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。