采用颜色纹理及光谱特征的木材树种分类识别

窦 刚，陈广胜，赵 鹏

(东北林业大学信息与计算机工程学院，哈尔滨 150040)

采用颜色纹理及光谱特征的木材树种分类识别

窦 刚，陈广胜，赵 鹏

(东北林业大学信息与计算机工程学院，哈尔滨 150040)

针对木材分类特征的繁多，同科属木材种间差异小，单纯依靠一种特征分类易误识等特点，提出了一种基于模糊 BP综合神经网络的新型木材树种分类识别方法．该方法使用分类特征的模糊化处理，充分考虑木材的分类特征本身存在的不确定性；同时使用一种特征级数据融合方法，该综合神经网络包括颜色特征、主要和次要纹理特征和光谱特征 4个 BP子网络；并用散度进行光谱特征波段的特征选择，还运用遗传算法对网络结构进行优化处理，提高了该综合神经网络的收敛性和稳定性．实验时针对东北地区常见的 5种树种(白松、樟子松、落叶松、杨木和桦木)木材进行分类测试，实验结果表明，5种树种木材的混合识别率达到89%，具有较好的分类识别精度．

模式识别；树种识别；特征选择；数据融合；光谱分析

随着人们生活水平的不断提高，近年来，我国木材工业迅猛发展，随之也带来了对各种木材树种自动化识别的迫切需求．例如，在实木木材加工生产中，所需要的胶合剂含量与木材树种类别密切相关[1]．又如，在造纸工业中，木材树种类别影响着造纸中纤维素的含量，从而间接决定了造纸质量[2]．因此，木材树种自动识别的研究与开发成为木材工业和木材科学发展中的一个备受关注的问题．

实木木材是基本的木材工业产品，它是家具建材行业的主要生产原料，不同品种的木材其木材材性、物理性能及价格差别很大．传统的人工识别法劳动强度大、处理效率较低，容易受到人为主观因素的干扰[3]．现在的基于计算机分析处理的检测识别技术主要分为两大类，即微观的木材切片细胞分析处理法和宏观的木材表面特征分析处理法．

木材切片细胞分析处理法主要利用光学显微镜采集木材切片细胞图像，利用图像处理技术进行细胞种类识别[4-5]．提取的细胞特征包括木材细胞分布特征、几何量形态量特征及纹理特征等几类特征．其中，细胞分布特征参数主要有胞壁率、组织比量、管孔及木射线分布密度[6]；几何量形态量特征主要有壁腔比、胞壁厚度、径弦向直径、细胞面积、周长、各种轮廓度、重心等[6-7]；纹理特征研究较少，仅限于基于统计特性的纹理特征[8-9]．

虽然图像法提高了树种识别的准确性及效率，但是仍然具有一定的局限性．首先，该方法测量细胞几何量特征时存在一定的误差．例如，Donaldson等[10]曾指出，由于光学显微成像系统景深较小经常产生离焦现象，测量 20,µm厚切片时导致了测量的细胞壁厚度具有50%的增加误差并且细胞腔面积具有4%的减少误差．显然，这些几何量误差将对后续的树种识别产生负面影响．

木材表面特征分析处理法是提取木材表面的宏观模式特征进行种类的分类识别，它还可以细分成 2个类别：即图像分析处理法和光谱分析处理法．图像分析处理法国内外研究的比较多，提取的分类特征主要有颜色特征和纹理特征两种．在颜色特征中，经常使用颜色矩特征、直方图的能量、熵及其自身特征等；使用的分类器主要有距离函数分类器、神经网络分类器和模板匹配法等[11-12]．但是，木材的颜色不但具有不同树种间的颜色差异性(种间差异)，而且具有同一树种内部的颜色差异性(种内差异)．这种颜色的种间差异和种内差异混合并存的复杂情况，给木材颜色的精确分类识别带来了困难．

