1. 引言
木材表面颜色和纹理^[1]是木材表面重要的特征参数，能够反映木材表面特性和人的心理感觉，并且直接关系到木制品的质量、等级、价格和木材加工企业的经济效益。木板材表面的纹理分析，是木制品加工过程中的重要环节，实现板材的分类，充分合理利用木材资源，对提高木材的生产效率有重大影响，因而通过板材表面纹理对木材进行自动分类的技术变得越来越重要。在传统木材生产过程中，常用的检测方式有人工分类，主要依靠人的视觉来判别木材纹理，劳动强度大，效率低。
随着计算机技术的发展，图像处理和检测技术的发展，为木材纹理分析和木材分类提供了技术基础。通过板材表面纹理在种类、形状和颜色等方面的差异性，将从木材中提取的图片的灰度^[2,3]表面当作三维空间里存在的想对应的曲面图像，其基本的参数包括了像素的灰度信息和像素的位置，研究该三维空间里存在的任意一点以及该点邻域中相距某个长度的点其灰度的实际的变化基本情况，发掘像素针对方向、间隔、幅度的特点等空间联合分布所展现出来的统计规律和基本特征，这将对图像纹理研究与分析起到非常大的促进作用。其可以获得许多描述纹理的基本特征量。运用这些信息，就可以区分出不同纹理的木材，达到对木材识别的功能，从而提高劳动生产力和自动化程度，提高木材行业的经济效益。
2.木材纹理的概述
木材纹理只是纹理中的一个类型，每种木材的不一样，而同种木材虽然纹理不等同，但是经过统计，可以找出同一种木材所特有的纹理特征。即木材纹理就是木材图像中局部不规则、而宏观有规律的区域。木材纹理既反映木材图像的灰度统计信息，又反映图像的空间分布信息以及结构信息。
对于木材纹理有如下定义：木材纹理是通过木材的宏观区域来展现的，木材纹理基元的不断重复而呈现出有规律性。它由木材纹理基元构成，然后以某种的放置规则在空间进行排列。木材纹理基元是该序列的基本部分，它在木材纹理图像中几乎不发生改变，是反映纹理差异的显著特征^[4]。纹理是由基元的个数和类型以及它们在空间上的排列序列。纹理由三个基本属性来描述。
纹理可以分为自然纹理^[5]和人工纹理两类。称自然界中大量存在的、具有随机特性的纹理为自然纹理。而对某一特定的图像进行人为的有规则重复所产生的纹理^[6]图像称为人工纹理。木材纹理则属于自然纹理，所以它具有自然纹理的属性。木材纹理特征^[7~9]通常具有移不变性，对一幅图像中纹理的感知与该纹理在图像中所处的空间位置无关。在人工智能的角度上，木材纹理特征还应当具备尺度不变性和旋转不变性。
3. 对木材纹理进行分析的主要内容
首先，进行木材纹理分割，其的目的是把一副木材图像切割成不同的区域，使得在每个区域中具有单一的木材纹理，或者是具有很均匀的木材纹理性质，而相邻区域的纹理性质不同。对于纹理分割而言，重点在于同构某种途径能都有效的区分相邻的不同的纹理，正确的找到相邻的不同的木材纹理区域之间的边界。木材纹理分割可以分为两大类：基于边界的分割和基于区域的分割。基于边界的分割方法则基于对相邻纹理区域边界的差异的检测，而基于区域的 分割侧重与定义区域纹理的一致性。这两种方法并不是完全独立的，而是相辅相成各有优缺点，所以适当的时候需要结合两类的分割方法。
其次，进行纹理分类，其的目的是判别木材纹理属于何种类型。所以在此之前，需要预先知道和收集到各种木材的纹理信息。实际操作中，先提取木材纹理的数字特征，再利用已有的各种模式识别分类的方法进行判别。
再次，进行纹理合成，此过程是通过计算机完成的，运用实用建模的方法可以生产合成纹理。运用灰度行程长度统计法，并建立高斯马尔科夫随机场模型，获得一系列基于图像纹理的图像特征参数。除了高斯马尔科夫随机场模型外，还有Gibbs随机场、隐Markov模型。
最后，利用木材纹理生成图形，从木材纹理图像中得到三维的形状信息，设计出一种基于最小错误率的神经网络分类器。进而通过对木材纹理的分析综合，可实现对木材纹理图像进行分类和识别。
