基于光譜和圖像特征的闊葉木材與針葉木材同時(shí)分類算法研究

王承琨， 趙 鵬，2*

1. 東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院， 黑龍江 哈爾濱 150040 2. 廣西科技大學(xué)計(jì)算機(jī)科學(xué)與通信工程學(xué)院， 廣西 柳州 545006

引 言

木材一般可以分為闊葉木材和針葉木材， 木材橫切面是否具有管孔結(jié)構(gòu)是判斷木材為闊葉木材的重要依據(jù)。 目前已有大量學(xué)者通過(guò)不同手段對(duì)闊葉木材進(jìn)行了分類， 產(chǎn)生了圖像法、 光譜法、 聲波法等分類方法， 又因闊葉木材橫切面上的特征較多、 紋理復(fù)雜度較高， 學(xué)者們更加傾向于使用木材橫切面的信息對(duì)木材進(jìn)行分類。 de Andrade等[1]依托智能手機(jī)使用GLCM(gray level co-occurrence matrix)和SVM(support vector machine)在室外對(duì)21種木材進(jìn)行了分類， 分類精度可達(dá)97.7%。 Oktaria等[2]使用CNN (convolutional neural network)算法對(duì)木材進(jìn)行了分類。 Zamri等[3]以木材橫切面的微觀圖像為研究對(duì)象， 使用I-BGLAM(improved Basic gray level aura matrix)紋理描述算子對(duì)木材進(jìn)行了分類。 Ibrahim等[4]使用木材橫切面的管孔特征和I-BGLAM特征相融合的方法對(duì)木材進(jìn)行了分類。 Yusof等[5]使用GA (genetic algorithm)對(duì)木材橫切面的管孔特征和紋理特征做了降維處理， 然后使用KDA(kernel discriminant analysis)和GSVD(generalized singular value decomposition)分解對(duì)GA提取到的特征向量做了非線性特征提取， 進(jìn)一步提高了分類正確率。 Rajagopal等[6]考慮了木材圖像采集過(guò)程中的模糊問(wèn)題， 并在增強(qiáng)模糊圖像后提取了相對(duì)較為穩(wěn)定的管孔特征， 最后使用SVM對(duì)20種木材進(jìn)行了分類。

上述方法均是以木材的圖像信息或光譜信息為特征來(lái)源， 然而使用單一信息源并不能全面的描述木材特征， 這就導(dǎo)致木材分類方法往往只能適用于一些闊葉木材， 分類正確率也無(wú)法進(jìn)一步的提高。 因此提出了一種基于木材圖像信息和光譜信息的多特征木材分類方法， 同時(shí)考慮木材橫切面的管孔特征、 紋理特征以及光譜特征， 實(shí)現(xiàn)了在某一特征不適合待分類樣本或分類結(jié)果出現(xiàn)錯(cuò)誤的情況下， 仍可以對(duì)木材進(jìn)行正確的分類， 從而實(shí)現(xiàn)了對(duì)闊葉木材和針葉木材同時(shí)分類和提高分類正確率的目標(biāo)。

1 實(shí)驗(yàn)部分

1.1 樣本與數(shù)據(jù)采集

實(shí)驗(yàn)樣本均來(lái)自北京潘莊木材市場(chǎng)和上海福人木材市場(chǎng)， 木材樣本嚴(yán)格按照其銷售周期進(jìn)行購(gòu)買避免同質(zhì)化的出現(xiàn)， 表1中列出了所使用的20種木材的詳細(xì)信息及樹(shù)種編號(hào)。 實(shí)驗(yàn)樣本的制作方法： 準(zhǔn)備每個(gè)樹(shù)種50塊木板， 使用型號(hào)為110×0.8×20×108T圓盤鋸將其切割成長(zhǎng)寬高分別為2， 2和3 cm的小木塊， 其橫切面大小為2 cm×2 cm。 從每一個(gè)木板所切割出的小木塊中隨機(jī)挑選一個(gè)標(biāo)準(zhǔn)樣本， 這樣每個(gè)樹(shù)種就擁有了50個(gè)樣本， 將這50個(gè)樣本隨機(jī)分成兩組， 訓(xùn)練集35個(gè)樣本， 測(cè)試集15個(gè)樣本。 因?yàn)槟静牡念伾?含水率均會(huì)對(duì)光譜的采集有一定影響， 所以挑選木材樣本時(shí)盡量選擇顏色一致的樣本， 其木材含水率應(yīng)控制10%以下。

