，
Figure 226523DEST_PATH_IMAGE011
越大，年轮聚类轮廓线越完整。
将各年轮聚类轮廓线的完整度与完整度阈值
Figure 612374DEST_PATH_IMAGE010
进行比对，如果
Figure 218936DEST_PATH_IMAGE011
小于阈值
Figure 900715DEST_PATH_IMAGE012
，则判定对应年轮聚类轮廓线不是完整的年轮聚类轮廓线，其所在的轮廓线上含有缺口，对有缺口的轮廓线进行
Figure 592727DEST_PATH_IMAGE080
标注。本实施例中完整度阈值
Figure 782269DEST_PATH_IMAGE081
，具体应用时可自行设定。
对年轮聚类轮廓线
Figure 977758DEST_PATH_IMAGE072
划分出所有的不完整的年轮聚类轮廓线，设不完整的年轮聚类轮廓线为
Figure 96018DEST_PATH_IMAGE082
条，那么完整的年轮聚类轮廓线有
Figure 9748DEST_PATH_IMAGE083
条，将完整的年轮聚类轮廓线记为年轮线
Figure 737401DEST_PATH_IMAGE084
，每一条完整的年轮线都为一条第一年轮线，共
Figure 475812DEST_PATH_IMAGE083
条第一年轮线；将不完整的年轮聚类轮廓线记为
Figure 14241DEST_PATH_IMAGE085
，这些不完整的年轮聚类轮廓线可能属于同一年轮的轮廓线，因此，本实施例还对不完整的年轮聚类轮廓线
Figure 664534DEST_PATH_IMAGE085
进行合并操作，具体如下：
先对不完整的年轮聚类轮廓线进行圆的拟合操作，由于圆上三点可以确定圆的方程
Figure 946611DEST_PATH_IMAGE086
，其中圆参
Figure 590126DEST_PATH_IMAGE013
分别代表圆的圆心位置的横坐标、纵坐标以及半径；对于任一不完整的年轮聚类轮廓线，其上的点每取三个点得到一个圆参
Figure 299456DEST_PATH_IMAGE087
，并对该不完整的年轮聚类轮廓线对应的
Figure 437046DEST_PATH_IMAGE088
个圆参
Figure 53972DEST_PATH_IMAGE087
求取均值得到该不完整的年轮聚类轮廓线最终的圆参
Figure 94871DEST_PATH_IMAGE089
，其中
Figure 709523DEST_PATH_IMAGE088
表示组合公式，
Figure 334409DEST_PATH_IMAGE090
代表该不完整的年轮聚类轮廓线上的点的数目。由此可得到不完整的年轮聚类轮廓线
Figure 381124DEST_PATH_IMAGE085
对应的圆参
Figure 525798DEST_PATH_IMAGE091
，
Figure 826198DEST_PATH_IMAGE092
表示第1条不完整的年轮聚类轮廓线
Figure 689112DEST_PATH_IMAGE093
对应的圆参，
Figure 601835DEST_PATH_IMAGE094
表示第
Figure 601015DEST_PATH_IMAGE082
条不完整的年轮聚类轮廓线
Figure 806738DEST_PATH_IMAGE095
对应的圆参。
然后计算圆参
Figure 953685DEST_PATH_IMAGE091
的圆相似度
Figure 670099DEST_PATH_IMAGE096
，根据圆相似度
Figure 789365DEST_PATH_IMAGE096
来判断
Figure 431568DEST_PATH_IMAGE085
中不完整的年轮聚类轮廓线是否属于同一条年轮线。任意两圆参之间的圆相似度的计算公式为：
Figure 3495DEST_PATH_IMAGE097
其中圆相似度
Figure 992442DEST_PATH_IMAGE043
表示年轮聚类轮廓线
Figure 231793DEST_PATH_IMAGE098
的圆参
Figure 451422DEST_PATH_IMAGE044
和年轮聚类轮廓线
Figure 261377DEST_PATH_IMAGE099
的圆参
Figure 365599DEST_PATH_IMAGE045
的圆相似度，
Figure 708725DEST_PATH_IMAGE046
为设定调节参数，本实施例中
Figure 177884DEST_PATH_IMAGE100
，应用时可自行设定。
轮廓线不一定完全拟合圆周，在计算圆心的位置和半径的距离的时候会出现偏差，但一般情况下在同一条年轮线上的年轮聚类轮廓线的圆参
Figure 147239DEST_PATH_IMAGE089
的结构相似度较高。其中圆相似度
Figure 242103DEST_PATH_IMAGE043
越大，代表圆参
Figure 190467DEST_PATH_IMAGE101
和
Figure 592978DEST_PATH_IMAGE102
