应用数字图像处理技术测量木材显微构造特征参数[C]

合集下载

基于物体轮廓检测和特征提取的木材图像计数模型

基于物体轮廓检测和特征提取的木材图像计数模型

基于物体轮廓检测和特征提取的木材图像计数模型随着木材加工行业的发展,木材图像计数成为了一个重要的问题。

木材图像计数是指利用计算机视觉技术对木材图像进行处理和分析,从而实现对木材数量的自动计数。

对于木材生产和加工企业来说,木材图像计数技术可以帮助他们提高生产效率,减少人力成本,提高品质管控。

本文基于物体轮廓检测和特征提取的方法,探讨了一种木材图像计数模型,并对该模型进行了验证和分析。

木材图像计数的关键问题之一是如何对木材的轮廓进行检测。

轮廓检测是指在图像中找到对象的外边缘形状,通常是通过边缘检测算法实现的。

在木材图像中,由于木材的颜色和形状多样,加之环境光照和阴影等因素的影响,木材的轮廓往往比较复杂,因此对木材轮廓的准确检测是一个具有挑战性的问题。

为了解决这个问题,我们采用了基于边缘检测的Canny算法对木材图像进行处理,得到了木材的轮廓信息。

Canny算法是一种经典的边缘检测算法,它通过一系列的图像处理步骤来寻找局部极大值点的边缘,从而在图像中找到物体的轮廓。

在本文中,我们首先对木材图像进行了灰度化处理,然后利用Canny算法对灰度图像进行边缘检测,得到了木材的轮廓信息。

通过这一步骤,我们成功地实现了对木材轮廓的检测,为后续的特征提取打下了基础。

在得到了木材的轮廓信息之后,下一步就是进行特征提取。

特征提取是指利用计算机视觉技术从图像中提取出能够描述物体属性的特征信息。

在木材图像计数中,特征提取的目的是从木材的轮廓信息中提取出能够用于计数的特征,比如木材的长度、宽度、面积等信息。

为了实现这一目标,我们采用了基于形状特征的方法对木材轮廓进行特征提取。

在本文中,我们首先将木材的轮廓信息转换成二值图像,然后利用形态学处理算法对木材的轮廓进行了进一步的处理,去除了不相关的信息,得到了清晰的木材轮廓。

然后,我们利用轮廓的面积、周长、长宽比等形状特征对木材轮廓进行了描述,并将这些特征信息作为输入,构建了木材图像计数模型。

木材表面纹理计算机视觉识别技术的研究

木材表面纹理计算机视觉识别技术的研究

顺风论文网木材表面纹理计算机视觉识别技术的研究1 绪论1.1本课题的目的和意义木材表面纹理是木材表面的天然属性,直接关系到木制品的感观效果和经济效益,并且可以作为区分不同树种和材性的重要依据。

它具有精细复杂的结构,很难用明确的数学解析式表达。

由于木材表面纹理与人的感观心理有很强的耦合关系,如果没有定量的指标作为参考而仅靠人工直观感性地评价木材的纹理特征,其结果将失去客观性和实用性。

长期以来,国内外木材科学工作者对木材表面纹理进行了许多定性的研究,取得了一些研究成果,但在定量的研究并不多。

京都大学的增田稔采取以简单的线形通过排列模式的变换来模拟木材的纹理特征,对木材的平行条纹、渦形条纹、放射状条纹等进行了研究,发现当完成了类似于一个的周期的深浅变化以后,以平均值横线分界的波形阴影总是能够全部或部分地重合,开创了木材纹理定量研究的先河。

东北林业大学的王克奇教授、马岩教授、刘一星教授也在该领域进行了研究,他们主要采用计算机图像处理技术定量探索木材表面纹理分布的规律,取得了一定的成果,但目前木材表面纹理还没有国家标准或行业标准。

