基于奇異值分解的木材細(xì)胞切片識(shí)別算法*

?

基于奇異值分解的木材細(xì)胞切片識(shí)別算法*

孫永科1，曹涌1，熊飛1，邱堅(jiān)2

(1.西南林業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，云南昆明650224；2.西南林業(yè)大學(xué) 材料工程學(xué)院，云南昆明650224)

摘要：木材細(xì)胞切片識(shí)別需要對(duì)圖片進(jìn)行降維處理，提取最大特征數(shù)據(jù)來進(jìn)行識(shí)別。相似度高的切片由于它們的最大特征的范數(shù)相近，所以很難區(qū)分。針對(duì)這種情況，提出了一種基于RealAdaBoost+SVD-n的細(xì)胞切片識(shí)別算法，該算法首先計(jì)算切片圖像的奇異值，將奇異值按從大到小的順序排列，然后去掉前n項(xiàng)較大的值，使用剩余項(xiàng)作為圖片特征，利用RealAdaBoost分類器進(jìn)行訓(xùn)練和測(cè)試。實(shí)驗(yàn)結(jié)果表明，該方法不僅能夠識(shí)別差異較大的木材切片，而且還能夠很好地區(qū)分較為相似的細(xì)胞切片，該識(shí)別算法具有很好的魯棒性。

關(guān)鍵詞：木材識(shí)別；奇異值；細(xì)胞切片；AdaBoost

木材的識(shí)別技術(shù)在生產(chǎn)生活中經(jīng)常使用且具有重要的意義。首先，木材材種的快速有效鑒別方法可以幫助有關(guān)部門及時(shí)查處非法交易的珍貴木材資源，有保護(hù)資源的作用。其次，還可以對(duì)從國(guó)外進(jìn)口的各種物品的木質(zhì)包裝進(jìn)行檢測(cè)，防止非法木質(zhì)材料以及木材上帶有的有害物種進(jìn)入中國(guó)。最后也可以用在木質(zhì)家具市場(chǎng)中，用來鑒別家具的真實(shí)材料。

傳統(tǒng)的木材識(shí)別技術(shù)需要較長(zhǎng)的鑒別時(shí)間，而木材的快速識(shí)別技術(shù)，目前的研究成果主要有3種：第一種是基于宏觀的木紋識(shí)別，第二種是基于DNA技術(shù)的木材識(shí)別，第三種是基于微觀的細(xì)胞切片木材識(shí)別。基于宏觀的木紋識(shí)別技術(shù)主要依靠個(gè)人的經(jīng)驗(yàn)，準(zhǔn)確率不高；基于DNA的木材識(shí)別技術(shù)雖然準(zhǔn)確率很高，但是成本高，周期長(zhǎng)；基于微觀的細(xì)胞切片的木材識(shí)別技術(shù)，識(shí)別的速度快，費(fèi)用低，適合目前的需求。如果將第三種木材識(shí)別技術(shù)和計(jì)算機(jī)相結(jié)合，將大大提高識(shí)別效率，降低費(fèi)用。

謝沛宏等通過分析木材切片的管孔特征來識(shí)別木材[1]，方益明等采用基于傅里葉變換和獨(dú)立成分分析技術(shù)對(duì)木材進(jìn)行識(shí)別[2]，劉子豪等采用KPCA+gentleAdaBoost的方法對(duì)木材細(xì)胞切片進(jìn)行識(shí)別[3～4]，這些方法都取得了較好的效果。

近些年來由于人臉識(shí)別技術(shù)的不斷提高，奇異值分解越來越廣泛地應(yīng)用到人臉的識(shí)別系統(tǒng)中，并且取得了非常好的效果[5]，結(jié)合特征值降維方法[6]，可以有效地提高計(jì)算的速度。將這些算法應(yīng)用在材種切片細(xì)胞圖片的識(shí)別中，也取得較好的識(shí)別效果。通過實(shí)驗(yàn)發(fā)現(xiàn)，使用SVD+AdaBoost的識(shí)別效果優(yōu)于使用PCA/KPCA+AdaBoost的識(shí)別效果，在材種圖片比較相似的時(shí)候，SVD、PCA、KPCA提取的主要特征值都有很大的相似性，區(qū)分度不高。本研究提出了一種基于奇異值分解的木材切片識(shí)別算法，該算法去掉了相似度最為接近的幾個(gè)主要特征值，在剩余的次要特征值中重新選擇若干主要特征進(jìn)行識(shí)別，算法能夠?qū)D片進(jìn)行降維處理而且具有很好的魯棒性。通過使用不同的分類器和特征值進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，本研究提出的方法識(shí)別率較高，可以對(duì)木材切片進(jìn)行較為準(zhǔn)確的分類。

