技术领域
[0001] 本
发明涉及树木年轮研究领域，具体涉及一种包括光皮桦在内的心材与边材高色差树种的年轮自动识别方法。
背景技术
[0002] 树木是
生态系统的重要组成部分，通过对其年轮的研究，科研人员能够推测当地的降
水量和
气候条件，甚至可能推测森林大火、早期霜冻以及周围环境中吸取的化学成分。因此，年轮识别的研究不仅能够检测树木年龄，还能帮助我们了解自然生态环境，从而预测未来的
气候变化。树木年轮研究是公认的研究树木生长和气候变化的重要手段，包括大气痕量金属沉降的监测、
水体和
土壤重金属沉积的监测和有机污染物的推断等，但年轮检测也是农林研究中最繁琐细心的工作。传统的年轮检测方法是人工观察法，研究人员肉眼观察，或者采用放大镜或
显微镜进行观察、测量，该方法劳动强度大，主观性强，且测量结果在一定程度上依赖于测量者的经验和操作水平，该方法既不方便，也不精确，因此目前出现了基于
计算机视觉技术的年轮检测方法，基于
机器视觉的年轮识别方法不仅解放了大量人
力和时间，而且减少了因为人的疲劳造成的错误。
[0003] 光皮桦在生活家居、航空军工、制药治病和化妆制造方面都是很好的原材料，所以它具有较高的经济价值和广泛的用途，但是光皮桦的树桩圆盘的边材和心材的
颜色有较大的色差。以往的年轮图像研究都是针对年轮较为清晰的针叶树种，很少有研究针对阔叶树年轮的检测；而且由于光皮桦的树桩圆盘的边材和心材的颜色有较大的色差，因此简单的二值化，无法获得理想的分割图像，导致对于光皮桦年轮的识别困难、识别精确度差。
发明内容
[0004] 本发明要解决的技术问题是提供一种可解决边材和心材高色差树种的识别、精确度高、适应性好的用于心材与边材高色差树种的年轮自动识别万法。
[0005] 为了解决上述技术问题，本发明采用的技术方案为：一种用于心材与边材高色差树种的年轮自动识别方法，其实施步骤如下：
[0006] 1)采集被测树种年轮图像，除去图像背景；
[0007] 2)图像灰度化，绘制灰度直方图，从灰度直方图中获取边材和心材的分界灰度值；
[0008] 3)根据所述分界灰度值在灰度图像中确
定心材和边材的边界；
[0009] 4)对灰度图像中的心材区域和边材区域分别采用不同
阈值进行二值化处理；
[0010] 5)从灰度图像中心或者心材区域中心向
外延伸出一条取样直线，获取所述取样直线上的灰度直方图，然后获取所述灰度直方图中的波峰数，所述波峰数即为被测树种年轮的年轮数。
[0011] 所述步骤5)之前包括采用高斯滤波的步骤。
[0012] 所述步骤3)中确定心材和边材的边界时，首先在灰度图像的中心建立一个窗口，然后将窗口向四周扩展，当窗口中的灰度值等于分界灰度值时，则位于窗口外侧的区域为边材区域、位于窗口内侧的区域为心材区域。
[0013] 所述步骤1)中采集被测树种年轮图像时，将被测树种的拍摄背景采用纯色背景，所述除去图像背景时，首先将图像从
RGB颜色空间转换为HIS颜色空间，然后将HIS颜色空间的图像中的纯色背景分割后得到除去背景的图像。
[0014] 所述步骤4)中二值化采用最大类间方差
算法。
[0015] 所述步骤2)中获取边材和心材的分界灰度值时采用的是分水岭法从灰度直方图中获得。
[0016] 本发明具有下述优点：
[0017] 1、本发明通过区分心材和边材、针对心材区域和边材区域分别采用不同阈值进行二值化处理，因此可解决边材和心材高色差树种的识别问题，提高了年轮检测的准确性，具有识别精确度高、适应性好的优点。
[0018] 2、本发明采用机器视觉的方法，不需要耗费大量人力和时间观察和计数年轮，同时减少了人为检测造成的主观错误和误差。
附图说明
[0019] 图1为本发明
实施例的实施流程示意图。
[0020] 图2为本发明实施例步骤1)采集得到的图像示意图。
[0021] 图3为本发明实施例步骤2)处理得到的图像示意图。
[0022] 图4为本发明实施例步骤3)处理得到的图像示意图。
[0023] 图5为本发明实施例步骤4)处理得到的图像示意图。
[0024] 图6为本发明实施例步骤5)处理得到的图像示意图。
具体实施方式
[0025] 如图1所示，本发明实施例的用于心材与边材高色差树种的年轮自动识别方法，其实施步骤如下：
[0026] 1)采集被测树种年轮图像，除去图像背景；
[0027] 2)图像灰度化，绘制灰度直方图，从灰度直方图中获取边材和心材的分界灰度值；
[0028] 3)根据分界灰度值在灰度图像中确定心材和边材的边界；
[0029] 4)对灰度图像中的心材区域和边材区域分别采用不同阈值进行二值化处理；
[0030] 5)从灰度图像的中心向外延伸出一条取样直线，获取取样直线上的灰度直方图，然后获取灰度直方图中的波峰数，波峰数即为被测树种年轮的年轮数。