如何表征木材表面纹理不但是一个木材学的前沿课题,也是计算机视觉领域的一个重要研究方向。

木材表面纹理具有天然的美感,符合人类生理感观的需要。

当人们观察木材表面纹理时会产生心理上的舒适感和愉悦感,无论是从科学研究的角度还是人们日常生活的需要,对木材表面纹理进行定量研究都具有十分重要的意义。

1.2纹理概述图像分析是当今计算机科学中最具有前景的领域之一,它是随着计算机技术发展起来的一个新兴的计算机应用领域。

随十分着对图像的深入研究,对图像中纹理的研究也逐渐发展起来了,纹理的研究有助于目标识别、特征提取等。

纹理是识别目标的重要方法,它是图像中一个重要而又难于描述的特性,至今还没有公认的定义。

纹理以像素邻域空间的分布为特征,因此首先无法用点来定义,一般指图像强度局部变化的重复模式。

纹理形成的机理是图像局部模式变化小,如果图像在局部区域内呈现不规则性,而在整体上表现出某种规律性,习惯上把这种局部不规则而宏观有规律的特性称为纹理。

基于机器视觉的木材质量检测技术研究

基于机器视觉的木材质量检测技术研究

基于机器视觉的木材质量检测技术研究一、引言木材作为重要的建筑和家具材料,对其质量的检测是保证产品质量、保障人员安全的重要环节。

传统的木材检测方法主要基于人工观察,操作繁琐,效率低下,且易造成误判。

随着人工智能技术的不断发展,基于机器视觉的木材质量检测技术成为一种新的解决方案,具有高效、准确、经济的优势。

二、机器视觉技术简介机器视觉是一种模拟人类视觉进行信息处理和识别的技术,其核心是图像处理和模式识别。

机器视觉系统通常由图像采集、图像处理、特征提取和模式识别等部分组成。

在图像采集方面,现阶段普遍采用智能相机、高分辨率CCD等高速图像采集技术,使得机器视觉系统的图像采集能力得到了大幅提升。

在图像处理方面,常用的处理方法包括像素值的统计、线性变换、非线性变换等,以及边缘提取、形状识别、目标分割等功能。

这些处理方法可以大大改善图像的质量和清晰度,为后续的特征提取和模式识别提供了基础。

在特征提取方面,机器视觉系统可根据图像信息,提取出可用于描述目标物体的特征,如颜色、大小、形状、纹理等。

根据实际需要选择不同的特征提取方法,以达到最佳的识别效果。

在模式识别方面,机器视觉系统主要采用人工智能技术,如神经网络、支持向量机、决策树等进行学习和分类,以实现对目标物体的识别和判别。

三、木材质量检测技术研究现状目前,国内外研究机构和企业对基于机器视觉的木材质量检测技术进行了广泛探索和实践,主要有以下几种方法:1、基于人工视觉的辅助检测在传统的木材检测中,人员需要对检测对象进行人工观察,进行手动分类和判别。

现在,这一方法得到了改进,即利用具有特定色彩的荧光剂,在木材表面涂抹荧光剂,再利用黑光对木材进行照射,对于色泽异常的木材能够清晰地进行区分,大大减轻了人员的工作量。