的结构相似度越高，年轮聚类轮廓线
Figure 626793DEST_PATH_IMAGE098
和
Figure 525348DEST_PATH_IMAGE099
越有可能在同一条年轮线上。设置圆相似度阈值
Figure 328219DEST_PATH_IMAGE103
，当两个年轮聚类轮廓线
Figure 155492DEST_PATH_IMAGE098
和
Figure 473341DEST_PATH_IMAGE099
的圆相似度
Figure 175586DEST_PATH_IMAGE104
时，判定两个年轮聚类轮廓线
Figure 832964DEST_PATH_IMAGE098
和
Figure 831138DEST_PATH_IMAGE099
判定同属于一条年轮线。本实施例中
Figure 839545DEST_PATH_IMAGE105
，应用时可自行设定。
根据上述方法对年轮聚类轮廓线
Figure 220848DEST_PATH_IMAGE085
中任意两条年轮聚类轮廓线判断是否属于同一条年轮线，将存在于同一条年轮线的年轮聚类轮廓线合并，得到
Figure 280202DEST_PATH_IMAGE106
条完整的年轮线，分别记为
Figure 354337DEST_PATH_IMAGE107
，存在于同一条年轮线的年轮聚类轮廓线共同记为一条第二年轮线，共
Figure 646778DEST_PATH_IMAGE106
条第二年轮线。上述将存在于同一条年轮线的年轮聚类轮廓线合并并不是将存在于同一条年轮线的各年轮聚类轮廓线连起来，而是将存在于同一条年轮线的各年轮聚类轮廓线标注为同一年轮线而已。将属于同一条年轮线的年轮聚类轮廓线之间的缺口位置标记出来，缺口一般有两个端点，选择极坐标
Figure 926712DEST_PATH_IMAGE108
小的缺口端点坐标作为缺口位置坐标，缺口的两个端点坐标在
Figure 558682DEST_PATH_IMAGE108
上的跨度作为缺口宽度，分别记为缺口位置
Figure 662773DEST_PATH_IMAGE109
和缺口宽度
Figure 114614DEST_PATH_IMAGE022
，其中
Figure 198239DEST_PATH_IMAGE109
和
Figure 950294DEST_PATH_IMAGE022
表示年轮线上第
Figure 225286DEST_PATH_IMAGE110
个缺口的位置（缺口一端的极坐标）和宽度（缺口在极坐标
Figure 587260DEST_PATH_IMAGE108
上的跨度），其中
Figure 723843DEST_PATH_IMAGE111
的取值范围是
Figure 579673DEST_PATH_IMAGE112
，
Figure 245140DEST_PATH_IMAGE021
代表年轮线上的缺口数。
然后根据年轮线上的点的极坐标
Figure 687885DEST_PATH_IMAGE079
大小的平均值由小到大排序对得到的年轮线
Figure 362580DEST_PATH_IMAGE084
（第一年轮线）和
Figure 72916DEST_PATH_IMAGE107
（第二年轮线）进行排序，由此一共得到
Figure 440443DEST_PATH_IMAGE113
条年轮线
Figure 358766DEST_PATH_IMAGE114
，其中
Figure 102731DEST_PATH_IMAGE115
，排序后的年轮线对应从
Figure 605256DEST_PATH_IMAGE116
到
Figure 628838DEST_PATH_IMAGE113
的年轮线序号，排序后的位置越靠前对应的年轮线序号越小。根据存在缺口的年轮线
Figure 295443DEST_PATH_IMAGE117
排序后所具有的新的年轮线序号、缺口出现的位置和缺口的宽度构建不完整度表
Figure 295629DEST_PATH_IMAGE118
。
对于不完整度表
Figure 731289DEST_PATH_IMAGE118
中存在缺口的年轮线求解完整度指标
Figure 191352DEST_PATH_IMAGE020
，具体的，根据年轮线的缺口个数和缺口处的宽度来对年轮线的完整度进行评价，如果年轮线的缺口数目越多，缺口处的宽度越大，说明年轮线的完整度越低，本实施例年轮线的完整度指标
Figure 876411DEST_PATH_IMAGE020
的计算公式为：
Figure 149129DEST_PATH_IMAGE119
其中，
Figure 236034DEST_PATH_IMAGE018
和
Figure 601419DEST_PATH_IMAGE019
代表调节参数，本实施例中
Figure 977036DEST_PATH_IMAGE120
，
Figure 584604DEST_PATH_IMAGE121
0.05，
Figure 417693DEST_PATH_IMAGE020
的取值范围是
