利用木材图像的颜色、灰度、纹理等内容实现树种的相似性匹配检索,提取色调、饱和度、亮度、对比度、二阶角矩、方差和、长行程加重因子、分形维数、小波水平能量比重共9个特征参数,依据最大相似性数学原理,基于最小差值参数判别法和综合特征阈值法来检索样本。结果显示:基于图像纹理特征能够实现木材树种的检索和识别,综合特征阈值法的检索正确率与唯一性通常要好于最小差值判别法;但当被检索样本图像的纹理较弱或不呈现纹理特征时,检索结果的唯一性并不理想。综合而言,基于图像纹理特征最大相似性的木材树种检索识别较易实现,是一种值得继续发展和应用推广的木材树种识别方法。

图像是人类视觉对于物体或事物在系统中进行初步的识别后所形成的最终印象,是人类认识世界及人类本身的重要源泉。随数字化时代的到来,为了能够及时得到快捷并且清晰度较高、不失真等图像,借助现代化技术,数字图像处理技术应运而生。再现性、适用范围广、高效、灵活是数字图像技术最显著的应用优势。数字图像技术特点十分显著,目前在各行各业中发挥着至关重要的作用。

利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.841 0,比基于光谱特征的总体精度和Kappa系数高12.32%和0.143 6。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光...

利用遥感影像识别树种是一个尚未解决的科学难题，传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取ＷｏｒｌｄＶｉｅＷ－２影像的纹理特征构造高维数据，利用递归特征消除降低数据维数，逐步解除最大似然分类的休斯现象，并将有代表性的纹理特征集合与光谱特征结合，对树种进行分类。结果显示：在递归消除８个纹理特征后，最大似然的休斯现象达到了很好的规避；在结合光谱特征后，分类的总体精度达到了８６．３９％，Ｋａｐｐａ系数达到了０．８４１ ０，比基于光谱特征的总体精度和Ｋａｐｐａ系数高１２．３２％和０．１４３ ６。研究表明，在高维数据中通过递归特征消除规避最大似然分类的休斯现象，充分结合影像纹理与光．．．

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

遥感图像尤其是高分辨率(1~4 m)遥感图像在树种分类方面有着广阔的应用前景。利用主成分分析法对遥感数据去相关分析,然后通过对纹理提取过程的分析,探讨不同移动窗口大小对纹理特征的影响,以期为中山陵园风景区的森林调查提供依据,分类方法为经典的最大似然分类器。根据不同移动窗口大小的纹理因子相关性和对保持纹理信息丰富度的影响,来选择合适的窗口大小及纹理因子组合,以对树种分类精度的提高程度为评价标准。研究结果表明,利用窗口大小为19×19下的纹理信息可有效提高分类精度,总精度达到66%,Kappa系数达到0.59,比单纯的光谱信息最大似然法图像分类精度高,其中均值与均匀性、对比度、偏斜度纹理因子组合为...

【目的】针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。【方法】本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。【结果】对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。【结论】本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。

研究了国产(包括引种的)669个重要树种的木材特征及其出现的频率。涉及裸子植物木材(或针叶树材)169种、木材特征138个,被子植物木材(阔叶树材)500种、木材特征178个,并列出了具有特殊木材特征的树种。

【目的】研究东北主要商品材树种木材形成早期组织的化学特征及其在树种间的差异，为揭示树木生长过程中木材细胞壁的自组装行为和木材形成的分子机制提供科学依据。【方法】选取东北１０种重要商品材树种，采集木材形成早期组织，利用红外光谱和Ｘ射线衍射技术分析木材形成早期组织的波谱特征。【结果】红外光谱差别主要在波数９００～２ ０００ ｃｍ～（－１）之间的指纹区域。针叶树种木材中波数１ ７３５ ｃｍ～（－１）附近由木聚糖乙酰基ｃ Ｏ伸缩振动引起的吸收峰相对强度显著小于阔叶树种木材。针叶树种木材中１５１１ｃｍ～（－１）处表征苯环碳骨架振动的吸收峰较明显，尤其是云杉和落叶松。针、阔叶树种木材在波数１ ６３０～１ ．．．

【目的】基于机载高光谱影像的分类研究中,利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少,并且相关研究主要针对单一树种识别而不考虑多种树种,因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。【方法】利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况,采用分层分类的方法区分非林地、其他林地与有林地,对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量,包括独立主成分分析ICA变换光谱特征以及空间纹理特征,分析各树种的光谱反射率及所适合的纹理尺度,依据不同尺度纹理特征进行分层分类,比较不同特征利用支持向量机SVM分类的树种分类结果。【结果】结合单一尺度纹理特征的分类结果总体精度为87.11%,Kappa系数为0.846;结合不同尺度纹理特征的分类总体精度为89.13%,Kappa系数为0.87,相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中,纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度,尤其在其他阔叶树种和马尾松树种的分类中,制图精度较单一纹理尺度分别提高了5.48%和6.12%。【结论】利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势,提高了纹理特征在树种分类中的贡献率;综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法,使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的,能够满足机载高光谱影像树种精细识别的应用需求。