但是这一方法并没有解决人工误判的问题。

2、基于数字图像处理的检测方法利用数字图像处理技术,对木材进行纹理、形状、颜色等特征的提取和比对,从而对木材的质量进行判别。

实验六木材显微特征定量分析 - 实验六木材显微特征定量分析

实验六木材显微特征定量分析 - 实验六木材显微特征定量分析

去“大”留“小”
去“小”留“大”
五、实验方法
2. 图像的基本处理
3)图像的二值粗化与收缩
五、实验方法
2. 图像的基本处理
4)空洞填充
“空洞填充”前
“空洞填充”后
五、实验方法
3. 木材显微构造特征参数的测量
1)胞壁率
胞壁率
五、实验方法
3. 木材显微构造特征参数的测量
2)几何量 面积 周长 径向直径 弦向直径 细胞壁厚度 壁腔比
一、实验目的
一、实验目的
传统的测量方法 数字图像处理的方法
一、实验目的
1. 掌握TDY-5.2彩色图像计算机分析软件 的操作方法
2. 利用该软件定量测量木材横切面显微构 造特征
二、实验原理
计算机视觉技术 图像动态采集系统 数字化图像处理 构造特征参数统计
三、实验仪器和试样
1. 实验仪器: 显微构造图像采集系统 主要配置: 显微镜、 摄像传感器、 计算机、图像采集软件 等。
管孔个数
导管面积
导管比量 图像面积
五、实验方法
3. 木材显微构造特征参数的测量
5)组织比量 ➢ 阔叶树材木射线比量
100%减去该值即 为木射线比量
五、实验方法
3. 木材显微构造特征参数的测量
5)组织比量 ➢ 针叶树材树脂道比量 “魔棒”点选方式
“shift+魔棒”→“选 区”→“选区扩展” →“颗粒”→“同色 彩”下“颗粒计算”
显示圆度、椭 圆度、矩形度 和轮廓复杂度 等参数区域
显示径向与弦向 直径、细胞壁厚 度和壁腔比等参
数区域ห้องสมุดไป่ตู้
杉木
杨木
六、实验报告
2. 讨论、思考题 木材显微构造特征参数测量时,应注

基于计算机视觉技术的木材智能检测系统研究

基于计算机视觉技术的木材智能检测系统研究

基于计算机视觉技术的木材智能检测系统研究随着科技的不断发展,越来越多的领域开始运用计算机视觉技术,其中之一就是木材行业。

传统的木材检测方法主要依赖人工眼判定,不仅效率低下,而且存在较大误差。

因此,基于计算机视觉的智能检测系统开发势在必行。

一、计算机视觉技术在木材检测中的应用计算机视觉技术是利用数字图像处理技术将图像转化为数字信号,通过一定的算法进行处理分析的一种技术。

在木材检测领域,主要采用的是基于视觉图像处理算法的方法,可以对木材的大小、品种、质量等进行自动识别和判断。

例如,通过对木材图像进行图像分割和特征提取,可以得到木材的直径、长度、圆度等特征,进而进行尺寸检测;通过对木材表面形态、颜色和纹理等特征的分析,可以对木材质量进行评估和分类等等。

这些特征提取和图像处理的过程,都需要依靠一系列成熟的算法和模型,例如边缘检测、滤波、模板匹配、神经网络等等。

二、基于计算机视觉的木材智能检测系统的构成基于计算机视觉的木材智能检测系统主要由硬件和软件两部分构成。

其中,硬件部分主要包括图像采集设备、传输设备和处理设备。

图像采集设备可以采用高清晰度相机或者3D激光扫描仪等,用来采集木材表面的图像信息;传输设备主要指传输图像信息的方式,包括有线连接和无线连接两种,根据具体应用场景可进行选择;处理设备则是指用于图像处理和分析的计算机或者嵌入式系统,可以利用现代高性能处理器实现对实时图像信息的快速处理。

软件部分则是系统的核心部分,主要包括图像处理算法和人工智能算法。

图像处理算法用于对木材表面图像进行分割、特征提取和质量评估等处理和分析;人工智能算法则可以利用神经网络、机器学习和深度学习等技术,在大量数据的支持下,对木材进行准确的分类和预测,同时还可以应用于缺陷检测和分析等方面。

三、基于计算机视觉的木材智能检测系统的应用基于计算机视觉的木材智能检测系统不仅可以用于木材加工行业中的各个环节,包括原木购进、锯材加工、木材干燥、生产和销售等,还可以广泛应用于室内家具、户外木构、景观种植等领域。

