利用显微成像的木材树种分类方法与流程

1.本发明涉及应用电子设备进行识别的技术领域，具体涉及利用显微成像的木材树种分类方法。


背景技术：

2.木材树种的横切面包含有丰富的信息，由于树种不同显示出的木材细胞形状和分布排列等各种特征也不尽相同。在之前的研究中对于木材树种横切面特征提取更多的是集中在径向直径、弦向直径、周长和面积等特征参数上，而对于横切面上细胞纹理特征的定量化分析相对较少。但是从木材纹理细胞图像中容易看出，木材横切面上的细胞轮廓形状等纹理特征同样是因木材树种不同而产生的重要特征。
3.在对木材树种进行分类识别，目前大部分研究都集中在其表面纹理特征方面，但有些树种表面纹理特征相似，如果仅从宏观纹理出发会难以分辨，导致对木材树种进行分类识别的准确性低。
4.因此，需要提供利用电子设备对木材树种进行识别实现对木材树种分类的方法。


技术实现要素：

5.本发明提供利用显微成像的木材树种分类方法，以解决现有的问题。
6.本发明的利用显微成像的木材树种分类方法采用如下技术方案：该方法包括：
7.获取板材端面的细胞图像，并获取细胞图像的灰度图；
8.获取灰度图中细胞的中心像素点及中心像素点所在像素行，根据中心像素点的所在像素行确定细胞的边界得到多排细胞，获取每排细胞中包含最多中心像素点的直线；
9.获取每排细胞的中心像素点到其对应直线的距离、每两条相邻直线之间的线距离及所有直线在水平方向的角度；
10.根据每排细胞的中心像素点到其对应直线的距离、每两条相邻直线之间的线距离及所有直线在水平方向的角度计算细胞的空间分布散乱度；
11.对所有中心像素点进行聚类得到多个聚类范围及对应的聚类中心，计算每个聚类中心的偏移度及每个聚类范围内的细胞聚集度；
12.根据所有细胞聚集度之和与所有偏移度之和计算细胞的排列聚合度；
13.将木材的细胞图像中的细胞的排列聚合度和空间分布散乱度作为输入，木材的种类作为输出来对预先建立的神经网络进行训练，利用训练好的神经网络对待分类木材进行分类。
14.进一步的，获取灰度图中细胞的中心像素点的步骤包括：
15.获取灰度图的边缘二值图；
16.对边缘二值图进行距离变换得到距离变换灰度图；
17.根据距离变换灰度图获取细胞的中心像素点。
18.进一步的，根据中心像素点的所在像素行确定细胞的边界得到多排细胞的步骤包
括：
19.获取前i个像素行内所有中心像素点的个数；
20.根据像素行的数值及前i像素行内所有中心像素点的个数建立跃增型折线图；
21.获取跃增型折线图对应的函数的导数，得到导数与像素行的数值的曲线图；
22.获取曲线图中导数为零对应的像素行范围；
23.根据像素行范围确定细胞边界线所在的像素行；
24.根据细胞边界线所在的像素行对细胞进行划分多排细胞。
25.进一步的，获取每排细胞中包含最多中心像素点的直线的步骤包括：
26.设定每排细胞的中心像素点的坐标；
27.进行极坐标变换将灰度图中每个中心像素点的坐标映射到霍夫空间内；
28.获取霍夫空间内曲线交点次数最多的极坐标点；
29.根据极坐标点得到灰度图中对应的直线，该直线即为每排细胞中最多中心像素点对应的直线。
30.进一步的，获取每两条相邻直线之间的线距离的步骤包括：
31.获取靠近每条直线两个端点的中心像素点的坐标；
32.根据每两条相邻直线的靠近端点的中心像素点的坐标计算线距离。
33.进一步的，根据每排细胞的中心像素点到其对应直线的距离、每两条相邻直线之间的线距离及所有直线在水平方向的角度计算细胞的空间分布散乱度步骤包括：
34.根据每排细胞的中心像素点到其对应直线的距离得到每排细胞的中心像素点到其对应直线平均距离，获取所有平均距离的均值；
35.根据线距离获取所有直线的距离方差；