表1 樣本詳細(xì)資料

圖1(a)中給出了光譜采集平臺(tái)的示意圖， 光譜儀采用的是美國(guó)海洋公司生產(chǎn)的Ocean Optics USB2000-VIS-NIR微型光纖光譜儀， 光譜波長(zhǎng)范圍為350～1 000 nm， 光譜儀的分辨率約為0.3 nm。 圖1(b)中給出了微觀圖像采集平臺(tái)， CCD相機(jī)拍攝到的圖像分辨率為1 600×1 200。 采集實(shí)驗(yàn)數(shù)據(jù)時(shí)需將小木塊放在平臺(tái)的指定位置， 手動(dòng)對(duì)顯微鏡進(jìn)行調(diào)焦使圖像清晰， 小倍率光學(xué)顯微鏡可以將木材表面放大10～100倍。

圖1 數(shù)據(jù)采集平臺(tái)

1.2 方法

1.2.1 基于Segnet的管孔分割方法及管孔統(tǒng)計(jì)特征

使用有監(jiān)督圖像分割方法， 需要對(duì)木材橫切面的管孔標(biāo)注標(biāo)簽， 在標(biāo)注標(biāo)簽時(shí)應(yīng)注意將管孔周邊部分包含在內(nèi)并記為標(biāo)簽1， 盡量保證管孔所對(duì)應(yīng)的像素點(diǎn)不要?dú)w為背景0標(biāo)簽， 同時(shí)還需要制作全0標(biāo)簽用來(lái)標(biāo)注針葉木材。 Segnet基于FCN和VGG16框架， 使用VGG16的前13層卷積網(wǎng)絡(luò)， 每一個(gè)編碼器層都對(duì)應(yīng)著一個(gè)解碼器層， 最終使用Softmax分類器將一幅圖像的每個(gè)像素點(diǎn)按概率大小進(jìn)行分類。 圖2中給出了Segnet網(wǎng)絡(luò)的整體架構(gòu)， 從圖2中可以看出該網(wǎng)絡(luò)模型由編碼網(wǎng)絡(luò)、 解碼網(wǎng)絡(luò)和分類器三個(gè)部分組成， 在編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)中Segnet使用的是same卷積， Pooling使用的是max pooling， 更多的Segnet網(wǎng)絡(luò)的相關(guān)信息不再贅述。

圖2 Segnet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

Ibrahim已成功根據(jù)木材橫切面的管孔特征對(duì)木材進(jìn)行了分類[7]， 并提出了管孔統(tǒng)計(jì)特征法SPPD(statistical properties of pores distribution)。 該方法將木材橫切面的管孔分為白管孔和黑管孔兩類， 并分別統(tǒng)計(jì)了這些管孔的平均管孔大小、 管孔大小的方差、 管孔的數(shù)量、 單孔和復(fù)孔數(shù)量、 小、 中、 大管孔的數(shù)量以及圖像的平均灰度值。 然而所闡述的20個(gè)樣本中含有白色管孔的樹(shù)種數(shù)量極少， 而且也不涉及單孔和復(fù)孔的情況， 因此對(duì)原有SPPD進(jìn)行了更新， 設(shè)計(jì)了較符合本實(shí)驗(yàn)樣本的管孔統(tǒng)計(jì)特征， 如表2所示。

表2 管孔統(tǒng)計(jì)特征

1.2.2 基于BIGD的圖像紋理特征提取算法

使用塊強(qiáng)度和梯度差算子BIGD(block intensity and gradient difference)[8]提取木材橫切面的紋理特征。 算法具體描述： 假設(shè)數(shù)字圖像為I， 首先從I上隨機(jī)選擇M個(gè)大小為19×19的正方形小窗口wi(i∈[1,M])， 在小窗口wi上隨機(jī)選擇32個(gè)點(diǎn)坐標(biāo)， 這些點(diǎn)的橫縱坐標(biāo)應(yīng)滿足獨(dú)立同分布， 將這32個(gè)點(diǎn)坐標(biāo)分為2組并表示為X和Y， 如式(1)和式(2)所示， 式中的mk和nk分別代表一個(gè)坐標(biāo)點(diǎn)。

