1研究方法
1.1特征提取
特征提取是图像分类与检测过程中最重要的步骤，对分类的效果有直接的影响。为了提高检测效果，本文从图像中提取直方图纹理特征和小波纹理特征分别进行分类验证，并比较两类特征分类的准确性。
1.1.1直方图纹理特征
根据图像直方图纹理特征进行纹理分析比较适用于木纹或遥感图像等纹理细而不规则的表面［10］。这些纹理特征主要包括平均值、方差、平滑度、偏态系数、能量和熵等统计量(它们的数学定义见参考文献［10］)。将这些特征值作为神经网络分类器的输入，经过样本训练，分类器对测试试样的表面质量进行分类。
1.1.2小波纹理特征
近年来，小波纹理分析在图像检索、过程控制、缺陷识别等领域得到了广泛的研究和应用［11－12］，是随机纹理图像分析的有力工具。二维小波分解分两步进行，首先取f(x，y)的行的一维快速小波变换(FWT)，然后取结果列的一维FWT。这样得到4幅原图像1/4大小的子图像Wφ，WHΨ，WVΨ，WDΨ。分别为近似系数和水平、垂直、对角线三个方向的细节系数图像。对近似系数图像继续进行上述分解过程，直到达到所需的分解深度。如果小波分解的深度为n，则小波系数矩阵中就包括3n+1个部分。由于db4小波具有正则性、紧支性等优点，在图像处理工程中得到广泛应用。本文应用db4小波尺度函数和基函数对木材表面图像进行小波分解，分解深度为3。每幅被检测的图像经小波变换后形成一个有10个子块的系数矩阵。木材加工表面缺陷的3阶小波变换如图3所示。将小波系数矩阵的每个子块内系数的方差作为图像的小波纹理特征。这样每个图像转化为10维的向量，将此10维的向量作为分类器的输入向量，经训练后的分类器计算，输出该图像的分类结果。
1.2BP神经网络分类
图像识别的最后一步是将特征值与其对应的类别联系起来，这一过程称为分类器设计。BP神经网络由于网络结构简单，算法成熟，获得了广泛应用［5，13］。本文的直方图纹理特征和小波纹理特征分类都采用3层BP神经网络分类器。每个BP神经网络由输入层、输出层和一个隐层构成。直方图纹理特征分类器的输入层、隐层和输出层的结点个数分别为6，12和2。小波纹理特征分类器的输入层、隐层和输出层的结点个数分别为10、20和2。各神经元的传递函数分别为tansig函数和purelin函数，反传函数为trainlm。输出目标值［0，1］和［1，0］分别表示合格和不合格两种评价结果。
2实验验证
应用上述纹理特征分类系统，对160幅3种树种、3类表面缺陷及无表面缺陷的图像进行分类识别，部分分类结果见表2。如果输出值接近［1，0］则为不合格表面，如果输出值接近［0，1］则为合格表面。如果输出值接近［1，1］或［0，0］，则两个输出中最接近1的输出置1，另一输出置0。上述两种特征分类方法对不同树种和缺陷进行了分类识别试验，识别正确率见表3。其中直方图特征分类器的总计识别正确率仅为75%，而小波特征分类器的识别正确率达到91.3%，比前者有显著提高。小波特征分类器的错误率主要来源于将无缺陷试样判别为有缺陷试样，这在生产过程中是可以容忍的，能够通过人工辅助监督得到解决。Ｒaisedgrain的识别正确率为92.5%，这种缺陷的边缘略高于木材表面，且常常隐藏于松木的木材纹理中，不容易在垂直于检测平面的方向发现。提高对这种缺陷的识别率，还需要进行深入的研究。对Fuzzygrain和Chipmarks两种缺陷的识别正确率都达到了95%，识别效果较好。
3结论
选用樟子松、白桦、水曲柳3种常用的商品材，在加工工艺参数不同的条件下，能够加工出有Ｒaisedgrain、Fuzzygrain和Chipmarks缺陷的试样。以3阶二维小波变换的10个系数矩阵的方差值作为小波纹理特征，建立BP神经网络分类器，其分类识别正确率达到91.3%。而同类型的直方图纹理特征分类器，其分类识别的正确率仅为75%。测试结果表明，小波纹理特征分类器可以用于木材机械加工表面质量评价。由于木材种类繁多，物理性质差异很大，对其它主要树种还应建立相应的特征样本库。此外，模式识别分类器的种类很多，其它类型分类器用于木材表面质量评价的效果还有待进一步研究。
作者：杨铁滨 侯玉婷 刘一星 薛伟 单位：东北林业大学
