一种新的针叶材自动识别方法

提出通过横切面显微图像对针叶材树种进行计算机识别的方法。该方法通过提取图像的PCA特征,生成特征树,然后采用SVM对样本进行分类。使用8种针叶材,每种12个样本,并采用留一交叉验证,对图像的分割方法、最近邻与SVM分类算法和不同范数距离下的识别效果进行试验。结果表明通过部分木材微观的纹理结构进行木材识别的可能性。     

林木幼苗根系CT序列图像分割

图像分割技术一直都是图像处理中的难题,原位根系CT图像的分割结果影响后续的三维重建工作,选取合适的分割算法十分关键.通过对根系CT图像分割算法以及根系CT图像特点的的研究,选择阈值分割、区域生长和FCM聚类的方法对序列图像进行分割,并将区域生长方法进行优化,减少分割时计算的步骤,同时改进f cm聚类方法,将空间信息融入到FCM目标函数中.结果表明,阈值法仅对序列初始的简单图像处理效果理想,改进的区域生长法对分割目标连续的图像分割效果好,分割速度达到0.6s.而改进的FCM虽然需要花费23 s的时间,但对不连续的分割目标分割效果明显.三种方法均体现出分割的准确度,后两者能有效提升分割的效率.适当选取以上三种分割方法,即可快速准确的完成林木幼苗CT序列图像的分割.     

基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法

【目的】提出一种基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法,根据缺陷部分与正常部分纹理特征不同,利用分层聚类算法将缺陷分离出来,以解决板面缺陷检测系统中刨花板表面纹理导致缺陷提取不准确的问题。【方法】将刨花板表面灰度图像划分成若干个窗口,使用灰度共生矩阵的统计特征参数对各窗口纹理进行表征,通过分层聚类算法将纹理特征不同区域区分开。首先确定灰度共生矩阵构造因子的取值,包括窗口大小、灰度级、方向和步长,构建出各个窗口的灰度共生矩阵;使用Fisher准则和线性相关性对灰度共生矩阵14个统计特征参数的表征能力进行度量,选取出分类能力强且相关性低的特征构成特征向量,所有窗口的特征向量构成样本集。然后运用BIRCH分层聚类算法对样本集进行聚类,为使聚类结果更准确,同时加快计算速度,提出一种优化策略,绘制样本集均值和统计直方图,将其波峰数量作为理想的类别数量,当聚类产生的类别数量大于理想类别数量时,将聚类结果中距离近的簇合并,解决聚类精度过高而导致的过分割问题。最后根据聚类结果,对原图像中各窗口进行标记,提取出缺陷区域。【结果】选择大小为512像素×512像素,带有杂物、油污、胶斑、大刨花和松软5种类型缺陷的刨花板表面图像,使用本研究方法能够准确将缺陷区域提取出来,精确度达92.2%,召回率达91.8%。【结论】基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法,可解决因刨花板表面纹理导致缺陷提取不准确的问题,为机器视觉板面缺陷检测系统的缺陷度量和识别提供良好支撑。     

基于纹理特征的木材年轮图像检测方法研究

针对树木年轮人工检测效率低、劳动负担重的问题,提高木材年轮检测自动化程度显得尤为重要。通过钻孔获取木芯并用电荷耦合器件CCD采集云杉(Picea)年轮扫描图像,提出一种基于纹理特征的木材年轮图像检测算法。首先,将RGB彩色图像转换到HSV空间,利用V分量的梯度值生成结构张量,并构成图像的纹理特征集,并用全变差(Total Variation,TV)模型进行灰度图像去噪,用模糊区域竞争(Fuzzy Region Competition,FRC)模型进行图像分割。最后,对二值图像进行形态学滤波,并利用长宽比和面积特征识别出年轮线。试验结果表明,提出的算法去噪能力强,分割效果好,边界数正确率100%,能很好地提取云杉木材年轮边界。该方法有助于提高木材年轮的自动化检测水平,可拓展应用于其它树种,在林业科学研究和林木生长监测等方面有很好的应用前景。     