X=[m1,m2， …，mk， …，m16](k∈[1,16])

(1)

Y=[n1,n2， …，nk， …，n16](k∈[1,16])

(2)

(3)

最后使用VLAD(vector of locally aggregated descriptors)對(duì)樣本進(jìn)行編碼。 具體方法： 首先需要找到訓(xùn)練集中所有的wi， 并將其特征向量vwi聚類成K類， 但因?yàn)関wi的數(shù)量太多， 只隨機(jī)選擇了500 000個(gè)vwi進(jìn)行聚類得到了K個(gè)聚類中心cq,q∈[1,K]。 然后計(jì)算每一幅圖像I(包括訓(xùn)練集和測(cè)試集)所生成的M個(gè)vwi(i∈[1,M])， 并計(jì)算每一個(gè)vwi與cq的歐式距離s， 找到最小s所對(duì)應(yīng)的cq， 并將其劃為第q組。 最后按式(4)分別計(jì)算每一類中的vwi與cq的殘差和， 一共得到K個(gè)vq(q∈[1,K])， 將其連接在一起形成樣本I的特征向量v。

(4)

1.2.3 光譜的預(yù)處理以及光譜特征的提取方法

由于木材橫切面上不同位置的光譜反射率曲線略有差異， 在采集光譜時(shí)， 需使用光譜儀對(duì)木材橫切面的不同部位反復(fù)采集光譜5次， 取平均值后作為該樣本的光譜特征曲線； 為了得到更為精準(zhǔn)的光譜反射率曲線， 需要每采集5個(gè)木材樣本后， 使用白板和隔光板對(duì)光譜儀進(jìn)行矯正[9]。 Optics USB2000-VIS-NIR微型光譜儀的有效波長(zhǎng)范圍為350～1 000 nm， 但實(shí)際采集到的光譜數(shù)據(jù)樣本波長(zhǎng)范圍在339.8～1 026.63 nm， 波長(zhǎng)受到的干擾較大， 從圖3(a)中可看出在波長(zhǎng)較低的范圍內(nèi)， 其光譜反射率遠(yuǎn)超100%。 因此去除了波長(zhǎng)兩端的光譜反射率， 只保留了350～1 000 nm之間的波段信息， 如圖3(b)所示。

圖3 光譜的預(yù)處理

使用SNV(standard normal variable)校正算法和一階導(dǎo)數(shù)的方法對(duì)光譜曲線進(jìn)行優(yōu)化， SNV校正對(duì)光譜曲線進(jìn)行歸一化處理， 其校正方法如式(5)， 圖3(c)為SNV校正的結(jié)果； 一階求導(dǎo)主要目的是突出光譜曲線之間的差異， 其具體方法如式(6)， 圖3(d)中給出了一階求導(dǎo)的最終結(jié)果。 由于光譜維度較高， 因此需要對(duì)光譜曲線進(jìn)行降維， 考慮了PCA (principal component analysis)降維方法和KPCA (kernel principal component analysis)降維方法下的木材分類正確率。

(5)

(6)

1.2.4 基于相似判據(jù)的木材分類方法

使用SVM分類器對(duì)測(cè)試樣本進(jìn)行分類， 有管孔組會(huì)產(chǎn)生3個(gè)分類結(jié)果， 無(wú)管孔組會(huì)產(chǎn)生2個(gè)分類結(jié)果。 參考集成學(xué)習(xí)中的相對(duì)多數(shù)投票法設(shè)計(jì)分類規(guī)則， 對(duì)于有管孔組， 若三個(gè)分類結(jié)果全部一致則分類無(wú)誤； 若三個(gè)分類結(jié)果中有兩個(gè)分類結(jié)果一致， 則按照分類結(jié)果一致的結(jié)果標(biāo)簽進(jìn)行分類； 若這3個(gè)分類結(jié)果全不相同， 說(shuō)明分類結(jié)果異常， 通過(guò)該樣本的特征向量和它所對(duì)應(yīng)分類結(jié)果的訓(xùn)練集樣本之間的相似度進(jìn)行進(jìn)一步判斷， 相似度最大的特征向量即為最佳特征向量， 所對(duì)應(yīng)的分類結(jié)果即為最佳。 對(duì)于無(wú)管孔組， 如果兩個(gè)分類結(jié)果全部一致則分類無(wú)誤， 如果兩個(gè)分類結(jié)果不一致則說(shuō)明分類結(jié)果異常， 需要繼續(xù)判斷， 判斷方法如前所述。

