依据彩色共生矩阵对木质板材的识别1)

王辉 李辉 陈立君

(盘锦职业技术学院,盘锦，124000) (东北林业大学)

随着生活水平的逐步提高，人们对木质板材，特别是高档木制品的需求与日剧增。由于名贵珍稀树种板材与普通树种板材存在较大价格差异，导致在家具、乐器等木制品生产领域出现了部分仿制品。此外，在木质板材的进出口贸易中或企业加工生产过程中，也常常需要对木质板材进行分类识别。颜色和纹理特征都是木质板材重要的天然属性，它们直接影响木材制品的感观效果和经济效益，同时可以作为区分不同树种板材重要依据。与密度、强度等指标一样，板材颜色和纹理已在木材质量检验工作中日益受到重视，例如很多国家已将它们作为评价木材品质和木材制品价值的重要衡量指标[1]。

在木质板材种类识别的众多方法中，基于图像处理与模式识别技术的方法，克服了传统识别方法由人参与主观描述的缺点，已经成为木质板材识别的研究热点。参考文献[2]利用图像纹理特征最大相似性完成了板材树种检索识别，但当被检索的样本图像的纹理特征不明显时,检索的最终结果并不理想。文献[3]—文献[9]利用灰度共生矩阵、分形、高斯—马尔可夫随机场等纹理特征，对板材树种进行了研究。文献[10]和文献[11]给出了几种基于颜色特征木材的分级识别算法。以上研究均是单纯依据纹理或颜色特征，而板材树种识别应同时综合分析板材的颜色和纹理特征，单纯依据其中一个，势必会造成信息损失，影响分类识别精度。因此，本文提出一种基于彩色灰度共生矩阵的板材树种识别方法，并采用遗传算法对特征参数进行特征选择，消除特征参数间的冗余信息，获得了满意的木质板材分类识别精度。

1 彩色共生矩阵

1.1 灰度共生矩阵

灰度共生矩阵法是当前应用最广泛的纹理分析方法之一，它本质上是以估计灰度图像的二阶组合条件概率密度函数为研究基础[12-13]。它能够描述在方向上，从图像某个像素灰度值为i的像素(x,y)出发，统计与其距离为d，灰度值为j的像素(x+a,y+b)，同时出现的频数P(i,j,d,θ)，可定义为：

P(i,j,d,θ)={[(x,y),(x+a,y+b)|f(x,y)=i；

f(x+a,y+b)=j]}。

(1)

其中，θ为灰度共生矩阵法的构成方向，可取θ=0°、45°、90°和135°等4个构成方向。灰度共生矩阵能够反映出图像灰度关于方向、变化幅度、相邻间隔等图像的综合信息。Haralick et al.定义了14个灰度共生矩阵纹理特征参数(W1～W14)，依次为角二阶矩、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、集群荫、集群突出以及最大概率[14-15]。

1.2 彩色共生矩阵构造方法

一般来讲，在彩色图像分析中关于彩色和纹理的处理有两种策略：分开策略与联合策略。分开策略是指彩色和纹理被认为是独立的图像特征，从而可以分别从图像中获取灰度纹理特征参数和纯彩色特征参数，这种方法将颜色和纹理孤立分析，势必会造成信息损失。而联合策略是指从某幅原始彩色图像中获得N幅伪灰度图像，然后分别提取各伪灰度图像的纹理特征参数，将从这些伪灰度图像中提取出来的纹理特征作为原彩色图像的纹理描述。目前，伪灰度图像获取方法主要有基于颜色相似性的推导法和直接法，所谓直接法是指将彩色图像的色彩光谱频道作为伪灰度图像的方法。其中，直接法能最大限度保持原图像的彩色纹理信息，被本研究所采用。

彩色共生矩阵具体构造方法如下。

(1)颜色空间选择。颜色空间的建立和选择对于获取有效彩色特征来说至关重要，根据前期工作研究，色调(H)、饱和度(S)、明度(V)颜色空间是一个均匀颜色模型，模型中3个坐标是独立的，可以独立感知各颜色分量的变化，符合人眼对色彩的感知心理，适合区分不同树种板材。

(2)将图像从红绿蓝(Red-Green-Blue)颜色空间转换到色调、饱和度、明度(Hue-Saturation-Value)颜色空间。

(3)在色调、饱和度、明度颜色空间各通道上构造共生矩阵，并获取纹理特征参数。

把色调、饱和度、明度颜色空间的3个通道的图像看作是原彩色图像的3副伪灰度图像，如图1所示，其中由于H分量伪灰度图像对比度低，为了便于观察将其进行了对比度拉伸。之后，在3副伪灰度图像上构造灰度共生矩阵，如图2所示，并获取纹理特征，依次标注为H_W1～H_W14、S_W1～S_W14、V_W1～V_W14(特征编号为1～42)，将它们组合在一起，形成彩色纹理特征矢量。

