基于权重系数的木材图像增强及识别

袁云梅，多化琼，马 坤

(内蒙古农业大学 材料科学与艺术设计学院，内蒙古 呼和浩特 010018)

木材识别是一个实践性要求很高的工作。在最初的木材识别中人们主要依靠人眼来进行识别，然而这种识别方法比较耗费人力且工作量大，同时在识别过程中也会存在一些误差。经过几十年的发展，国内木材的识别也逐渐步入现代化，主要依靠计算机图像进行识别，并且经过科研人员的探索，采用了许多新的计算机图像识别方法。刘子豪[1]提出了基于横切面微观构造图像的木材识别方法，在此基础上王阿川[2]等建立了C-V模型对木材单板节子缺陷进行了识别，同时利用滤波器进行图像的增强；朱佳、孙书冬[3-5]等对木材图像进行特征提取，利用Graph Cuts技术分割图像SEM技术进行图像的增强并进行参数提取，最后设计了Visual Basic系统对木材进行识别达到了良好的效果；熊俊涛[6]等、徐一清[7]提出了基于Retinex图像增强算法；刘大鹏[8]提出了基于VC与Matlab混合编程实现图像增强处理；刘海波[9]等、孙琰玥[10]等、韦瑞峰[11]等、多化豫[12]等提出了利用灰度直方图的图像增强算法，该算法扩展了像素的动态取值范围，从而使得图像变得清晰化。以上方法虽然简单，且易于实现，同时可以提供图像的质量，但在一定程度上这些方法的人为操作会使图像变得过分偏亮或者偏暗，从而使图像的细节存在丢失的情况。

为了克服图像细节丢失，同时使边缘和脊可以很好的进行混淆消除，从而提高图像质量。本文基于此，在传统的图像增强算法的基础上提出了基于权重系数的(Based on Weight Coefficient)图像增强算法，首先是利用离散小波变换对整幅图像进行分析并将其分块；其次利用局部方差法(Local Variance Algorithm)进行混淆模块的检测；最后利用方向自适应小波收缩算法对混淆模块进行消除，同时将消除混淆模块的图像进行小波逆变换，从而达到图像增强的效果，然后利用BP神经网络进行识别，提高了木材的识别率。

1 材料

使用索尼(sony)ILCE-5000L数码相机(日本)，在白天自然光照下，采集榆木木片(Elm transverse section)图像50张，大小均为128×128像素，如图1所示；采集榆木树皮图像50张，大小也为128×128像素(图2)。

图1 榆木木片

2 方法

2.1 混淆检测

2.1.1 LL子带 利用离散小波变换将输入图像分解成LL、LH、HL和HH 4个子带，对LL子带进行检测混淆，首先需要在过滤的过程中将归一化的LL子带分成n×n的小模块[13]，且该模块中包含混淆部分，计算LL子带中的互相关系数，见式(1)。

图2 榆木树皮

(1)

由于每一个模块均有与其相似的模块，LL子带中的混淆可以通过平均相似模块来进行减少，其方法如式(2)。

(2)

式中，Ω代表Wφ(x,y)的区域，p*(k,l)表示一系列相关系数高的模块，w(k,l,x,y)代表2个模块之间的权重值，其计算见式(3)。

(3)

式中，h参数是滤波器的一个典型的值，取值为0.1。

LL子带在计算模块平均值的过程中，丧失了高频细节分量。为了保持高频细节分量，需要利用局部方差来计算边缘强度，如式(4)所示。

(4)

利用一个调节σ参数对边缘强度进行控制，其值约为200。v(x,y)表示局部方差值。

将滤波后熔断的LL子带和给出的边缘强度相结合得到反混淆的LL子带，如式(5)。

(5)

LL子带中混淆模块的检测是通过将正常的LL子带和反混淆的LL子带进行比较，比较其归一化和离散傅立叶变换的系数，二者之间的差别即混淆模块[14]。计算如式(6)。

(6)

如果A(x,y)大于预先指定的阈值，则被认为是混淆模块；相反，则不是。

2.1.2 LH、HL以及HH混淆检测 对于LH、HL以及HH进行混淆检测[15]，采用局部方差法。其计算方法和LL子带计算方法相似，首先计算LH、HL、HH 3个子带的局部方差，之后对每个模块计算边缘强度值，其计算见式(4)，计算LH、HL、HH 3个子带的反混淆图像：