(7)

(8)

2 結(jié)果與討論

2.1 管孔分割結(jié)果

管孔分割的效果與管孔特征的提取有著緊密的聯(lián)系， 圖4為使用Segnet圖像分割的結(jié)果， 圖4(a)為木材樣本橫切面原始圖像。 從圖4(b)中可以看出使用Segnet直接得到的二值圖像里面存在著大量的噪聲點(diǎn)， 為了去除這些噪聲點(diǎn)， 首先去除像素點(diǎn)少于閾值α的所有連通區(qū)域得到圖4(c)所示， 然后使用腐蝕運(yùn)算進(jìn)行腐蝕， 得到結(jié)果如圖4(d)所示， 本文所使用的結(jié)構(gòu)元素是“disk”， 大小設(shè)為β。 最后對(duì)二值圖像再次進(jìn)行掃描去除像素?cái)?shù)量少于閾值α的所有連通區(qū)域， 如圖4(e)所示。

圖4 管孔分割結(jié)果

為了進(jìn)一步說(shuō)明管孔分割的效果， 手動(dòng)標(biāo)注了測(cè)試集中的樣本， 將Segnet分割的管孔結(jié)果和手動(dòng)標(biāo)注的管孔結(jié)果做了比較。 設(shè)NA代表分割結(jié)果與標(biāo)注結(jié)果相同的像素點(diǎn)數(shù)量，NS代表總的像素點(diǎn)數(shù)量，SA=NA/NS， 顯然SA的數(shù)值越高說(shuō)明分割結(jié)果越好。 圖5(a—e)的上方分別為五種木材的橫切面示意圖， 圖5(a—e)下方分別為這五幅圖像β=1，β=2以及β=3時(shí)α(β值為結(jié)構(gòu)元素的大小，α值為連通區(qū)域的閾值大小)值不斷增加的SA變化特點(diǎn)。 通過(guò)圖5可以發(fā)現(xiàn)對(duì)于每一個(gè)樣本最佳的α均有一些變化， 有管孔的木材α值越大分割效果越差， 無(wú)管孔的木材α值越大分別效果越好， 因此取α=100，β=3， 這樣的取值基本上可以照顧到所有樣本的管孔特點(diǎn)。

圖5 α與SA之間的關(guān)系樹(shù)種

2.2 有管孔組和無(wú)管孔組的分類結(jié)果

α和β不僅和管孔特征有關(guān)， 還會(huì)影響測(cè)試集樣本的分組結(jié)果， 圖6(a)中給出了α和β變化時(shí)對(duì)測(cè)試集分組正確率的變化情況， 分組正確率指測(cè)試集木材被劃分至正確分組的樣本數(shù)量與總測(cè)試集樣本數(shù)量的比值。 從圖6(a)中可以發(fā)現(xiàn)隨著α的增加分組正確率先升后降，α=100，β=3時(shí)分組正確率最高。 然而這樣的分組依舊不算特別理想， 為了進(jìn)一步提高分組的正確率， 記分割處理后的二值圖像按像素累加和為s， 總的像素點(diǎn)數(shù)量為M。 當(dāng)s/M小于某一個(gè)數(shù)值γ時(shí)認(rèn)為該樣本為無(wú)管孔木材； 當(dāng)s/M大于γ時(shí)認(rèn)為該樣本為有管孔木材。 圖6(b)中給出了γ對(duì)分組正確率的影響， 從圖6可以發(fā)現(xiàn)整體正確率隨著γ的增加先增后減， 在γ=0.1時(shí)取得最高分組正確率。

