基于灰度共生矩陣與SOM神經(jīng)網(wǎng)絡的樹皮紋理特征識別

李可心，戚大偉，牟洪波，倪海明

(東北林業(yè)大學 理學院，哈爾濱 150040)

基于灰度共生矩陣與SOM神經(jīng)網(wǎng)絡的樹皮紋理特征識別

李可心，戚大偉*，牟洪波，倪海明

(東北林業(yè)大學 理學院，哈爾濱 150040)

黃檗、水曲柳、胡桃楸3種林木的樹皮提取物作為名貴中藥的植物來源。通過環(huán)剝再生技術(shù)采集樹皮，在保證經(jīng)濟需要的同時有效地保護了林木。但3種林木樹皮紋理相近且不易區(qū)分，現(xiàn)場采集給林業(yè)工作者帶來困難。因此通過圖像處理技術(shù)解決這一難題具有實際意義。采集3種林木樹皮圖像各300幅，共計900幅，對圖像分別進行ROI(感興趣區(qū)域)截取、直方圖均衡，構(gòu)造d=2；g=128；θ=0°、45°、90°、135°的灰度共生矩陣，提取14個特征參數(shù)；通過數(shù)字特征分析，篩選出8個特征值；應用SOM(Self Organizing Maps)神經(jīng)網(wǎng)絡對大量林區(qū)樹皮圖像進行參數(shù)驗證。得到由角二階矩、熵、相關(guān)性、方差、聚類陰影、和熵、聚類陰影構(gòu)成的參數(shù)集有效，識別精度83.33%。證明該方法可以很好地區(qū)分黃檗、水曲柳、胡桃楸3種林木。

樹皮紋理；灰度共生矩陣；SOM神經(jīng)網(wǎng)絡

0 引言

國家林業(yè)局報道稱預計2016年年底部署全面停止全國天然林商業(yè)性采伐[1]。因此，如何對現(xiàn)有天然林進行保護是現(xiàn)階段必須要考慮和研究的重要課題。黃檗、水曲柳、胡桃楸并稱“東北三大硬木”[2]。由于過度的采伐，3種木材資源緊缺，被列入到中國稀有瀕危植物中[3]。隨著大數(shù)據(jù)時代的到來，針對研究對象應用圖像處理技術(shù)進行特征提取是非常重要的研究方向[4]。樹皮表面的紋理是樹木所具有的天然屬性，樹皮紋理包含的信息可以在一定程度上描述樹木的性質(zhì)[5]?；叶裙采仃嚨奶卣魈崛∈墙y(tǒng)計方法中描述圖像紋理的典型算法，國內(nèi)外眾多學者將其應用于醫(yī)學、生物圖像的特征提取工作，但并沒有進行樹皮表皮紋理上的研究[6]。隨計算機技術(shù)的不斷發(fā)展，人們對深度學習的要領越來越重視，運用神經(jīng)網(wǎng)絡對大數(shù)據(jù)進行模式識別是非常重要的研究領域[7]。自組織映射(Self Organization Map，SOM)神經(jīng)網(wǎng)絡是一種經(jīng)典的無導師學習算法，運用該網(wǎng)絡進行聚類分析是十分重要的研究方法[8]。本研究結(jié)合灰度共生矩陣與SOM神經(jīng)網(wǎng)絡對3種林木進行有效區(qū)分。

1 圖像獲取與處理

獲取東經(jīng)127°25′07″，北緯42°24′23″的泉陽鎮(zhèn)大頂子林場地區(qū)，黃檗、水曲柳、胡桃楸3種林木胸徑部位樹皮表皮紋理圖像各300幅，合計900幅。為了更加準確地提取表征圖像紋理信息的14個特征參數(shù)，在Photoshopcs5環(huán)境下，截取圖像的感興趣區(qū)域(ROI區(qū)域)；為了增強圖像的整體對比效果，在MATLAB2014a環(huán)境中進行直方圖均衡化[9]。以黃檗圖像為例，圖1為截取ROI區(qū)域后的圖像，圖2為直方圖均衡化后的ROI區(qū)域圖像。