Figure 468826DEST_PATH_IMAGE122
，
Figure 581007DEST_PATH_IMAGE020
越大说明年轮线的完整度越高，年轮线是伪年轮线的可能性越低。
对于不存在缺口的年轮线设置其对应的完整度指标
Figure 742998DEST_PATH_IMAGE123
，不存在缺口的年轮线即上述完整度
Figure 227331DEST_PATH_IMAGE011
不小于完整度阈值
Figure 246103DEST_PATH_IMAGE081
的年轮聚类轮廓线，即上述第一年轮线。
②计算黏连度指标
Figure 845580DEST_PATH_IMAGE041
黏连度表征的是年轮线与近邻年轮线的距离，正常年轮在生长过程中，从内圈年轮到外圈年轮的宽度一般是均匀变化的，如果年轮线距离邻近年轮线的距离突然变小，其为伪年轮的可能性较大。对于排序后的
Figure 811262DEST_PATH_IMAGE113
条年轮线
Figure 681261DEST_PATH_IMAGE114
，计算出每一圈年轮的宽度后，以年轮圈数的序号为横坐标，
Figure 543037DEST_PATH_IMAGE124
个年轮的宽度为纵坐标，对这
Figure 36336DEST_PATH_IMAGE124
个点进行拟合得到年轮宽度曲线
Figure 290862DEST_PATH_IMAGE125
，如果在曲线
Figure 326951DEST_PATH_IMAGE125
上的点存在宽度突然变小的情况，即该点是年轮宽度曲线
Figure 608896DEST_PATH_IMAGE125
上的极小值点，那么这个点对应的年轮圈数序号可能是伪年轮的出现位置，同时要根据该点与其近邻点对应年轮宽度的差值作为黏连度指标
Figure 933698DEST_PATH_IMAGE041
。具体过程为：
对年轮宽度曲线
Figure 816134DEST_PATH_IMAGE125
上的每个点比较其与近邻的两个点的纵坐标大小，如果
Figure 644413DEST_PATH_IMAGE126
且
Figure 628418DEST_PATH_IMAGE127
，
Figure 597774DEST_PATH_IMAGE027
表示第
Figure 708949DEST_PATH_IMAGE028
圈年轮的年轮宽度，则代表年轮宽度曲线
Figure 906581DEST_PATH_IMAGE125
上的点
Figure 812220DEST_PATH_IMAGE128
为
Figure 331188DEST_PATH_IMAGE125
上的极小值点，其中
Figure 980476DEST_PATH_IMAGE028
代表年轮所在的圈数，第
Figure 32614DEST_PATH_IMAGE028
圈年轮是由第
Figure 905892DEST_PATH_IMAGE028
条年轮线
Figure 177736DEST_PATH_IMAGE029
和第
Figure 365135DEST_PATH_IMAGE025
条年轮线
Figure 271780DEST_PATH_IMAGE026
围成的。如果满足条件点
Figure 519221DEST_PATH_IMAGE128
是
Figure 278361DEST_PATH_IMAGE125
上的极小值点，并且该点与临近点在纵坐标上的差异程度越大，黏连度指标
Figure 269451DEST_PATH_IMAGE041
越大，本实施例基于如下公式计算各年轮线的黏连度指标：
Figure 968286DEST_PATH_IMAGE129
其中，
Figure 871782DEST_PATH_IMAGE024
为第
Figure 101906DEST_PATH_IMAGE025
条年轮线
Figure 145954DEST_PATH_IMAGE026
的黏连度指标，
Figure 777924DEST_PATH_IMAGE024
的取值范围是
Figure 117900DEST_PATH_IMAGE122
，
Figure 100900DEST_PATH_IMAGE024
越接近数值
Figure 479798DEST_PATH_IMAGE116
，说明第
Figure 966274DEST_PATH_IMAGE028
圈年轮是伪年轮的可能性越高，即第
Figure 742731DEST_PATH_IMAGE025
条年轮线
Figure 681868DEST_PATH_IMAGE026
是伪年轮线的可能性越高。
Figure 67719DEST_PATH_IMAGE130
计算清晰度评价指标
Figure 350978DEST_PATH_IMAGE034
由于伪年轮线相较于正常年轮线更加不明显，表现为年轮线上的像素点对应的灰度值更大，而且年轮线上像素点边缘更加模糊。本实施例根据灰度值和边缘模糊程度得到各年轮线的清晰度评价指标
Figure 547604DEST_PATH_IMAGE034
，计算公式如下：