应用数字图像处理技术实现木材纹理特征检测

应用数字图像处理技术实现木材纹理特征检测

应用数字图像处理技术实现木材纹理特征检测于海鹏;刘一星;刘镇波【期刊名称】《计算机应用研究》【年(卷),期】2007(024)004【摘要】基于图像图形学方法,实现了对木材纹理灰度特性的分析,并利用计算机自动检测出木材纹理形状、角度、纹理周期长度、线宽度和间距等特征量值.试验结果证实,BWMORPH为最适于木材类中弱纹理的形状轮廓检测,并生成新的纹理骨骼线图像;对纹理骨骼线图像进行Radon变换后,可得到0~180°纹理线条在相应角度上投影变换域的积分值,从而绘制出纹理角度的二维曲线图,纹理曲线图所反映的木材纹理方向性规律与人们平常对木材纹理的印象相吻合;通过将纹理图像二值化后再横向扫描的方式,能够得到纹理的峰-谷周期图,从中能够准确计算出纹理的周期长度,对应于木材的生长轮宽度,并可进一步求出纹理的线宽度和纹理的间距,分别对应木材的早、晚材宽度.【总页数】4页(P173-175,181)【作者】于海鹏;刘一星;刘镇波【作者单位】东北林业大学,生物质材料科学与技术教育部重点实验室,黑龙江,哈尔滨,150040;东北林业大学,生物质材料科学与技术教育部重点实验室,黑龙江,哈尔滨,150040;东北林业大学,生物质材料科学与技术教育部重点实验室,黑龙江,哈尔滨,150040【正文语种】中文【中图分类】TP391.76【相关文献】1.人脸活体特征检测实验平台设计与实现 [J], 王辉;于立君;毛晓琦;王雪莹;刘朝达2.高层次综合特征检测算法的FPGA实现 [J], 谢晓燕;张玉婷;刘镇弢3.机器视觉系统中基于相位的特征检测及DSP实现 [J], 王赟;贾焕丽4.多网络环境下的差异化入侵特征检测平台的设计与实现 [J], 周小松;刘帅5.人体特征检测算法的设计与实现 [J], 翟社平;李威;李炀因版权原因,仅展示原文概要,查看原文内容请购买。

