孫永科，熊飛，胡坤融，付小勇

（西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程學(xué)院，昆明650224）

0 引言

利用計算機(jī)技術(shù)和人工智能算法對木材的切片圖像進(jìn)行識別，可以快速地完成識別工作，在木材的鑒定工作中具有重要的研究意義。木材圖像識別技術(shù)目前已經(jīng)是林業(yè)信息化過程中的一個研究熱點。

1982 年，McMillin 利用圖像分析系統(tǒng)測量了木材的一些物理特征，是借助數(shù)字圖像對木材構(gòu)造組織進(jìn)行處理研究的第一人[1]。朱佳等人利用Graph Cuts 算法也成功提取顯微鏡圖像中的木材的結(jié)構(gòu)特征[2]。Khalid等人利用神經(jīng)網(wǎng)絡(luò)模型結(jié)合木材的紋理特征對熱帶木材進(jìn)行了圖像識別，實驗結(jié)果的正確率可以達(dá)到95%[3]。2009 年至今汪杭軍等人不斷地在該領(lǐng)域研究創(chuàng)新，相繼提出了基于PCA 特征的多種識別方法[4-6]，取得了很好的效果。

實驗發(fā)現(xiàn)，基于PCA 等特征的分類方法提高了識別的準(zhǔn)確率，但是對于未參與訓(xùn)練的圖片，其識別率卻仍然比較低。導(dǎo)致識別率低得主要原因是因為實驗樣本中提取的PCA 中噪點較多，不夠穩(wěn)定。本文提出了一種基于Canny 算子的邊緣特征提取和數(shù)據(jù)分類的新方法。該方法能夠提取木材圖像的紋理特征和氣孔分布，圖像特征信噪比高，穩(wěn)定性高。結(jié)合SVM 數(shù)據(jù)分類技術(shù)能有效地提高了木材識別的正確率。

常見的圖像邊緣提取的算子有Robert、Sobel、Prwitt、Canny 等，Canny 算子其中穩(wěn)定性較高的一種，而且其計算的結(jié)果信噪比也比其他的算子高。因此是圖像邊緣提取技術(shù)中最常采用的一種，張晶晶等人利用雙閾值法提高了邊緣提取的準(zhǔn)確性[7]。傳統(tǒng)的圖像SVD 特征提取方法是在灰度圖上直接計算，因為拍攝器材和拍攝環(huán)境的影響，灰度圖的噪點較多，計算得到的SVD 值中還有較多的干擾數(shù)據(jù)，從而導(dǎo)致識別率降低。

本文提出的新方法主要是提高圖像特征值的穩(wěn)定性。首先，將圖像進(jìn)行統(tǒng)一縮放，縮放到固定的尺寸，這樣計算出來的SVD 值數(shù)目將會一致。其次，利用Canny 算子計算書圖像的紋理特征，然后計算紋理圖像的奇異值SVD，最后利用SVM 分類器進(jìn)行訓(xùn)練用以進(jìn)行數(shù)據(jù)的分類。

1 算法實現(xiàn)

1.1 Canny算法

假設(shè)要處理的數(shù)據(jù)存放在A 數(shù)組中，為了我們算法實現(xiàn)的需要，我們定義A 數(shù)組為A[2][n]，其中A[0][0..n-1]存放需要確定名次的數(shù)據(jù)，A[1][0..n-1]存放排序后各數(shù)據(jù)對應(yīng)的順序，關(guān)鍵字值相同的數(shù)據(jù)的順序是相同的。首先我們假定所有數(shù)據(jù)的原始順序名次都是0，然后利用選擇排序的思想一一確定每個數(shù)據(jù)對應(yīng)的順序，假定m 為下一個待確定數(shù)據(jù)的順序值，m 的初值為1，其過程為：從所有還未確定順序的數(shù)據(jù)中查找關(guān)鍵字值最大的數(shù)據(jù)，確定其順序為m，同時查找與其關(guān)鍵字值相同的數(shù)據(jù)，并使其順序與已經(jīng)確定的數(shù)據(jù)相同，并記錄關(guān)鍵字值相同的數(shù)據(jù)個數(shù)p，下一個待確定的數(shù)據(jù)的順序即為m+p。重復(fù)上述過程，直至所有數(shù)據(jù)的順序都確定完畢[3]。