Figure 488884DEST_PATH_IMAGE033
其中，
Figure 898000DEST_PATH_IMAGE035
是某年轮线上的所有像素点灰度的均值，
Figure 781904DEST_PATH_IMAGE036
代表该年轮线上的像素点梯度幅值的均值，
Figure 398699DEST_PATH_IMAGE037
和
Figure 312429DEST_PATH_IMAGE038
为设定调节参数。本实施例
Figure 541547DEST_PATH_IMAGE131
和
Figure 122701DEST_PATH_IMAGE132
，应用时可自行设定。像素点梯度幅值的计算过程为现有技术，此处不再赘述。
由此，可得到年轮线
Figure 379239DEST_PATH_IMAGE114
对应的完整度
Figure 45843DEST_PATH_IMAGE020
、黏连度
Figure 813073DEST_PATH_IMAGE041
和清晰度
Figure 514313DEST_PATH_IMAGE034
三个评价指标，当某年轮线的完整度
Figure 941752DEST_PATH_IMAGE020
越低，黏连度
Figure 361232DEST_PATH_IMAGE041
越高，清晰度
Figure 932153DEST_PATH_IMAGE034
越低时，该年轮线为伪年轮线的概率越大；本实施例利用如下公式计算各年轮线的真伪度
Figure 222320DEST_PATH_IMAGE039
：
Figure 351819DEST_PATH_IMAGE040
比较各年轮线的真伪度
Figure 727437DEST_PATH_IMAGE039
与真伪度阈值
Figure 836469DEST_PATH_IMAGE133
的大小，如果某年轮线的真伪度
Figure 246722DEST_PATH_IMAGE039
超过真伪度阈值
Figure 281543DEST_PATH_IMAGE133
，则将该年轮线判定为伪年轮线
Figure 144457DEST_PATH_IMAGE056
，本实施例真伪度阈值
Figure 57180DEST_PATH_IMAGE133
=10，具体应用时可自行设定。通过对年轮线
Figure 321940DEST_PATH_IMAGE114
分别求取真伪度
Figure 793241DEST_PATH_IMAGE039
，并与真伪度阈值
Figure 143451DEST_PATH_IMAGE133
比较，保留真伪度不超过
Figure 594286DEST_PATH_IMAGE133
的年轮线作为正常生长年轮线
Figure 713552DEST_PATH_IMAGE057
。
（3）将伪年轮去除后的年轮线记为正常年轮线，对于存在缺口的正常年轮线，根据各存在缺口的正常年轮线对应的排序后的年轮线序号和各缺口中心位置信息构建各存在缺口的正常年轮线对应的各缺口向量；根据各存在缺口的正常年轮线对应的各缺口向量对节瘤区位置进行定位和复原。
在去除伪年轮线后，若剩下的正常年轮线存在缺口，则判定存在节瘤区，反之，判定不存在节瘤区。若存在节瘤区，接下来对节瘤区进行定位并对节瘤区所横跨的年轮线进行补全，以便于后续研究人员精细计算每圈年轮的宽度来评估树木的生长情况。节瘤区所横跨的年轮线相比于正常年轮线来说完整度指标
Figure 355755DEST_PATH_IMAGE020
要小，并且由于节瘤区一般来说比较对称，缺口处所在的多个年轮线的缺口处的中心位置所在的极坐标
Figure 193261DEST_PATH_IMAGE001
比较接近，而且缺口处所在的多个年轮线序号是连续的（比如节瘤区横跨排序后的年轮线
Figure 193926DEST_PATH_IMAGE134
）；基于此，本实施例根据不完整度表
Figure 167699DEST_PATH_IMAGE118
，剔除伪年轮线的信息，对剩下的存在缺口的年轮线的序号和缺口出现的位置和宽度进行分析，过程如下：
首先求出各存在缺口的年轮线的缺口的中心位置
Figure 246382DEST_PATH_IMAGE135
，公式如下：
Figure 305605DEST_PATH_IMAGE136
Figure 98243DEST_PATH_IMAGE137
其中，
Figure 192100DEST_PATH_IMAGE138
和
Figure 176106DEST_PATH_IMAGE139
表示缺口极角较小一端的极坐标位置和缺口在极坐标
Figure 519363DEST_PATH_IMAGE108
上的宽度。
Figure 115691DEST_PATH_IMAGE140
为缺口的中心位置的极径，
Figure 64056DEST_PATH_IMAGE141
为缺口的中心位置的极角，
Figure 891066DEST_PATH_IMAGE142
为缺口极角较小一端的极坐标位置的极径，
Figure 410034DEST_PATH_IMAGE142
