基于權(quán)重系數(shù)的木材圖像增強(qiáng)及識別

袁云梅，多化瓊，馬 坤

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 材料科學(xué)與藝術(shù)設(shè)計學(xué)院，內(nèi)蒙古 呼和浩特 010018)

木材識別是一個實踐性要求很高的工作。在最初的木材識別中人們主要依靠人眼來進(jìn)行識別，然而這種識別方法比較耗費人力且工作量大，同時在識別過程中也會存在一些誤差。經(jīng)過幾十年的發(fā)展，國內(nèi)木材的識別也逐漸步入現(xiàn)代化，主要依靠計算機(jī)圖像進(jìn)行識別，并且經(jīng)過科研人員的探索，采用了許多新的計算機(jī)圖像識別方法。劉子豪[1]提出了基于橫切面微觀構(gòu)造圖像的木材識別方法，在此基礎(chǔ)上王阿川[2]等建立了C-V模型對木材單板節(jié)子缺陷進(jìn)行了識別，同時利用濾波器進(jìn)行圖像的增強(qiáng)；朱佳、孫書冬[3-5]等對木材圖像進(jìn)行特征提取，利用Graph Cuts技術(shù)分割圖像SEM技術(shù)進(jìn)行圖像的增強(qiáng)并進(jìn)行參數(shù)提取，最后設(shè)計了Visual Basic系統(tǒng)對木材進(jìn)行識別達(dá)到了良好的效果；熊俊濤[6]等、徐一清[7]提出了基于Retinex圖像增強(qiáng)算法；劉大鵬[8]提出了基于VC與Matlab混合編程實現(xiàn)圖像增強(qiáng)處理；劉海波[9]等、孫琰玥[10]等、韋瑞峰[11]等、多化豫[12]等提出了利用灰度直方圖的圖像增強(qiáng)算法，該算法擴(kuò)展了像素的動態(tài)取值范圍，從而使得圖像變得清晰化。以上方法雖然簡單，且易于實現(xiàn)，同時可以提供圖像的質(zhì)量，但在一定程度上這些方法的人為操作會使圖像變得過分偏亮或者偏暗，從而使圖像的細(xì)節(jié)存在丟失的情況。

為了克服圖像細(xì)節(jié)丟失，同時使邊緣和脊可以很好的進(jìn)行混淆消除，從而提高圖像質(zhì)量。本文基于此，在傳統(tǒng)的圖像增強(qiáng)算法的基礎(chǔ)上提出了基于權(quán)重系數(shù)的(Based on Weight Coefficient)圖像增強(qiáng)算法，首先是利用離散小波變換對整幅圖像進(jìn)行分析并將其分塊；其次利用局部方差法(Local Variance Algorithm)進(jìn)行混淆模塊的檢測；最后利用方向自適應(yīng)小波收縮算法對混淆模塊進(jìn)行消除，同時將消除混淆模塊的圖像進(jìn)行小波逆變換，從而達(dá)到圖像增強(qiáng)的效果，然后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，提高了木材的識別率。

1 材料

使用索尼(sony)ILCE-5000L數(shù)碼相機(jī)(日本)，在白天自然光照下，采集榆木木片(Elm transverse section)圖像50張，大小均為128×128像素，如圖1所示；采集榆木樹皮圖像50張，大小也為128×128像素(圖2)。

圖1 榆木木片

2 方法

2.1 混淆檢測

2.1.1 LL子帶 利用離散小波變換將輸入圖像分解成LL、LH、HL和HH 4個子帶，對LL子帶進(jìn)行檢測混淆，首先需要在過濾的過程中將歸一化的LL子帶分成n×n的小模塊[13]，且該模塊中包含混淆部分，計算LL子帶中的互相關(guān)系數(shù)，見式(1)。

圖2 榆木樹皮

(1)

由于每一個模塊均有與其相似的模塊，LL子帶中的混淆可以通過平均相似模塊來進(jìn)行減少，其方法如式(2)。

(2)

式中，Ω代表Wφ(x,y)的區(qū)域，p*(k,l)表示一系列相關(guān)系數(shù)高的模塊，w(k,l,x,y)代表2個模塊之間的權(quán)重值，其計算見式(3)。

(3)