1特征值識(shí)別算法比較和分析

實(shí)驗(yàn)使用的數(shù)據(jù)來自中國(guó)國(guó)家林業(yè)科學(xué)數(shù)據(jù)網(wǎng)站，該網(wǎng)站共有178個(gè)材種標(biāo)本的橫截面細(xì)胞切片，圖片共計(jì)826張。實(shí)驗(yàn)選取數(shù)據(jù)庫中具有代表性的10個(gè)材種作為實(shí)驗(yàn)樣本，樣本的材種名稱(編號(hào))為，楓香樹(1)、楓楊(2)、核桃(3)、紅樺(4)、黃榿(5)、苦梓含笑(6)、榕樹(7)、三秋懸鈴木(8)、榆樹(9)、云南黃杞(10)。為了和文獻(xiàn)[3]中的方法進(jìn)行對(duì)比，特征值算法選取奇異值PCA和KPCA，分類器選取SVM和AdaBoost，在matlab中，使用不同的組合進(jìn)行訓(xùn)練和測(cè)試。

1.1SVM+SVD/PCA/KPCA

使用SVM分類器對(duì)SVD、PCA和KPCA進(jìn)行分類。SVM分類器使用C-SVC多分類參數(shù)，核函數(shù)使用polynomial，其表達(dá)式為(gamma*u′*v+coef0)^degree，degree=3。實(shí)驗(yàn)圖片取2/3作為訓(xùn)練數(shù)據(jù)，1/3用來進(jìn)行測(cè)試。實(shí)驗(yàn)選取特征值的前n項(xiàng)作為訓(xùn)練和和測(cè)試的數(shù)據(jù)。當(dāng)n取不同的值時(shí)系統(tǒng)的平均識(shí)別率見圖1。

a1b1c1a2b2c2

圖1SVM算法中前n項(xiàng)特征識(shí)別率

Fig.1Firstnrecognition rate of SVM

在圖1中橫坐標(biāo)表示n的取值，縱坐標(biāo)表示識(shí)別的正確率。從圖1中可以看出,隨著n取值的增大，識(shí)別的正確率慢慢收斂于某一個(gè)定值。 SVM+PCA的識(shí)別率最穩(wěn)定，SVM+KPCA的識(shí)別率為零，SVM+SVD的識(shí)別率在n取值較小的情況下最高。

根據(jù)圖1中SVD的正確率分布，挑選前25項(xiàng)最大值，對(duì)圖像進(jìn)行反向還原，其效果見圖2。

a1b1c1a2b2c2

圖2SVD最大特征值還原效果

Fig.2Image reconstruct with max number of SVD

從還原的結(jié)果可以明顯看出，前25項(xiàng)最大特征值已經(jīng)包含了原圖的主要特征，因此實(shí)驗(yàn)選擇特征值的前25項(xiàng)進(jìn)行訓(xùn)練和測(cè)試，分別以每一類材種作為測(cè)試樣本，其他作為訓(xùn)練數(shù)據(jù)，經(jīng)過10次實(shí)驗(yàn)，測(cè)試的結(jié)果如圖3所示。圖3(a)中的橫坐標(biāo)代表10個(gè)不同的材種，縱坐標(biāo)表示材種的最大識(shí)別率，圖3(b)中的橫坐標(biāo)代表10個(gè)不同的材種，縱坐標(biāo)表示識(shí)別率的方差。

從圖3中發(fā)現(xiàn)，使用SVM分類器時(shí)，系統(tǒng)的識(shí)別正確率非常不穩(wěn)定，同一材種因標(biāo)本不同其識(shí)別率存在較大的差異，這意味著模型對(duì)沒有參與訓(xùn)練的圖片很難正確識(shí)別。

(a)最大識(shí)別率(b)識(shí)別率方差

圖3SVM實(shí)驗(yàn)結(jié)果

Fig.3Experiment result of SVM

1.2AdaBoost+SVD/PCA/KPCA

AdaBoost算法使用sprtools工具箱中的RealAdaBoost進(jìn)行訓(xùn)練，參數(shù)weak_linear參數(shù)設(shè)置為3。使用classify函數(shù)進(jìn)行分類測(cè)試。實(shí)驗(yàn)取1/2作為訓(xùn)練正樣本，其他材種的圖片作為負(fù)樣本，經(jīng)過多次試驗(yàn)后，統(tǒng)計(jì)數(shù)據(jù)結(jié)果見圖4。