为缺口极角较小一端的极坐标位置的极角。然后将缺口所在年轮线的序号和缺口的中心位置构成缺口向量
Figure 793742DEST_PATH_IMAGE143
，其中
Figure 111460DEST_PATH_IMAGE144
代表当前缺口中心所在的年轮线序号。由于木材可能包括2个以上的节瘤区，所以存在缺口的正常年轮线可能包括2个以上的缺口，本实施例对于每个存在缺口的正常年轮线的各缺口建立对应的缺口向量。
对所有缺口向量进行聚合操作判定，具体的，将缺口向量中年轮线序号值连续且缺口向量中
Figure 984738DEST_PATH_IMAGE141
的极坐标
Figure 256582DEST_PATH_IMAGE001
上距离接近的缺口位置判定为同一节瘤区存在的位置，将属于同一节瘤区的缺口向量进行聚合，得到各节瘤区在其相交年轮线上的位置坐标，后期以每一个节瘤区为单位进行复原。本实施例将极坐标
Figure 443981DEST_PATH_IMAGE001
差异小于阈值
Figure 616205DEST_PATH_IMAGE145
的判定为接近极坐标
Figure 863647DEST_PATH_IMAGE001
上距离接近，本实施例
Figure 622786DEST_PATH_IMAGE146
，具体应用时可自行设定。
在节瘤区位置处采用霍夫圆变换进行复原，具体的，对缺口之外的年轮线进行霍夫圆拟合，并用得到的霍夫圆方程对缺失的年轮线进行年轮线预测，补全缺失的年轮线，实现对节瘤区位置年轮线的复原。
本实施例基于木材截面图像计算了各年轮线的完整度、黏连度和清晰度，能够有效区别木材截面图中的正常生长年轮线和伪年轮线，并能够对节瘤区进行定位和复原，可实现对木材年轮线的精确提取。
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。上述变更和修改均落入本发明范围。

Claims (9)

1.一种基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，包括以下步骤：
获取木材截面RGB图像，对所述木材截面RGB图像进行灰度化处理，得到对应的木材截面灰度图像；从木材截面灰度图像中提取轮廓线，记为初始轮廓线；
利用密度聚类算法对所述初始轮廓线进行聚类，得到多个年轮聚类轮廓线；根据各年轮聚类轮廓线的角度跨度将年轮聚类轮廓线划分为完整的年轮聚类轮廓线和不完整的年轮聚类轮廓线，将每一条完整的年轮聚类轮廓线记为一条第一年轮线；将不完整的年轮聚类轮廓线中属于同一年轮线的年轮聚类轮廓线共同记为一条第二年轮线；将各第一年轮线和各第二年轮线按照对应的极坐标半径的大小进行排序，计算排序后各年轮线的完整度、黏连度和清晰度；根据排序后各年轮线的完整度、黏连度和清晰度计算各年轮线的真伪度；根据各年轮线的真伪度判断各年轮线是否为伪年轮；
将伪年轮去除后的年轮线记为正常年轮线，对于存在缺口的正常年轮线，根据各存在缺口的正常年轮线对应的排序后的年轮线序号和各缺口中心位置信息构建各存在缺口的正常年轮线对应的各缺口向量；根据各存在缺口的正常年轮线对应的各缺口向量对节瘤区位置进行定位和复原。
2.根据权利要求1所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，所述根据各年轮聚类轮廓线的角度跨度将年轮聚类轮廓线划分为完整的年轮聚类轮廓线和不完整的年轮聚类轮廓线，包括：
对于任一年轮聚类轮廓线：
计算该年轮聚类轮廓线上的点的极坐标
Figure 669232DEST_PATH_IMAGE001
，求取极大值
Figure 55214DEST_PATH_IMAGE002
和极小值
Figure 287481DEST_PATH_IMAGE003
，如果该年轮聚类轮廓线上的点的极坐标
Figure 512051DEST_PATH_IMAGE001
分布在
Figure 529685DEST_PATH_IMAGE003
和
Figure 804678DEST_PATH_IMAGE002
之间
Figure 274973DEST_PATH_IMAGE004
，那么该聚类轮廓的角度跨度
Figure 303235DEST_PATH_IMAGE005
；如果该年轮聚类轮廓线上的点的极坐标
Figure 690222DEST_PATH_IMAGE001
分布在
Figure 886849DEST_PATH_IMAGE003
和
Figure 470539DEST_PATH_IMAGE002
之外，
Figure 394501DEST_PATH_IMAGE006
或
Figure 386728DEST_PATH_IMAGE007
，那么该聚类轮廓的角度跨度
Figure 770567DEST_PATH_IMAGE008
；
判断该年轮聚类轮廓线的完整度
Figure 605668DEST_PATH_IMAGE009
，将该年轮聚类轮廓线的完整度与完整度阈值
Figure 349633DEST_PATH_IMAGE010
进行比对，如果
Figure 99763DEST_PATH_IMAGE011
小于阈值
