CN115063603B - 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 PDFInfo
- Publication number
- CN115063603B CN115063603B CN202210888061.0A CN202210888061A CN115063603B CN 115063603 B CN115063603 B CN 115063603B CN 202210888061 A CN202210888061 A CN 202210888061A CN 115063603 B CN115063603 B CN 115063603B
- Authority
- CN
- China
- Prior art keywords
- annual ring
- line
- annual
- contour
- ring line
- 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
- 239000002023 wood Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 241000208340 Araliaceae Species 0.000 claims description 12
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 12
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 12
- 235000008434 ginseng Nutrition 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000003708 edge detection Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
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,求取极大值和极小值,如果该年轮聚类轮廓线上的点的极坐标分布在和之间,那么该聚类轮廓的角度跨度;如果该年轮聚类轮廓线上的点的极坐标分布在和之外,或,那么该聚类轮廓的角度跨度;
判断该年轮聚类轮廓线的完整度,将该年轮聚类轮廓线的完整度与完整度阈值进行比对,如果小于阈值,则判定该年轮聚类轮廓线不是完整的年轮聚类轮廓线;如果不小于阈值,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,为圆的圆心位置的横坐标,为圆的圆心位置的纵坐标,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:
其中,和代表调节参数,为某年轮线的完整度指标,为该年轮线的缺口个数,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:
其中,为第条年轮线的黏连度指标,表示第圈年轮的年轮宽度,第圈年轮是由第条年轮线和第条年轮线围成的,表示第圈年轮的年轮宽度,表示第圈年轮的年轮宽度。
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:
其中,是某年轮线的清晰度评价指标,是该年轮线上的所有像素点灰度的均值,代表该年轮线上的像素点梯度幅值的均值,和为设定调节参数。
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:
其中,是某年轮线的真伪度,为该年轮线的黏连度,为该年轮线的清晰度,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:
其中,圆相似度表示第i个年轮聚类轮廓线的圆参和第j个年轮聚类轮廓线的圆参的圆相似度,为设定调节参数,为第i个年轮聚类轮廓线的圆心位置的横坐标,为第i个年轮聚类轮廓线的圆心位置的纵坐标,为第i个年轮聚类轮廓线的圆心位置的半径;为第j个年轮聚类轮廓线的圆心位置的横坐标,为第j个年轮聚类轮廓线的圆心位置的纵坐标,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,采用算子边缘检测提取木材截面的轮廓线,记为初始轮廓线。
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和正常生长轮,这三个指标分别为:完整度、黏连度和清晰度。接下来对这三个指标的计算过程进行说明:
①计算轮廓线的完整度。
得到初始轮廓线后,首先基于密度聚类算法对初始轮廓线进行聚类,将初始轮廓线(包括伪年轮和正常生长轮)分离开;具体的,设置邻域半径,数目阈值,对于初始轮廓线上的任意一个没有被处理过的点:以该点为中心,在邻域半径中计算半径内包含的所有轮廓线上灰度差值小于阈值的点的数目,如果包含的数目不小于数目阈值,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,初始轮廓线被分为条聚类轮廓线,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,计算极坐标的跨度,和表示轮廓线上的点最大的和最小的极坐标,将的轮廓线排除,本实施例=,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,表示第1条年轮聚类轮廓线,表示第D条年轮聚类轮廓线。
木材截面可能出现节瘤区,如果木材截面只出现一个节瘤区,通过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,由于采用密度聚类算法时,设置的邻域半径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来判断年轮聚类轮廓线的完整程度,将轮廓聚类线上的每一个点从直角坐标转化为极坐标的形式,为极径,为极角;对于任一年轮聚类轮廓线上的点的极坐标求取极大值和极小值,如果年轮聚类轮廓线上的点的极坐标分布在和之间,那么对应的聚类轮廓的角度跨度;如果年轮聚类轮廓线上的点的极坐标分布在和之外或,那么对应的聚类轮廓的角度跨度。判断各年轮聚类轮廓线的完整度,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进行比对,如果小于阈值,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标注。本实施例中完整度阈值,具体应用时可自行设定。
对年轮聚类轮廓线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条,那么完整的年轮聚类轮廓线有条,将完整的年轮聚类轮廓线记为年轮线,每一条完整的年轮线都为一条第一年轮线,共条第一年轮线;将不完整的年轮聚类轮廓线记为,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,其中圆参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,并对该不完整的年轮聚类轮廓线对应的个圆参求取均值得到该不完整的年轮聚类轮廓线最终的圆参,其中表示组合公式,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对应的圆参,表示第1条不完整的年轮聚类轮廓线对应的圆参,表示第条不完整的年轮聚类轮廓线对应的圆参。
然后计算圆参的圆相似度,根据圆相似度来判断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:
其中圆相似度表示年轮聚类轮廓线的圆参和年轮聚类轮廓线的圆参的圆相似度,为设定调节参数,本实施例中,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的结构相似度较高。其中圆相似度越大,代表圆参和的结构相似度越高,年轮聚类轮廓线和越有可能在同一条年轮线上。设置圆相似度阈值,当两个年轮聚类轮廓线和的圆相似度时,判定两个年轮聚类轮廓线和判定同属于一条年轮线。本实施例中,应用时可自行设定。
根据上述方法对年轮聚类轮廓线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,得到条完整的年轮线,分别记为,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上的跨度作为缺口宽度,分别记为缺口位置和缺口宽度,其中和表示年轮线上第个缺口的位置(缺口一端的极坐标)和宽度(缺口在极坐标上的跨度),其中的取值范围是,代表年轮线上的缺口数。
然后根据年轮线上的点的极坐标大小的平均值由小到大排序对得到的年轮线(第一年轮线)和(第二年轮线)进行排序,由此一共得到条年轮线,其中,排序后的年轮线对应从到的年轮线序号,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。
对于不完整度表中存在缺口的年轮线求解完整度指标,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的计算公式为:
其中,和代表调节参数,本实施例中,0.05,的取值范围是,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,不存在缺口的年轮线即上述完整度不小于完整度阈值的年轮聚类轮廓线,即上述第一年轮线。
②计算黏连度指标
