为了过滤木材高光谱图像中大量的冗余信息, 提升应用图像纹理进行分类的准确率, 本文采用基于多重分形理论的木材高光谱图像分类算法。首先利用不同的特征选择算法选取最具代表性的10个波段; 随后根据不同的函数密度图像对所选取波段的图像求解其多重分形曲线, 将选择出的多个波段所对应的多重分形曲线取平均, 得到表示样本纹理特征的多重分形曲线; 最后使用支持向量机和BP神经网络分类器对多重分形曲线进行分类。实验表明, 相对熵(K-L散度)要好于自适应波段选择(ABS)提取的波段, 多重分形算法提取的高光谱图像纹理特征要好于灰度共生矩阵, 支持向量机算法的分类准确率和速度要优于BP神经网络, 融合K-L散度、多重分形和支持向量机算法能够有效地提高木材高光谱图像的识别准确率, 最高识别准确率达到了97.91%。

采用体视显微高光谱成像方法, 构建木材树种分类识别模型。 利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外(372.53～1 038.57 nm)波段内的木材高光谱图像。 首先, 采用ENVI软件提取木材样本感兴趣区域(ROI)的平均光谱, 分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对光谱数据进行降维。 再利用支持向量机(SVM)分别建立木材样本采集波段和特征波长下的分类模型。 然后, 在空间维采用第一主成分图像, 计算基于灰度共生矩阵(GLCM)的木材纹理特征。 在0°, 45°, 90°和135°四个方向计算能量、 熵、 惯性矩、 相关性等16个特征参数后输入SVM进行木材树种分类处理。 最后, 采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。 20个树种的分类实验结果表明, CARS的特征波长选择效果和运行速度较好一些, 采用普通SVM进行木材光谱维特征分类处理时, 测试集分类准确率达到了92.166 7%。 采用基于GLCM的木材空间维纹理特征时, 采用普通SVM的测试集分类准确率是60.333 0%, 具有较低的分类精度。 在将光谱维和空间维纹理特征进行数据融合及分类处理时, 采用复合核函数SVM分类具有更好的效果。 采用第二个复合核函数的SVM分类精度最高, 测试集分类正确率是94.166 7%, 运行时间为0.254 7 s。 另外, 采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%, 运行时间分别为0.180 0和0.260 2 s。 可以看出, 采用这3种复合核函数的SVM进行木材树种分类, 分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。 因此, 利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度, 为木材树种快速分类提供了参考。