Figure 153039DEST_PATH_IMAGE012
，则判定该年轮聚类轮廓线不是完整的年轮聚类轮廓线；如果
Figure 976900DEST_PATH_IMAGE011
不小于阈值
Figure 524556DEST_PATH_IMAGE012
，则判定该年轮聚类轮廓线是完整的年轮聚类轮廓线。
3.根据权利要求1所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，所述将不完整的年轮聚类轮廓线中属于同一年轮线的年轮聚类轮廓线共同记为一条第二年轮线，包括：
对不完整的年轮聚类轮廓线进行圆的拟合操作：计算各不完整的年轮聚类轮廓线上任意三点确定的圆参
Figure 350430DEST_PATH_IMAGE013
，
Figure 76072DEST_PATH_IMAGE014
为圆的圆心位置的横坐标，
Figure 495552DEST_PATH_IMAGE015
为圆的圆心位置的纵坐标，
Figure 472997DEST_PATH_IMAGE016
为圆的圆心位置的半径；
求取各不完整的年轮聚类轮廓线对应的各圆参的均值，根据各不完整的年轮聚类轮廓线对应的各圆参的均值计算任意两不完整的年轮聚类轮廓线对应的圆相似度，将圆相似度大于设定圆相似度阈值的不完整的年轮聚类轮廓线判定为属于同一年轮线，将属于同一年轮线的各年轮聚类轮廓线共同记为一条第二年轮线；若某不完整的年轮聚类轮廓线与其它不完整的年轮聚类轮廓线之间的圆相似度均不大于设定圆相似度阈值，则将该不完整的年轮聚类轮廓线单独记为一条第二年轮线。
4.根据权利要求1所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，计算排序后各年轮线的完整度的方法包括：
对于存在缺口的年轮线，根据年轮线的缺口个数和缺口处的宽度计算年轮线的完整度指标，计算公式为：
Figure 45055DEST_PATH_IMAGE017
其中，
Figure 581079DEST_PATH_IMAGE018
和
Figure 487855DEST_PATH_IMAGE019
代表调节参数，
Figure 3412DEST_PATH_IMAGE020
为某年轮线的完整度指标，
Figure 928512DEST_PATH_IMAGE021
为该年轮线的缺口个数，
Figure 136901DEST_PATH_IMAGE022
为该年轮线上第m个缺口的宽度。
5.根据权利要求1所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，计算排序后各年轮线的黏连度的方法包括：
利用如下公式计算各年轮线的黏连度指标：
Figure 265394DEST_PATH_IMAGE023
其中，
Figure 207811DEST_PATH_IMAGE024
为第
Figure 352530DEST_PATH_IMAGE025
条年轮线
Figure 105722DEST_PATH_IMAGE026
的黏连度指标，
Figure 111724DEST_PATH_IMAGE027
表示第
Figure 359297DEST_PATH_IMAGE028
圈年轮的年轮宽度，第
Figure 868776DEST_PATH_IMAGE028
圈年轮是由第
Figure 261711DEST_PATH_IMAGE028
条年轮线
Figure 381108DEST_PATH_IMAGE029
和第
Figure 540694DEST_PATH_IMAGE025
条年轮线
Figure 45624DEST_PATH_IMAGE026
围成的，
Figure 501139DEST_PATH_IMAGE030
表示第
Figure 606367DEST_PATH_IMAGE031
圈年轮的年轮宽度，
Figure 71109DEST_PATH_IMAGE032
表示第
Figure 430546DEST_PATH_IMAGE025
圈年轮的年轮宽度。
6.根据权利要求1所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，计算排序后各年轮线的清晰度的方法包括：
利用如下公式计算各年轮线的清晰度：
Figure 821076DEST_PATH_IMAGE033
其中，
Figure 649486DEST_PATH_IMAGE034
是某年轮线的清晰度评价指标，
Figure 416453DEST_PATH_IMAGE035
是该年轮线上的所有像素点灰度的均值，
Figure 895976DEST_PATH_IMAGE036
代表该年轮线上的像素点梯度幅值的均值，
Figure 958872DEST_PATH_IMAGE037
和
Figure 773114DEST_PATH_IMAGE038
为设定调节参数。
7.根据权利要求1所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，所述根据排序后各年轮线的完整度、黏连度和清晰度计算各年轮线的真伪度；根据各年轮线的真伪度判断各年轮线是否为伪年轮，包括：