36.根据所有直线在水平方向的角度获取所有直线在水平方向的角度方差；
37.根据均值、距离方差、角度方差计算细胞的空间分布散乱度。
38.进一步的，对所有中心像素点进行聚类得到多个聚类范围及对应的聚类中心，计算每个聚类中心的偏移度的步骤包括：
39.将灰度图划分为n个子图像；
40.以每个子图像的中心点坐标作为初始聚类中心坐标；
41.对所有像素点进行位置聚类，获取聚类后的最终聚类中心坐标，
42.根据每个聚类中心的最终聚类中心坐标和初始聚类中心坐标计算每个聚类中心的偏移度。
43.进一步的，计算每个聚类范围内的细胞聚集度的步骤包括：
44.以每个最终聚类中心为圆心作小于对应聚类范围的圆；
45.计算每个圆内所有中心像素点到对应的最终聚类中心的点距离；
46.根据点距离及圆内中心像素点的个数计算细胞聚集度。
47.本发明的有益效果是：本发明的利用显微成像的木材树种分类方法，从微观角度将木材的细胞图像中的细胞纹理特征提取出来，具体的，将细胞空间分布散乱度、细胞排列聚集度作为分辨木材种类的特征，利用细胞的空间分布散乱度、细胞的排列聚集度特征神经网络的输入信息，输出信息对应木材的种类，来对神经网络训练，从而提高木材识别分类的准确性，本方法应用于过电子设备对木材树种进行识别及处理实现木材树种的智能分
类。
附图说明
48.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
49.图1为本发明的利用显微成像的木材树种分类方法的实施例总体步骤的流程图；
50.图2为本发明实施例的各个木材树种的细胞图像的灰度图；
51.图3为本发明实施例的s21步骤获取中心像素点的流程图；
52.图4为本发明实施例的s22步骤中确定细胞的边界得到多排细胞的流程图；
53.图5为本发明实施例的s23步骤中获取每排细胞中包含最多中心像素点的直线的流程图；
54.图6为图1中的计算细胞的空间分布散乱度的流程图。
具体实施方式
55.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.本发明的利用显微成像的木材树种分类方法的实施例，具体的，本方法以长白落叶松，红松，鱼鳞云杉和长白松木材树种分类为例，如图1所示，该方法包括：
57.s1、获取板材端面的细胞图像，并获取细胞图像的灰度图。
58.具体的，利用带有ccd摄像机的显微镜获取板材端面的细胞图像，对获得的细胞图像进行滤波处理，去除图像的噪声，提高图像的质量，使图像变得清晰，增强图像的可识别性，便于提取细胞的参数特征，为了在保留边界信息的同时去除噪声，本发明选用中值滤波对图像进行处理，然后在对滤波处理后的细胞图像进行灰度化得到灰度图，如图2所示，为长白落叶松，红松，鱼鳞云杉和长白松木材的细胞图像。
59.s2、获取灰度图中细胞的中心像素点及中心像素点所在像素行，根据中心像素点的所在像素行确定细胞的边界得到多排细胞，获取每排细胞中包含最多中心像素点的直线。
60.具体的，如图3所示，s21、获取灰度图中细胞的中心像素点的步骤包括：s211、先获取灰度图的边缘二值图；s212、对边缘二值图进行距离变换得到距离变换灰度图；其中，距离变换是计算一个图像中非零像素点到最近的零像素点的距离，也就是到零像素点的最短距离，具体的，将细胞灰度值设为255，即白色，细胞壁的灰度值设为0，即黑色，所以图像中细胞的中心像素点距离细胞壁越远，那么它们之间距离就越大，如果用这个距离值替换像素值，那么新生成的距离变换灰度图中这个点越亮，通过这个方法可以根据最亮点找出每个细胞的中心像素点，由于细胞中心像素点灰度值最大，s213、根据距离变换灰度图获取细胞的中心像素点。
61.具体的，如图4所示，s22、根据中心像素点的所在像素行确定细胞的边界得到多排细胞的步骤包括：
