基于灰度共生矩阵与SOM神经网络的树皮纹理特征识别

李可心，戚大伟，牟洪波，倪海明

(东北林业大学 理学院，哈尔滨 150040)

基于灰度共生矩阵与SOM神经网络的树皮纹理特征识别

李可心，戚大伟*，牟洪波，倪海明

(东北林业大学 理学院，哈尔滨 150040)

黄檗、水曲柳、胡桃楸3种林木的树皮提取物作为名贵中药的植物来源。通过环剥再生技术采集树皮，在保证经济需要的同时有效地保护了林木。但3种林木树皮纹理相近且不易区分，现场采集给林业工作者带来困难。因此通过图像处理技术解决这一难题具有实际意义。采集3种林木树皮图像各300幅，共计900幅，对图像分别进行ROI(感兴趣区域)截取、直方图均衡，构造d=2；g=128；θ=0°、45°、90°、135°的灰度共生矩阵，提取14个特征参数；通过数字特征分析，筛选出8个特征值；应用SOM(Self Organizing Maps)神经网络对大量林区树皮图像进行参数验证。得到由角二阶矩、熵、相关性、方差、聚类阴影、和熵、聚类阴影构成的参数集有效，识别精度83.33%。证明该方法可以很好地区分黄檗、水曲柳、胡桃楸3种林木。

树皮纹理；灰度共生矩阵；SOM神经网络

0 引言

国家林业局报道称预计2016年年底部署全面停止全国天然林商业性采伐[1]。因此，如何对现有天然林进行保护是现阶段必须要考虑和研究的重要课题。黄檗、水曲柳、胡桃楸并称“东北三大硬木”[2]。由于过度的采伐，3种木材资源紧缺，被列入到中国稀有濒危植物中[3]。随着大数据时代的到来，针对研究对象应用图像处理技术进行特征提取是非常重要的研究方向[4]。树皮表面的纹理是树木所具有的天然属性，树皮纹理包含的信息可以在一定程度上描述树木的性质[5]。灰度共生矩阵的特征提取是统计方法中描述图像纹理的典型算法，国内外众多学者将其应用于医学、生物图像的特征提取工作，但并没有进行树皮表皮纹理上的研究[6]。随计算机技术的不断发展，人们对深度学习的要领越来越重视，运用神经网络对大数据进行模式识别是非常重要的研究领域[7]。自组织映射(Self Organization Map，SOM)神经网络是一种经典的无导师学习算法，运用该网络进行聚类分析是十分重要的研究方法[8]。本研究结合灰度共生矩阵与SOM神经网络对3种林木进行有效区分。

1 图像获取与处理

获取东经127°25′07″，北纬42°24′23″的泉阳镇大顶子林场地区，黄檗、水曲柳、胡桃楸3种林木胸径部位树皮表皮纹理图像各300幅，合计900幅。为了更加准确地提取表征图像纹理信息的14个特征参数，在Photoshopcs5环境下，截取图像的感兴趣区域(ROI区域)；为了增强图像的整体对比效果，在MATLAB2014a环境中进行直方图均衡化[9]。以黄檗图像为例，图1为截取ROI区域后的图像，图2为直方图均衡化后的ROI区域图像。

图1 截取的ROI区域图像Fig.1 The captured image ROI area

图2 直方图均衡化后的ROI区域图像Fig.2 The image of ROI area after histogram equalization

2 基于灰度共生矩阵的树皮纹理特征提取

2.1 灰度共生矩阵构造因子的确定

图像越清晰，得到的特征值越准确[10]。因此选取图像灰度级为256时，作为最佳生成步长。在256级的生成步长下，改变灰度级，从而提取最佳值[11]。即应用控制变量法，在图像灰度级g不变的情况下，改变生成步长d的值；确定最佳生成步长d后，改变图像灰度级g，再得到最佳灰度级的值[12]。最后结合特征值的性质，分析灰度共生矩阵特征参数随其3个构造因子(图像灰度级、生成步长以及生成角度)的变化规律，确立适合描述树皮纹理图像的灰度共生矩阵构造方法[13]。由纹理特征值差值最大化原理、程序运行的最优时间的选择，确定：d=2；g=128；θ=0°、45°、90°、135°四个方向[14]。此构造方法下的特征值稳定、变化浮动较小、特殊值出现概率最小。