基于邻接自适应谱聚类的木材表面缺陷分割算法

针对人工分割木材表面缺陷的烦琐性和阈值分割算法对缺陷像素信息衡量的不稳定性,提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法。算法以简单线性迭代超像素(simple linear iterative cluster, SLIC)为基础,对缺陷图像进行预处理,融合木材缺陷的纹理特性和超像素块间的距离尺度,并采用邻接自适应谱聚类进行分割;缺陷分割初步完成后,通过变异系数衡量缺陷块中像素信息的离散程度进行再次分割,克服初次分割结果的过分割问题;考虑木材表面缺陷形态学上的封闭性,将2次分割图像进行合并,继而用邻接扫描法对次分割图形进行填充,最终对木材表面缺陷进行分割界定。考虑木材表面缺陷种类的多样性,选取了虫眼、死节、活节等缺陷图像进行分割对比试验,相较于OTSU阈值分割算法,本研究算法在单个和多个木材表面缺陷分割方面,类别平均像素准确度(mean pixel accuaracy, MPA)分别提升4.69%,14.23%,平均交并比(mean intersection over union, mIoU)分别提升33.27%,33.43%。本研究算法能够更加准确地将木材表面缺陷从复杂背景中...     

基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别

分析木材单板节子缺陷图像的特点,提出一种基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别算法。首先,对Chan-Vese提出的基于Mumford-Shah模型的水平集图像分割算法进行改进,使分割速度得到提高;其次,用AOS算法改进原模型的差分格式,使得差分格式无条件稳定;最后,结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。通过对比试验,表明该分割方法能够快速识别单板单个节子缺陷,充分说明该耦合方法比Chan-Vese方法及其改进方法有更好的分割效果。通过用多水平集作为初始轮廓演化曲线,结果表明该方法也可快速实现对单板多节子缺陷图像的识别,实现对单板节子图像的多目标分割。     

随机森林算法在树木年轮图像分割中的应用

年轮图像早晚材的准确分割是树木年轮计数和间距测量的前提条件。为解决年轮本身生长的复杂性、采伐过程中的锯痕干扰、早晚材图像灰度差别较小等因素造成的分割难题,提出了一种基于随机森林(random forest,RF)算法的分类模型,可实现年轮图像的准确分割。首先,通过变换图像的颜色域空间,提取出样本图像在RGB、HSV和L*a*b*模型下的9个颜色分量,基于灰度共生矩阵提取样本图像的对比度、相关性、能量和熵的均值与标准差共8个纹理特征。然后,根据早晚材颜色与纹理特征的差异,基于随机森林算法构建像素分类器,实现年轮图像的早晚材的初步分割。为了提高分割图像的质量和准确度,对分割后的图像使用形态学方法消除孤立和黏连噪声,以得到最终分割图像。最后,将该方法与K-均值聚类(K-means)算法和支持向量机(support vector machine,SVM)算法进行对比。结果表明:所采用基于RF算法的分类模型分割年轮晚材的正确识别率为95%左右,错误识别率在6%左右,图像分割效果明显优于其他两种算法。     

基于k-mean聚类与灰度梯度最大熵的树木图像分割

提出一种基于k-mean聚类与灰度-梯度最大熵的树木图像分割算法,将要处理的树木彩色图像在RGB颜色空间下进行基k-mean聚类,通过选取合适的类参数实现初分割.由于灰度-梯度空间清晰地描绘图像中各个像素点的灰度、梯度的分布规律及图像目标与背景之间的边缘情况,采用灰度-梯度最大熵算法进行精分割,结合形态学后处理提取图像边缘最终将获得更理想的独立目标图像.与二维最大熵分割方法比较的实验结果表明,灰度-梯度最大熵算法提高了树木图像分割的准确度.     

