蒋 彤(Banda Charity)，田 朔，黄 璇，余辉龙，李文珠*

(1.浙江农林大学化学与材料工程学院，浙江 杭州 311300；2.浙江省东阳市森林资源综合服务中心，浙江 东阳 322100；3.江西省家具产品质量监督检验中心，江西 赣州 341400)

珍贵木材往往凭借其纹理特征所展现出稀有的视觉特性以及优异的装饰性能，来作为衡量其是否具有使用和投资价值的重要依据[1]。木材花纹是指木材表面因生长轮、导管、木射线、轴向薄壁组织、颜色、节疤、纹理等因子影响，在不同切面上显示出的不同形状与花纹图案[2]。木材花纹是在树木生长过程中自然形成的，具有复杂性和随机性，同时也有一定的规律性和特征性，木材花纹与木材组织构造关系密切，不仅是重要的木材识别特征，也是呈现木材表面独特观赏效果的重要元素。在木材利用上，木材花纹主要指的是在木材纵切面上形成的图案，呈现出特征性的平行线细状、曲折波浪状和连续椭圆状等花纹，同时在局部有交叉和重叠等。木材花纹具有自然丰富的纹理图案，目前还没有统一的标准来描述其特征。如何表征自然纹理并分类是计算机视觉研究领域的一个重要方向[3]。

近年来对木材花纹的研究不断深入，国内外学者提出了不同的特征提取及纹理分类算法。非负矩阵分解，灰度共生矩阵法，马尔可夫随机场，尺度不变特征变换法等在特征提取方面取得了一定的突破，而常用的分类算法有BP神经网络，SVM支持向量机，决策树，极限学习机等[4-7]。大多纹理分类模型基于以上算法的结合，且取得了一定的成果[7]。国内研究者应用计算机图形学，特别是对木材纹理的分析[8-10]，引入分形理论和分形方法描述实体木材花纹[11-14]，以木材这种自然纹理为研究对象，应用灰度共生矩阵提取了木材纹理的特征参数，并对其进行了特征选择，进而建立了纹理参数体系，最后进行了分类实验，运用自相关函数和直方图均衡化模型轨迹来仿真木材花纹轮廓曲线[15-16]。通过均匀旋转不变特性与小波变换算子相融合，提取纹理的特征值，结合自适应增强(ADABOOST)算法，从而训练得到每类纹理所对应的分类器模型参数，构造分类器，实现对木材纹理的准确高效分析[17]。

赞比亚是非洲中南部的内陆国，大部分地形为高原地区，全国森林覆盖率为45 %，其中赞比亚染料紫檀(血檀)、风车木和古夷苏木等是近年来最重要的出口木材树种。本文以分形维数量化表达木材表面特征纹理的粗糙度为导向，通过对三种木材图像进行预处理和各种图像分析处理，应用直方图均衡化、自相关函数、灰度共生矩阵等来实现对木材纹理特征的深度分析与比较，为木材花纹的识别和分类提供理论参考。

1 材料与方法

1.1 试验材料

产自赞比亚，出口中国的三种常见木材：

染料紫檀(PterocarpustinctoriusWelw)，豆科(Leguminosae)紫檀属，俗称血檀，分布于安哥拉、布隆迪、刚果民主共和国、马拉维、莫桑比克、坦桑尼亚联合共和国、赞比亚，列入《世界自然保护联盟濒危物种红色名录》(IUCN 2017年 ver 3.1)——无危(LC)；风车木(CombretumimberbeWawra)，使君子科风车藤属，俗称皮灰木，常绿大乔木，产非洲莫桑比克、赞比亚等地；古夷苏木(Guibourtia)，别称巴西花梨(简称巴花)，豆科(Fabaceae)苏木属(Csalpinia)，分布在中非西部刚果河盆地，刚果、加蓬、喀麦隆、赤道几内亚、中非。

试样取自浙江农林大学木材标本室，每种木材分别取4组长方形板状标本(15 cm×20 cm×1.5 cm)，表面经砂光处理，木材纹理图案清晰。

1.2 试验方法

1.2.1 木材花纹采集与分类

采用2 000万像素以上的数码相机在三种木材表面进行木材花纹图案采集，每种木材表面拍摄木材花纹照片8张，运用计算机视觉理论，对三种木材花纹图像进行特征纹理分析，综合图像分析算法的特点和适用性，建立起木材纹理定量化特征参数体系。