2.2 灰度共生矩阵的特征参数

在MATLAB2014a环境下，编写提取特征参数的程序，得到树皮纹理图像的14个二次统计量：角二阶矩、对比度、相关、熵、方差、均值和、方差和、逆差矩、差的方差、和熵、差熵、聚类阴影、最大概率[15]。表1为适合表征所研究图像信息的6个特征参数计算公式。

表1 特征值的计算Tab.1 The calculating formula of characteristic values

2.3 特征值数字统计分析

计算实验样本的14个特征参数在其4个方向上的平均值，记为：W1-W14。进行数据统计分析，得到3种林木的8个特征参数：角二阶矩、熵、惯性矩、相关性、方差、聚类阴影、最大概率、和熵。以筛选得到的角二阶矩特征值、筛选排除的逆差矩特征值选取20幅样本图像进行详细说明。

图3 3种林木树皮表皮纹理图像的角二阶矩特征比较Fig.3 Comparison on the angular second moments of the bark texture of three tree species

图4 3种林木树皮表皮纹理图像的逆差矩特征比较Fig.4 Comparison on the inverse difference moments of the bark texture three tree species

由特征值数字分析图像可知，3种林木表皮纹理图像的角二阶矩特征值数据在一定范围区间，纹理特征值具有可区分性；而逆差矩特征值区间范围相互交错，不能对3种林木表皮纹理信息进行较好的说明[16]。针对大量样本图像进行研究，选取的8个特征值有部分重叠区域，因此应用SOM神经网络对特征值进行进一步筛选。

3 SOM神经网络在树皮纹理识别的应用

生物神经元系统所具有的“加强中心而抑制周围”的现象，与人脑所具有的自组织特性有着密切的联系。芬兰学者Teuvo Kohonen 提出的自组织特征映射神经网络(Self Organizing Maps，SOM)，引入了网络的拓扑结构，通过邻域的概念模拟了生物元间的侧抑制现象，从而实现了网络的自组织特性。由于该网络有效地模拟了脑皮层细胞的自组织特性、该模型可以有效地处理数据，被广泛应用于模式分析与识别中。

为了尽量避免数据大小差异的影响，研究以归一化的数据样本特征值(取4个方向值)：角二阶矩X1、熵X2、惯性矩X3、相关性X4、方差X5、聚类阴影X6、最大概率X7、和熵X8，构建SOM神经网络输入模式集：

(1)

在上述模式集的基础上，逐一减少特征值并任意组合，在不同模式集下分别对大量树皮表皮图像进行聚类分析，得到角二阶矩、熵、相关性、方差、聚类阴影、和熵6个数据样本集，在1 000次的训练次数下，识别精度为83.33%。下图为SOM神经网络的样本划分情况。

图5 SOM神经网络模式识别结果Fig.5 The result of pattern classification by SOM neural network

4 结论

提出应用灰度共生矩阵与SOM神经网络结合的方法，得到由角二阶矩、熵、方差、相关性、和熵、聚类阴影构成的一组参数集，可以有效区分黄檗、水曲柳、胡桃楸3种林木，识别精度83.33%。对3种树皮表皮纹理图像各300幅(共计900幅)进行处理，验证由该方法提取的参数集可以有效区分3种林木。证明该方法可以帮助林业工作者推广应用于3种林木树种的识别，提取得到的特征值可以为后续相关研究人员提供数据支持。

[1]国家林业局局长：2016年底部署全面停止天然林商业采伐，人民日报，2015-2-25，第14版.

[2]马琳.长白山地区森林生物多样性保护体系研究[D].北京：北京林业大学，2015.

[3]陈常美.东北林区主要珍贵用材树种种质遗传多样性评价与保护策略[D].哈尔滨：东北林业大学，2013.

[4]An FP，Zhou XW.BEMD-SIFT feature extraction algorithm for image processing application[J].Multimedia Tools and Applications，2016：1-20.

[5]Othmani A A，Jiang C，Lomenie N，et al.A novel computer-aided tree species identification method based on burst wind segmentation of 3D bark textures[J].Machine Vision and Applications，2016，27(5)：751-766.

