树木年轮学的研究需要统计树龄和测量轮宽,由此推算环境变换和树木生长信息,因此准确提取年轮特征信息至关重要。传统的树木年轮研究方法主要通过肉眼对年轮进行识别,然后通过测量工具采集需要的年轮信息,为防止测量误差,一般需要多人协同工作,这种人工方法工作繁琐且效率低下。近年来,计算机技术在林业方向得到了广泛应用,较好地替代了一些手工测量工作,尤其计算机视觉和图像处理技术的进步,使得开发一套自动提取树木年轮信息的系统成为可能。目前比较成熟的商用年轮分析软件主要是加拿大REGENT公司的WinDENDRO和德国Frank Rinn公司的LINTAB,这两款软件虽然能实现年轮参数测量,但其自动化程度较低,需要大量的人工交互操作且价格昂贵,维护成本高。精准地识别出年轮图像中的早材、晚材和树皮是实现自动化测量年轮参数的首要工作。然而树木年轮生长过程中存在早晚材边界过渡模糊、节疤和伪年轮等现象,且年轮圆盘在砍伐和采集过程中表面会存在毛刺和噪声点,传统图像分割算法如基于阈值和区域生长的图像分割方法难以取得理想的效果。本文结合图像的颜色和纹理特征,用随机森林算法构建像素分类器对年轮图像进行分割,同时考虑到卷积神经网络在图像特征学习和分类上的优越表现及其强大的模型泛化能力,本文构建了基于卷积神经网络的年轮图像分割模型,实现年轮早晚材和树皮的精准分割。然后对分割后的年轮图像自动定位髓心,应用环形扫描的方法测量树龄、年轮宽度和晚材率等年轮参数。主要研究内容如下:(1)图像预处理、特征提取和基于随机森林算法的年轮图像分割。在分析了年轮图像特征的基础上,提出了结合图像多个颜色空间特征和纹理特征,基于随机森林算法训练像素分类器分割年轮图像的方法。首先,通过变换图像的颜色域空间,提取出样本图像在RGB、HSV和L*a*b*模型下的9个颜色分量,基于灰度共生矩阵提取样本图像的对比度、相关性、能量和熵的均值与标准差共8个纹理特征。然后,将颜色特征和纹理特征进行随机组合作为训练特征,基于随机森林算法构建像素分类器并进行学习训练,实现年轮图像的早晚材分割。为了提高分割图像的质量和准确度,对分割后的图像使用形态学方法消除孤立和黏连噪声。(2)图像增强与基于卷积神经网络的年轮图像分割。深度神经网络需要大量的标注样本进行训练学习,针对大规模年轮圆盘图像难以获得且标注工作量大的问题,通过数据增强的方式扩充年轮图像数据集。数据增强除采用传统图像旋转、透视和色彩变换等方式外,还实现了基于移动最小二乘的图像变形算法,满足了小样本条件下训练深度神经网络的需求。然后分析并实现了典型的图像分割模型FCN、U-Net和DeepLab-v3-plus,并针对其在年轮图像分割问题上存在的髓心附近晚材识别困难、部分极窄轮丢失等问题,提出了一种改进的U型卷积神经网络I-UNet。I-UNet增加了网络深度,用残差连接的方式避免梯度消失,并采用多重损失计算的方式保留图像底层信息。同时,还采用了批归一化(BN)和随机失活(Dropout)的策略加速网络训练,增加模型的泛化能力。实验证明,I-UNet模型提升了年轮图像的分割效果,较好地解决了髓心附近晚材识别困难和极窄轮丢失的问题。(3)基于环形扫描的年轮参数自动测量算法与系统开发。从图像中心出发沿水平和垂直方向拉取扫描线,由穿过年轮数目最多的扫描线的交点确定髓心位置。然后从髓心出发每隔15°辐射一条半径线,记录每条半径线上的年轮线坐标,树龄就是所有方向半径线中年轮线数目的众数。选择树龄正确的半径线,计算年轮宽度和晚材率等参数。实验证明环形扫描算法在树木年轮参数测量中,不仅测量准确率高且能够较全面地保留相关数据。基于上述研究内容,本文基于Python语言的pyQT工具包开发了年轮参数自动测量系统,为树木年轮相关研究人员进行年轮图像分析和参数提取提供便利。