式中，h參數(shù)是濾波器的一個典型的值，取值為0.1。

LL子帶在計算模塊平均值的過程中，喪失了高頻細(xì)節(jié)分量。為了保持高頻細(xì)節(jié)分量，需要利用局部方差來計算邊緣強(qiáng)度，如式(4)所示。

(4)

利用一個調(diào)節(jié)σ參數(shù)對邊緣強(qiáng)度進(jìn)行控制，其值約為200。v(x,y)表示局部方差值。

將濾波后熔斷的LL子帶和給出的邊緣強(qiáng)度相結(jié)合得到反混淆的LL子帶，如式(5)。

(5)

LL子帶中混淆模塊的檢測是通過將正常的LL子帶和反混淆的LL子帶進(jìn)行比較，比較其歸一化和離散傅立葉變換的系數(shù)，二者之間的差別即混淆模塊[14]。計算如式(6)。

(6)

如果A(x,y)大于預(yù)先指定的閾值，則被認(rèn)為是混淆模塊；相反，則不是。

2.1.2 LH、HL以及HH混淆檢測 對于LH、HL以及HH進(jìn)行混淆檢測[15]，采用局部方差法。其計算方法和LL子帶計算方法相似，首先計算LH、HL、HH 3個子帶的局部方差，之后對每個模塊計算邊緣強(qiáng)度值，其計算見式(4)，計算LH、HL、HH 3個子帶的反混淆圖像：

(7)

最后，對其混淆模塊計算采用式(6)，并對其計算結(jié)果進(jìn)行判斷。對于混淆檢測結(jié)果判斷采用的閾值計算。

2.2 消除混淆

該部分利用自適應(yīng)小波收縮的方法來消除混淆。為了消除不同方向上邊緣區(qū)域處出現(xiàn)的混淆失真，分別對LL、LH、HL及HH模塊采用不同的方式進(jìn)行消除，最后進(jìn)行圖像重建。邊緣估計值采用一組方向濾波器，定義下標(biāo)為{H、PD、ND、V}，且代表4種不同的邊緣方向，分別是水平方向、45°、135°以及垂直方向。

對于LH、HL和HH子帶分別采用以下過程對其進(jìn)行混淆的消除[16-17]。

2.3 BP神經(jīng)網(wǎng)絡(luò)對榆木木片與樹皮的識別

利用圖像對木材識別的方法首先需要對所采集的木材圖像進(jìn)行預(yù)處理，提高圖像質(zhì)量，從而達(dá)到提高木材識別率的效果。但傳統(tǒng)的圖像增強(qiáng)算法并不能將圖像的邊緣部分進(jìn)行提取，使得圖像的某些關(guān)鍵信息缺失，進(jìn)而影響識別率。本研究方法克服了這一缺陷，并將其應(yīng)用到木材圖像識別領(lǐng)域，選取亮度MSE、角度X分量和角度Y分量作為識別參數(shù)[18]，利用BP神經(jīng)網(wǎng)絡(luò)對木材榆木和榆木樹皮圖像進(jìn)行識別。并將識別結(jié)果與傳統(tǒng)增強(qiáng)算法得到的識別結(jié)果進(jìn)行對比。

3 結(jié)果與分析

3.1 圖像評價指標(biāo)

如圖3所示，a和b表示利用傳統(tǒng)方法處理后的榆木木片圖像和榆木樹皮圖像，c和d表示利用本研究方法處理后的榆木木片圖像和榆木樹皮圖像。目前，衡量圖像質(zhì)量公認(rèn)的評價指標(biāo)為峰值信噪比(peak signal-to-noise ratio,PSNR)，PSNR數(shù)據(jù)結(jié)果越高，表示復(fù)原圖像的失真度越小。表1為榆木木片圖像經(jīng)過直方圖均衡化和本研究方法重建后的PSNR值。

表1可以看出，利用權(quán)重系數(shù)重建5幅圖像的PSNR平均值為26.81 dB,直方圖均衡化、低通濾波法，故本研究方法圖像增強(qiáng)后的圖像質(zhì)量失真最少。