基于图像处理的林木自动检测技术研究

基于图像处理的林木自动检测技术研究林木是自然生态系统中重要的组成部分,而林木检测技术对于保护和管理林木资源有着重要的作用。

传统人工检测林木的方式效率较低,误差较大,且需要大量的人力资源。

因此,研究基于图像处理的林木自动检测技术成为近年来林业行业的研究热点。

一、前言随着计算机视觉技术的发展,基于图像处理的林木自动检测技术也得到了迅速发展。

不同于传统人工检测,基于图像处理的检测的优势在于可以加快检测速度,减少检测误差,同时也能够更加精准地获取林木的相关信息,有助于林木资源的管理和保护。

二、林木自动检测技术的基本原理现代图像处理技术的发展,使得林木自动检测技术成为可能。

其基本原理在于,利用计算机视觉技术,通过对林木图像进行处理,从中提取出林木的相关信息,例如树干直径、高度、树冠大小等等。

具体的步骤包括图像采集,预处理,选择合适的检测算法对图像进行分析和处理,输出结果等。

不同于传统人工检测方式,这种检测技术省去了大量人力劳动和时间成本。

三、林木自动检测技术的发展现状目前,林木自动检测技术已经有了许多的研究成果。

例如,在基于激光雷达的林木检测方面,已有许多机构和研究人员开展了相关的研究工作。

而在基于图像处理的检测方面,也已经有了一些比较成熟的技术,例如利用遥感图像实现林木的灰度分割、形态学图像处理等。

此外,还有一些新兴技术,例如基于深度学习的图像处理技术等,也正在逐渐被应用到林木自动检测技术的研究当中。

四、林木自动检测技术的应用前景林木自动检测技术具有广阔的应用前景。

例如,将该技术应用到林业管理当中,可以实现林木的智能化检测和数据化管理。

同时,基于图像处理的检测技术也可以应用到林木脆弱性的研究当中,有助于更好地了解林木的抗风、抗病、抗寒等特性。

此外,还可以将该技术用于森林火灾监测和预防等领域。

五、总结基于图像处理的林木自动检测技术是计算机视觉技术发展的重要应用领域之一。

随着技术的不断进步,该技术的研究和应用将会得到进一步深化。

基于人工智能的木材品质检测及分析

基于人工智能的木材品质检测及分析随着社会的发展,木材作为一种重要的资源,不仅广泛应用于建筑、家具、工艺品等领域,而且也被广泛运用于包装、运输、托盘等领域。

为了保证产品的质量,对于木材的检测及分析也变得日益重要。

目前,传统的木材品质检测方法依靠人工目视检测、切割、刻度等步骤,这既费时费力,而且还具有一定的主观性。

然而,随着人工智能技术的迅猛发展,基于人工智能的木材品质检测及分析也异军突起,得到了广泛的应用。

本文将探讨基于人工智能的木材品质检测及分析的技术和应用。

一、基于人工智能的木材品质检测技术1.计算机视觉技术计算机视觉技术是基于数字图像的自动分析和理解,也是人工智能技术的一种重要分支。

在木材品质检测中,利用计算机视觉技术可以快速、高效地进行木材图像的处理和分析,提取木材图像中的颜色、纹理、形状等特征,通过特定的算法进行分析比较,从而实现对木材的品质检测。

