基于PCA特征融合與LDA分類的實木地板紋理判別方法

張怡卓 譚菲

摘要紋理一致性影響著實木地板檔次，針對目前實木地板紋理分類速度慢、精度低的問題，提出一種適合區分直紋、拋物紋、亂紋3類紋理的在線檢測方法。方法首先對紋理圖像進行縮小，運用視覺心理學的Tamura方法提取粗糙度、對比度、方向度、線性度、規整度、粗略度等6個紋理特征；同時在原圖像提取反映圖像全局信息的灰度均值、方差、熵等3個統計量；然后，運用主成分分析法（PCA）對3類紋理9個特征進行降維融合操作；最后，采用線性判別分析方法（LDA）構建3類紋理的辨識模型。采用200幅實木地板紋理圖像進行實驗，當主成分個數為7時，分類正確率穩定達到85%，較傳統Tamura方法的83%和全局基本統計量的70%有所提高；特征提取時間為0.554 8 s，比縮小前圖像的Tamura特征提取時間55.700 0 s明顯減低，而分類正確率沒有明顯變化。

關鍵詞實木地板；紋理分類；主成分分析；線性分類器；Tamura特征

中圖分類號S789文獻標識碼A文章編號0517-6611（2014）01-00141-03

基金項目林業公益項目（201304510）；黑龍江省留學歸國基金（LC2011C24）；黑龍江省教育廳科學技術研究項目（12523020）。

作者簡介張怡卓（1978-），男，湖北樂亭人，副教授，博士，從事模式識別與智能控制研究，Email：nefuzyz@163.com。

收稿日期20131210建筑、家具等行業對實木板材的宏觀美學與質量的要求越來越高，木材紋理是反映實木板材宏觀美學與質量的一個重要因素。實木地板作為實木板材的一種，紋理是實木地板的一個重要表面屬性，是實木地板分選的一個重要指標，所以對實木地板表面紋理分類研究具有重要意義。

木材紋理難以描述，但木材紋理分類得到了國內外專家學者的關注，20世紀80年代開始日本京都大學的增田捻博士對木材的平行、渦滑、放射狀條紋等進行了考察和研究，開創了木材紋理研究的先河[1-2]。白雪冰等[3]用灰度共生矩陣對木材紋理分類，證明了用灰度共生矩陣對木材表面紋理分類是可行的，王克奇等[4]應用人工神經網絡對采用馬爾可夫隨機場計算特征的木板表面紋理進行離線分離，具有較高的分類準確率。以上研究多是在離線條件下進行的，目前對在線條件下的木材表面紋理研究較少。設計適應在線條件下的算法時，可在縮小的實木地板紋理圖像上，使用Tamura方法提取直紋、拋物線紋、亂紋3類實木板材紋理特征[5]， 計算原512×512圖像基本統計量特征；運用主成分分析法（PCA）對3類紋理的2類特征進行融合；最后構建線性判別分析方法（LDA）分類器對融合后的特征選取與分類，以選取的7個特征量為輸入，以實木地板紋理類型為輸出進行在線分選研究。

1紋理描述方法

實木地板紋理作為一種特殊紋的紋理，具有紋理的普遍特性。紋理描述方法有四大類：模型法、結構法、頻譜法、統計法。模型法主要通過模型系數來標識紋理特征，模型系數求解難度大；結構法通過描述紋理基元來提取特征，由于木材紋理沒有明顯的紋理基元，所以結構法并不適用[6]；頻譜法多用于標準或規則紋理圖像，木材紋理圖像背景復雜且某一紋理區域內的像素并非處處相似，頻譜法并不適用；統計法雖然計算復雜度大、耗時，且與人類視覺模型脫節及缺少對全局信息的利用，難以對紋理不同尺度間像素的遺傳或依賴關系描述，但方法簡單，容易實現[7]。

Tamura等[8]人提出基于視覺心理學的紋理特征提取方法，即提取粗糙度、對比度、方向度、線性度、規整度、粗略度6個特征描述紋理，克服了基于統計的紋理特征與人類視覺模型脫節的缺點；不足之處是在一定程度上利用了紋理圖像全局信息，而且特征提取耗時。在圖像特征統計量中，描述紋理的3個基本統計量是灰度均值、方差、熵[9]。這3個特征雖然都是描述紋理全局信息的特征，但不能描述像素間關系。如果將2種方法融合后，可能會優劣互補，更好地描述紋理特征，提高分類準確率。