圖3 本文方法處理后的圖像

重建方法榆木木片圖像重建后PSNR值/dB榆木橫切面圖榆木樹皮平均值直方圖均衡化21．4819．4920．49本文方法27．0126．6126．81

3.2 圖像識別

將本研究方法與傳統(tǒng)圖像預(yù)處理后圖像分別作為原圖像。利用基于BP神經(jīng)網(wǎng)絡(luò)，以亮度MSE、角度X分量和角度Y分量作為識別參數(shù)，對木片和樹皮進(jìn)行分離，所得結(jié)果如表2所示。

表2 本文方法和傳統(tǒng)圖像預(yù)處理對木片與樹皮的識別率

從表2可以看出，利用本研究方法預(yù)處理后的圖像與傳統(tǒng)方法處理后的圖像進(jìn)行識別，以亮度MSE作為參數(shù)榆木木片和榆木樹皮的識別率分別提高了2.4%和1.2%，以角度X分量作為參數(shù)榆木木片和榆木樹皮的識別率分別提高了0.8%和1.4%，以角度Y分量作為參數(shù)榆木木片和榆木樹皮的識別率分別提高了0.6%和3.7%。從上述圖表數(shù)據(jù)可以看出，以角度Y分量作為識別參數(shù)時，近似可以將榆木和榆木樹皮完全分離。

4 結(jié)論與討論

本研究提出的基于權(quán)重系數(shù)的圖像增強(qiáng)算法，消除了圖像的塊效應(yīng)，同時克服了傳統(tǒng)圖像增強(qiáng)算法不能消除邊緣和脊中混淆缺陷[15]，提高了圖像的質(zhì)量，解決了傳統(tǒng)圖像預(yù)處理技術(shù)無法復(fù)原圖像紋理細(xì)節(jié)的問題。

從圖像預(yù)處理的角度，以亮度MSE、角度X分量、角度Y分量作為識別參數(shù)，基于BP神經(jīng)網(wǎng)絡(luò)的榆木和榆木樹皮的識別中，本研究提出的基于權(quán)重系數(shù)的圖像增強(qiáng)算法與傳統(tǒng)圖像增強(qiáng)算法相比，榆木木片與樹皮的識別率的識別率均有提高。

參考文獻(xiàn):

[1] 劉子豪,祁亨年,張廣群,等.基于橫切面微觀構(gòu)造圖像的木材識別方法[J].林業(yè)科學(xué),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,曹軍.基于AOS的擴(kuò)展C-V 模型及背景填充耦合的單板節(jié)子缺陷識別[J].林業(yè)科學(xué),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] 汪杭軍.基于紋理的木材圖像識別方法研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2013.

[4] 孫書冬,甘雪菲,霍麗平,等.基于Visual Basic的木材識別系統(tǒng)[J].木材工業(yè),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] 趙先貴,肖玲,王勛銀,等.植物花粉圖像識別系統(tǒng)研究[J].西北林學(xué)院學(xué)報，1999,14(4):31-34.

[6] 熊俊濤,鄒湘軍,王紅軍,等.基于Retinex圖像增強(qiáng)的不同光照條件下的成熟荔枝識別[J].農(nóng)業(yè)工程學(xué)報,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.木材紋理識別算法研究進(jìn)展[J].大眾科技,2010(8):145-146.

[8] 劉大鵬.基于VC與Matlab混合編程實現(xiàn)圖像增強(qiáng)處理[J].信息科技,2013(20):68-69.

[9] 劉海波,湯群芳,楊杰.改進(jìn)直方圖均衡和Retinex算法在灰度圖像增強(qiáng)中的應(yīng)用[J].量子電子學(xué)報,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] 孫琰玥,何小海,宋海英,等.一種用于視頻超分辨率重建的塊匹配圖像配準(zhǔn)方法[J].自動化學(xué)報,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] 韋瑞峰,趙榮普,徐肖慶,等.基于直方圖的紅外圖像細(xì)節(jié)增強(qiáng)算法研究[J].紅外技術(shù),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，孫梟雄，袁云梅.基于圖像處理提高木材識別準(zhǔn)確性的新方法[J].西北林學(xué)院學(xué)報,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] 蔡式東,楊芳.基于直方圖修正的圖像增強(qiáng)算法[J].光電子技術(shù),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] 盛仲飆.BP神經(jīng)網(wǎng)絡(luò)原理及MATLAB仿真[J].渭南師范學(xué)院學(xué)報,2008(5):65-67.