2.深度学习技术深度学习技术是人工智能技术的一个分支,其主要特点是利用多层的神经网络进行自动化的分析和处理。

在木材品质检测中,利用深度学习技术可以通过大量的数据训练出高度准确的检测模型,在检测木材的大小、形状、颜色等方面可以得到更为准确的结果。

3.机器学习技术机器学习是一种以数据为基础的自动化分析技术,与深度学习技术相同,都可以利用大量的数据进行模型的训练和学习。

在木材品质检测中,通过机器学习技术可以从大量的木材数据中进行分析比较,对木材的特征进行学习和训练,从而得到较为准确的检测结果。

二、基于人工智能的木材品质检测应用1.自动化检测生产线在传统的木材生产流程中,往往很大程度上是依赖于人工进行检测和判定的。

这不仅效率极低,而且还容易出错。

基于人工智能的木材品质检测技术可以实现自动化的检测生产线,极大地提高生产效率,同时还可以提高木材品质的稳定性和可靠性。

2.安全监测基于人工智能的木材品质检测技术除了可以用于生产线上的检测以外,还可以应用于安全监测上。

基于物体轮廓检测和特征提取的木材图像计数模型

基于物体轮廓检测和特征提取的木材图像计数模型随着现代工业的发展,木材的需求量逐渐增加,木材的生产和消费已经成为一个关注的话题。

而木材的生产过程中,对木材数量进行准确计数是至关重要的。

传统的人工计数方法费时费力且易出错,因此需要借助计算机视觉技术来实现自动化计数。

基于物体轮廓检测和特征提取的木材图像计数模型是一种应用计算机视觉技术来实现木材计数的方法。

本文将会介绍这个模型的工作原理、实现步骤以及应用前景。

一、工作原理基于物体轮廓检测和特征提取的木材图像计数模型的工作原理是利用图像处理技术和机器学习算法来识别和计数木材图像中的木材数量。

通过图像处理算法对木材图像进行预处理,将图像中的木材轮廓进行检测和提取。

接着,通过特征提取算法来提取木材轮廓的特征,如面积、周长、形状等。

通过机器学习算法来训练模型,使其能够根据提取的特征来准确计数木材数量。

二、实现步骤1. 图像预处理:首先需要对木材图像进行预处理,包括图像去噪、灰度化、二值化等操作,以便后续的轮廓检测和特征提取。

2. 轮廓检测:利用边缘检测算法,如Canny边缘检测算法,对预处理后的图像进行轮廓检测,得到木材的轮廓。

3. 特征提取:对得到的木材轮廓进行特征提取,包括面积、周长、形状等特征,以及其他与木材数量相关的特征。

4. 模型训练:利用机器学习算法,如支持向量机(SVM)、神经网络等,对提取的木材特征进行训练和优化,得到一个能够准确计数木材数量的模型。

5. 模型测试和评估:对训练好的模型进行测试和评估,验证其计数准确性和稳定性。

三、应用前景基于物体轮廓检测和特征提取的木材图像计数模型具有广阔的应用前景。

该模型可以被应用于木材生产过程中,实现木材的自动计数和管理,提高生产效率。

该模型还可以被应用于木材贸易和物流领域,实现对木材数量的快速准确计数,提高物流效率。

该模型还可以被应用于森林资源调查和监测中,实现对森林中木材数量的自动化监测,为森林资源的合理利用提供数据支持。

基于图像处理和计算机视觉技术的木质材料检测研究

基于图像处理和计算机视觉技术的木质材料检测研究随着生活水平的提高和科技的发展,木质材料的应用范围越来越广泛。

无论是建筑、造船、家具制造还是手工艺制作等领域,都有着广泛的应用。

而这些木质材料的质量检测也变得越来越重要。

传统的木材质检方法依靠人工目测或取样化验,不仅效率低下还容易出现漏检或误检现象。

因此,基于图像处理和计算机视觉技术的木质材料检测逐渐受到了人们的关注。

一、图像预处理图像处理的第一步通常是图像预处理。

图像预处理的目标是优化纹理等信息,方便后续的处理。

首先,需要将图像的噪声消除,包括光线噪声、边缘噪声等。

其次,应调整图像的色彩、亮度、对比度等参数来达到更好的视觉效果。

最后,还可以对图像进行裁剪、缩放等操作,以便专注于特定区域或提高图像分辨率。

二、边缘检测边缘检测是在图像中定位和描述物体界面的过程。

它主要是通过检测图像亮度变化的区域来实现。

边缘检测常用的方法有Sobel算子、Canny算子、Laplacian算子等。

其中,Canny算法在边缘检测中使用最广。

三、形态学处理形态学处理是一种比较基础的图像处理方法,通常用于图像分割和形态修正。

这种技术的基本思想是通过对图像的膨胀、腐蚀、开运算和闭运算等方法对图像进行逻辑表达,从而达到对图像进行二值化、去噪等场景的优化。

四、特征提取特征提取是为了从图像中提取信息而进行的过程。

它是计算机视觉中一个非常重要的步骤。

特征提取的目标是从图像中提取出有价值的、表达图像内容的特征,并将其转换为容易识别和分类的形式。

五、木材疵点检测通过上述图像处理、边缘检测、形态学处理和特征提取等技术,可以有效实现对木材疵点的检测。

第一步是对木材表面的图像进行处理,包括分类、去噪等操作。

之后,将处理后的图像进行二值化处理,确定木材表面的疵点位置。

最后,通过对这些疵点的提取和分类,得出疵点类型和位置,并进行报警或剔除。

六、研究意义目前,基于图像处理和计算机视觉技术的木质材料检测得到了越来越广泛的应用。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

应用数字图像处理技术测量木材显微构造特征参数任宁于海鹏刘一星(东北林业大学材料科学与工程学院哈尔滨150040)摘要:本文利用显微镜、摄像传感器和计算机联机组成的数字图像动态采集系统来获取数字化的木材显微构造图像,并利用基于数字图像处理技术的彩色图像分析软件,针对木材显微构造组织分子的特点,通过在软件平台上的二次开发,实现了木材组织比量、胞壁率、管孔分布密度、细胞壁厚、径/弦向直径、壁腔比及形态量等参数的数字化测量,在准确性、高效性和自动化程度上比照以往方法均有较大程度的提高。

关键词:木材显微构造特征参数数字化测量Measurement of Wood Microstructure Characteristic Parameter byDigital Image ProcessingREN Ning YU Hai-peng LIU Yi-xing(Material Science and Engineering College, Northeast Forestry University, Harbin 150040)Abstract:Dynamic digital image collection system made by microscope,video camera sensor and computer was used for the collection of wood microstructure image. In view of wood’s microstructure traits, image processing functions based on digital image processing technique were used to compute characteristic parameters. It realized the digital measure of wood tissue proportion, cell wall percentage, distributed density of vessel, cell wall thickness, cell diameter, ratio of cell wall to cavity, and cell figure quantum. The result showed that the digital measure method has more advantages of accuracy, efficiency, and automatic degree than methods ago.Keyword:wood , microstructure characteristic parameter , digital measure1 前言木材显微构造是木材识别、加工和利用的基础和重要科学依据。

传统的依靠光镜和电镜观察、拍片后再手工测量、配合显微投影仪的手工测量等木材显微构造研究方法已经不能满足日益发展的科学研究和生产的实际需要,因此对木材显微构造特征参数的数字化测量方法的探索已是十分必要。