1.2.2 木材花纹图像预处理

图像分析可以看作是一个信息提取的过程，即从图像中提取想要的数据、信息、度量，再将其描述和表示出来。图像特征是指图像的原始特征或属性，分为视觉特征和统计特征。视觉特征主要是人视觉的直接感受(颜色，大小等)，统计特征是指需要通过变换或测量才能得到的人为的特征(频谱、直方图等)。本文主要分析图像颜色特征和纹理特征，并通过Matlab实现特征分析。

将每种木材表面拍摄的木材花纹照片，用photoshop软件把每张照片分割成6张分辨率为256×256的图像，总计144张图像(8×6×3=144)，运用Matlab进行图像分析。

1.2.3 绘制图像颜色直方图

颜色直方图描述的是图像中不同颜色在整幅图像中所占的比例，不关心色彩的位置，适用于描述那些难以自动分割和不需要考虑物体空间位置的图像[20]。设一幅图像的大小为M×N。颜色直方图H的定义为：p{i}=h{i}.其中h{i}是第i种颜色在整幅图像中的具体像素数。图像直方图归一化为：p{i}=h{i}/(M×N).

1.2.4 自相关函数计算

纹理常用它的粗糙性来描述。纹理粗糙性的大小与局部结构的空间重复周期有关，周期大的纹理粗，周期小的纹理细。这种感觉上的粗糙与否不足以作为定量的纹理测度，但至少可以用来说明纹理测度变化的倾向，即小数值的纹理测度表示细纹理，大数值测度表示粗纹理。通常采用自相关函数作为纹理测度。设图像为f(x，y)，自相关函数的定义如式1所示：

(1)

它是对(2w+1)×(2w+1)窗口的每一像素点(j，k)于偏离值varepsilon，eta的像素之间的相关值作计算。

1.2.5 灰度共生矩阵

纹理是各量级像素值在空间位置上反复出现而形成的，所以在图像空间中相隔某距离的两个像素之间存在一定的关系。灰度共生矩阵是一种通过研究图像灰度的空间分布相关特性来描述纹理的常用方法。表示了灰度为i的像素周围某个灰度值出现的概率。一副图像的灰度共生矩阵能反映出图像和灰度关于方向、相邻间隔的变化幅度的综合信息，它是分析图像的局部模式和它们排列规则的基础。设是二维图像，S为目标区域R中具体特定空间联系的像素对的集合，则满足一定空间关系的灰度共生矩阵P如式2所示：

(2)

上式等号右边的分子是具有某种空间关系、灰度值分别为 的像素对的个数，分母为像素对的总和个数(#代表数量)。这样得到的P是归一化的。取不同的距离和角度则可得到不同的灰度共生矩阵，实际求解时常选定距离不变，取不同角度，如0°、45°、90°和135°时的灰度共生矩阵。

对于纹理变换缓慢的图像，灰度共生矩阵对角线上的数值越大；图像纹理在局部变换较大，则偏离矩阵对角线的元素值较大。但是由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理特征的依据。Haralick曾提出了14种基于灰度共生矩阵计算出来的统计标量。这里采用信息熵、对比度、同质性(逆差距)、相关性、能量五个较常用的特征信息进行图像描述。令G表示灰度共生矩阵，则特征信息分别表示为：

(3)

(4)

(5)

(6)

(7)

其中信息熵、对比度、能量越大表示该超像素块的纹理越复杂，颜色跳跃越大；同质性和相关性数值越大，其对应的超像素块越纹理平滑，颜色均匀。

2 结果与分析

2.1 木材花纹图片采集

用数码相机在自然光条件下拍摄木材花纹照片见图1～3。

图1 染料紫檀(血檀)木材花纹采集照片

图2 风车木木材花纹采集照片

从图1～图3木材花纹照片可以看出，三种木材的花纹图案具有明显的特征性，木材的材色、光泽、纹理和花纹等均有所不同。染料紫檀木材红褐至紫褐色，具有深色条纹，结构细致，纹理直或略交错，弦面波痕可见。风车木材色呈黑紫色，具深浅相间细条纹，结构致密，纹理交错，木射线在径切面上呈白斑纹，在弦切面上呈白点，木材有光泽且有油质感。古夷苏木木材红褐色，紫色条纹丰富，木材有光泽，纹理直至略交错，结构细而均匀。