利用如下公式计算各年轮线的真伪度
Figure 579658DEST_PATH_IMAGE039
：
Figure 179266DEST_PATH_IMAGE040
其中，
Figure 911599DEST_PATH_IMAGE039
是某年轮线的真伪度，
Figure 460741DEST_PATH_IMAGE041
为该年轮线的黏连度，
Figure 303932DEST_PATH_IMAGE034
为该年轮线的清晰度，
Figure 492468DEST_PATH_IMAGE020
为该年轮线的完整度；
比较各年轮线的真伪度与真伪度阈值的大小，如果某年轮线的真伪度超过真伪度阈值，则将该年轮线判定为伪年轮线。
8.根据权利要求1所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，所述根据各存在缺口的正常年轮线对应的各缺口向量对节瘤区位置进行定位和复原，包括：
将缺口向量中年轮线序号值连续且缺口向量中缺口的中心位置的极角差异小于设定阈值的缺口位置判定为同一节瘤区存在的位置，将属于同一节瘤区的缺口向量进行聚合，得到各节瘤区在其相交年轮线上的位置坐标；
以每一个节瘤区为单位，在节瘤区位置处采用霍夫圆变换进行复原：对缺口之外的年轮线进行霍夫圆拟合，并用得到的霍夫圆方程对缺失的年轮线进行年轮线预测，补全缺失的年轮线。
9.根据权利要求3所述的基于边缘信息的木材年轮线精确提取及复原方法，其特征在于，利用如下公式计算任意两不完整的年轮聚类轮廓线对应的圆相似度：
Figure 756221DEST_PATH_IMAGE042
其中，
Figure 420420DEST_PATH_IMAGE043
表示第i个年轮聚类轮廓线的圆参
Figure 942669DEST_PATH_IMAGE044
和第j个年轮聚类轮廓线的圆参
Figure 877389DEST_PATH_IMAGE045
的圆相似度，
Figure 76158DEST_PATH_IMAGE046
为设定调节参数，
Figure 571861DEST_PATH_IMAGE047
为第i个年轮聚类轮廓线的圆心位置的横坐标，
Figure 789478DEST_PATH_IMAGE048
为第i个年轮聚类轮廓线的圆心位置的纵坐标，
Figure 77240DEST_PATH_IMAGE049
为第i个年轮聚类轮廓线的圆心位置的半径；
Figure 948375DEST_PATH_IMAGE050
为第j个年轮聚类轮廓线的圆心位置的横坐标，
Figure 587167DEST_PATH_IMAGE051
为第j个年轮聚类轮廓线的圆心位置的纵坐标，
Figure 716797DEST_PATH_IMAGE052
为第j个年轮聚类轮廓线的圆心位置的半径。
CN202210888061.0A 2022-07-27 2022-07-27 基于边缘信息的木材年轮线精确提取及复原方法 Active CN115063603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888061.0A CN115063603B (zh) 2022-07-27 2022-07-27 基于边缘信息的木材年轮线精确提取及复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888061.0A CN115063603B (zh) 2022-07-27 2022-07-27 基于边缘信息的木材年轮线精确提取及复原方法

Publications (2)

Publication Number Publication Date
CN115063603A true CN115063603A (zh) 2022-09-16
CN115063603B CN115063603B (zh) 2023-04-07

Family

ID=83206718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888061.0A Active CN115063603B (zh) 2022-07-27 2022-07-27 基于边缘信息的木材年轮线精确提取及复原方法

Country Status (1)

Country Link
CN (1) CN115063603B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294459A (zh) * 2022-09-28 2022-11-04 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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405142A (zh) * 2015-11-12 2016-03-16 冯平 一种玻璃面板的边缺陷检测方法及系统