62.s221、获取前i个像素行内所有中心像素点的个数，i取1、2
……
k，具体的，建立一个一维数组g＝(g1，g2，g3，
……
，gk)，其中，g1表示第一个像素行内所有细胞的中心像素点的个数、gk表示第一个像素行到第k个像素行内所有细胞的中心像素点的个数，s222、根据像素行的数值及前i像素行内所有中心像素点的个数建立跃增型折线图，其中，跃增型折线图是以像素行的数值为横坐标，以前i像素行内所有细胞的中心像素点的个数g为纵坐标的；s223、获取跃增型折线图对应的函数的导数g
′
，得到导数g
′
与像素行的数值的曲线图；s224、获取曲线图中导数g
′
为零对应的像素行范围；s225、根据像素行范围确定细胞边界线所在的像素行；在(y1，yk)像素行范围内(ya，yb)像素行对应的导数g
′
为0，且ya左邻域和yb右邻域皆不为0，那么取两排相邻细胞的边界线所在像素行数其中，int表示取整，将像素行数fi由小到大按顺序排列并作为划分两排相邻细胞的边界线，s226、根据细胞边界线所在的像素行对细胞进行划分多排细胞。
63.具体的，如图5所示，s23、获取每排细胞中包含最多中心像素点的直线的步骤包括：s231、设定每排细胞的中心像素点的坐标为(x1，y1)，(x2，y2)，
……
，(xm，yn)；s232、进行极坐标变换将灰度图中每个细胞的中心像素点的坐标映射到霍夫空间内；s233、获取霍夫空间内曲线交点次数最多的极坐标点，具体的，将灰度图的图像空间中每个中心像素点坐标值变换到极坐标空间后，所得值会落在某个网格内，每落到使该网格一次就加1，当所有第一排细胞的中心像素点都经过霍夫变换后，选取累加计数值最大的网格，其坐标值(ρ0,θ0)就对应图像空间中所求的直线；s234、根据极坐标点得到灰度图中对应的直线，该直线即为每排细胞中最多中心像素点对应的直线li，直线li：aix biy ci＝0，斜率为
64.s3、获取每排细胞的中心像素点到其对应直线的距离、每两条相邻直线之间的线距离及所有直线在水平方向的角度。
65.具体的，每个中心像素点到直线的距离获取靠近每条直线两个端点的中心像素点的坐标；由于这两条直线不一定平行，故根据每两条相邻直线的靠近端点的中心像素点的坐标计算线距离，例如，根据下式(a)计算第一条直线和第二条直线的线距离t1：
[0066][0067]
其中，第一条直线上靠近第一个端点的第一个中心像素点坐标(p
11
，q
11
)，靠近第二个端点的第一个中心像素点坐标(p
1r
，q
1r
)，第二条直线上靠近第一个端点的第一个中心像素点坐标(p
11
，q
21
)，靠近第二个端点的第一个中心像素点坐标(p
1r
，q
2r
)。
[0068]
s4、根据每排细胞的中心像素点到其对应直线的距离、每两条相邻直线之间的线距离及所有直线在水平方向的角度计算细胞的空间分布散乱度。
[0069]
如图6所示，具体的，s41、根据每排细胞的中心像素点到其对应直线的距离得到每排细胞的中心像素点到其对应直线平均距离，获取所有平均距离的均值；具体的，计算每排
细胞的中心像素点到其对应直线的平均距离所有平均距离的均值其中，di表示第i排细胞的中心像素点到其对应直线的平均距离，m表示细胞的排数，di为第一排细胞中的第i个细胞的中心像素点到其对应的直线的距离。
[0070]
s42、具体的，根据线距离获取所有直线的距离方差的步骤包括：根据所有线距离获取线距离的平均值，根据线距离的平均值及每个线距离获取距离方差其中，ti表示第i条直线与第i-1条直线的线距离。
[0071]
s43、具体的，获取所有直线在水平方向的角度并得到所有直线在水平方向的角度方差的步骤包括：定义所得第一条直线的倾斜角为θ1，第二条直线的倾斜角为θ2，其中θ1＝tan-1