在纹理特征中，经常使用空间灰度共生矩阵及其统计量进行分类识别，还可以使用灰度行程长度矩阵、Fourier频谱分析法、小波多分辨率分析法和木材纹理分形特征法[13-14]．Filho等[15]为了解决木材分类特征的种间差异和种内差异共存的问题，将原始图像分割成25幅尺寸为130 98× 的小图像，然后对每幅小图像进行分类识别，最后对每幅小图像的分类结果进行决策级融合，使用了简单的投票法．但是，这种方法缺乏坚实的理论依据，只是一种经验型方法．

光谱分析处理法是比较新颖的方法，国外有一些研究，但是国内研究得比较少．例如，Piuri等[16]设计了一种基于荧光光谱分析的木材快速种类识别装置，使用了一种DPSS激光光源，其工作波长为473,nm，该光源发射的激光束以一定的角度倾斜照射到木材表面．使用的光谱辐射仪光谱分辨力要求在1,nm，它能够检测500～1,000,nm范围内的荧光强度．在分类器设计中，他们使用了主成分分析(PCA)和支持向量机(SVM)算法．Lavine等[17]使用Raman光谱仪和遗传算法进行了热带和温带的软木和硬木种类识别，采集了 98种树木的光谱数据进行处理．此外，Labati等[18]还设计了一种木材树种分类识别装置，也使用固态激光器发射荧光照射到待检测的木材表面，光线反射后通过 N个不同的窄带光学滤光片，这些滤光片具有不同的中心波长．然后 N个光电二极管接收自滤光片透过的光线并进行光电转换，将光能转换成N个不同的电流信号，最后将这些信号送入到神经网络进行分类识别．杨忠等[19-20]使用了近红外光谱分析技术研究了杉木和桉树的分类识别以及国内 8大类红木的分类处理，取得了较好的效果．另外，王志辉等[21-22]研究了森林活立木的高光谱树种分类识别，采集叶片表面的光谱反射率特征，使用了光谱微分法和光谱包络线法提取分类特征，也取得了较好的效果．

分析上述各种方法，它们本质上是一些定量分析及模式识别过程，使用的分类特征主要是某些绝对的数值量，使用的分类器也主要是确定性分类器．但是，木材树种识别是一种定性分析过程，颜色纹理等分类特征本身存在很大的模糊性和不确定性．例如，木材表面的颜色特征普遍存在着种间差异和种内差异混合并存的情况．对此，本文提出应用模糊理论将木材表面的分类特征模糊化处理，将模糊化的分类特征参数作为 BP神经网络分类器的输入．此外，为了降低神经网络结构和学习训练的复杂性，作者根据木材表面特征的种类将分类器划分成4个子网络，分别是颜色特征子网络、主要纹理特征子网络、次要纹理特征子网络和光谱特征子网络．然后将这 4个子网络融合成木材自动识别综合网络，还利用遗传算法对网络的结构进行优化，提出了一种新颖高效的基于BP神经网络的特征级数据融合方法．本文方法充分利用了木材表面颜色纹理和光谱特征的互补性信息，进一步提高了木材树种分类识别的精度．

1 木材表面分类特征提取

1.1 颜色特征

首先采集木材表面的彩色可见光图像，然后经大量测试和优化，发现下面4个典型的颜色特征组合分类效果较好，即 RGB(红绿蓝 3原色)空间的(2 R+ G + 3B)/6、(4 R + G + B)/6和HIS(颜色的色度、强度、饱和度)空间的 H、S分量构成的矩阵、将这 4个特征作为木材树种识别颜色子网络的输入量，分别用T1、T2、T3、T4表示．

1.2 纹理特征

先将原始图像的RGB空间转换到HIS空间，得到 S分量构成的矩阵，为减少计算量，将其灰度级重新分为 6档．为了避免木材样本的方向对于纹理特征量的影响，采用0°、45°、90°、135° 4个方向上相距为d个像素的 4个共生矩阵的和定义为木材表面纹理共生矩阵，本文中 1d=，使用的4个主要纹理特征统计量表示为

式中：gN为灰度级的档数；5T、6T、7T和8T为基本特征，在木材树种分类中起到主要作用.