圖1 截取的ROI區(qū)域圖像Fig.1 The captured image ROI area

圖2 直方圖均衡化后的ROI區(qū)域圖像Fig.2 The image of ROI area after histogram equalization

2 基于灰度共生矩陣的樹皮紋理特征提取

2.1 灰度共生矩陣構(gòu)造因子的確定

圖像越清晰，得到的特征值越準確[10]。因此選取圖像灰度級為256時，作為最佳生成步長。在256級的生成步長下，改變灰度級，從而提取最佳值[11]。即應用控制變量法，在圖像灰度級g不變的情況下，改變生成步長d的值；確定最佳生成步長d后，改變圖像灰度級g，再得到最佳灰度級的值[12]。最后結(jié)合特征值的性質(zhì)，分析灰度共生矩陣特征參數(shù)隨其3個構(gòu)造因子(圖像灰度級、生成步長以及生成角度)的變化規(guī)律，確立適合描述樹皮紋理圖像的灰度共生矩陣構(gòu)造方法[13]。由紋理特征值差值最大化原理、程序運行的最優(yōu)時間的選擇，確定：d=2；g=128；θ=0°、45°、90°、135°四個方向[14]。此構(gòu)造方法下的特征值穩(wěn)定、變化浮動較小、特殊值出現(xiàn)概率最小。

2.2 灰度共生矩陣的特征參數(shù)

在MATLAB2014a環(huán)境下，編寫提取特征參數(shù)的程序，得到樹皮紋理圖像的14個二次統(tǒng)計量：角二階矩、對比度、相關(guān)、熵、方差、均值和、方差和、逆差矩、差的方差、和熵、差熵、聚類陰影、最大概率[15]。表1為適合表征所研究圖像信息的6個特征參數(shù)計算公式。

表1 特征值的計算Tab.1 The calculating formula of characteristic values

2.3 特征值數(shù)字統(tǒng)計分析

計算實驗樣本的14個特征參數(shù)在其4個方向上的平均值，記為：W1-W14。進行數(shù)據(jù)統(tǒng)計分析，得到3種林木的8個特征參數(shù)：角二階矩、熵、慣性矩、相關(guān)性、方差、聚類陰影、最大概率、和熵。以篩選得到的角二階矩特征值、篩選排除的逆差矩特征值選取20幅樣本圖像進行詳細說明。

圖3 3種林木樹皮表皮紋理圖像的角二階矩特征比較Fig.3 Comparison on the angular second moments of the bark texture of three tree species

圖4 3種林木樹皮表皮紋理圖像的逆差矩特征比較Fig.4 Comparison on the inverse difference moments of the bark texture three tree species

由特征值數(shù)字分析圖像可知，3種林木表皮紋理圖像的角二階矩特征值數(shù)據(jù)在一定范圍區(qū)間，紋理特征值具有可區(qū)分性；而逆差矩特征值區(qū)間范圍相互交錯，不能對3種林木表皮紋理信息進行較好的說明[16]。針對大量樣本圖像進行研究，選取的8個特征值有部分重疊區(qū)域，因此應用SOM神經(jīng)網(wǎng)絡對特征值進行進一步篩選。

3 SOM神經(jīng)網(wǎng)絡在樹皮紋理識別的應用

生物神經(jīng)元系統(tǒng)所具有的“加強中心而抑制周圍”的現(xiàn)象，與人腦所具有的自組織特性有著密切的聯(lián)系。芬蘭學者Teuvo Kohonen 提出的自組織特征映射神經(jīng)網(wǎng)絡(Self Organizing Maps，SOM)，引入了網(wǎng)絡的拓撲結(jié)構(gòu)，通過鄰域的概念模擬了生物元間的側(cè)抑制現(xiàn)象，從而實現(xiàn)了網(wǎng)絡的自組織特性。由于該網(wǎng)絡有效地模擬了腦皮層細胞的自組織特性、該模型可以有效地處理數(shù)據(jù)，被廣泛應用于模式分析與識別中。

