基于I-BGLAM紋理和光譜融合的高光譜顯微成像木材樹種分類

趙 鵬，韓金城，王承琨

1.東北林業大學信息與計算機工程學院，黑龍江省 哈爾濱市 150040 2.廣西科技大學計算機科學與通信工程學院，廣西 柳州 545006

引 言

在人們的日常生活中實木木材的應用十分廣泛，因此木材具有巨大的利用價值。每種木材的強度、密度和耐用性都不相同，這就導致木材的價格也各不相同，那么正確的區分出不同種類的木材就具有非常重要的意義。在計算機領域中實現樹種歸類的方法主要有兩種：木材微觀細胞結構分類和木材表面的宏觀特性分類。微觀細胞結構識別技術是通過顯微鏡得到木材的細胞結構圖像，然后對得到的圖像進行識別分類。任洪娥[1]等提出了三種對木材細胞圖像的輪廓提取方法，提取出的細胞特征參數可用于木材樹種識別，但是這種技術需要對木材進行切片，使得實驗過程比較復雜。宏觀特征識別技術是通過木材的紋理、顏色和光譜等特征來識別。M?enp??[2]等在識別分類木材表面缺陷時使用了顏色特征和紋理特征融合的方法。單純使用顏色特征也是有一定缺點的如木材表面顏色不均勻或不同木材樹種間顏色相似，這就對識別造成了困難。王輝[3]等建立了一種木材紋理和顏色結合的模型用來分類，提取了木材圖像的顏色矩和紋理特征并將兩者融合用于分類，得到了較高的分類精度，特征融合的方法也為木材樹種分類提供了可行的思路。紋理特征提取的傳統方法是使用灰度共生矩陣(gray level co-occurrence matrix,GLCM)及其統計量來表示的。白雪冰[4]等使用GLCM提取木材表面的紋理來實現木材缺陷的檢測。在我們的實驗過程中使用GLCM來提取木材表面紋理特征時發現分類結果并不理想，原因是因為我們的木材宏觀解剖圖像紋理分布不均勻而且沒有很強的紋理，因此，面對弱紋理的圖像找到一種強紋理提取器是十分重要的。Qin[5-6]等從GLCM中衍生出了灰度光環矩陣(gray level aura matrix,GLAM)和基本灰度光環矩陣(basic gray level aura matrix,BGLAM)用來提取圖像的紋理特征，但是這兩種方法只是應用于標準紋理數據庫的圖像分割和圖像合成方面，并沒有使用到木材樹種識別領域。在此基礎上，Zamri[7]等提出了改進的基本灰度光環矩陣(improved-basic gray level aura matrix,I-BGLAM)來提取木材的紋理特征從而實現木材樹種的分類，得到了較好的分類效果。

利用光譜特征來實現木材樹種分類的方法主要是使用光譜儀采集木材在不同波段的光譜值來進行識別分類的。Ramalho[8]等利用近紅外光譜技術以巴西的熱帶樹木為研究對象做了對天然林和人工林的木材樣本的區分工作，實驗得到的識別準確率較高，表明在進行天然林和人工林的木材樣本分類是可行的。郝勇[9]等利用近紅外光譜實現了對木材種類的快速、準確的識別，實驗中采用了5種方法對光譜進行預處理，這一處理提高了識別精度。Silvana Nisgoski[10]等以6種樹種為研究對象，采集了木材表面的近紅外光譜，然后使用了二階導數對全光譜做預處理，把PCA-LDA作為分類方法，實現了對木材樹種的快速分類。

高光譜圖像包括空間維和光譜維。因此，高光譜圖像不僅可以提供對象的紋理信息，還可以提供對象表面的光譜信息。高光譜圖像主要被應用于衛星遙感領域，但隨著高光譜技術的發展現在也可以應用到樣本組織成分檢測領域中。例如，Hycza[11]等以波蘭東北部森林林分為研究對象，利用AISA(airborne imaging spectrometer for application)拍攝高光譜圖像，使用九種分類算法對七種樹種進行分類，最后得到了90.3%的正確率，說明叢林的高光譜圖像可以實現對森林中的樹種精確歸類。孫俊[12]等對圖像采集系統操作得到特征波長光譜、圖像信息和照片信息，并相應地將其與氮值作為相關模型進行識別，實驗結果良好，說明高光譜技術可以為作物含氮的快速、無損檢測提供標準。Zhao[13]等提出了一種基于木材高光譜圖像的硬木樹種的識別方法，該方法以木材的高光譜圖像為研究對象，獲得了樣本管孔的外圍和中心的光譜特征作為分類的基礎，實現了木材樹種的分類。