另外4个次要纹理特征统计量可表示为

式中：u为像素平均灰度；9T、10T 、11T和12T 是在前几个特征基础上定义的次要特征，在树种分类中起到辅助作用．

1.3 光谱特征

利用ASD公司生产的FieldSpec ProFR便携式多光谱辐射分析仪测量木材表面的光谱反射率，测量波长范围是 350～2,500,nm，从中选择差异较大的波段用于树种识别．采集的光谱经过 ASD的专业软件转换成光谱数据文件，根据实验数据分析，将光谱反射率特征选择在红外和近红外波长范围内比较合适．这里选为 754～773,nm、857～876,nm、1,668～1,687,nm、1,750～1,769,nm 4个波段的反射率的和作为木材表面的光谱特征13T、14T 、15T和16T ．

2 模糊BP神经网络设计

木材树种自动识别 BP神经网络的输入特征包括颜色、纹理和光谱总共16个特征分量，这16个分量如果组合成一个特征向量并且直接作为神经网络的输入向量，则将导致网络结构过于庞大和网络训练过于复杂．因此，本文提出了一种新颖的包括颜色特征子网络、主要纹理特征及次要纹理特征子网络和光谱特征子网络的新型综合网络分类识别系统．该综合网络不仅实现了木材各种特征的特征级数据融合处理，而且降低了网络的复杂程度和网络学习训练时间，提高了BP网络的实用性和效率．

该模糊BP神经网络由5层组成，具体的网络结构如图 1所示．网络的第 1层为输入层，如果将Ti( i = 1,2,? ,16)直接用一个特征向量表示并且作为网络的输入向量，则会导致网络结构过分庞大复杂．此外，由于颜色纹理及光谱的各类特征分量的取值范围差别较大，将各类特征分量直接混合在一起必然引起网络权重的混乱，从而造成网络分类识别能力的下降，因此需要按照特征分量的类别将神经网络分解为4个特征子网络．

图1 模糊BP综合神经网络结构Fig.1 Structure chart of fuzzy BP integrated neural network

网络的第2层实现输入特征分量的模糊化，每个输入特征分量 Ti( i = 1,2,? ,16)模糊化为3个模糊子集，分别用L、M、Q表示．UL(Ti)、UM(Ti)、UQ(Ti)分别表示输入分量 Ti隶属于3个模糊子集的隶属度，其隶属函数取为梯形函数，函数形式分别为

式中：x为各个特征分量；a = 1/5(xmax−xmin);b =2a; c = 3a; d = 4a. 隶属函数曲线如图2所示．

图2 梯形隶属函数Fig.2 Trapezoidal membership function

网络的第 3层实现模糊集运算，其中R11,R21,? ,Rn1表示第1个子网络的模糊规则，R14,R24,? ,Rn4表示第4个子网络的模糊规则．理论上，每个子网络模糊规则应该遍历输入模糊集的每一种组合，这时每个子网络的模糊规则数目是34= 81．在实际设计中，为了降低网络的复杂程度和网络学习训练时间，使用遗传算法进行模糊规则的优化选取．经过优化选取，删除那些对分类没有作用或者作用力很小的规则．在遗传算法中，编码形式采用十进制编码方式；适应度函数定义为 1/MSR，MSR定义为网络的期望输出与实际输出的均方差．在上述编码基础上，采用轮盘赌选择机制和两点交叉随机突变的遗传操作，对网络结构进行寻优．最后按照模糊规则的适应度大小，每个子网络优先保留适应度较大的 25条模糊规则，这层的网络输出为各条模糊规则的适用度．

网络的第4层为4个子网络的归一化层，每个子网络共有5个节点，分别对应于每个子网络中判别分属于5种树种的隶属度(实验中对常见的5种树种做分类识别)．we1和 we4分别表示第 1个子网络和第 4个子网络的归一化系数．

网络的第5层为4个子网络的综合输出层，图1中的 wf1和 wf4分别表示第 1个子网络和第 4个子网络的网络权重，该层的输出表示综合4个子网络后分属于 5种树种的隶属度．这里取 wf=(0.2,0.4,0.2, 0.2)T，分别对应于颜色、主要纹理、次要纹理和光谱这4个子网络的网络权重．