圖6 α， β， γ分組正確率的影響

2.3 單獨(dú)使用光譜特征、 管孔特征以及紋理特征分類結(jié)果與討論

單獨(dú)使用光譜特征對(duì)木材進(jìn)行分類時(shí)， 影響分類正確率的主要因素包括降維的方法以及降維后的特征維數(shù)， 圖7(a,b)分別為原光譜及一階導(dǎo)數(shù)光譜分類正確率， 即降維后的維數(shù)與木材分類正確率之間的關(guān)系。 從圖7(a,b)中可以看出PCA方法下的木材分類正確率高于KPCA方法下的分類正確率， 在對(duì)光譜進(jìn)行一階求導(dǎo)后的分類正確率整體高于原始光譜的分類正確率。

圖7 使用光譜特征的分類正確率

表3給出了圖7中的最高分類正確率， 從表3中可以看出使用光譜對(duì)木材進(jìn)行分類的正確率最高可達(dá)93.00%。

表3 光譜特征分類正確率

使用管孔特征對(duì)木材進(jìn)行分類的正確率與管孔分割的效果和前期有無(wú)管孔的分組有關(guān)， 圖8中給出了2.1節(jié)中α，β以及γ對(duì)分類正確率的影響， 從圖8(a,b,c)可以看出β=3時(shí)的分類正確率最高，α和γ值在圖8中均體現(xiàn)為值越大分類正確率越高。

圖8 使用管孔特征的分類正確率

表4中給出了有管孔組的樣本數(shù)量、 有管孔組中分類正確的樣本數(shù)量以及木材分類正確率。 由于實(shí)驗(yàn)樣本共有13×15=195個(gè)有管孔測(cè)試樣本， 所以將有管孔組中分類正確的樣本數(shù)量除以195作為木材分類正確率。 令β=3，α=100，γ=0.1， 此時(shí)有管孔木材分類正確率為69.23%， 有管孔組樣本數(shù)量為192個(gè)， 既可以兼顧分類正確率又可以保證有管孔組中的樣本不會(huì)被分入無(wú)管孔組， 這也與之前的管孔分割結(jié)果相呼應(yīng)。

表4 不同α， β以及γ的最高分類正確率以及有管孔組的樣本數(shù)量

比較使用BIGD紋理特征對(duì)木材進(jìn)行分類的結(jié)果， 影響B(tài)IGD算法分類效果的主要兩個(gè)因素是VLAD聚類數(shù)量K以及在wi上取的坐標(biāo)點(diǎn)對(duì)的數(shù)量ks， 前面描述算法時(shí)為了方便規(guī)定了ks=16。 表5中給出了ks=20時(shí)聚類數(shù)量K對(duì)分類正確率的影響。 木材分類正確率隨K值增大逐漸增加， 當(dāng)K值達(dá)到128時(shí)分類正確率最大， 但K值繼續(xù)增加， 分類正確率卻不升反降， 特征維數(shù)隨著K的增加越來(lái)越多， 計(jì)算時(shí)間也成倍增加。 為了兼顧計(jì)算速度和正確率將K值定為128維。

表5中給出了在K=128情況下窗口數(shù)量ks變化時(shí)的木材分類正確率， 值得一提的是由于設(shè)計(jì)了4個(gè)尺度， 窗口數(shù)量必須為4的倍數(shù)， 從表5可以看出隨著窗口數(shù)量K值的增加正確率逐漸增加， 特征維數(shù)也逐漸增加。 當(dāng)窗口數(shù)量達(dá)到16以后正確率趨于平穩(wěn)， 穩(wěn)定在89.33%。

表5 聚類數(shù)量K和窗口數(shù)量ks對(duì)分類正確率的影響

2.4 選擇最優(yōu)特征后的分類結(jié)果

對(duì)管孔特征、 紋理特征以及光譜特征的分類結(jié)果進(jìn)行最優(yōu)選擇， 以尋找到測(cè)試樣本的最佳分類結(jié)果。 表6為三個(gè)特征分類結(jié)果， 按照之前的規(guī)定當(dāng)三個(gè)特征分類結(jié)果完全相同或者有兩個(gè)特征相同時(shí)以這些相同的分類結(jié)果作為最終分類結(jié)果， 在300個(gè)測(cè)試樣本中這種分類一致的樣本數(shù)量共有257個(gè)， 有管孔組中共有192個(gè)樣本， 其中三個(gè)特征不一致的樣本共有19個(gè)樣本； 無(wú)管孔組共有108個(gè)樣本， 其中兩個(gè)特征分類結(jié)果完全不相同的樣本數(shù)量為24個(gè)。