k1，θ2＝tan-1
k2，则所有直线在水平方向的角度的平均角度所有直线在水平方向的角度方差其中，为所有直线的平均角度，d
θ
为所有直线在水平方向的角度方差，θi表示第i个直线在水平方向的角度。
[0073]
s44、根据均值、距离方差、角度方差计算细胞的空间分布散乱度，其中，根据下式(1)计算细胞的空间分布散乱度：
[0074]
s＝w1*h w2*d
t
w3*d
θ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0075]
其中，s表示细胞的空间分布散乱度；w1、w2、w3均为常数依次取0.2、0.1、0.7；h表示所有细胞的中心像素点到其对应直线的平均距离的均值；d
t
表示所有直线的距离方差，d
θ
表示所有直线在水平方向的角度方差。
[0076]
s5、对所有中心像素点进行聚类得到多个聚类范围及对应的聚类中心，计算每个聚类中心的偏移度及每个聚类范围内的细胞聚集度。
[0077]
具体的，将灰度图划分为n个子图像；以每个子图像的中心点坐标作为初始聚类中心坐标；对所有像素点进行位置聚类，获取聚类后的最终聚类中心坐标，根据每个聚类中心的最终聚类中心坐标和初始聚类中心坐标计算每个聚类中心的偏移度。
[0078]
具体的，计算每个聚类范围内的细胞聚集度的步骤包括：以每个最终聚类中心为圆心作小于对应聚类范围的圆；计算每个圆内所有中心像素点到对应的最终聚类中心的点距离；
[0079]
根据点距离及圆内中心像素点的个数计算细胞聚集度，具体的，求圆范围内所有中心像素点到其聚类中心的所有点距离之和p，并所有点距离之和p的平均值获取第i个聚类中心对应的圆范围内的细胞聚集度mi表示第i个聚类范围的圆内的中心像素点的个数，表示第i个聚类范围的圆内的所有点距离之和的平均值。
[0080]
s6、根据所有细胞聚集度之和与所有偏移度之和计算细胞的排列聚合度。
[0081]
具体的，计算所有聚类中心的偏移度之和与所有细胞聚集度之和；根据聚类中心的偏移度之和与细胞聚集度之和计算细胞的排列聚合度。
[0082]
其中，根据下式(2)计算所有聚类中心的偏移度之和：
[0083][0084]
其中，g表示n个聚类中心偏移度之和；ui表示第i个聚类中心的最终聚类中心的横
坐标；ai表示第i个聚类中心的初始聚类中心的横坐标；vi表示第i个聚类中心的最终聚类中心的纵坐标；bi表示第i个聚类中心的初始聚类中心的纵坐标，n表示聚类中心的数量。
[0085]
根据下式(3)计算所有细胞聚集度之和：
[0086][0087]
其中，n表示聚类中心的个数，qi表示第i聚类中心的圆范围内的细胞聚集度。
[0088]
根据下式(4)计算细胞的排列聚合度j：
[0089][0090]
其中，g表示n个聚类中心偏移度之和；w1、w2、w3均为常数依次取0.2、0.1、0.7；q表示所有细胞聚集度之和。
[0091]
s7、将木材的细胞图像中的细胞的排列聚合度和空间分布散乱度作为输入，木材的种类作为输出来对预先建立的神经网络进行训练，利用训练好的神经网络对待分类木材进行分类。
[0092]
综上所述，本发明提供利用显微成像的木材树种分类方法，从微观角度将木材的细胞图像中的细胞纹理特征提取出来，具体的，将细胞空间分布散乱度、细胞排列聚集度作为分辨木材种类的特征，利用细胞的空间分布散乱度、细胞的排列聚集度特征神经网络的输入信息，输出信息对应木材的种类，来对神经网络训练，从而提高木材识别分类的准确性。
[0093]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。