在网络的训练过程中，网络输出 (0,0,0,0,1)T、(0,0,0,1,0)T、( 0,0,1,0,0)T、( 0,1,0,0,0)T、( 1,0,0,0,0)T分别对应于白松、樟子松、落叶松、杨木和桦木这 5种树种．实际的网络训练很难达到理想值 0和 1，因此训练中分别用0.02和0.98作为目标值．网络的第6层实现解模糊，即把模糊量转化为确切的输出值．

3 实验分析与讨论

3.1 实验系统与材料

根据机器视觉木材树种自动识别原理，建立了由摄像机、图像采集卡、多光谱辐射分析仪、计算机等构成的实验平台．本系统采用日本 Sony公司生产的DCR-PC5E数码摄像机，分辨率为 40×104像素，内置 i.LINK(IEEE1394)数码输入输出端子，120倍数码变焦．数码摄像机拍摄的图像，经过 1,394卡送入到计算机，再利用Ulead Videostudio 6.0软件完成图像采集工作．多光谱辐射分析仪用于测量木材的光谱反射率，采用美国ASD公司的FieldSpec ProFR便携式分光辐射光谱仪，该仪器工作波长范围 350～2,500,nm；采样频率 10次/s，光谱采样间隔 1.4,nm.本系统的计算机CPU主频为1.6,GHz，内存256,M，硬盘空间100,G，使用了Matlab 6.5编程环境完成木材树种分类识别系统．

数据采集包括木材样本图像采集和光谱反射信息的测量，在大庆市木材批发市场购买了5种常见树种白松、樟子松、落叶松、杨木和桦木．每种树种的木材加工成大约20 cm× 15 cm× 5 cm 的木材横切面木块，选取 5种树种共 1,000块木块作为实验样本，其中500块作为神经网络分类器训练样本，其余的作为测试样本．

3.2 BP综合神经网络性能对比实验

进行了模糊BP神经网络和普通BP神经网络的收敛性能对比实验．收敛性是网络系统的重要指标，它受学习速率和网络结构等因素的影响，其中学习速率影响最大．文中主要研究学习速率对于收敛性的影响．使用训练样本的 16个特征分量作为输入量，分别送到网络结构为4-3-25-5-5的4个模糊BP神经子网络和网络结构为4-3-25-5-5的4个BP神经子网络所组成的BP综合网络中，进行网络性能对比性实验．两个综合网络的学习速率都是lrater(N) =lrater (N −1)× 0.999,lrater(0) = 0.4．其中N是网络训练次数，对比结果如图3所示．

从图 3可以看出模糊 BP综合神经网络可以在较高的学习速率下进行学习，并且网络很快收敛，例如训练到第 500次时，均方根误差就收敛到0.003．但是普通 BP综合神经网络训练到 5,500次时，均方根误差才收敛为 0.375．可见本文提出的模糊BP综合神经网络的收敛性能优于普通BP综合神经网络．

图3 学习速率对网络收敛性的影响(初始值为0.4)Fig.3 Influence of learning rate on network convergence(initial value 0.4)

此外，本实验还将学习速率的初始值由0.4增加到 0.5，实验对比结果如图 4所示．可以看出，模糊BP综合神经网络在增加学习速率时，系统在训练4,000次后开始收敛，最后的均方根误差为 0.078．普通BP综合神经网络训练5,650次后稳定，在此之前网络振动幅度较大，最后的均方根误差 0.365．可见模糊 BP综合神经网络可以在较高的学习速率下稳定学习，它在系统收敛性方面也优于普通BP综合神经网络．因此，模糊BP综合神经网络的训练时间(指达到相同的均方根误差而停止训练，训练过程中所消耗的时间称作神经网络的训练时间)远远小于普通BP综合神经网络的训练时间．

图4 学习速率对网络收敛性的影响(初始值为0.5)Fig.4 Influence of learning rate on network convergence(initial value 0.5)