(7)

最后，对其混淆模块计算采用式(6)，并对其计算结果进行判断。对于混淆检测结果判断采用的阈值计算。

2.2 消除混淆

该部分利用自适应小波收缩的方法来消除混淆。为了消除不同方向上边缘区域处出现的混淆失真，分别对LL、LH、HL及HH模块采用不同的方式进行消除，最后进行图像重建。边缘估计值采用一组方向滤波器，定义下标为{H、PD、ND、V}，且代表4种不同的边缘方向，分别是水平方向、45°、135°以及垂直方向。

对于LH、HL和HH子带分别采用以下过程对其进行混淆的消除[16-17]。

2.3 BP神经网络对榆木木片与树皮的识别

利用图像对木材识别的方法首先需要对所采集的木材图像进行预处理，提高图像质量，从而达到提高木材识别率的效果。但传统的图像增强算法并不能将图像的边缘部分进行提取，使得图像的某些关键信息缺失，进而影响识别率。本研究方法克服了这一缺陷，并将其应用到木材图像识别领域，选取亮度MSE、角度X分量和角度Y分量作为识别参数[18]，利用BP神经网络对木材榆木和榆木树皮图像进行识别。并将识别结果与传统增强算法得到的识别结果进行对比。

3 结果与分析

3.1 图像评价指标

如图3所示，a和b表示利用传统方法处理后的榆木木片图像和榆木树皮图像，c和d表示利用本研究方法处理后的榆木木片图像和榆木树皮图像。目前，衡量图像质量公认的评价指标为峰值信噪比(peak signal-to-noise ratio,PSNR)，PSNR数据结果越高，表示复原图像的失真度越小。表1为榆木木片图像经过直方图均衡化和本研究方法重建后的PSNR值。

表1可以看出，利用权重系数重建5幅图像的PSNR平均值为26.81 dB,直方图均衡化、低通滤波法，故本研究方法图像增强后的图像质量失真最少。

图3 本文方法处理后的图像

重建方法榆木木片图像重建后PSNR值/dB榆木横切面图榆木树皮平均值直方图均衡化21．4819．4920．49本文方法27．0126．6126．81

3.2 图像识别

将本研究方法与传统图像预处理后图像分别作为原图像。利用基于BP神经网络，以亮度MSE、角度X分量和角度Y分量作为识别参数，对木片和树皮进行分离，所得结果如表2所示。

表2 本文方法和传统图像预处理对木片与树皮的识别率

从表2可以看出，利用本研究方法预处理后的图像与传统方法处理后的图像进行识别，以亮度MSE作为参数榆木木片和榆木树皮的识别率分别提高了2.4%和1.2%，以角度X分量作为参数榆木木片和榆木树皮的识别率分别提高了0.8%和1.4%，以角度Y分量作为参数榆木木片和榆木树皮的识别率分别提高了0.6%和3.7%。从上述图表数据可以看出，以角度Y分量作为识别参数时，近似可以将榆木和榆木树皮完全分离。

4 结论与讨论

本研究提出的基于权重系数的图像增强算法，消除了图像的块效应，同时克服了传统图像增强算法不能消除边缘和脊中混淆缺陷[15]，提高了图像的质量，解决了传统图像预处理技术无法复原图像纹理细节的问题。

从图像预处理的角度，以亮度MSE、角度X分量、角度Y分量作为识别参数，基于BP神经网络的榆木和榆木树皮的识别中，本研究提出的基于权重系数的图像增强算法与传统图像增强算法相比，榆木木片与树皮的识别率的识别率均有提高。

参考文献:

[1] 刘子豪,祁亨年,张广群,等.基于横切面微观构造图像的木材识别方法[J].林业科学,2013,49(11):116-121.

LIU Z H,QI H N,ZHANG G Q,etal.Wood identification method based on microstructure images in cross-section[J].Scientia Silvac Sinicae,2013,49(11):116-121.(in Chinese)

[2] 王阿川,于琳瑛,曹军.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[J].林业科学,2011,5(47):106-111.