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。对于排序后的条年轮线,计算出每一圈年轮的宽度后,以年轮圈数的序号为横坐标,个年轮的宽度为纵坐标,对这个点进行拟合得到年轮宽度曲线,如果在曲线上的点存在宽度突然变小的情况,即该点是年轮宽度曲线上的极小值点,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。具体过程为:
对年轮宽度曲线上的每个点比较其与近邻的两个点的纵坐标大小,如果且,表示第圈年轮的年轮宽度,则代表年轮宽度曲线上的点为上的极小值点,其中代表年轮所在的圈数,第圈年轮是由第条年轮线和第条年轮线围成的。如果满足条件点是上的极小值点,并且该点与临近点在纵坐标上的差异程度越大,黏连度指标越大,本实施例基于如下公式计算各年轮线的黏连度指标:
其中,为第条年轮线的黏连度指标, 的取值范围是,越接近数值,说明第圈年轮是伪年轮的可能性越高,即第条年轮线是伪年轮线的可能性越高。
计算清晰度评价指标
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,计算公式如下:
其中,是某年轮线上的所有像素点灰度的均值,代表该年轮线上的像素点梯度幅值的均值,和为设定调节参数。本实施例和,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,可得到年轮线对应的完整度、黏连度和清晰度三个评价指标,当某年轮线的完整度越低,黏连度越高,清晰度越低时,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:
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,本实施例真伪度阈值=10,具体应用时可自行设定。通过对年轮线分别求取真伪度,并与真伪度阈值比较,保留真伪度不超过的年轮线作为正常生长年轮线。
(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);基于此,本实施例根据不完整度表,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,公式如下:
其中,和表示缺口极角较小一端的极坐标位置和缺口在极坐标上的宽度。为缺口的中心位置的极径,为缺口的中心位置的极角,为缺口极角较小一端的极坐标位置的极径,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,其中表示缺口向量,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的极坐标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。本实施例将极坐标差异小于阈值的判定为接近极坐标上距离接近,本实施例,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 (7)
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;其中,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,求取极大值和极小值,如果该年轮聚类轮廓线上的点的极坐标分布在和之间,那么该聚类轮廓的角度跨度;如果该年轮聚类轮廓线上的点的极坐标分布在和之外,或,那么该聚类轮廓的角度跨度;判断该年轮聚类轮廓线的完整度,将该年轮聚类轮廓线的完整度与完整度阈值进行比对,如果小于阈值,则判定该年轮聚类轮廓线不是完整的年轮聚类轮廓线;如果不小于阈值,则判定该年轮聚类轮廓线是完整的年轮聚类轮廓线;
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;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,为圆的圆心位置的横坐标,为圆的圆心位置的纵坐标,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。
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,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:
其中,和代表调节参数,为某年轮线的完整度指标,为该年轮线的缺口个数,为该年轮线上第m个缺口的宽度。
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,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:
其中,为第条年轮线的黏连度指标,表示第圈年轮的年轮宽度,第圈年轮是由第条年轮线和第条年轮线围成的,表示第圈年轮的年轮宽度,表示第圈年轮的年轮宽度。
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清晰度的方法包括:
利用如下公式计算各年轮线的清晰度:
其中,是某年轮线的清晰度评价指标,是该年轮线上的所有像素点灰度的均值,代表该年轮线上的像素点梯度幅值的均值,和为设定调节参数。
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,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:
其中,是某年轮线的真伪度,为该年轮线的黏连度,为该年轮线的清晰度,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。
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,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。
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,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:
其中,表示第i个年轮聚类轮廓线的圆参和第j个年轮聚类轮廓线的圆参的圆相似度,为设定调节参数,为第i个年轮聚类轮廓线的圆心位置的横坐标,为第i个年轮聚类轮廓线的圆心位置的纵坐标,为第i个年轮聚类轮廓线的圆心位置的半径;为第j个年轮聚类轮廓线的圆心位置的横坐标,为第j个年轮聚类轮廓线的圆心位置的纵坐标,为第j个年轮聚类轮廓线的圆心位置的半径。
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 CN115063603A (zh) | 2022-09-16 |
CN115063603B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|---|---|
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-07-27 CN CN202210888061.0A patent/CN115063603B/zh active Active
Patent Citations (4)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115063603A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN109242848B (zh) | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 | |
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 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
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 | |
CN109191459A (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN108073918B (zh) | 眼底视网膜的血管动静脉交叉压迫特征提取方法 | |
CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
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 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN115063603B (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
CN115311277A (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN115393657B (zh) | 基于图像处理的金属管材生产异常识别方法 | |
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 | |
CN113962994B (zh) | 基于图像处理的三连杆上锁销清洁度检测方法 | |
CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
CN110298835B (zh) | 一种皮革表面破损检测方法、系统及相关装置 |
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 |