綜上所述，為了實現木材樹種的精確分類我們可以單獨選擇提取木材表面的紋理特征作為分類的依據，當然也可以單獨利用光譜技術獲得木材的光譜特征作為分類依據，但是單獨使用某一種特征進行分類并不能得到最高的分類正確率，為了能夠提高木材樹種的分類精度，我們將紋理和光譜融合送進分類器中進行分類。

本文針對8個木材樹種的高光譜圖像，利用I-BGLAM提取其空間維的紋理特征以及利用S-G[14]平滑的方法得到光譜特征，然后將上述兩種特征融合后送入極限學習機(extreme learning machine，ELM)[15]中進行分類，該方法提高了木材樹種的分類精度。

1 數據來源

實驗使用了8種紋理清晰的木材作為研究對象，木材的詳細資料如表1所示。圖像采集的具體流程如下：首先，將這8種木材用圓盤鋸切割成2 cm×2 cm×3 cm的小木塊，這里值得注意的是切割時要保證木塊的橫截面處平滑無毛刺。然后，利用顯微高光譜成像系統采集木塊的高光譜圖像。每類木材拍攝60幅高光譜圖像，總共得到480幅高光譜圖像作為研究樣本。其中每類木材隨機選取48個樣本作為訓練集，其他的12個樣本作為測試集。這些木材樣本均來自不同的樹木。這里值得注意的是樣本全部取自木材的橫截面圖像，這是因為木材橫截面圖像中包含的特征多，木材的弦、徑切面的特征相對較少，不利于木材的分類識別，因此，在木材樹種識別領域大多是對木材的橫截面圖像進行研究。

表1 樣本木材的詳細資料Table 1 Details of the sample wood

接下來是對該高光譜系統及圖像采集的描述：該系統是美國SOC公司生產的SOC710VP高光譜成像儀，光譜分辨率為5.2 nm，光譜范圍為372.53～1 038.57 nm，共計128個波段。拍攝到的顯微高光譜圖像尺寸大小為200×200×128，顯微鏡放大的倍數為45倍。圖1是采集到的樣本橫截面的二維灰度圖像。

圖1 8種樣本木材的二維灰度圖像(a)：美國紅橡；(b)：印尼菠蘿格；(c)：非洲卡斯拉；(d)：紅花梨；(e)：南美柚木；(f)：水煮柚；(g)：樺木；(h)：香樟木Fig.1 Two-dimensional grayscale images of eight sample woods(a)：Red oak；(b)：Merbau；(c)：Talisai；(d)：African padauk；(e)：Basralocus；(f)：Teak；(g)：Silky oak；(h)：Medang

在使用該便攜式高光譜成像儀采集圖像時應該保持外界環境例如溫度、濕度及樣本保存時間等因素盡量恒定，盡量保證每個樣本的顏色保持不變，否則，可能會使得可見光波段的光譜圖像發生變化，影響后續的特征提取和分類識別精度。

2 研究方法

2.1 圖像預處理

在本文的實驗中所需要研究的對象是基于二維灰度圖像的，而高光譜圖像屬于高維圖像不能直接使用，因此需要對其進行預處理操作。預處理分為兩步，第一步是對圖像進行降維，這里使用的降維方法是OIF(optimum index factor)[16]。第二步是對降維后的圖像進行融合，這里使用的圖像融合是NSCT(nonsub sampled contourlet transform)[17]。

下面介紹基于OIF的波段選擇方法，OIF主要是將第i個波段的標準差Si和i,j波段之間的相關系數Rij結合起來進行最優波段的選擇，如式(1)所示。

(1)

(2)

(3)

(4)

對高頻子帶使用模值取大的方法求出H′，其中i=1，2，…，m。

(5)

最后根據新的低頻分量和新的高頻分量利用NSCT逆變換，得到融合后的圖像I′。圖2給出了圖像預處理的流程圖。

圖2 圖像預處理(a)：特征波段選擇；(b)：圖像融合Fig.2 Image preprocessing(a)：Feature band selection；(b)：Image fusion

2.2 基于I-BGLAM紋理特征提取

接下來我們使用I-BGLAM[7]的方法來提取二維灰度圖片的紋理特征。該方法本質上是對GLCM的一種改進，其具體步驟如下：首先需要壓縮灰度圖像的像素值，將一幅圖像的灰度級壓縮到16個級別即得到的特征向量長為136維，可得到最好的分類效果，具體按式(6)進行處理。其中F(x，y)代表類型為uint8的灰度圖像，floor代表向下取整，F′(x，y)為像素值最大為15的灰度圖像，圖3中給出了降低后的結果。從圖3中可以看出即使將灰度值進行壓縮依然可以清晰的表示出圖像的紋理信息。

