高光谱图像分析技术发展的越来越成熟，为各个领域的识别技术提高了一定的帮助，在经济的不断发展与住房的逐渐改革下，木材的应用越来越多，各个行业对木材的需求逐渐加大。木材作为建筑与装修的主要材料，如何提高识别木材的能力，逐步成为社会的热点问题。现阶段，我国木材原材料的使用情况较为严峻，对木材的浪费较为严重，木材识别能力低是造成木材原料浪费的原因之一。传统的木材识别方式以自动检测木材分类为主，根据木材的特征提取，对木材原料的好坏进行检测分类。然而，传统的木材识别方法对自动检测设备的要求较高，识别的依据主要是木材纹理的差异性，依赖于颜色与亮度的视觉特征，识别结果具有一定的限制性。

高光谱图像纹理增强方法目前应用范围越来越广泛，解决了部分领域识别技术存在的困难。高光谱图像纹理增强方法不仅能够提供光谱信息，还能全方位地提供空间纹理信息，多维度地获取到木材的特征信息。在成像信息方面，高光谱图像包括木材的光谱信息，通过多维度获取方式，也包括木材的纹理信息，是图谱合一的方法。通过电磁波，将被测物的特征，以高频率图像的方式呈现，得到被测物不同波段的信息。高光谱图像对于图片的像素点要求较高，所有像素点均要对应光谱反射率信息，保持连续性。通常情况下，高光谱图像纹理增强方法通过成像光谱仪的作用，获取到像元之间连续的图像信息，以红绿蓝波段为主要光谱，根据高光谱数据的合成作用，使获取到的数据能够清晰地表示出被测物的各个特征分布。高光谱图像在光谱分辨率方面存在很大优势，对木材的特征，具有非常强的识别能力，通过光谱图像，反映出不同木材光谱之间的差异。基于此，本文提出了对高光谱图像纹理增强方法提高木材识别能力的研究，通过此种方法，实现对木材识别的目标，减少对木材原料的浪费。

1高光谱图像纹理增强提高木材识别能力方法设计

本文设计的高光谱图像纹理增强提高木材识别能力的方法，具体的设计流程如图 1 所示。

图 1 提高木材识别能力方法流程

根据图 1 可以看出，本文设计的方法通过图像采集与预处理、建立图像纹理增强识别模型、纹理特征提取、选择图像自适应波段、近红外高光谱图像最终达到识别木材的目标。

1.1 木材图像采集与预处理

在木材图像采集前，首先要保证图像采集的环境条件良好，采用分辨率较高的数码相机，按照图像采集要求的方向，采集木材的横向切面信息，控制镜头与木材样品之间的距离在 10cm~20cm 之间。分别拍摄三种不同品种的木材，保证每个品种的木材图像照片数量为 120 张。将拍摄好的样品图片进行剪裁处理，将像素大小剪裁为 400*400，不进行图像的锐化处理。图像拍摄通常从全景景观开始，然后从高分辨率的本地照片开始，主要是拍摄地形和山区应用程序的木材，为后续增强提高木材识别能力进行支持。在高光谱图像纹理增强方法中，纹理分类的特征提取阶段是重要的组成部分。

在纹理的特征提取操作中，采用相应的特征提取仪器，通过信息统计方法操作，提取到的木材纹理灰度信息，能够全方位地体现木材纹理信息的变化。木材纹理的主要特征，包括木材切面色调的亮暗、木材切面纹理的粗细等，基于灰度矩阵，多方位提取木材纹理特征的参数数据。灰度矩阵是通过算法计算木材的特定值与空间特定关系的像素，通过计算出的像素对图像频率进行描述，进一步得出图像的纹理。传统的灰度矩阵对木材冗余特征的判定存在一定的缺陷，在矩阵中元素方向出现次数相同时，显示同一图像在不同角度的灰度下，对应的特征向量也不同。