[6]Pantic I，Dimitrijevic D，Nesic D，et al.Gray level co-occurrence matrix algorithm as pattern recognition biosensor for oxidopamine-induced changes in lymphocyte chromatin architecture[J].Journal of Theoretical Biology，2016，406：124-128.

[7]刘建伟，刘媛，罗雄麟.深度学习研究进展[J].计算机应用研究，2014，31(7)：1921-1930.

[8]Zhu J，Liu S.SOM network based clustering analysis of real estate enterprises[J].American Journal of Industrial and Business Management，2014，4(3)：167-173.

[9]赵安科，魏雨，刘天时，等.基于直方图均衡化的Robinson图像边缘检测算法[J].计算机测量与控制，2016，24(6)：230-232.

[10]So R W K，Chung A C S.A novel learning-based dissimilarity metric for rigid and non-rigid medical image registration by using Bhattacharyya Distances[J].Pattern Recognition，2017，62：161-174.[11]Molina D，Pérez-Beteta J，Martínez-González A，et al.Influence of gray level and space discretization on brain tumor heterogeneity measures obtained from magnetic resonance images[J].Computers in Biology & Medicine，2016，78：49-57.

[12]李毅.基于视觉模型的红外图像增强技术研究[D].北京：中国科学院研究生院长春光学精密机械与物理研究所，2016.

[13]王琛智，汤国安，袁赛，等.基于DEM纹理特征的月貌自动识别方法探究[J].地球信息科学学报，2015，17(1)：45-53.

[14]吴文涵，陶华敏，肖山竹，等.灰度共生矩阵纹理特征提取算法的优化与实现[J].数字技术与应用，2015(6)：124-126.

[15]Shirvaikar M，Huang N，Dong X N.The measurement of bone quality using gray level co-occurrence matrix textural features[J].Journal of Medical Imaging and Health Informatics，2016，6(6)：1357-1362.

[16]郭依正，焦蓬蓬，周巧扣，等.基于灰度共生矩阵的肝脏CT图纹理特征分析[J].实验室研究与探索，2012，31(8)：62-64.

[17]De A，Zhang Y，Guo C.A parallel adaptive segmentation method based on SOM and GPU with application to MRI image processing[J].Neurocomputing，2016，198：180-189.

Identification of Tree Bark Texture Characteristic Based onGray Co-occurrence Matrix and SOM Neural Network

Li Kexin，Qi Dawei*，Mu Hongbo，Ni Haiming

(College of Science，Northeast Forestry University，Harbin 150040)

The extractives of tree bark ofCortexPhellodendri，FraxinusmandshuricaandCatalpaare used as the important source of precious Chinese medicine.The bark is harvested by girdling regeneration technology which ensures the economic needs and also protects the trees.Due to the tree barks of three species are too similar to easily distinguish，it brings the difficult to forestry workers.Therefore it is of practical significance that uses the image processing technology to solve this issue.A total 900 tree bark images of three species，300 per species，were collected.ROI(Region of Interest)image capture and histogram equalization were conducted.The gray level co-occurrence matrix withdof 2，g of 128 and theθof 0°，45°，90°and 135 ° were constructed.14 characteristic parameters were extracted.8 characteristic parameters were selected effectively through the analysis of digital characteristics.The SOM(Self Organizing Maps)neural network was used to conduct parameters validation for a large number of tree bark images.The parameters set consisting of angular second moment，entropy，moment of inertia，correlation，variance，clustering shadow，and entropy can be used to effectively distinguish three tree species with the recognition of 83.33%.The method studied in this paper is capable to well distinguish three trees species ofCortexPhellodendri，Fraxinus mandshurica andCatalpa.

tree bark texture；gray co-occurrence matrix；SOM neural network

2016-12-05

国家自然科学基金项目(31570712)；黑龙江省教育厅科学技术研究项目(12543019)； 黑龙江省自然科学基金项目(C201338)；高校科研基金项目(2572014CB30)；中央高校基本科研业务费专项资金资助项目(2572016AB26)

李可心，硕士研究生。研究方向：生物物理。

*通信作者：戚大伟，博士，教授。研究方向：生物物理。 E-mail：qidw9806@126.com

李可心，戚大伟，牟洪波，等.基于灰度共生矩阵与SOM神经网络的树皮纹理特征识别[J].森林工程，2017，33(3)：24-27.

S 718；TP 391.41

A

1001-005X(2017)03-0024-04