4. 木材纹理分析的相关方法和相关研究
首先是图像分割，它是图像处理最基本的方法之一，目前研究比较活跃的方法主要包括：阈值化方法、区域成长法、分类器法、聚类方法、马尔科夫随机场方法、人工神经网络方法、变形模型法等。
（1）阈值化方法
阈值化方法主要对灰度图像进行二值分割。阈值化的过程就是确定图像阈值的过程，在阈值确定后，分割就是将所有大于这个阈值的像素判为一类，小于这个阈值的图像像素判为一类的过程。它仅能分割两类物体，而且不能分割多通道图像。
（2）区域成长法
区域成长法主要是用于提取图像中连通区域的方法，怎么判断连通和非连通区域，则需要预定义判别准则。这个辨别准则可能是根据灰度信息，也可能是根据边界信息。
（3）分类器法
分类器法主要是利用模式识别技术，利用已知的类别标记来标记特征空间。特征空间的形成可能是纹理特征，也可能是灰度特征分布。分类器法由于需要训练数据，因此可以看作是一种有监督的方法。分类器法需要具有明确的量化特征，计算上相对高效，而且可以用于多通道图像。
（4）聚类法
聚类法的特点是不需要训练集，作为补偿，它必须在图像分割和类特征计算间迭代计算，以达到某个准则函数的最优。在基于聚类技术的方法中，图像分割转化为特征空间上的聚类，算法主要针对特征数据进行聚类运算，算法的扩展性比较好，而且针对整个特征空间聚类，更容易把握全局信息，受局部噪声的影响较小。
（5）马尔科夫随机场方法
马尔科夫随机场模型本身不是一个分割方法，而是一个统计模型。mrf模拟了空间上像素间的相互关系，这种局部间的相互关系为图像刻画提供了一个机制。mrf通常整合到聚类分割算法中来。
（6）人工神经网络方法
人工网络方法是一种并行处理技术，他使用了机器学习的相关技术，在图像分割中有许多身份，既可以看作是一个分类器，又可以看作一个聚类方法，还可以看作是一个变形模型。
（7）表形模型法
变形模型法利用了参数曲线或者曲面区域边界，首先需要在被刻画的边界附近设置一个封闭的曲线或曲面，然后在内力和外力作用下达到一个所需要的图像的边界。变形模型法需要一个动力学方程和能量函数。
目前关于木材分类的研究有：
（1）基于小波变换的木材表面纹理分类，它研究了基于多分辨率灰度共生矩阵参数的木材表面纹理的分类方法。以灰度共生矩阵特征参数的相关性为依据, 确定以”角二阶矩”、”对比度”、”相关”、”方差”、”均值和”这5个参数描述木材表面纹理。
（2）基于灰度共生矩阵的木材纹理分类方法的研究，首先确定纹理的灰度共生矩阵描述参数、灰度共生矩阵的生成像素间距和灰度级数，求取分析了200个木材样本的纹理参数并输入给竞争神经网络行分类验证。
（3）基于图像纹理的板材纹理模拟再现方法研究，对视频采集到的板材纹理图像进行灰度化、中值滤波去噪、二值化、腐蚀、膨胀等处理, 得到仅包含目标纹理的图像后检测纹理边缘。对板材纹理横断面通过数学描述结果进行模拟，切面通过在图像上选择合适的边缘点进行模拟，以实现板材纹理的模拟再现。
5. 本课题的研究内容以及预期结果
1、本研究的内容包括以下几个方面:
(1)选取白桦、红松、落叶松、水曲柳、柞木等几种典型树种作为研究对象，应用图像采集系统得到大小相同的图像作为研究对象，其中，数字化的木材样本图片的基本信息如下：图片的尺寸是512x512像素，图片的灰度等级数值为256，整个用于研究的标准图库中的样本集合。
(2)利用数字图像处理技术对木材表面纹理图像进行图像预处理^[12]，图像预处理的内容有:彩色图像灰度化，图像去噪直方图修正与均衡，灰度图梯度锐化。最终得到便于人眼观察,机器识别的图像。
(3)对预处理后的图像进行纹理分析，使用灰度行程长度统计法并建立高斯马尔科夫随机场模型，得到一系列基于图像纹理的图像特征参数，并根据实验的要求对参数进行具体的分析和研究。