3.3 木材树种分类识别对比实验

使用的测试样本选用训练样本以外的样本，选取5种树种木块每种各 100块总共 500块进行分类识别实验．利用本文的模糊 BP综合神经网络进行识别，单一树种的识别率在 92%以上，5种树种混合识别率达到 89%．利用普通 BP综合神经网络进行识别，单一树种的识别率大约 85%，5种树种混合识别率达到83%．

关于5种树种木材表面的光谱反射率采集，为了减少实验时光照变化和光散射作用等外界干扰因素的影响，每个木块表面共多次采集6条光谱反射率曲线．图5给出了5种树种木块的5条光谱反射率曲线．根据实验数据分析，将光谱反射率特征选择在红外和近红外波长范围内比较合适．这里选择 754～773,nm、857～876,nm、1,668～1,687,nm、1,750～1,769,nm 4个波段的反射率的和作为木材表面的光谱特征13T 、14T 、15T 和16T ．

关于木材检测的光谱反射率的 4个特征波段区间的选取，使用了基于散度的特征选择方法，具体过程简述如下．实验收集到的木材光谱反射率曲线波段为 350～2,500,nm，每条曲线的原始实验数据为一个2,150维的向量(光谱采样间隔设定为1,nm)，所以要对实验数据进行特征选择和降维处理．由于训练时每类树种光谱反射率曲线为600条，可以近似正态分布，能求出该树种在每个采样点上的均值、方差，所以本文采用散度求出两两类别间的不一致性，并得出总的平均可分性信息．定义正态分布下的散度公式为

式中：k为采样波长；Gk为第i类和第j类的散度，共有5个类别的树种所以可得 C25个 Gk．

图5 不同树种木材表面的光谱反射率曲线Fig.5 Spectral reflectance curves of wood surfaces of different species

对已算出的 10个散度 Jikj加和得到在 k波长下c＝5个树种总体可分性，P ( wi) P( wj)为先验概率，此处取 0.2．得出 Jk的值按从大到小排序，在选择特征分量时，应选择前面较大的 Jk对应的特征分量．但上述Jk是 Ji

kj的简单线性相加，可能出现一对树种散度非常大，使总的散度值很大，从而掩盖了对那些散度较小的类对的判别．为了解决这一现象，引入变换散度进行解决．定义变换散度为

对于散度较小的类对，J i

kj,T比较敏感．可解决“大数淹没小数”的现象．对变换散度加和为

这样，最终得到了 J350,T,J351,T,J352,T,? ,J2500,T，按值从大到小排序，取前面若干个较大的 Jk,T对应的特征分量及相应的采样优选波长．最后，选择特征波段区间时应该选择包含尽可能多的采样优选波长所构成的波段区间．经过实验，最终选取 754～773,nm、857～876,nm、1,668～1,687,nm、1,750～1,769,nm作为特征波段区间．

本实验测试的 5种树种共计 500个样本，分别送入模糊 BP综合神经网络和普通 BP综合神经网络进行分类实验，学习速率初始值为0.4和0.5，不同树种木材表面的光谱反射率曲线如图5所示，两种神经网络分类性能的比较如表1所示．可以看出，网络的学习速率越高，正确识别率就越低．另外，模糊 BP综合神经网络的处理速度略低于普通 BP综合神经网络，但是在分类识别率方面前者明显优于后者．

表1 两种神经网络分类性能的比较Tab.1 Performance comparison between two kinds of neural network

4 结 语

综合上述的实验结果可以看出，模糊BP综合神经网络分类器除了分类处理速度略低于普通 BP综合神经网络以外，其他性能都优于普通BP综合神经网络分类器．这是因为模糊BP综合神经网络分类器充分考虑了木材树种分类特征的不确定性和种间差异和种内差异并存的特点，它综合了木材颜色、纹理和光谱分类特征BP神经子网络、分类特征分量的模糊化处理和模糊规则的遗传优化选取这 3方面的优点，从而使得其具有较高的分类识别率、较好的系统收敛性．因此，本文提出和设计的木材树种自动识别软件系统是可行的，分类识别准确性和快速性已经初步达到了实用化要求．

致 谢

哈尔滨工业大学电气学院的浦昭邦教授和北京航空航天大学光电学院的杨照华博士对本文的研究工作给予了指导和帮助，这里表示真诚的感谢．

［1］ Radovan S，George P，Panagiotis M，et al. An approach for automated inspection of wood boards[C]// Proc IEEE ICIP. Piscataway，USA，2001：798-801.