图3 古夷苏木木材花纹采集照片

2.2 图片预处理

对上述采集的木材花纹照片进行分割和灰度化处理，首先对每一张照片进行分割处理，每种木材8张照片分别得到分辨率256×256的图像48张，结果如图4～图6所示，并对图片进行灰度化处理，部分示意图如图7所示。

图4 染料紫檀木材花纹图片分割

图5 风车木木材花纹图片分割

图6 古夷苏木木材花纹图片分割

图7 图像灰度化处理示意图

2.3 绘制图像颜色直方图

木材花纹经预处理后，再绘制图像颜色直方图，结果如下。

对照以上三幅图像的颜色特征解释直方图，直方图的横坐标是0～255，表示像素值；纵坐标表示该像素值在整幅图像中的个数。古夷苏木的颜色比较鲜艳，色彩丰富且图像偏深色一些，故直方图较为均匀(纵坐标的到900)且数字偏小的像素更多一些；且图像偏白、偏亮，所以在100～150之间的像素值较多。

图8 木材花纹颜色直方图

图9 灰度图像直方图均衡化处理

图10 图像直方图

2.4 自相关函数计算

自相关函数图中，数字下降变化趋势越大对应图像的纹理就越复杂，自相关函数可以初步判断对比出图像的粗糙程度。在图像识别应用中，常根据标准纹理的自相关曲线与未知纹理的自相关曲线相比较来判断未知图像的纹理粗糙度。由仿真结果可以得出风车木表面粗糙程度相比较其他两种更大一些。

2.5 灰度共生矩阵

三种木材花纹图像灰度共生矩阵结果见表1～表3。

图11 自相关函数

表1 古夷苏木图灰度共生矩阵

表2 风车木图灰度共生矩阵

表3 染料紫檀(血檀)图灰度共生矩阵

从表1～表3数据可以反应图像的特征，即风车木图的纹理更多、更深、颜色范围更大，所以风车木图的灰度共生矩阵对角线之外的数据更多，更大。

通过灰度共生矩阵计算以下三种木材图像的特征信息，包括对比度、相关性、熵，见表4。

表4 三种木材图像特征信息表

对应着图像对数据进行简单分析。从图像视觉特征角度来看，相比于其他两种木材，古夷苏木图的结构更复杂，纹理更细致，血檀的结构规律性更强、线条更粗。对应在数据上，信息熵越大，表示图像纹理越不均匀，图像越复杂(信息熵：古夷苏木>风车木>血檀，所以古夷苏木更细腻)；能量越大，图像纹理的线条越粗糙(能量：血檀>古夷苏木>风车木，所以血檀线条更粗)；同质性和相关性越大图像越的区域越平稳，相关性越高(同质性、相关性：血檀>古夷苏木>风车木，所以血檀整体更均匀)；对比度越大图像视觉冲击越大，图像的沟壑更多、更深(对比度：风车木>古夷苏木>血檀，所以风车木的景象更深)。通过分析可见数据特征和图像的视觉特征相符，通常这些特征信息可以作为模式识别的特征输入量进行进一步的图像的分析和处理，常用在图像分类、图像识别等领域。

3 结论

(1)不同木材的花纹具有明显的特征性，木材的材色、光泽、纹理和花纹等均有所不同，这与组成木材的细胞种类、形状和排列相关。

(2)木材表面特征纹理其中信息熵、对比度、能量越大表示该超像素块的纹理越复杂，颜色跳跃越大；同质性和相关性数值越大，其对应的超像素块的纹理越平滑，颜色均匀；自相关函数图中，数字下降变化趋势越大对应图像的纹理就越复杂，自相关函数可以初步判断对比出图像的粗糙程度。

(3)通过对各种纹理算法及所提取的特征参数进行了综合比较和分析，可以发现对特征提取的各个参数来说，由于特征本身的固有特性、各纹理之间的差异及同一类纹理之间差异的存在，各个特征描述各类纹理的精度也是不一样的。

(4)木材纹理的定量化研究具有科学与实用双重价值，不但可解决木材科学研究中的难题，填补此类内容的空白，还有助于推动木材科学与多学科知识的相互联合，研究成果对指导木材的加工和应用具有重要意义。