本文为了克服传统灰度矩阵存在的缺陷，对灰度矩阵提取进行了改进。改进的灰度矩阵提取木材特征，具有旋转性能，能够直接通过图像的灰度，进行相应的图像预处理。灰度矩阵经过 90°旋转后，得到的图像是对称的。所以，本文改进后的灰度矩阵，在空间方面具有对称性，特征根与空间维度的变化保持一致。当图像灰度级数值较小时，木材的光谱特征值变化较小；当灰度级数值较大时，对木材纹理特征的识别更加有帮助。本文的三种木材灰度矩阵，分别采用了 48 个灰度级，对应的矩阵特征值变化，如图 2 所示。

图 2 三种木材 64 个灰度级矩阵多重特征值

根据图 2 可以看出，本文改进的木材识别灰度矩阵，分别从木材的高光谱图像中，提取了 48 个切面纹理特征，所有曲线均显示了木材的特征变化。其中，刺槐树与板栗树的特征值差异较小，在纹理特征分类过程中，对这两种木材的识别率会产生一定的影响。

1.2 建立高光谱图像纹理增强识别模型

在建立高光谱图像纹理增强识别模型时，采用 Unscram-bler 9.5 软件，利用最小二乘法进行数据分析，设置若干个光谱样本，随机抽取样本作为校正集与预测集。根据系数、校正的误差与分析误差作为识别模型的评价指标，将高光谱数据与变量进行线性分析。建立样本的分类变量，判定高光谱样本属于哪类纹理结构。结合 SCBSO 算法，对高光谱图像纹理增强的信息进行处理。本文构建的高光谱图像纹理增强识别模型，通过纹理信息聚类方法，具体模型表示如下所示。

公式（1）中，hi为高光谱信息频率；xn为纹理信息聚类结果；n 为样本信息总数；gj为纹理信息数据集合。根据构建的模型获取到木材的高光谱识别图像，基于图像融合的方法全方位地进行分解。将木材的光谱识别图像加入到模糊框架中，提取图像的二维灰度纹理特征。在对原图像简单的预处理后，缩减提取特征的时间，将原高光谱识别图像进行压缩处理，由 1280*960压缩为 400*400。按照相应的标准要求，转化图片格式为灰度图片，使用隶属度函数，将图像中的像素点隶属度对应模糊处理。高光谱图像纹理增强识别模型将木材的纹理特征及光谱特征相融合，基于决策级的融合方式，将两类特征传输到学习机中进行分类决策。将得到的决策结果求解其决策权重，根据权重实现两种特征的融合。

1.3 选择图像自适应波段

基于上述的高光谱图像纹理增强识别模型建立完毕后，选取高光谱图像中变化幅度较小的自适应波段。通过因子组合原理进行波段选择，本文综合考虑了高光谱图像之间各项信息数据的相关性大小，综合构造出波段信息。对于波段信息量变化较大，但是相关性较小时，选择的信息量应大于设置的阈值，在波段位置前段，进行降维度处理。本文选取波段遵循ABS方法，保证图像波段的信息量大，确保各个波段具有较小的相关性。设置图像波段内的平均像素值具有一定的独立性，根据两个波段的相关系数，判定波段是否存在包含现象。在图像波段的降维度处理上，要充分考虑高光谱图像纹理信息的富集程度，相邻波段之间的相关性大小是否符合标准要求。

波段的信息量变化越大，对于后续木材识别越具有代表性意义。在自适应波段中存在图像的 K-L 散度，是识别木材的重要应用信号，各个 K-L 散度之间相似度较高，是图像离散信号的概率函数。用元素表示信息量的大小，K-L 散度值越高，表明元素的识别难度越大，两种木材的特征相似度越低，K-L 散度代表两种木材元素之间的非对称距离，也能在一定程度上代表两个信号间信息量的差值。高光谱图像的波段都存在一定差异，通过 K-L 散度判断不同光谱波段之间的相似性。将图像中所有的光谱波段，均匀地列为向量，统一进行归一化处理，得出波段向量的若干个分量。获取到的波段向量 K-L 散度值越大，高光谱图像之间的信息量差异性越强，相似度越低，更加有利于木材的识别操作。重复上述波段获取的操作，最终得到含有信息量最大的高光谱图像波段。

