改进UNet++的杉木CT图像年轮分割

为解决裂纹、虫孔和节子等缺陷影响下的年轮准确分割问题。以医疗CT为实验设备,重构125张杉木横切面CT图像为研究对象,经裁切、旋转、翻转等预处理实现数据扩充,提出改进UNet++模型用于年轮分割。改进UNet++模型采用增加卷积块、下采样层、跳跃连接和上采样层的方式,将学习深度增加至6层,以BCEWithLogitsLoss和ReLU分别作为损失函数和激活函数,RMSProp作为优化函数,对杉木横切面CT图像进行年轮分割,并对年轮分割性能进行评价。结果显示:改进UNet++模型对于杉木横切面CT图像的年轮分割的像素准确率为97.81%,骰子系数为98.89%,交并比为95.29%,平均交并比为84.75%,充分提取杉木年轮特征,分割效果最好。与U-Net模型和UNet++模型相比,改进UNet++模型在多数年轮被裂纹和虫孔切割,无法形成完整圆形闭合曲线的条件下,使分割的年轮具有很好的完整性和连续性,消除分割过程中的断裂和噪声现象;年轮分割结果不受裂纹、节子、虫孔等缺陷影响,结构非常清晰,有效解决多种缺陷干扰下的虫孔误分割和密集年轮欠分割等问题。

基于区域生长的年轮图像分割方法

年轮宽度值是在树木的横切面上直接读取的,人工读数需要借助放大镜或读数显微镜,容易引起测量者的视觉疲劳,导致测定数据误差较大;而采用计算机视觉技术自动识别年轮的方法可以很好地解决这个问题。为此,针对环孔材年轮图像中管孔颗粒干扰分布密集且相对孤立的特点,提出了基于区域生长的分割算法提取年轮边界,并给出了区域生长和算法实现的过程。对比中值滤波,该方法能够较好地去除管孔干扰,并且边界保持较好,有利于年轮宽度的自动识别。