圖3 像素值壓縮結果(a)：原始圖像；(b)：壓縮后的圖像Fig.3 Pixel value compression results(a)：The original image；(b)：Compressed image

(6)

接下來按照式(7)的方法計算特征矩陣B，設灰度圖像為F(i，j)(i∈{2，3，…，M-1}，j∈{2，3，…，N-1})，M與N分別代表灰度圖像的長與寬。為防止B的角標無意義，在計算之前需要將F(i，j)的每一個像素值加1避免0的出現，即F(i，j)∈{1，2，…，16}。通過式(7)計算的矩陣B是一個尺寸為16×16的方陣。

(7)

然后將方陣B按式(8)進行計算，這樣做的目的在于減少特征向量的維度。

(8)

最后將方陣B′按式(9)進行轉換，∪+代表元素串聯。轉換后的向量x即為特征向量，其長度為136。圖4給出了8個樹種提取的該特征值，該方法主要應用于普通木材樹種的分類識別。

圖4 I-BGLAM特征值曲線Fig.4 I-BGLAM characteristic curve

x=∪+B′(i，j)(i∈{1，2，…，16}；j∈{i，i+1，…，16})

(9)

2.3 基于光譜特征提取及紋理特征和光譜特征融合

原始光譜圖像有128個波段(372.53～1 038.57 nm)，圖5所示的就是實驗中用到的8個木材樣本的平均光譜曲線。從曲線走勢中可以得出，這8種木材的曲線有明顯的可分性，但是在某些波段處也存有一些噪聲，因此，為了進一步提高光譜曲線的可分性我們需要對原始光譜數據做平滑處理。

圖5 8種木材樣本的平均光譜曲線Fig.5 Average spectral curves of 8 wood samples

具體的提取光譜特征的方法如下：假設每幅高光譜圖像是N×N×P的三維張量，其中N×N是空間維，是光譜維，首先，將這個三維張量沿著第三維展開得到(N*N)×P表示每個波段對應N*N個像素點，然后對這些像素的值求平均得到1×P的向量，稱之為平均光譜，最后，對平均光譜進行S-G平滑處理，得到光譜特征。由于S-G平滑方法比較成熟，這里不對原理進行贅述。本實驗中的高光譜數據是200×200×128的三維張量，200×200是每個波段對應的二維圖片的大小，即一個波段對應40 000個像素點，每個像素點對應一個光譜值，然后對這些數值取平均則作為該波段的平均光譜特征，這樣就得到了1×128的向量作為該高光譜圖像的平均光譜。

y=(μ1y1，μ1y2，…，μ1yd1，…，μ2yd2，…，μMdM)T

(10)

其中μk是第k種特征對應的權重。將y送進ELM中就可以得到分類結果。

在本實驗中就有兩類特征：紋理特征(136維)和光譜特征(128維)，即d1=136，d2=128，在融合時設置權重μ1=0.5，μ2=0.5。

至此，本實驗所用的全部方法介紹完畢，整個實驗的流程圖參見圖6。

圖6 實驗過程的流程圖Fig.6 Flow chart of the experimental process

3 結果與討論

3.1 識別正確率分析

實驗包括單獨使用I-BGLAM提取的紋理特征分類、單獨使用光譜維特征分類以及本文提出的使用融合特征分類，本實驗使用的分類器為ELM，表2是實驗5次的分類結果。

從表2的結果可以看出單獨使用I-BGLAM紋理或者單獨使用光譜維特征進行分類時，5次中最高的精度分別是88.54%和92.71%，而使用了本文提出的融合方法進行精度最高可達100%。分析本次實驗得到的結果，本文在提取紋理特征之前使用了OIF方法對原來的高光譜圖像做了波段選擇的操作，通過該操作我們獲得了該圖像具有最大信息量的波段同時也去掉了一些噪聲波段，之后在進行圖像融合得到用于提取紋理特征的圖片，這樣的圖片主要的紋理特征被保留，噪聲被去除，之后對該圖片使用強紋理提取器I-BGLAM得到的紋理特征進行分類，但是本實驗所用的樹種有部分本身的紋理就不清晰，不論使用什么圖像處理方法仍然得不到較好的紋理特征，因此單獨使用紋理分類的正確率只有88.54%。而在使用光譜特征分類時先是對每個波段所有的像素點的光譜值求平均，之后再進行平滑去除噪聲點，但是有些噪聲是不可能被去除的，這是由于在采集樣本時有的木材表面的粗糙程度或者實驗環境中的光照等因素影響，因此單獨使用光譜特征的分類結果只有92.71%。為了提高分類正確率，因此利用特征融合的思想將兩類特征融合，使兩者在分類過程中發揮互補作用，最后成功的將結果提高到了100%。