20世纪80年代初,世界科技发达国家开始应用计算机图像处理技术测量和分析木材解剖分子。

Charles W.McMilln(1982)利用图像分析技术测量了木材胞壁率、纤维长度、细胞腔面积和径向细胞腔直径[1]。

R.P.Kibbewhite(1988)等研究和测量了纤维横切面的宽度、厚度、腔比率、壁比率等[2]。

Jordan BD(1988)用一种简单的图像处理方法测量纤维壁厚[3]。

ThetfordRD(1991)将图像处理方法应用到树木年代学研究中,测量密度和生长轮宽[4]。

岩切一树(1991)采用累计图像处理方法测量了细胞壁厚度,解决了细胞壁厚度数字图像处理计算中的难点问题[5]。

藤田稔等(1991)应用图像处理技术对木材构造进行了研究,开发了一种傅立叶变换的图像处理方法来定量测量细胞壁厚度[6]。

Fujita M(1991)利用OFT(光学傅立叶变换)及FFT共同组成的分析系统定量的分析了日本柳杉材的细胞排列和大小[7]。

柴修武(1992)、刘鹏(1995)及杨家驹(2001)等先后应用Q570图像分析仪对组织比量、胞壁率、管胞径弦向直径、胞腔直径、胞壁厚度、壁腔比和腔径比进行了测量[8]。

第一作者简介:任宁,1981年生,女,东北林业大学木材科学与技术专业硕士研究生。

主要从事木材物理学方面的研究。

电话:6;电子邮件:。

XiumingDiao 等(1995,1996,1999)用FFT 量化分析方法检测了10种针叶树材横断面细胞排列及形状的周期性,并根据傅立叶功率谱图灰度值的角度分布函数定量地比较了各树种间周期性排列的性质,测量了细胞的径弦向直径、径弦壁角度等,所得结果几乎与显微镜测量结果一致,并得出管胞横切面的模型[9-11]。

Fujita M(1996)用FFT 分析了32种日本阔叶树材横切面的导管分布[12]。

Donaldson L.A.(1998)应用图像分析技术测定木材细胞尺寸时比较了作为数字图像来源的常规透射光学显微镜和共聚焦激光扫描电镜所采集的图像的区别[13]。

王金满等(1995,1998)对木材解剖特征计算机视觉分析方法进行了研究,建立了木材解剖特征计算机分析系统(Woodpro 系统),提出了木材构造的图像处理表征参数,初步解决了木材构造分子的量化测量问题,并利用FFT 测量管胞大小和排列[14-15]。

目前的测量通用性差,兼容性不好,应用范围小,在同种测量手段中不能实现多种木材显微构造参数的自动化测量,对木材组织比量的数字化定量测量十分欠缺,缺乏对细胞形态的定量描述,测量自动化程度不高。

本文将通过对木材显微构造特征参数的数字化测量的研究,实现包括组织比量、胞壁率、管孔分布密度、细胞壁厚、径/弦向直径、壁腔比以及细胞形态参数在内的木材显微构造特征参数的数字化测量,以提高测量速度和精度,为实现测量自动化和高精度化提供可靠的科学依据。

2 试验材料、设备和方法2.1试验材料本试验选取东北20种树种(12种阔叶材,8种针叶材),制成切片。

2.2试验设备和方法将Nikon 80i 型生物显微镜、Penguin 600CL 型数字摄像传感器和计算机联机构成数字图像动态采集系统,用于木材显微构造数字图像的动态采集,如图1所示。

该系统具备以下性能:(1)传输、采集速度快,整个过程只需3~5s ;(2)所得图像的分辨率高,可达500万像素以上;(3)存储图像的通用性好,有TIF 、BMP 或JPG 等格式供选用。

利用TDY -5.2彩色图像分析软件将所采集的数字图像进行图像处理和特征参数测量。

该分析软件是基于32位操作平台(WIN98/2000/XP 等)模块化设计,支持多种图像输入设备和常用图像存储格式。

系统默认二值图像中的黑色部分代表目标,白色部分代表目标的背景,具有文字和图形编辑功能,提供活动图像调节、图像编辑、图像处理、多种参数测量、图像和数据管理、测量结果数据分析、逼真图像和数据的打印、输出等各项功能。

