高强度微波处理可以使木材产生裂纹，提高处理材的流体浸注性能，应用于木材功能化改性过程中(Vinden et al.，2000; 2011)。为了对木材微波处理效果进行评价，需要了解处理材表面裂纹特征信息。目前，木材表面裂纹的检量主要通过人工测量方法进行(Evans et al.，1997; 2000; 2003)，该方法费时费力，工作效率低下，亟待开发一种简单高效的检测方法。随着先进设备的开发及各种工程应用软件的普及应用，木材缺陷检测手段越来越多。CT 扫描可以获得木材的三维图像，进而对木材存在的裂纹状态进行分析，获得裂纹的特征信息，但该方法存在操作复杂、成本高等缺陷(Brenner et al.，2007; Lindgren，1991; Wei et al.，2011)。采用图像处理方法同样可以达到提取裂纹区域、对裂纹特征信息进行统计分析的目的，且该方法操作简单快速，在多种材料的缺陷检测中得到了推广应用(王吴雨等，2011; 王鹏等，2012; 成盛等，2011; 袁端磊等，2012)。在木材裂纹分析方面，Mekhtiev等(2004)曾采用Image J软件对木材的裂纹状态进行分析，获得了裂纹长度、面积等信息。

Matlab是一种应用广泛的图像处理软件，通过在软件中编程，可以实现对被处理图像的类型转换、图像增强、图像分割及形态学处理等操作，获得最终所需的特征信息(张德丰，2012)。与Image J软件相比，Matlab软件应用更为广泛，且功能更强大。因此，采用Matlab图像处理方法对木材的裂纹状态进行分析具有积极的意义。

目前，还未有研究人员采用Matlab图像处理软件对木材的裂纹信息进行过分析。在本研究中，利用Matlab软件对微波处理木材表面裂纹进行分析，获得裂纹的长度、宽度、面积及裂纹区域所占木材面积的比例的计算结果，为微波处理材的裂纹评价提供一种新的途径。

杉木(Cunninghamia lanceolata)生材(无裂纹)经高强度微波处理后，表面及内部产生裂纹，经刨光后在扫描仪中对其弦切面及横截面进行扫描，获得彩色扫描图像，图像分辨率为600 dpi。弦切面扫描图像用于分析微波处理材表面裂纹状态，而横截面扫描图像用于分析微波处理材内部裂纹状态。本文主要探究利用图像处理方法，对微波处理材的裂纹状态进行分析，因此，以微波处理材弦切面扫描图像为例进行研究。图 1为本试验处理过程中所采用的源图像。

	图 1 源图像 Fig. 1 Original picture for processing

为识别和分析扫描图像中存在的裂纹信息，通过Matlab软件编程，实现对源图像的类型转换、图像增强、图像分割及图像形态学处理(Mekhtiev et al.，2004; Pham et al.，2006)，最后获得裂纹的数量、长度、宽度、面积等统计结果。

Matlab图像处理模块提供了许多图像类型转换函数，通过这些函数可以实现真彩图像(RGB图像)、灰度图像、索引图像及二值图像之间的相互变换。在本文的图像处理中，由于图像后期处理都是在灰度图像基础上进行的，所以需要先将彩色扫描图像转换为灰度图像。在Matlab软件中，可通过调用rgb2gray函数实现彩色图像至灰度图像的转换。

经过变换后的灰度图像如图 2所示。从图 2可以看出，转换后图像信息并不会丢失，不会对最终的处理结果产生影响。

	图 2 灰度图像 Fig. 2 Gray image

在获取源图像的过程中，各种干扰因素(灰尘、光强等)的存在会导致源图像中存在噪声，从而影响图像的质量。因此，在对图像进行分析之前，必须先对图像进行增强处理。图像增强可以将图像中感兴趣的特征有选择地突出，并衰减不需要的特征，以便后期对图像特征进行识别分析。本文对木材裂纹识别的过程中，图像增强的主要目的就是将源图像中的裂纹信息凸显，同时弱化图像中其他部分的信息。

本文所进行的图像增强处理主要包括3个方面: 增强对比度、滤波处理、锐化处理。

1)增强对比度对比度增强处理的目的是使源图像中各部分的反差增强。本文进行对比度增强处理的目的是使源图像中裂纹区域与其他部分的区别更为明显，主要通过调用imadjust 函数来实现。图 3为对比度增强后的对比图。

	图 3 对比度增强处理 Fig. 3 Contrast enhanced image

从图 3可以看出，源图像经过对比度增强处理后，其中存在的裂纹信息得到一定程度的增强，与图像背景之间的区别更为明显。但是，由木材颜色较深的晚材带所引起的图像噪声同样得到增强，可能会对后期的图像处理过程产生影响(Christy et al.，2005)，因此需要在对比度增强后对图像进行进一步处理。

2)滤波处理滤波处理的目的是减少图像中存在的噪声。本文对图像进行滤波处理的目的是减少图像中晚材带色深区域对后期处理结果的影响，可以利用空域和频域滤波器中的平滑滤波器进行。本文分别采用空域滤波处理中的掩膜去噪法、邻域平均法、中值滤波对经过对比度增强后的图像进行滤波增强处理。图 4为处理后的效果图。从图中可以看出，采用空域滤波处理后的图像虽然较处理前更为平滑，图像中噪声得到了一定程度的抑制，但均出现了明显的模糊，最终处理效果并不好。

	图 4 空域滤波处理效果 Fig. 4 Spatial filter processing results

空域滤波处理效果并不理想，因此，本文还采用频域滤波处理中的同态滤波器对图像进行处理。图 5为处理后的效果图。从图中可以看出，经过同态滤波器处理后的图像没有出现明显的模糊现象;同时，经过处理后的图像对比度相对处理前得到了增强，且图像灰度分布区间相对处理前更小，木材晚材带与裂纹的区别更明显，有利于后续的图像分割处理。