观察色调、饱和度、明度3副伪灰度图像的灰度共生矩阵法，不难发现，3个的灰度共生矩阵法主要信息都集中在对角线上，且为沿着对角线连续分布，表明本文所用彩色共生矩阵构造方法，能连续保留原有图像的颜色和纹理信息，减少图像信息损失。

2 实证分析

2.1 试验样本

本研究选用东北具有代表性的5个树种木质板材为研究对象，包括红松(Pinuskoraiensis)、白桦(Betulaplatyphylla)、落叶松(Larixgmelinii)、水曲柳(Fraxinusmandshurica)、柞木(Quercusmongolica)。其中，每个树种包含弦切和径切两种切面样本，即试验样本库包含10类，共计1 000个实验样本(每类100个样本)，图像样本分辨率为512×512，如图2所示，其木质板材类别编号依次为类别1～10。

2.2 彩色共生矩阵特征获取与特征选择

本研究应用MATLAB2011a编制了彩色工程矩阵纹理获取与基于遗传算法特征选择程序，获取了10类木质板材图像的色调、饱和度、明度的彩色共生矩阵42个特征参数，具体见图3所示，受篇幅限制，列出12个特征参数W1～W12。

观察图3可见，彩色共生矩阵颜色空间3个通道的特征参数间与不同类别间均存在较大差异，能够表达木质板材图像丰富的颜色信息和纹理信息，同时也表明用其对木质板材进行分类识别是可行的。但由于特征向量维数较大，且特征参数间存在耦合相关性和冗余性，不利于进行分类识别。因此，本研究使用遗传算法对42维纹理特征参数进行特征选择，搜索过程如图4所示。

特征搜索过程得到最优特征矢量VT=[1,3,6,8,10,15,16,18,20,21,24,29,30,31,34,35,36,37,38,39,40,41]，即最优特征矢量VT=[H_W1,H_W3,H_W6,H_W8,H_W10,S_W1,S_W2,S_W4,S_W6,S_W7,S_W10,V_W1,V_W2,V_W3,V_W6,V_W7,V_W8,V_W9,V_W10,V_W11,V_W12,V_W13]。

2.3 分类识别

概率神经网络(PNN)是一种适合于模式分类的径向基函数网络变形。它采用了多变量Parzen窗估算不同类别概率密度函数的方法，具有训练速度快、收敛性优、能产生贝叶斯后验概率输出以及结构固定等优点[16-18]。

概率神经网络由输入层、径向基层和输出层组成，其数学图像处理网络结构图如图5所示。

其中，N为输入特征向量维数，Q为训练样本数，S为样本的类别总数。

首先，计算输入特征向量x与径向基神经元层权值IW11之间的距离，然后与阈值b1向量做乘法，经过径向传递函数得到了该层第i个节点的输出向量a1。输出层为线性传递函数，竞争变量代表竞争函数，其主要功能是寻找其输入向量n2中各元素的最大值，并使与最大值相对应的神经元输出值等于1，而使得其他类别的神经元的输出为0，此时分类结果能够达到最大正确概率a2。

与径向基神经网络相同，分布密度函数能够对PNN网络的分类识别能力产生较大影响，分布密度函数的值越大，函数的拟合就越平滑，需要越多神经元来适应函数的快速变化；反之，也需要许多神经元来适应函数的缓慢变化，但这样设计的网络分类器识别能力会变差。根据前期工作研究，即文献[7]指出，当分布密度函数的值为0.1时，适合对板材进行分类研究，被本文所采用，用于木质板材分类识别，其整体识别率为96.0%。

窦刚等人[3]提出一种采用颜色纹理及光谱特征的木材树种分类识别方法，平均识别率为89%；刘子豪等人[4]利用横切面微观构造图像实现了木材的自动识别，识别率为90.1%；孙伶君等人[5]利用分块LBP对树种识别进行了研究，平均识别率为90%；王克奇等人[6]在小波变换域下实现了木材纹理的分类识别，识别率为94%；王辉等人[6]提出了一种基于概率神经网络的板材纹理分类识别方法，识别率为88.0%。本文所用方法，识别率为96.0%，明显高于其他方法，表明本文方法是明显有效的。

3 结论

本研究将木质板材色调、饱和度、明度颜色空间3个颜色通道的图像看作是原彩色图像的3副伪灰度图像，在伪灰度图像上，分别构造灰度共生矩阵，获取特征参数，构成42维彩色纹理特征向量，经特征选择后，降低特征向量维数到22维，得到新的特征向量VT，在一定程序上消除了特征参数间的耦合相关性和冗余性。在矢量VT张成的特征空间中，PNN神经网络分类器对木材样本的识别率达到96.0%。结果表明：彩色共生矩阵法能有效描述木质板材，用其实现对木质板材的分类与识别是可行的，同时，也为彩色自然纹理的分类识别提供了新的思路。