基于SEM顯微圖像的木材材種分類研究.pdf

1、應用先進的計算機圖像處理和機器學習技術對木材橫切面掃描電鏡( SEM)顯微圖像進行特征提取和分類,通過將Graph Cuts和ThreshCanny算法應用于木材橫切面顯微圖像的分割,提取出反應木材顯微構造的特征參數(shù),再進一步對所提取的特征進行主成分分析和特征融合,以探討基于這些木材顯微構造特征參數(shù)和機器學習技術實現(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胞特征均對于木材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特征參數(shù)間依然存在明顯的差異。
　　對從木材橫切面 SEM顯微圖像中所提取的10項特征參數(shù)進行主成分分析,實驗結果表明前兩個主成分因子集中了原來10個特征變量近85％的信息。同時結合變量間的

3、相關分析,從10項特征中選取6項相對獨立的,且對木材材種分類具有實際意義的特征參數(shù)。
　　基于加權均值融合后的特征,采用LDA、QDA、mahalanobis、KNN以及SVM五種分類器,并結合留一交叉驗證法對給定的10個樹種進行分類,均獲得了比單獨使用ThreshCanny特征或Graph Cuts特征更高的正確分類率。當將SVM分類器與留一交叉驗證法相結合對給定10個樹種進行分類時,獲得了最好的分類結果,融合系數(shù)最優(yōu)時其最高正

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