WANG A C,YU L Y,CAO J,etal.An Inspection for the veneer knot defect based on extension of C-V model and AOS scheme coupling with technique of painting background[J].Scientia Silvac Sinicae,2011,5(47):106-111.(in Chinese)

[3] 汪杭军.基于纹理的木材图像识别方法研究[D].合肥:中国科学技术大学,2013.

[4] 孙书冬,甘雪菲,霍丽平,等.基于Visual Basic的木材识别系统[J].木材工业,2009,5(27):21-25.

SUN S D,GAN X F,HE L P,etal.Development of wood identification systerm based on visual basic program[J].China Wood Industry,2009,5(27):21-25.(in Chinese)

[5] 赵先贵,肖玲,王勋银,等.植物花粉图像识别系统研究[J].西北林学院学报，1999,14(4):31-34.

[6] 熊俊涛,邹湘军,王红军,等.基于Retinex图像增强的不同光照条件下的成熟荔枝识别[J].农业工程学报,2013,29(12):170-176.

XIONG J T,ZOU X J,WANG H J,etal.Recognition of ripe litchi in different illumination conditions based on Retinex image enhancement[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(12):170-178.(in Chinese)

[7] 徐一清.木材纹理识别算法研究进展[J].大众科技,2010(8):145-146.

[8] 刘大鹏.基于VC与Matlab混合编程实现图像增强处理[J].信息科技,2013(20):68-69.

[9] 刘海波,汤群芳,杨杰.改进直方图均衡和Retinex算法在灰度图像增强中的应用[J].量子电子学报,2014,31(5):525-531.

LIU H B,TANG Q F,YANG J.Aplication of improved histogram equalization and Retiex algorithm in gray image enhancement[J].Chinese Journal of Quantum Electronics,2014,31(5):525-531.(in Chinese)

[10] 孙琰玥,何小海,宋海英,等.一种用于视频超分辨率重建的块匹配图像配准方法[J].自动化学报,2011,37(1):37-43.

SUN Y Y,HE X H1,SONG H Y,etal.A block-matching image registration algorithm for video super-resolution reconstruction[J].Acta Automatic Sinica,2011,37(1):37-43.(in Chinese)

[11] 韦瑞峰,赵荣普,徐肖庆,等.基于直方图的红外图像细节增强算法研究[J].红外技术,2016,38(6):472-474.

WEI R F,ZHAO R P,XU X Q,etal.Infrared image detail enhancement based on histogram[J].Infrared Technology,2016,38(6):472-474.(in Chinese)

[12] 多化豫，孙枭雄，袁云梅.基于图像处理提高木材识别准确性的新方法[J].西北林学院学报,2017,32(1):244-247.

DUO H Y,SUN X X.YUAN Y M.Imrovement of wood identification accuracy based on image processing[J].Journal of Northwest Forestry University,2017,32(1):244-247.(in Chinese)

[13] 蔡式东,杨芳.基于直方图修正的图像增强算法[J].光电子技术,2012,32(3):155-160.

CAI S D,YANG F.Image enhancement based on histogram modification[J].Opto Electronic Technoiogy,2012,32(3):155-160.(in Chinese)

[14] KIM P.Contrast enhancement using brightness preserving bi-histogram equalization[J].Consumer Electronics IEEE Transactions on,1997,43(1):1-8.

[15] GAN J.Non-separable wavelet-like lifting structure for image and video compression with aliasing suppression[J].IEEE International Conference on Image Processing,San Antonio,USA,2007,10(6):65-68.

[16] COULANGE B.An aliasing detection algorithm based on suspicious colocalizations of fourier coefficients[J].IEEE International Conference on Image Processing,HongKong,China.Sep.,2010:2013-2016.

[17] CHAE E.Frequency domain analysis of discrete wavelet transform coefficients and Their adaptive shrinkage for anti-aliasing[J].IEEE International Conference on Image Processing,Melbourne,Australia,2013,10:1071-1074.

[18] 盛仲飙.BP神经网络原理及MATLAB仿真[J].渭南师范学院学报,2008(5):65-67.