［2］ Furumoto H. Method and device for process control in cellulose and paper manufacture：USA，6398914[P]. 2002.

［3］ 王金满，刘一星，赵学增. 木材构造计算机视觉分析方法[J]. 东北林业大学学报，1993，21(2)：94-99. Wang Jinman，Liu Yixing，Zhao Xuezeng. Study on analysis method of wood structure by computer vision[J]. Journal of Northeast Forestry University，1993，21(2)：94-99(in Chinese).

［4］ 马 岩. 木材横断面细胞结构的数学模拟理论研究[J]. 生物数学学报，2002，17(1)：64-68. Ma Yan. Research on mathematical model of wood horizontal section hexagon standard cell[J]. Journal of Biomathematics，2002，17(1)：64-68(in Chinese).

［5］ 任洪娥，徐海涛. 细胞特征参数的计算机提取理论[J]. 林业科学，2007，43(9)：68-73. Ren Hong′e，Xu Haitao. The characteristic parameter extraction of cell in board assortment recognition technology[J]. Scientia Silvae Sinicae，2007，43(9)：68-73(in Chinese).

［6］ Zhao P. Dynamic timber cell recognition using 2D image measurement machine[J]. Review of Scientific Instruments，2011，82(8)：083703-1-083703-9.

［7］ 徐海涛. 基于细胞微观数字化特征的木材材种识别方法研究[D]. 哈尔滨：东北林业大学信息与计算机工程学院，2007. Xu Haitao. The Research on the Method of Wood Recognition Based on the Digital Characteristics of Cell MicroStructure[D]. Harbin：College of Information and Computer Engineering，Northeast Forestry University，2007(in Chinese).

［8］ 王海丰. Contourlet变换在纹理图像处理中的应用研究[D]. 哈尔滨：东北林业大学信息与计算机工程学院，2009. Wang Haifeng. Contourlet Transform in the Application of the Texture Image Processing Research[D]. Harbin：College of Information and Computer Engineering，Northeast Forestry University，2009(in Chinese).

［9］ 任洪娥，王海丰，赵 鹏. 新的木材显微细胞图像分类识别方法[J]. 计算机工程与应用，2009，28(6)：246-249. Ren Hong′e，Wang Haifeng，Zhao Peng. Cell image of wood classification and identification algorithm [J]. Computer Engineering and Applications，2009，28 (6)：246-249(in Chinese).

［10］ Donaldson L A，Lausberg M J F. Comparison of conventional transmitted light and confocal microscopy for measuring wood cell dimensions by image analysis [J]. IAWA Journal，1998，19(3)：321-336.

［11］ 戴天虹. 基于计算机视觉的木质板材颜色分类方法的研究[D]. 哈尔滨：东北林业大学机电工程学院，2008. Dai Tianhong. Research on Classification Method of the Wood Board Color Based on Computer Vision[D]. Harbin：College of Mechanical and Electrical Engineering，Northeast Forestry University，2008(in Chinese).

［12］ Brunner C C，Shaw G B，Butler D A，et al. Using color in machine vision systems for wood processing [J]. Wood Fiber Sci，1990，22(5)：413-428.

［13］ 于海鹏. 基于数字图像处理学的木材纹理定量化研究[D]. 哈尔滨：东北林业大学材料科学与工程学院，2005. Yu Haipeng. Quantization of Wood Texture by Digital Image Processing[D]. Harbin：College of Material Science and Engineering Northeast Forestry University，2005(in Chinese).

［14］ 白雪冰. 基于计算机视觉的木材表面纹理模式识别方法的研究[D]. 哈尔滨：东北林业大学机电工程学院，2006. Bai Xuebing. Research on the Pattern Recognition Methods of Wood Surface Texture Based on Computer Vision[D]. Harbin：College of Mechanical and Electrical Engineering，Northeast Forestry University，2006(in Chinese).