1.4 近红外高光谱图像识别木材

高光谱图像的自适应波段选择完毕后，通过近红外的方式，根据高光谱图像区域内的吸收峰变化，识别木材。对木材的识别来说，近红外光谱区产生的官能团较多，一级倍频位于1350nm~1985nm 之间，倍频的近红外光谱位于 1690nm~2350nm之间，木材对近红外区域对官能团的吸收作用，主要表现在木质素与化学纤维素方面，木材中的化学成分较为复杂，根据对应的高光谱吸收峰变化能够进行木材种类的判定。本文获取的木材近红外高光谱吸收图，如图 3 所示。

图 3 木材原始近红外高光谱吸收图

根据图 3 可以看出，木材的各个吸收峰特点较突出，在位于 1250nm、1560nm、1967nm 以及 2234nm 附近，木材产生了吸收作用，木质素的倍频伸缩作用位于 1250nm 与 1560nm 之间，纤维素的弯曲振动发生在 2234nm 位置附近。根据近红外高光谱吸收图，能够获取到在近红外区域下，木材的化学基团变化。由于木材抽提物对高光谱区域具有吸收作用，通过近红外区域下，对木材的高光谱吸收图进行定量分析，预测木材中的木质素及纤维素含量，根据其化学特性识别木材。木材的化学特征与纹理特征相结合，能够有效地提高木材的识别能力与精确度。

2实验分析

2.1 实验准备

为了验证本文提出的高光谱图像纹理增强方法提高木材识别能力的有效性，进行了如下实验。本实验选取十种不同的木材样本，例如杨木、樟子松、漆木、红木、橡木以及榆木等。在采集木材的高光谱信息时，对异常的样本及测试集进行划分，保证本实验样本的质量，提高实验结果的准确率。对实验中的十种木材，进行高光谱图像区域提取，由于实验中的高光谱仪器分辨率较大，获取的图像中包含许多重复的信息，对重复信息进行 ROI 处理，筛选后继续操作。在 ROI 提取的数据信息中，包括最大值与最小值的光谱信息、平均光谱信息。最大值光谱信息能够表示实验的 ROI 区域，在实验中具有一定的局限性。平均光谱信息代表数据样本高光谱信息，因此，本实验选择平均光谱信息，作为实验的高光谱信息参数。采用工具栏进行高光谱显微提取，获取完整的数据样本光谱信息。在局部区域形状的选择，可以采用椭圆、正方形以及不规则多边形，最终经过反复实验操作，选择的区域窗口为正方形。将样本的中心区域加工为 10mm*10mm*20mm的木块，每个木块设置 5 个ROI，尺寸为 150*150，计算出 ROI的光谱反射率。在采集的十种木材高光谱图像曲线图中，观察波段范围的交点走向，在多个点重合在一起时，计算木材识别的反射率。

2.2对比分析

将本文提出的高光谱图像纹理增强提高木材识别能力的方法设置为实验组，传统的BP神经网络提高木材识别能力的方法设置为对照组，对比两种方法识别木材的速度，实验测试结果，如表 1 所示。

表 1 两种木材识别方法的测试结果对比

根据表 1 可知，本文提出的高光谱图像纹理增强提高木材识别能力的方法，识别木材的反射率较高，对于不同种类的木材识别的速率较传统方法快，能够在较短的时间内完成木材的识别工作，且识别的结果灰度级较高，保证了识别结果的精确性要求。因此，证明本文提出的提高木材识别能力的方法更具有优势。

3结  语

本文提出的高光谱图像纹理增强提高木材识别能力的方法，作为一种新的图谱技术，有效地提高了对木材特征的识别能力，减少了木材原料由于识别不当产生的浪费，在木材识别方面具有良好的发展前景。实验证明，本文提出的识别方法提高了木材识别结果的正确率，对不同特征的木材识别，具有较强的适应性。然而，本文提出的方法在应用中处于起步阶段，在未来的研究中，需要加强对高光谱图像纹理增强方法的深入研究与完善，对木材的解剖方法进行完善，提高木材识别结果的精确度。