(4)同时设计出一种基于最小错误率的神经网络分类器，提高对木材纹理图像进行分类和识别。
2、本研究的预期结果是：利用建成的标准图库的样本集合^[13,14]，应用HALCON^[10,11,15]对图像预处理过程进行详细的实验分析，进而实现对木材的分类，利用基于最小错误率的神经网络分类器，把错误率控制在较小的范围内。
6. 本研究的运用前景
目前，木材纹理分析主要用于工业上对物体表面纹理的自动检测，在生产过程中实现对不同木材的分类，大大节省人力资源，节约时间，提高效率。研究木材纹理分析就是通过各种数学工具使得计算机能够模拟人类对纹理特征的理解过程，使得计算机能够快速、准确对纹理进行识别。本研究在完成分类的基础上，利用基于最小错误率的神经网络分类器，把错误率控制在较小的范围内，使得分类更加准确。
参考文献
［1］常春媛, 任洪娥, 王霓虹.板材纹理计算机视频检测技术应用[J].林业机械与木工设备, 2004, 32( 12): 13- 15.
［2］汪黎明.织物褶皱纹理灰度共生矩阵分析[J].青岛大学学报,2003,18(4):5-7.
［3］BARALDIA, PARM IGGIAN F.An investigation of texture characteristics associated with gray level co-occurrence matrix statistical parameters [J].IEEE Trans. On Geoscience and Remote sensing,1995, 33(2):293-303
[4] HARALICK R M. Statistical and structural Approaches to Texture [J].proceeding of IEEE, 1975, 67(5): 786- 504.
[5] 李坚, 刘一星. 木材涂饰与视觉物理量[M]. 哈尔滨:东北林业大学出版社,1998.325- 540.
[6] 任洪娥. 板材横断面视频检测结果的模拟理论研究[J] . 计算机应用研究, 2004, 21( 6) : 82- 83.
[7] 李程鹏， 范彦斌， 胡青春. 基于HALCON 的PCB 光学定位点的3 种识别方法及比[J]. 佛山科学技术学院学报（自然科学版）， 2010， 28（2）： 29-33．
[8] Rafael C Gonzalez， Richard E Woods. 数字图像处理[M]. 2 版. 阮秋琦， 阮宇智， 等， 译. 北京：电子工业出版社， 2007： 276-279.
[9] Carsten Steger，Markus Ulrich，Christian Wiedemann等．机器视觉算法与运用：双语版[M].北京：清华大学出版社，2008：317-346．
[10] 孙怀远， 廖跃华，周夫之，等. 基于HALCON的药品包装瓶批号检测技术研究[J] .包装工程，2008，29（8）： 71-73.
[11] 李程鹏，范彦斌，胡青春. 基于HALCON的PCB光学定位点的3种识别方法及比较[J]. 佛山科学技术学院学报（自然科学版），2010，28（2）：29-33．
[12] 贾永红. 计算机图像处理与分析[M].武汉：武汉大学出版社，2001：181-182．
[13] 李冬梅，王延杰．一种基于特征点匹配的图像拼接技术［Ｊ］．微计算机信息，2008，24(50)：296-298．
［14］杨少荣，吴迪靖，段德山．机器视觉算法与应用［Ｍ］．北京：清华大学出版社2008.
[15] 孙怀远，廖跃华，周夫之，等. 基于HALCON 的药品包装瓶批号检测技术研究[J] .包装工程，2008，29（8）： 71-73.