基于模糊聚类分析的木材缺陷CT图像分割

为了提高木材的利用率,在木材加工之前对木材缺陷CT图像进行分割,将节子和空洞等缺陷分割出来,通过观察缺陷的位置便于工人师傅下锯。利用计算机断层扫描（CT）技术获取木材缺陷图像,将数字图像处理技术与模糊聚类算法相结合,在标准的模糊C均值算法的基础上改进,采用半模糊聚类的分析方法对木材缺陷图像进行分割检测。实验结果表明：基于半模糊聚类的图像检测方法在木材图像检测上取得了较好的效果,缺陷边缘处很平滑,细节保留完整,更多的保留了边缘上的信息。从而证明了半模糊聚类分析法在木材缺陷CT图像处理方面具有可行性。     

基于FCM和分水岭算法的无人机影像中林分因子提取

【目的】研究高精度小型无人机获取林分调查因子方法,将林分调查因子在低空无人机影像上识别并提取出来,获取树高、冠径等测树因子,建立林分因子测量方法,实现经济、高效、快捷、精准的森林资源调查和监测,及时掌握森林资源及相关林分因子的时空变化特征。【方法】以东北林业大学城市林业示范基地樟子松人工林为研究对象,以多旋翼无人机影像为数据源,基于FCM聚类算法和分水岭分割算法以及形态学运算、阈值分割、图像平滑、灰度化、二值化等一系列数字图像处理技术,提取樟子松人工林林分因子。FCM聚类算法和阈值分割法用于提取树梢标记图像,分水岭分割算法对树梢标记图像进行迭代处理从而获得单木树冠分割图像,根据单木树冠分割结果提取单木特征进而计算各林分因子值。【结果】在林地提取中,根据影像的颜色特征绿度分割成功地将林地部分与非林地部分分离开来,确定单木树冠分割范围。在单木树冠分割中,阈值分割法和FCM聚类算法均可有效将树梢标记从林地图像中提取出来;将基于标记的分水岭分割算法用于单木树冠分割取得较好效果,大多数单木树冠被单独分割出来,但某些区域仍然存在一定的欠分割或过分割问题。在林分因子提取中,提取的林分因子包括林分郁闭度、林地面积、立木株数和平均冠幅,其中林分郁闭度的测量精度为96.67%,林地面积的测量精度为81.23%,立木株数和平均冠幅的测量精度与单木树冠分割中的树梢提取方法(阈值分割法和FCM聚类算法)及分水岭分割中的2个参数(形态学腐蚀的结构元素大小和中值滤波的窗口大小)有关。针对2种树梢提取方法,分别进行参数组合试验,结果显示2种树梢提取方法使用适当参数组合所得各林分因子测量精度均在80%以上,平均测量精度均在90%以上,其中阈值分割法的最高平均测量精度为94.49%,FCM聚类算法的最高平均测量精度为93.17%。【结论】利用无人机拍摄的人工林影像进行森林资源调查,将先进的计算机科学技术和无人机技术应用到林业领域中,可有效提高森林资源调查的效率和精度。本研究提出的林分因子提取方法适用于高郁闭度林分,测量精度满足实际需求。     

基于鲸鱼算法的森林火灾图像多阈值分割

为监测森林火灾的实时火情,本文研究图像分割算法应用于林火图像的识别。由于林火图像背景复杂干扰目标多,采用单阈值Otsu方法对林火图像进行分割的精度较差,因此本文研究鲸鱼优化算法(Whale Optimization Algorithm,WOA)对多阈值图像分割的最佳阈值进行寻优。鲸鱼优化算法是在寻找最优解的过程中效率较高的算法,该算法具有收敛速度快、精度高的特点。针对森林火灾图像中的火焰区域准确分割问题,应用WOA对Otsu的适应度函数进行寻优,在红绿蓝模式的林火数字图像上进行仿真试验。试验结果表明:提出的算法在森林火灾图像多阈值分割中优于传统单阈值的Otsu算法,可以获得更为准确的分割阈值和更高的分割效率,具有较强的工程实用性。     