2 特征提取與特征融合

2.1Tamura紋理特征 Tamura等[8]人從視覺心理學的研究出發，提取6個紋理特征量，分別為粗糙度、對比度、方向度、線性度、規整度、粗略度。這些特征在紋理合成、圖像識別中具有很好的應用價值。

2.1.1粗糙度。紋理基元尺寸越大或基元重復次數越小會讓人感覺越粗糙。計算如下：

2.1.2對比度。對比度是通過對像素灰度值分布情況的統計得到的。由a4=μ4/σ4來定義，μ4是4次矩，σ2是方差。對比度計算如下式：

2.1.3方向度。方向度是圖像的重要特征。有些紋理圖像無明顯方向性，而有些紋理圖像具有較明顯的方向性。Tamura用方向度來衡量圖像有無明顯方向性。計算每個像素點處的梯度向量，該向量的模和方向的計算如公式（5）：

2.1.4線性度。線性度計算如下：

其中，PDd是n×n局部方向共生矩陣的距離點。

2.1.5規整度。圖像的紋理特征是不規律的，所以采用分區子圖像并計算每個子圖像的方差。在這里綜合分區子圖像的4個特性來衡量紋理的規整度。

2.1.6粗略度。Tamura等人根據人類對紋理的視覺感知的心理學的研究，對粗略度定義如下：

2.2圖像基本統計量 基本統計量被用于描述紋理圖像所含信息量多少，能有效地描述紋理全局特征，其常用的3個特征分別是圖像的熵、灰度平均值、灰度方差。

33類紋理LDA分類過程

LDA就是從高維實木地板紋理特征空間里提取出最具有判別能力的低維特征，充分利用訓練樣本的類別信息。使樣本的類間離散度最大和類內離散度最小，即類內離散度矩陣的中的數值要小，而類間離散度矩陣中的數值要大，這可由fisher判別準則判別。

3.2求投影矢量 應用fisher判別準則JF（w）=wTSbwwTSww求取JF（w）取極大值時的投影方向矢量w，此時滿足廣義特征方程Sbw=λSww。

3.3投影決策分類 將實木地板紋理特征在“3.2”所求投影方向投影矢量上投影便可將高維特征變成一維特征，再由訓練樣本訓練得到閾值，實現決策分類。對3類實木地板紋理分類時，首先對直紋和拋物線紋分類，用直紋與拋物紋分類所識別出的拋物紋樣本為訓練樣本與亂紋訓練樣本訓練來對亂紋分類。分類過程如圖1。

在雙排LED平行光下，使用Oscar F810C IRF攝像頭獲取實驗圖像，在32位PC機中matlabR2008a平臺下進行實驗，其中PC機處理器為酷睿2雙核，主頻2.2 GHz。3類實木地板紋理：直紋、拋物線紋、亂紋如圖2。實驗圖像均為512×512像素，90幅紋理圖像作為訓練樣本，其中30幅直紋圖像、30幅拋物線紋圖像、30幅亂紋圖像。以下實驗均使用200幅紋理圖像作為測試樣本，其中70幅直紋圖像、60幅拋物線紋圖像、70幅亂紋圖像。首先，對縮小成65×65像素的灰度圖像提取Tamura方法中的6個紋理特征；在原圖像上提取能表征圖像全局信息的灰度均值、方差、熵3個基本統計量；然后對2類特征用主成分分析法重組融合，采用LDA圖23類木材紋理（a.直紋；b.拋物線紋；c.亂紋）分類器分類識別。

4.1基于LDA主成分優選結果與分析對3類實木地板紋理特征融合采用主成分分析法，選擇主成分時，主成分所占的信息量直接影響分類結果能否達到在線分選要求，主成分個數沒有固定，可以用分類準確率來選擇主成分個數。

4.2 訓練樣本數優選結果與分類 為了找出7個主成分下適合LDA分類器分類的訓練樣本數，驗證訓練樣本是否合理，將訓練樣本數逐漸改變進行分類實驗，每次實驗的各類木材紋理訓練樣本數均相等。實驗結果如圖3、4所示。