根据木材的细胞腔和细胞壁在切片制取时着色情况的不同,对获取的木材显微构造数字图像进行二值化处理,即选择合理的阈值(凡灰度值高于阈值的像素均置成白色,凡灰度值低于阈值的像素均置成黑色),得到二值图像。

此时白色和黑色分别是木材的细胞腔和细胞壁部分,完成对细胞的识别。

再根据像素灰度值、大小、数目和所在的位置等特征值,完成对待测目标的提取和特征参数的测量。

考虑木材显微构造分子的轮廓清晰度和所获图像的视野范围,本试验中显微镜的物镜采用10倍,图像精度为1392×1040像素。

图1 显微构造图像采集系统 Fig. 1 The collection system of microstructure image3 木材构造分子百分比量和分布密度的数字化测量方法木材构造分子百分比量是木材的重要特征,在此,主要对胞壁率和组织比量的数字化测量方法加以探索。

对木材构造分子分布密度的测量主要包括管孔分布密度和木射线分布密度。

3.1 胞壁率胞壁率是指除细胞腔以外所有木材构造组织实质物质的体积占木材总体积的百分比。

在木材横切面,除木射线以外的所有木材构造分子腔和壁的识别是一目了然的,只有木射线在横切面无法真实的反映出腔和壁的情况,又由于木射线腔在木材中所占的比量并不多,故可以忽略木射线的腔做近似处理,直接利用横切面图像中壁的面积与总面积的比值得出胞壁率。

测量方法:对图像进行“二值化处理”,处理后壁呈黑色,腔呈白色,利用“颗粒计算”,得到的“面积百分比”即为胞壁率,如图2所示。

由此得到的胞壁率值中含有木射线腔的比量,为得到更为准确的胞壁率,就要通过在弦切面上测量木射线的壁腔比,根据总的木射线比量得到木射线腔比量,从总的测量值中减去这个测量值,即可得到较为精确的胞壁率。

a. 二值化阈值选择b.白桦横切面的二值化图像c.白桦胞壁率的测量结果图2 白桦胞壁率测量过程Fig. 2 The measure process of Betula platypylla cell wall percentage3.2 组织比量组织比量系组成木材不同细胞组织所占木材比例,与木材性质和加工利用关系密切。

3.2.1 导管比量对图像进行“二值化”,通过“反向”,细胞腔呈黑色,细胞壁呈白色,完成细胞壁和细胞腔的分离;通过“颗粒筛选”,筛去面积较小的颗粒(木纤维),保留管孔;对管孔颗粒进行“粗化”,使颗粒增加导管壁厚;再执行“颗粒计算”,得到黑色颗粒总面积(导管总面积)占图像总面积的百分比,即导管比量,如图3所示。

a. 二值化处理(反向)b. 颗粒筛选c. 颗粒筛选结果d. 粗化处理和测量结果图3 白桦导管比量测量过程Fig. 3 The measure process of Betula platypylla vessel proportion3.2.2 木纤维比量由于木纤维大都以小颗粒呈无规则分散状态,故本试验主要使分散在导管和木射线中的孤立木纤维相互连接,形成一个整体。

具体方法为:“二值化”后进行“颗粒筛选”,滤去导管分子;对剩余的木纤维分子先进行“粗化”,使分散的木纤维腔得到充分连接,扩展出木纤维壁的厚度;再进行“收缩”,使侵占导管和木射线的面积退还回去;进行“空洞填充”,使残留的细胞间空隙完全被填充,完成对木纤维分子的整体提取,再利用“颗粒计算”功能,得到的“面积百分比”即为木纤维比量,如图4所示。

a. 筛选b. 木纤维的粗化和收缩处理c. 修补、填充d. 木纤维比量测量结果图4白桦木纤维比量测量过程Fig. 4 The measure process of Betula platypylla fibre proportion3.2.3 木射线比量对于轴向薄壁组织无或含量很少的树种,木射线的比量≈100%-导管比量-木纤维比量,以测量导管和木纤维比量为基础,利用简单计算便可得到木射线比量。

相关文档
最新文档