[0031] 步骤1)中采集被测树种年轮图像时，将被测树种的拍摄背景采用纯色背景，除去图像背景时，首先将图像从RGB颜色空间转换为HIS颜色空间，然后将HIS颜色空间的图像中的纯色背景分割后得到除去背景的图像，采集图像时，应保证树种年轮的中心对应图像的中心。如图2所示，被测树种为光皮桦，采集被测树种年轮图像时采用
数码相机拍摄，其大小为2560*1920
像素，拍摄背景采用纯蓝色背景。人眼所
感知的颜色由称为三基色的红(R，red)、绿(G，green)、蓝(B，blue)的3种颜色组合而成。RGB颜色空间常用于显示系统，但不适合于
图像分割和分析，本实施例中将图像从RGB颜色空间转换为HIS颜色空间，使得分割图像背景更加准备方便。RGB颜色空间和HSI颜色空间之间的转换关系如下式所示：
[0032]
[0033] H＝H+360(if H＜0)
[0034]
[0035] I＝(max+mm)/2
[0036] 式中：H(Hue)为
色度值，与光波的
波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等，它也可表示一定范围的颜色，如暖色、冷色等；S(Saturation)为
饱和度值，表示颜色的纯度，纯
光谱色是完全饱和的，加入白光会稀释饱和度。饱和度越大，颜色看起来就会越鲜艳，反之亦然；I(Intensity)为强度值，对应成像
亮度和图像灰度，是颜色的明亮程度。
[0037] 步骤2)还包括对图像进行裁剪的步骤，此外步骤2)获取边材和心材的分界灰度值时采用的是分水岭法从灰度直方图中获得。通过对图像进行裁剪，从而可以除去图像的多余背景，提高
图像处理效率，而且可以使得被测树种的中心位于图像的中心区域，便于步骤5)中获取取样直线。
[0038] 本实施例图像灰度化时，对图像中的像素采用的转换方法为：
[0039] gray(x，y)＝0.114*B(x，y)+0.587*G(x，y)+0.2989*R(x，y)
[0040] 式中：gray(x，y)为灰度化后图像，B(x，y)为蓝色分量，G(x，y)为绿色分量，R(x，y)为红色分量。
[0041] 本实施例中，步骤2)对步骤1)采集的图像处理后得到的图像如图3所示。
[0042] 步骤3)中确定心材和边材的边界时，首先在灰度图像的中心建立一个窗口，然后将窗口向四周扩展，当窗口中的灰度值等于分界灰度值时，则位于窗口外侧的区域为边材区域、位于窗口内侧的区域为心材区域。通过扩展窗口法，可以快速高效地实现对心材区域和边材区域边界的查找，从而快速将心材区域和边材区域进行分离以便采用不同阈值进行分别二值化处理。如图4所示，其中图像中心的深色区域为心材区域、浅色区域为边材区域、最外侧的深色区域即为图像背景区域。
[0043] 步骤4)中二值化采用最大类间方差算法(OSTU算法)。OSTU算法目标是计算出一连通区域的阈值，然后对该区域二值化。令该区域为S，其中像素灰度范围为[0，255]，点(x，y)的灰度值表示为I(x，y)，灰度级x的点的概率为P(x)：则OSTU就是求下式达到最大值的灰度级m。
[0044]
[0045] 本实施例中，步骤5)之前包括采用高斯滤波的步骤。高斯滤波是一类根据高斯函数的形状来选择权值的线性平滑滤波方法，它对去除服从正态分布的噪声很有效。本实施例中采用的为零均值离散高斯滤波函数滤波，函数表达式为：
[0046]
[0047] 其中，δ表示高斯函数的宽度。
[0048] 本实施例中高斯滤波效果图如图6所示。本实施例通过采用高斯滤波，可以使得图像更加平滑，避免了振铃现象，消除了图像中的早点，可以有效提高年轮识别的精确度。
[0049] 步骤5)中，从灰度图像中心或者心材区域中心向左延伸出一条取样直线，获取取样直线上的灰度直方图，然后获取灰度直方图中的波峰数，波峰数即为被测树种年轮的年轮数。此外，也可以从灰度图像的中心向其他方向延伸获得取样直线；或者取贯穿灰度图像中心或者心材区域中心的直线作为取样直线，然后获取取1/2波峰数作为被测树种年轮的年轮数，也应当属于本
专利保护的范围。
[0050] 本实施例中针对的是光皮桦，但是对于其它心材和边材颜色差异较大的树种的年轮检测，本实施例显然也可以实现其年轮自动识别。
[0051] 以上所述仅为本发明的优选实施方式，本发明的保护范围并不仅限于上述实施方式，凡是属于本发明原理的技术方案均属于本发明的保护范围。对于本领域的技术人员而言，在不脱离本发明的原理的前提下进行的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