表2 使用不同特征得到的分類正確率Table 2 Classification accuracy using different features

綜上所述，使用單一特征來進行木材樹種分類不能得到最佳的分類效果，因此，提出了將兩種特征融合，使得兩種特征充分發揮各自的優勢并且互相補充彼此，以將正確率最大化提高?？偨Y這部分實驗結果我們可以知道本文提出將木材的表面紋理特征和木材的光譜特征融合在一起去分類的這種方法是可以極大的提高木材樹種的分類正確率。

到目前為止，本實驗已經從理論和實驗結果兩個方面說明了我們提出的模型具有可行性和高正確率。為了更全面地完成本文的研究內容，我們還做幾個對比實驗，選擇的實驗方法都是在木材樹種識別分類領域具有代表性的，其中包括沿用多年的傳統分類模型和近些年有學者提出的新的模型。

3.2 與其他木材樹種分類方法作對比

在本節，我們將一起來討論在使用同樣的數據集的前提下本文方法與其他文獻的方法的分類正確率。表3給出了具體的實驗結果。在表3中列出的本文方法、傳統方法GLCM和文獻[18]、文獻[19]中的主流方法。傳統方法是先使用PCA選擇圖像的第一主成分，然后利用GLCM提取紋理特征來進行分類，這種方法相對比較簡單，但是這種方法非常依靠圖片紋理的清晰程度，一旦遇到不清晰的紋理那么結果就不會很好。文獻[18]中使用了GA(遺傳算法)和GA+KDA(遺傳算法+核心判別分析)對熱帶木材樹種識別分類，文中使用該方法是為了進行非線性特征選擇并減少木材數據庫的維數，減少圖片的存儲空間，增加識別準確率。文獻[19]中提出了一種自動木材種類的識別系統，首先使用了模糊預分類器根據木材的孔隙特征對木材進行預劃分類，然后提取木材表面的管孔和紋理特征送入SVM中進行最終分類，這種方法降低了處理的復雜性和分類時間，得到了不錯的效果。

從表3中的數據可以得出，本文的方法得到的正確率相比于其他方法要高的多。接下來我們將分析一下原因。與GLCM相比，本文在紋理特征的提取過程中使用了強紋理提取器I-BGLAM，它提取出的紋理特征要比GLCM更好，并且本文還融合光譜特征，因此，本文方法得到的分類結果要比GLCM得到的結果好。與文獻[18]和文獻[19]相比，本文方法得到的結果更勝一籌，究其原因是這兩篇文獻中原來所用的到實驗木材都是熱帶樹種，這些熱帶樹種的木材表面紋理細密且管孔清晰、排列緊密，所以他們的方法在他們的文獻中有著不錯的表現，但是我們使用的木材大多管孔特征不清晰，因此兩篇文獻中的方法在本文中表現的并不好。

表3 本文與其他方法的最高分類正確率Table 3 The highest classification accuracy rate of this article and other methods

4 結 論

以8種木材的高光譜圖像為研究對象，提出了一種基于I-BGLAM紋理特征和光譜特征融合的木材樹種分類方法。首先，該模型使用了I-BGLAM獲取了降維后的木材圖像的紋理信息，并做實驗驗證了只使用紋理特征進行木材樹種識別時的準確率。然后，提取高光譜圖像中的近紅外波段的光譜特征，將其與紋理特征融合并進行實驗，得到了融合特征進行木材樹種分類時的分類正確率。最后，將本文提出的木材樹種分類方法與本領域內的主流的分類方法進行對比，得到了以下幾點結論：

(1) 使用了I-BGLAM獲得了降維后的木材圖像的紋理信息，經實驗驗證，該方式與傳統的方式如GLCM相比得到的準確率更高，說明該模型在提取紋理方面更新穎更具有優勢。

(2) 提出了將光譜特征與紋理特征融合的木材樹種分類方法，該方法充分利用了高光譜圖像的“圖譜合一”的特點。經實驗驗證，將融合后的特征送入分類器后進行分類，分類結果要比單獨使用一種特征進行分類更好，說明使用融合特征進行分類是可行的方法。

(3) 與其他主流方法進行對比。從木材樹種的分類正確率來看，本文提出的方法的分類正確率最高可達100%，與主流的木材樹種分類方法相比具有更好的分類效果。

綜上所述，提出的新的紋理特征和光譜特征融合模型在木材樹種分類領域具有一定的研究意義和利用價值。