CN107341802A (zh) * 2017-07-19 2017-11-10 无锡信捷电气股份有限公司 一种基于曲率与灰度复合的角点亚像素定位方法
CN109166098A (zh) * 2018-07-18 2019-01-08 上海理工大学 基于图像处理的工件毛刺检测方法
CN109671052A (zh) * 2018-11-16 2019-04-23 华南理工大学 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法
CN114120051A (zh) * 2021-11-11 2022-03-01 易思维（杭州）科技有限公司 一种胶条边缘点的筛选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405142A (zh) * 2015-11-12 2016-03-16 冯平 一种玻璃面板的边缺陷检测方法及系统
CN107341802A (zh) * 2017-07-19 2017-11-10 无锡信捷电气股份有限公司 一种基于曲率与灰度复合的角点亚像素定位方法
CN109166098A (zh) * 2018-07-18 2019-01-08 上海理工大学 基于图像处理的工件毛刺检测方法
CN109671052A (zh) * 2018-11-16 2019-04-23 华南理工大学 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法
CN114120051A (zh) * 2021-11-11 2022-03-01 易思维（杭州）科技有限公司 一种胶条边缘点的筛选方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛怡宁等: "基于梯度Hough变换和K-medoids聚类的年轮髓心定位", 《电子技术与软件工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294459A (zh) * 2022-09-28 2022-11-04 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

Also Published As

Publication number Publication date
CN115063603B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
CN109255344B (zh) 一种基于机器视觉的数显式仪表定位与读数识别方法
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN110472479B (zh) 一种基于surf特征点提取和局部lbp编码的指静脉识别方法
CN116092013B (zh) 一种用于智慧监控的危险路况识别方法
CN106803257B (zh) 一种作物病害叶片图像中病斑的分割方法
CN112464942B (zh) 基于计算机视觉的重叠烟叶智能化分级方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN115239735A (zh) 基于计算机视觉的通信柜表面缺陷检测方法
CN108073918B (zh) 眼底视网膜的血管动静脉交叉压迫特征提取方法
CN113870235A (zh) 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法
CN114757900A (zh) 基于人工智能的纺织品缺陷类型识别方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN115330645B (zh) 一种焊接图像增强方法
CN111060014B (zh) 一种基于机器视觉的在线自适应烟丝宽度测量方法
CN111259925B (zh) 基于k均值聚类和宽度突变算法的田间麦穗计数方法
US20050105827A1 (en) Method and apparatus for detecting positions of center points of circular patterns
CN108846831A (zh) 基于统计特征和图像特征相结合的带钢表面缺陷分类方法
CN111814825B (zh) 基于遗传算法优化支持向量机的苹果检测分级方法及系统
CN110298835B (zh) 一种皮革表面破损检测方法、系统及相关装置
CN115063603B (zh) 基于边缘信息的木材年轮线精确提取及复原方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN115272350A (zh) 一种计算机pcb主板生产质量检测方法

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