表6 三個(gè)特征的分類情況

使用歐氏距離時(shí)需要尋找到最佳的調(diào)節(jié)系數(shù)， 圖9中給出了γ1/γ3和γ2/γ3在不同數(shù)值情況下的分類正確率， 同時(shí)表6中給出了經(jīng)過(guò)最優(yōu)特征選擇后最高的分類正確率以及此時(shí)的γ1/γ3和γ2/γ3， 可以看出最高正確率為98.00%， 高于單獨(dú)使用任何一種特征對(duì)木材進(jìn)行分類的正確率。

圖9 γ1/γ3和γ2/γ3對(duì)分類正確率的影響

2.5 與其他文獻(xiàn)方法的對(duì)比實(shí)驗(yàn)

考慮本研究中數(shù)據(jù)集在主流木材分類方法中的分類效果， 主要包括文獻(xiàn)[1]中的GLCM紋理分類算法、 文獻(xiàn)[3]的I-BGLAM算法、 文獻(xiàn)[2]的CNN算法、 文獻(xiàn)[4，8]的管孔統(tǒng)計(jì)特征算法、 文獻(xiàn)[5]的核遺傳算法以及LBP算法， 其最高分類正確率如表7所示。

表7 其他算法的分類正確精度

從表7中可以看出， 使用管孔特征的分類正確率普遍偏低， 這是因?yàn)楣芸滋卣鱏PPD在本文所使用的數(shù)據(jù)集中存在三個(gè)問(wèn)題， 第一個(gè)問(wèn)題是本文的數(shù)據(jù)集中并非所有樣本均有管孔， 對(duì)于無(wú)管孔的木材樹(shù)種顯然無(wú)法提取管孔特征； 第二個(gè)問(wèn)題是本文使用的樣本數(shù)據(jù)集中的木材橫切面不能使用簡(jiǎn)單的閾值分割法對(duì)其進(jìn)行管孔分割； 最后一個(gè)原因是本文所使用的樣本數(shù)據(jù)集中白色管孔并不十分明顯， 無(wú)法得到有效的特征值。 另外使用紋理特征對(duì)木材進(jìn)行分類時(shí)也并未取得較高的分類正確率， 這是因?yàn)樗褂玫臄?shù)據(jù)集中樹(shù)種間的紋理較為相似， 無(wú)管孔木材一般屬于弱紋理樣本， 紋理特征并不明顯。 分類正確率較高的是卷積神經(jīng)網(wǎng)絡(luò)CNN和使用I-BGLAM特征的木材分類方法， 但是這兩種方法與本研究所述方法相比依舊沒(méi)有超過(guò)本文的分類正確率。

3 結(jié) 論

以20種木材樹(shù)種的橫切面圖像特征和光譜特征為研究對(duì)象， 主要做了以下工作。 第一， 使用Segnet， 將測(cè)試集樣本分成了有管孔組、 無(wú)管孔組， 同時(shí)對(duì)測(cè)試集樣本中的圖像做了管孔分割并提取了管孔特征； 第二， 使用BIGD算法提取了木材橫切面的紋理特征， 并對(duì)光譜特征做了一定的處理以提高分類精度； 第三， 分別討論了使用管孔特征、 紋理特征以及光譜特征情況下的木材分類情況； 第四， 使用相似性測(cè)度討論了木材橫切面上的管孔特征、 紋理特征以及光譜特征的最優(yōu)性問(wèn)題， 從而使各個(gè)樣本能夠以最佳的特征類型進(jìn)行分類。 最終得出了以下幾個(gè)結(jié)論： (1) 使用木材橫切面的光譜特征和紋理特征可以對(duì)木材進(jìn)行分類， 但只使用管孔特征無(wú)法得到較好的分類效果； (2) 使用樣本間的相似度可以彌補(bǔ)不同特征之間存在的不足， 從而達(dá)到進(jìn)一步提高分類正確率的目的； (3) 通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)， 本文所述方法不僅適用于闊葉木材也適用于針葉木材， 具有較強(qiáng)的普適性。