［15］ Filho P L，Oliveira L S，Britto A S Jr，et al. Forest species recognition using color-based features[C]// Proc of IEEE ICPR. Istanbul，Turkey，2010：4178-4181.

［16］ Piuri V，Scotti F. Design of an automatic wood types classification system by using fluorescence spectra [J]. IEEE Trans SMC-Part C，2010，40(3)：358-366.

［17］ Lavine B K，Davidson C E，Moores A J，et al. Raman spectroscopy and genetic algorithms for the classification of wood types [J]. Applied Spectroscopy，2001，55(8)：960-966.

［18］ Labati R D，Gamassi M，Piuri V，et al. A low-cost neural-based approach for wood types classification [C]// Proc of IEEE CIMSA. Hong Kong，China，2009： 9-13.

［19］ 杨 忠，吕 斌，黄安民，等. 近红外光谱技术快速识别针叶材和阔叶材的研究[J]. 光谱学与光谱分析，2012，32(7)：1785-1789. Yang Zhong，Lü Bin，Huang Anmin，et al. Rapid identification of softwood and hardwood by near infrared spectroscopy of cross-sectional surfaces[J]. Spectroscopy and Spectral Analysis，2012，32(7)：1785-1789(in Chinese).

［20］ 杨 忠，江泽慧，吕 斌. 红木的近红外光谱分析[J]. 光谱学与光谱分析，2012，32(9)：2405-2408. Yang Zhong，Jiang Zehui，Lü Bin. Investigation of near infrared spectroscopy of rosewood [J]. Spectroscopy and Spectral Analysis，2012，32(9)：2405-2408(in Chinese).

［21］ 王志辉，丁立霞. 基于叶片高光谱特性分析的树种识别[J]. 光谱学与光谱分析，2010，30(7)：1825-1829. Wang Zhihui，Ding Lixia. Tree species discrimination based on leaf-level hyperspectral characteristic analysis[J]. Spectroscopy and Spectral Analysis，2010，30(7)：1825-1829(in Chinese).

［22］ 丁立霞，王志辉，葛宏立. 基于包络线法的不同树种叶片的高光谱特征分析[J]. 浙江林学院学报，2010，27(6)：809-814. Ding Lixia，Wang Zhihui，Ge Hongli. Continuum removal based hyperspectral characteristic analysis of leaves of different tree species[J]. Journal of Zhejiang Forestry College，2010，27(6)：809-814(in Chinese).

（责任编辑：孙立华）

Wood Species Recognition Using Color Texture and Spectral Features

Dou Gang，Chen Guangsheng，Zhao Peng
(College of Information and Computer Engineering，Northeast Forestry University，Harbin 150040，China)

Wood species identification with only one feature lacks accuracy since the difference is small for many features of the same wood species. A novel wood recognition scheme was proposed based on fuzzy BP overall neural network，which had the following advantages. First，the classification features were blurred to deal with the uncertainty of wood features. Second，a feature-level data fusion scheme was used so that the neural network consisted of 4 BP sub-networks concerning color feature，texture feature and spectral feature. Finally，a feature selection procedure on the spectral feature interval was applied by use of divergence and the genetic algorithm was used to optimize the network structure so as to improve the network’s convergence and stability. Experiments on the 5 ordinary wood species in northeast region of China indicated that the overall recognition rate reached as high as 89% for 5 wood species，showing good recognition accuracy.

pattern recognition；wood species recognition；feature selection；data fusion；spectral analysis

O439

A

0493-2137(2015)02-0147-08

10.11784/tdxbz201407025

2014-07-08；

2014-12-01.

教育部新世纪优秀人才支持计划专项资助项目(NCET-12-0809)；教育部中央高校基本科研业务费专项基金资助项目(2572014EB05-01)；中国博士后科学基金特别资助项目(2012T50318)

窦 刚（1978— ），男，博士研究生，13911621133@qq.com.

陈广胜，kjc_chen@163.com.

时间：2014-12-19. 网络出版地址：http://www.cnki.net/kcms/detail/12.1127.N.20141219.1021.001.html.