在圖4中，橫坐標(biāo)都代表測(cè)試的材種，圖4(a)中的縱坐標(biāo)表示材種的平均識(shí)別正確率，圖4(b)中的縱坐標(biāo)表示識(shí)別率的方差。實(shí)驗(yàn)結(jié)果表明，在RealAdaBoost分類器中使用PCA作為特征值與使用KPCA作為特征值的分類效果一樣，使用SVD作為特征值的分類效果較差。采用SVD特征值的識(shí)別時(shí)，個(gè)別材種很難被正確識(shí)別，但是采用SVD特征值時(shí)的總體效果優(yōu)于其他方案。

(a)平均識(shí)別率(b)識(shí)別率方差

圖4RealAdaBoost訓(xùn)練結(jié)果

Fig.4Training result of RealAdaBoost

在選擇分類器時(shí)，使用RealAdaBoost分類器的整體識(shí)別效果優(yōu)于使用SVM分類器。對(duì)于較為相似的圖像，兩者的識(shí)別率都較低。

1.3RealAdaBoost+SVD-n

通過對(duì)個(gè)別識(shí)別率較低的材種進(jìn)行觀察發(fā)現(xiàn)，導(dǎo)致識(shí)別率低的主要原因是由于材種的細(xì)胞橫切面圖片比較相似，由此產(chǎn)生的特征值比較相近，因此導(dǎo)致識(shí)別錯(cuò)誤。

通過觀察特征值的分布規(guī)律，發(fā)現(xiàn)特征的最大項(xiàng)主要集中在前2項(xiàng)，在相似的圖片中2項(xiàng)的值極為相似，而且占的比重較大。后面的n項(xiàng)數(shù)據(jù)雖然很小，但是差異較大。因此，第三個(gè)實(shí)驗(yàn)方案選擇使用Adaboost分類器和去掉前n項(xiàng)的特征值作為訓(xùn)練數(shù)據(jù)。為了提高系統(tǒng)的穩(wěn)定性，本實(shí)驗(yàn)使用多次實(shí)驗(yàn)的最小識(shí)別率作為衡量標(biāo)準(zhǔn)。由于當(dāng)n>3時(shí)，系統(tǒng)的迭代次數(shù)過多，所以此處只討論n=1,2,3的情況。

(a)SVD-n(b)PCA-n(c)KPCA-n

圖5去掉前n項(xiàng)的最小識(shí)別率

Fig.5Minimum recognition rate without first n

圖5中的橫坐標(biāo)代表10種不同的木材，縱坐標(biāo)表示識(shí)別的最小正確率，三條線分別表示當(dāng)n=1，2，3時(shí)的識(shí)別效果。圖5(a)表示使用去掉前n項(xiàng)SVD最大值的識(shí)別率分布，可以看出隨著n的增大，個(gè)別材種的識(shí)別準(zhǔn)確率在不斷提高，圖5(b)中個(gè)別材種的識(shí)別率隨著n的增加也在不斷提高，圖5(c)中去掉前2項(xiàng)和去掉前3項(xiàng)的識(shí)別率是一樣的。由此可見在n=2時(shí)，這些材種的識(shí)別率最好。

2實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)1.1的結(jié)果表明該方法因材種的不同其識(shí)別的準(zhǔn)確率和穩(wěn)定性存在較大的差異。圖6(a)是不同材種在多次實(shí)驗(yàn)時(shí)的最低識(shí)別率統(tǒng)計(jì)，圖6(b)是最大識(shí)別率統(tǒng)計(jì)圖，表1是實(shí)驗(yàn)結(jié)果的具體數(shù)據(jù)，表格中的第一列表示特征值的種類，第二列n表示特征值去掉前n項(xiàng)。實(shí)驗(yàn)數(shù)據(jù)表明所有的實(shí)驗(yàn)對(duì)象幾乎都存在無法識(shí)別的情況。

(a)最小識(shí)別率(b)最大識(shí)別率

圖6　SVM+SVD實(shí)驗(yàn)結(jié)果

注：“-”表示值為0。

表2是最小識(shí)別率的統(tǒng)計(jì)。表2數(shù)據(jù)表明大部分的測(cè)試樣本都能被完全識(shí)別，在使用SVD作為特征值的情況下，當(dāng)n=0時(shí)，2號(hào)樣本無法被識(shí)別，其他樣本都可以被準(zhǔn)確識(shí)別和區(qū)分，當(dāng)n增大時(shí)，2號(hào)樣本的識(shí)別率提高到100 %，但是10號(hào)樣本的識(shí)別率有所降低。實(shí)驗(yàn)數(shù)據(jù)表明，隨著n的變化個(gè)別材種的識(shí)別率會(huì)發(fā)生變化，但總體識(shí)別率隨著n的增加而提高；使用PCA作為特征值時(shí)，識(shí)別率與n之間的關(guān)系不明顯并且平均識(shí)別率低于使用SVD的識(shí)別方法；使用KPCA作為特征值的識(shí)別方法，識(shí)別率雖然隨著n的增加也呈上升趨勢(shì)，但是識(shí)別效果不如使用SVD時(shí)明顯。