Canny 雙閾值算子需要給出兩個閾值t1和t2，且2 t1=t2。圖像中的點P(x,y)的像素值大于t2的是邊緣點，小于t1不是邊緣點，介于t1和t2之間的點需要結(jié)合器鄰居像素進(jìn)行判斷，若鄰居像素大于閾值則認(rèn)為是邊緣點，若鄰居像素不大于t2則認(rèn)為不是邊緣點。利用Canny 算子提取的木材橫截面圖像，不僅能夠很好地表現(xiàn)出木材的紋理特征，而且還能夠清晰地標(biāo)注出木材氣孔的分布。使用Canny 算子對40x 放大鏡木材橫截面圖片計算，能夠得到木材主要的紋理信息，如圖1 所示：圖1（a）是40x 的木材橫截面圖片，圖像的高度和寬度都為200 像素；圖1（b）是使用Canny 算子計算的結(jié)果，Canny 的閾值分別是t1=150，t2=300。通過比較可以發(fā)現(xiàn)，Canny 算子能夠得到圖像的紋路和木材的氣孔的分布，較好地保留了原圖紋路特征。

圖1 40x木材橫截面圖像

1.2 SVD算法與Canny

奇異值分解（SVD）可以提取圖像的特征值并且具有良好的穩(wěn)定性，旋轉(zhuǎn)不變性，位移不變性，鏡像不變性和比例不變性的特點，現(xiàn)在已經(jīng)被廣泛的應(yīng)用于圖像模式識別領(lǐng)域[8-9]。

如果矩陣A 代表一幅圖像，則存在正交矩陣U={u1,u2,...,um}∈Rm×n，V={v1,v2,...,vm}∈Rn×n，使 得UTAV=diag(σ1,σ2,...,σp)=W,p=min(m,n)，即A=UWVT，

稱為A 的奇異值分解，其中σ1≥σ2≥...≥σp≥0，為A 的奇異值。

奇異值特征可以通過壓縮來降低數(shù)據(jù)的緯度，對于一幅圖像保留較大的奇異值，忽略較小的奇異值，其作用等于減少圖像中的噪點，保留圖像中的主要信息。

假設(shè)圖像A的奇異值為Wr={σ1,σ2,...,σr},σ1≥σ2≥...≥σr，保留該奇異值的前s 項Ws={σ1,σ2,...,σs}，r ≥s。

則存在：

因此：rank(As)=rank(Ws)=s,

則：‖ ‖A-AsF=min{‖ ‖A-BF,B ∈Rm×n}。

以上的證明說明在F 范數(shù)意義下，As是A 的一個最佳逼近，在圖像處理中可以認(rèn)為圖像As和A 最為相似。

圖2 是使用SVD 恢復(fù)后的圖像效果，圖2（a）是原圖，圖2（b）是通過SVD 的最大60 項還原的效果，圖2（c）是使用SVD 的最大40 項還原的效果。圖3（a）是圖2（a）經(jīng)過Canny 算子計算后的邊緣圖像，圖3（b）是圖3（a）的SVD 值前60 項的還原效果，圖3（c）是圖3（a）的SVD 值前40 項還原效果。

圖2 SVD圖像還原效果

圖3 Canny算子SVD還原效果

通過比較可以發(fā)現(xiàn)：圖2（c）中的噪點比圖2（b）中的噪點多，圖3（c）中的噪點比圖3（b）中的噪點多；圖2中隨著SVD 取值的減小，噪點增加較多，圖3 中隨著SVD 的減少，噪點增加的較少。說明圖3 中的SVD 值比圖2 中的SVD 值更穩(wěn)定。