【目的】构建基于卷积神经网络的木材识别系统,实现木材树种在多场景条件下的自动精准识别,为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。【方法】采集15种黄檀属和11种紫檀属木材标本横切面构造特征图像,建立图像数据集Rosewood-26;构建AlexNet、VGG16、DenseNet-121和ResNet-50共4种卷积神经网络模型,基于ImageNet图像数据集对模型进行迁移学习,采用Rosewood-26图像数据集训练、测试和比较模型,优选识别性能较好的卷积神经网络模型,并进行木材树种分类;在此基础上,构建包含15种黄檀属和11种紫檀属树种的木材自动识别系统iWood,利用市场木材样品对系统进行应用测试和评价。【结果】在构建的4种卷积神经网络模型中,ResNet-50模型表现出最高的识别精度(98.33%)、最少的权重数量和较低的模型复杂性,适用于木材树种准确快速识别;ResNet-50模型对9种黄檀属和3种紫檀属木材的识别精度达100%,并可成功鉴别构造特征极其相似的檀香紫檀和染料紫檀;基于ResNet-50模型构建的木材自动识别系统iWood,在"属"和"种"水平的识别精度分别为91.8%和77.3%。【结论】基于卷积神经网络的木材识别系统iWood适用于海关执法、木材贸易和质量监督检验等多场景下的木材自动精准识别,能够为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。

以东北东部山区温带森林的7个主要组成树种——红松、兴安落叶松、春榆、水曲柳、胡桃楸、黄菠萝和蒙古栎为研究对象,比较分析各树种心材和边材的生长特征。结果表明:树种显著地(P<0.001)影响边材年轮数和边材宽度,红松、水曲柳、兴安落叶松、胡桃楸、春榆和黄菠萝的平均边材年轮数分别为9.6、9.5、7.9、6.8、5.0和3.9年,其平均边材宽度分别为1.96、1.27、2.55、1.06、0.72和0.46cm。被测针叶树边材宽度明显大于阔叶树。心材年轮数与形成层年龄、心材半径和边材宽度与树干去皮半径均存在着极显著的正相关关系(P<0.0001),而边材年轮数随形成层年龄的变化规律因树种而异。心材...

正确识别木材对木材科学和木材产业具有重要意义。提出一种提取木材显微图像特征并进行识别的新方法。首先进行傅里叶变换得到木材显微图像的傅里叶变换功率谱图,然后进行独立成分分解得到功率谱图的独立基,所提取的特征就是木材显微图像的功率谱图在独立基上的投影系数,最后利用支持向量机对待识别图像在独立基上的投影系数进行分类,实现木材识别。在200幅木材显微图像库上进行小样本实验,取得了较高的识别率。实验结果表明,该方法具有较大应用潜力。

【目的】多层透明木材是真空下层压的透明木材。在保持良好透过率的情况下,这种方法将会极大降低透明木材的各向异性。【方法】本研究选取了3种密度不同但较为常见的树种——0.21 g/cm~3的巴尔沙木、0.33 g/cm~3的泡桐木和0.49 g/cm~3的白椴木为模板制作透明木材,测试其透过率和拉伸性能。并采用层合多层薄木片的方法,制作了最大厚度达10 mm的透明木材。层合时采用同向层合和交错层合两种不同的层合方式,对比了相同厚度的单层木片与多层木片的透过率,以及横纹和顺纹方向的力学性能。【结果】树种不同,制备透明木材的工艺也不同。巴尔沙木密度最小,内部含有较多的孔隙,较易脱木质素和浸渍树脂。泡桐木中抽提成份较多,达8.9%,因此首先需要去除抽提物,打开闭塞的纹孔,提高渗透性。白椴木密度较大,脱木质素较困难,但拉伸性能最好。除了树种的影响外,厚度对透明木材的透过率影响也很大,木片越厚木质素越难去除,因此透过率也就越低。而采用层合的方法有效降低了去除木质素的难度。对比两种层合方式,同向层合制作的透明木材透过率与单层透明木片相似,而异向层合时透过率低于单层透明木片。但异向层合对消除透明木材横纹与顺纹方向的力学性能差异有明显的效果。【结论】本研究拓宽了制备透明木材树种的选择范围,并使制备高厚度低成本的透明木材成为可能。

针对显微镜观测视野狭小而难以采集到全局图像的问题,提出了一种基于加速鲁棒特征(SURF)的木材显微图像自动配准方法。首先使用SURF检测并描述兴趣点,通过最近邻匹配得到匹配点对后,用双向匹配和RANSAC算法剔除错误匹配。然后利用最小二乘法和匹配结果进行模型参数估计,最后通过插值获得配准图像。对阔叶材显微图像配准实验结果表明,该方法具有较好的鲁棒性,无论图像是否有旋转,都可以实现自动的配准。比起尺度不变特征转换(SIFT),由于用SURF得到的兴趣点数量更少,运算速度更快,总的匹配速度提升了5倍左右,缩短了整个配准过程的时间,算法更具有实时性。