為了盡量避免數(shù)據(jù)大小差異的影響，研究以歸一化的數(shù)據(jù)樣本特征值(取4個方向值)：角二階矩X1、熵X2、慣性矩X3、相關(guān)性X4、方差X5、聚類陰影X6、最大概率X7、和熵X8，構(gòu)建SOM神經(jīng)網(wǎng)絡輸入模式集：

(1)

在上述模式集的基礎上，逐一減少特征值并任意組合，在不同模式集下分別對大量樹皮表皮圖像進行聚類分析，得到角二階矩、熵、相關(guān)性、方差、聚類陰影、和熵6個數(shù)據(jù)樣本集，在1 000次的訓練次數(shù)下，識別精度為83.33%。下圖為SOM神經(jīng)網(wǎng)絡的樣本劃分情況。

圖5 SOM神經(jīng)網(wǎng)絡模式識別結(jié)果Fig.5 The result of pattern classification by SOM neural network

4 結(jié)論

提出應用灰度共生矩陣與SOM神經(jīng)網(wǎng)絡結(jié)合的方法，得到由角二階矩、熵、方差、相關(guān)性、和熵、聚類陰影構(gòu)成的一組參數(shù)集，可以有效區(qū)分黃檗、水曲柳、胡桃楸3種林木，識別精度83.33%。對3種樹皮表皮紋理圖像各300幅(共計900幅)進行處理，驗證由該方法提取的參數(shù)集可以有效區(qū)分3種林木。證明該方法可以幫助林業(yè)工作者推廣應用于3種林木樹種的識別，提取得到的特征值可以為后續(xù)相關(guān)研究人員提供數(shù)據(jù)支持。

[1]國家林業(yè)局局長：2016年底部署全面停止天然林商業(yè)采伐，人民日報，2015-2-25，第14版.

[2]馬琳.長白山地區(qū)森林生物多樣性保護體系研究[D].北京：北京林業(yè)大學，2015.

[3]陳常美.東北林區(qū)主要珍貴用材樹種種質(zhì)遺傳多樣性評價與保護策略[D].哈爾濱：東北林業(yè)大學，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]劉建偉，劉媛，羅雄麟.深度學習研究進展[J].計算機應用研究，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]趙安科，魏雨，劉天時，等.基于直方圖均衡化的Robinson圖像邊緣檢測算法[J].計算機測量與控制，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.基于視覺模型的紅外圖像增強技術(shù)研究[D].北京：中國科學院研究生院長春光學精密機械與物理研究所，2016.

[13]王琛智，湯國安，袁賽，等.基于DEM紋理特征的月貌自動識別方法探究[J].地球信息科學學報，2015，17(1)：45-53.

[14]吳文涵，陶華敏，肖山竹，等.灰度共生矩陣紋理特征提取算法的優(yōu)化與實現(xiàn)[J].數(shù)字技術(shù)與應用，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.基于灰度共生矩陣的肝臟CT圖紋理特征分析[J].實驗室研究與探索，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，F(xiàn)raxinusmandshuricaandCatalpaare 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，F(xiàn)raxinus mandshurica andCatalpa.

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

2016-12-05

國家自然科學基金項目(31570712)；黑龍江省教育廳科學技術(shù)研究項目(12543019)； 黑龍江省自然科學基金項目(C201338)；高?？蒲谢痦椖?2572014CB30)；中央高?；究蒲袠I(yè)務費專項資金資助項目(2572016AB26)

李可心，碩士研究生。研究方向：生物物理。

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

李可心，戚大偉，牟洪波，等.基于灰度共生矩陣與SOM神經(jīng)網(wǎng)絡的樹皮紋理特征識別[J].森林工程，2017，33(3)：24-27.

S 718；TP 391.41

A

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