2 實驗過程

實驗選取計720 張木材的橫截面圖片，共計3 個物種，圖像采用40x 放大鏡拍攝，每個物種選取圖片約200 張。實驗采用2 種方法進(jìn)行，方法一直接對灰度圖求SVD，方法二使用Canny 算子對灰度圖計算邊緣后在求SVD 值。兩個實驗結(jié)果進(jìn)行比較，用來研究Canny 算子在分類過程的作用。分類器采用SVM 分類器。SVM 支持向量機(jī)的參數(shù)svm_type 選擇C-SVC，核函數(shù)選擇polynomial，degree 選擇3，cost 選擇2000，gamma 選擇300。

實驗選取一個物種作為正樣本，其他2 種隨機(jī)抽取若干作為負(fù)樣本作為一個測試組，每個物種創(chuàng)建20組測試數(shù)據(jù)，采用10 折叉驗證法測試結(jié)果。實驗結(jié)束后分別計算正樣本的正確識別率，負(fù)樣本的正確識別率，系統(tǒng)識別率和正負(fù)樣本的正確識別率的差值。系統(tǒng)正確識別率使用公式（1）表示。

其中：

P（A）表示正樣本的概率

P（M）表示識別為正樣本的概率

P（N）表示識別為負(fù)樣本的概率

2.1 SVD+SVM實驗

實驗分三次，第一次將1 號樣本作為正樣本，其他兩組樣本作為負(fù)樣本，第二次將2 號樣本作為正樣本，其他兩組樣本作為負(fù)樣本，第三次將3 號樣本作為正樣本其他兩組作為負(fù)樣本。利用SVM 分類器對數(shù)據(jù)進(jìn)行二分類計算，使用10 折叉驗證，最后得到的實驗數(shù)據(jù)如表1 所示。表中的P( )A 表示正樣本正確識別的平均值，表示負(fù)樣本正確識別的平均值，P( C)是系統(tǒng)正確識別的平均值，方差_ P( C )是P( C )的總體方差的平均值，是的絕對值的平均值。

對720 個樣本數(shù)據(jù)進(jìn)行分組實驗后的結(jié)果如表1所示。

表1 SVD 識別正確率

觀察表1 中的數(shù)據(jù)，發(fā)現(xiàn)正負(fù)樣本的正確識別率都存在波動，離散度較高；1 號木材的負(fù)樣本正確識別最低，意味著在該模型中系統(tǒng)把負(fù)樣本錯判為正樣本的幾率較高，負(fù)樣本出錯率高。

2.2 Canny+SVD+SVM實驗

實驗的方法與SVD+SVM 的實驗方法相同，區(qū)別在于本實驗加入了Canny 算子，灰度圖像經(jīng)Canny 算子處理后，計算實驗所需的SVD 特征值。經(jīng)過60 次實驗后，統(tǒng)計結(jié)果如表2 所示，表2 的數(shù)據(jù)均為實驗后的平均值。

表2 Canny+SVD 識別正確率

觀察表2 可以發(fā)現(xiàn)正樣本和負(fù)樣本的正確識別率比較接近，系統(tǒng)正確識別率的方差小。說明明任給一個樣本，系統(tǒng)都能夠以較高的正確率識別出正負(fù)，且正確率都較高。

3 實驗結(jié)果

通過實驗發(fā)現(xiàn)以為幾個特點：

（1）表2 中的系統(tǒng)識別率P( C )大于實驗1 中的系統(tǒng)識別率，說明增加Canny 算子后，系統(tǒng)的正確識別率得到了提高。

（4）表2 中的方差小于表1 中的方差，說明實驗2中的模型更穩(wěn)定。

通過實驗發(fā)現(xiàn)，圖像就Canny 算子處理后計算得到的奇異值，其特征性比直接在灰度圖的SVD 更明顯，而且更穩(wěn)定。兩種實驗結(jié)果對比后發(fā)現(xiàn)：使用Canny 算子后可以有效地提高木材橫切面放大圖像的識別率。