原木端面图像检尺直径识别算法的研究

论述应用计算机图像处理和识别技术来研究不规则类圆形目标的识别问题,以成捆原木端面图像为实例,提出一种原木端面检尺直径识别的算法。     

原木端面图像检尺直径识别的一种算法

论述了应用计算机图像处理和识别技术来识别不规则圆形类目标的问题,以成捆原木端面图像为实例,提出一种原木端面检尺直径识别的算法。     

基于FCM的木材X射线图像缺陷分割

在用X射线检测木材缺陷的过程中,很重要的一步就是对图像中的缺陷的提取和分割,其处理的效果直接影响到后面的缺陷识别的正确性。主要是针对木材X射线图像对比度差的特点和固有的模糊性,利用模糊C均值聚类的方法对木材X射线图像进行分割处理,为后续的提取出木材缺陷工作打下基础。     

基于线性谱聚类的林地图像中枯死树监测

【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。     

基于AlexNet优化的板材材种识别方法

【目的】基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据。【方法】以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别。根据木材端面细胞区分的差异性,在AlexNet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率。【结果】将增强后的29 680张图像按7∶3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67%, AlexNet神经网络测试集的整体识别准确率为88.76%,基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15%,识别效果更好。【结论】当样本量充足时,AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的AlexNet神经网络对图像线性特征更敏感,保留...     

基于图像分解的单板节子缺陷图像修补方法研究

分析了我国单板生产过程中单板节子缺陷修补存在的问题和木材纹理在工业生产中的重要作用,针对带纹理的单板缺陷图像修补问题,提出了一种新的基于图像分解的修复方法。首先采用基于最小化总体变分的去噪算法对单板图像进行分解,提取出带纹理缺陷单板的结构部分与纹理部分;然后对单板结构图像采用改进的BSCB算法进行修复,对纹理部分采用扩展基于样本块的Criminisi算法进行修复,最后将修复好的图像叠加合成,通过实验验证了该方法的有效性。实验结果表明,该方法对带纹理单板缺陷图像的修复效果要优于采用单一方法的修复效果。     

基于颜色和纹理特征的竹材分类方法研究

为了应用机器视觉技术实现竹条表面颜色等级的分类识别,提出了用颜色矩和灰度共生矩阵描述竹材颜色特征和纹理特征的方法,并采用支持向量机对竹材进行分类识别,正确率达92．3％以上。结果表明,用颜色矩和灰度共生矩阵的特征参数来识别竹条颜色等级是可行的。     

基于图像显著性与最小二乘法支持向量机的柿子识别

为了提高柿子采摘机器人果实识别的效率与准确性,本文设计了图像显著性特征性分割与最小二乘法优化的支持向量机的果实分割与识别算法。根据视觉显著性原理,选取Lab空间下a分量作为处理颜色因子后进行显著性处理,然后使用k-means算法对图像进行分割,经过形态学处理后提取果实轮廓。提取果实颜色与纹理等特征值作为输入量,使用训练好的LS-SVM分类器对特征值进行判别,经实验室得,平均识别率在82.5%,相应时间为1.3s。能够满足课题需要。     

基于卷积神经网络和树叶纹理的树种识别研究

利用计算机图像工程技术和卷积神经网络将大量树叶图像叶脉信息提取并分类,主要研究单一背景下阔叶树叶脉纹理特征。本实验采用卷积神经网络在图像信息识别准确率高,无需人工定义树叶纹理特征减少繁琐的人工成本。将网络在Caffe平台上面进行定义,使用符合标准正态分布的一组随机参数初始化网络。对卷积神经网络使用BP神经网络反向传播算法和随机梯度下降算法训练。经过对于网络的训练最终识别率达到95%以上,超过了人眼的识别率,为树种识别研究提供有效的分类方法。卷积神经网络在树叶纹理中省去了人工定义树叶特征的工作。最终多次实验得到可观的识别效果,卷积神经网络适用于树叶图像的识别,其识别率基本达到可以应用的要求。