基于SEM顯微圖像的木材材種分類研究.pdf

1、應(yīng)用先進(jìn)的計(jì)算機(jī)圖像處理和機(jī)器學(xué)習(xí)技術(shù)對(duì)木材橫切面掃描電鏡( SEM)顯微圖像進(jìn)行特征提取和分類,通過將Graph Cuts和ThreshCanny算法應(yīng)用于木材橫切面顯微圖像的分割,提取出反應(yīng)木材顯微構(gòu)造的特征參數(shù),再進(jìn)一步對(duì)所提取的特征進(jìn)行主成分分析和特征融合,以探討基于這些木材顯微構(gòu)造特征參數(shù)和機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)木材材種正確分類的可行性。
　　基于ThreshCanny和Graph Cuts算法所提取的木材細(xì)胞特征均對(duì)于木材S

2、EM顯微圖像具有較好的區(qū)分能力。在給定的樹種中,同一種針葉材的早、晚材以及不同種針葉材的特征參數(shù)間均存在明顯的差異;而與針葉材相比,各項(xiàng)特征參數(shù)在同一種闊葉材的早、晚材間的差異不夠明顯,且部分特征參數(shù)間很難找到明顯的分界值,但不同種闊葉材的各項(xiàng)特征參數(shù)間依然存在明顯的差異。
　　對(duì)從木材橫切面 SEM顯微圖像中所提取的10項(xiàng)特征參數(shù)進(jìn)行主成分分析,實(shí)驗(yàn)結(jié)果表明前兩個(gè)主成分因子集中了原來10個(gè)特征變量近85％的信息。同時(shí)結(jié)合變量間的

3、相關(guān)分析,從10項(xiàng)特征中選取6項(xiàng)相對(duì)獨(dú)立的,且對(duì)木材材種分類具有實(shí)際意義的特征參數(shù)。
　　基于加權(quán)均值融合后的特征,采用LDA、QDA、mahalanobis、KNN以及SVM五種分類器,并結(jié)合留一交叉驗(yàn)證法對(duì)給定的10個(gè)樹種進(jìn)行分類,均獲得了比單獨(dú)使用ThreshCanny特征或Graph Cuts特征更高的正確分類率。當(dāng)將SVM分類器與留一交叉驗(yàn)證法相結(jié)合對(duì)給定10個(gè)樹種進(jìn)行分類時(shí),獲得了最好的分類結(jié)果,融合系數(shù)最優(yōu)時(shí)其最高正

4、確分類率達(dá)到95%。而當(dāng)使用LDA分類器時(shí),獲得了最差的分類結(jié)果,融合系數(shù)最優(yōu)時(shí)其最高正確分類率為87%。
　　基于不同的圖像分割算法,通過對(duì)木材SEM顯微圖像量化特征的提取、分析、降維和融合,應(yīng)用五種分類器進(jìn)行木材材種分類實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,基于木材SEM顯微圖像,利用圖像分割和特征融合達(dá)到對(duì)木材材種正確分類的目的是可行且有效的。此項(xiàng)研究為木材微觀特征提取、木材材種分類及木材識(shí)別等相關(guān)研究提供了一種新穎的方法參考和科學(xué)的理論依據(jù)