結(jié)合表1和表2可知，當(dāng)n=3時(shí)，系統(tǒng)的總體識(shí)別效果最好，說明在這幾組實(shí)驗(yàn)中RealAdaBoost + SVD-3的實(shí)驗(yàn)方案識(shí)別效果最好。

表2　RealAdaBoost最小識(shí)別率統(tǒng)計(jì)

注：“+”表示值為1。

3結(jié)論

木材識(shí)別計(jì)算機(jī)化不僅可以提高識(shí)別效率，而且能夠降低識(shí)別成本。木材細(xì)胞切片識(shí)別是木材識(shí)別領(lǐng)域的研究熱點(diǎn)，研究木材圖像的計(jì)算機(jī)識(shí)別方法具有重要意義。本研究提出了一種基于RealAdaBoost+SVD-n的木材識(shí)別算法，該算法的識(shí)別率較高，穩(wěn)定性好。通過實(shí)驗(yàn)對(duì)比分析，可以得到以下結(jié)論：

(1)木材細(xì)胞圖片的奇異值最大的一些值代表圖像的主要特征，細(xì)胞切片越相似，主要特征值越接近。

(2)奇異值中次要特征值中最大的一些值能夠體現(xiàn)細(xì)節(jié)信息，可以用來區(qū)分較為相似的圖片。

(3)RealAdaBoost分類器的分類效果優(yōu)于SVM分類器。

該算法在《海門口遺址木質(zhì)文物保護(hù)關(guān)鍵技術(shù)研究與應(yīng)用》項(xiàng)目中已經(jīng)應(yīng)用,并取得了較好的效果。

參考文獻(xiàn)：

[1]謝沛宏，陳華，徐峰,等.基于管孔特征的木材樹種圖像識(shí)別[J].廣西科學(xué)院學(xué)報(bào)，2011，27(4)：323-325.

[2]方益明，鄭紅平，馮海林.基于傅里葉變換和獨(dú)立成分分析的木材顯微圖像特征提取與識(shí)別[J].浙江林學(xué)院學(xué)報(bào)，2010，27(6)：826-830.

[3]劉子豪，祁亨年，張廣群，等.基于橫切面微觀構(gòu)造圖像的木材識(shí)別方法[J].林業(yè)科學(xué)，2013，49(11)：116-121.

[4]徐劍，張洪偉.Adaboost算法分類器的設(shè)計(jì)與應(yīng)用[J].四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版)，2014,21(27):28-31.

[5]李曉東，基于子空間和流行學(xué)習(xí)的人臉識(shí)別算法研究[M].濟(jì)南：山東人民出版社，2013.

[6]Klema V C.The singular value deeomposition:Its computation and some application[J].IEEE Transactions on Automatic Control,1980,25:164-176.

The Recognize Algorithm of Wood Cell Section Based on

Singular Value Decomposition

Sun Yong-ke1，Cao Yong1，Xiong Fei1，Qiu Jian2

(1.School of Computer and Information Science, Southwest Forestry University， Kunming Yunnan 650224，P.R.China；

2.School of materials engineering, Southwest Forestry University， Kunming Yunnan 650224，P.R.China)

Abstract:For recognizing wood cell section images, dimension reduction should be made to extract the major characteristic data.Since the similar the cell images the closer eigen values of the norms, small images could hardly be identified.For this reason, an improved cell section identification method based on RealAdaBoost + SVD-n was suggested.Firstly, singular values of cell section image was calculated and it was arranged from big to small.Then the top n singular values was removed, and the remains was used as image characteristics for testing by RealAdaBoost.The results showed that this method could not only recognize the wood cell section images with great differences but also could well distinguish similar cell section images.This recognize algorithm showed good robustness.

Key words:wood recognition；singular value decomposition； cell section；AdaBoost

中圖分類號(hào)：TP 391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-8246(2015)06-0077-05

通訊作者簡(jiǎn)介：邱堅(jiān)(1965-)，男，教授，博士，主要從事木材科學(xué)研究。E-mail：13759512363@qq.com

作者簡(jiǎn)介：第一孫永科(1980-),男，講師，碩士，主要從事計(jì)算機(jī)圖形圖像研究。E-mail：Sunyongke@swfu.edu.cn

基金項(xiàng)目：云南省社會(huì)發(fā)展科技計(jì)劃(2011CA020)，云南省教育廳科學(xué)研究基金項(xiàng)目(2014Y323)。

收稿日期：*2015-05-17

doi10.16473/j.cnki.xblykx1972.2015.06.016