	图 5 同态滤波器处理效果 Fig. 5 Homomorphic filter processing result

通过对图像进行以上的滤波处理可以看出，采用同态滤波器对未经对比度增强处理的图像进行处理后得到的处理效果好，它可以使图像中裂纹突出的同时，减小木材晚材带对裂纹识别的干扰。因此，选用该方法对图像进行滤波处理。

3)锐化处理图像识别需要有边缘鲜明的图像，然而经过以上的平滑滤波器对图像进行处理后，图像均会出现一定程度的模糊，因此就有必要对图像进行锐化处理，以突出图像的边缘信息，加强图像的轮廓特征，以便于人眼的观察和机器的识别。本文采用拉普拉斯增强及线性锐化滤波处理方法对降噪处理后的图像进行锐化处理。处理后的图像如图 6所示。

	图 6 图像锐化处理 Fig. 6 Image sharpening process

通过以上2种方法锐化处理后，图像中的裂纹信息得到了进一步增强，便于识别;同时木材晚材带对裂纹识别的干扰进一步减小。对比以上2种锐化处理方法可以看出，线性锐化滤波处理的效果更好，裂纹信息更为清晰，在后续的处理过程中可选用该方法进行。

对图像进行处理时，人们往往仅对图像中的某些部分感兴趣，它们一般对应图像中特定的、具有独特性质的区域。如胶合板胶合强度试件的木破率检测，木材破坏区域即为目标区域(McMillin，1982;Zink et al.，1998; Yang et al.，2008)。为了识别和分析图像中的目标，需要将它们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量和分析。

本文对微波处理材裂纹的分析过程中，图像中存在的裂纹即为图像分割的目标区域。裂纹区域的灰度值与其他部分有所不同，可以采用阈值分割方法对被处理图像进行分割(Funck et al.，2003;Cavalin et al.，2006)。在Matlab软件中调用graythresh 函数计算图像阈值，对经过线性锐化滤波处理后的图像进行阈值分割后获得二值图像。图 7为经过阈值分割后的二值图像。

	图 7 阈值分割图像 Fig. 7 Image after threshholding

从分割后的二值图像中可以看出，除了裂纹外，图像中还存在较多的杂点，主要是木材材色不均所引起的图像噪声。噪声的存在会对裂纹分析产生干扰，因此需要对分割后的图像进行进一步的处理。

图像形态学处理是指用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的(张德丰，2012)。通过图像形态学处理可以排除图像分割后图像中存在的噪声。除了噪声的干扰外，源图像中原本连续的裂纹在阈值分割后会产生断裂。为了减少裂纹断裂对最终裂纹数量统计的影响，需要将断裂的裂纹连接起来，这个操作同样可以通过形态学处理方法完成。

1)二值图像降噪处理从分割后的二值图像中可以看出，相对其中的裂纹信息而言，图像中存在的噪声大多尺寸小且不连续，因此可以考虑通过去除小尺寸对象的方式来去除图像中存在的噪声。本文主要通过调用bwareaopen 函数来完成。图 8为去除尺寸较小的噪声后得到的二值图像。

	图 8 去除噪声后图像 Fig. 8 Image after denoise process

经过以上降噪处理操作后，图像中有部分尺寸较大的噪声仍未去除，如图 8中红色标记(椭圆形区域)所示。如果加大去噪过程中去除对象的尺寸，会同时将部分较小的裂纹去除，因此不能采用该方法。而通过调用roifill 函数，采用区域填充的方法可以达到去除大尺寸的噪声的目的。处理后的效果图如图 9所示。从图 9可以看出，分割后图像中存在的噪声已完全去除。

	图 9 大噪声消除后的图像 Fig. 9 Image after big noise removed

2)断裂裂纹闭合分割后的图像经过去噪处理后，有部分原本完整的裂纹产生了断裂。为了避免其对最终裂纹信息统计结果产生影响，需要将断裂的裂纹连接起来。本文采用形态学处理中的闭运算操作，通过创建一个平面的线形结构元素使裂纹的断裂区域闭合。图 10为处理后的效果图。从图 10可以看出，经过以上处理后，裂纹形态清晰、界限明显，该图像即为裂纹分析的最终处理结果，可以应用于裂纹信息统计过程中。

	图 10 木材裂纹图像最终处理结果 Fig. 10 The final result of wood crack image processing

3)裂纹信息统计为了评价图像中存在的裂纹状态，需要获得裂纹的统计信息。本文采用Matlab软件中形态学处理操作，获得了裂纹数量、裂纹长度、宽度及面积等信息，并由此计算出图像中裂纹区域所占图像面积的比例。

首先，通过调用bwlabel 函数对裂纹进行编号，可以统计图像中的裂纹数量。经统计，图像中存在的裂纹数量为15条。其次，利用regionprops 函数可以计算出每条裂纹对应的长度、宽度及面积。裂纹信息统计结果如表 1所示。

表 1 裂纹尺寸分析结果 Tab.1 The results of cracks’dimensions

表 1 裂纹尺寸分析结果 Tab.1 The results of cracks’dimensions 序号No． 裂纹面积Area of the crack 裂纹长度 Length of the crack 裂纹宽度Width of the crack 像素个数Pixels mm2 像素个数Pixels mm 像素个数Pixels mm 1 52 4. 446 52 15. 20 1 0. 29 2 666 56. 94 312 91. 23 4 1. 17 3 354 30. 27 216 63. 16 3 0. 88 4 34 2. 907 17 4. 97 2 0. 58 5 332 28. 38 139 40. 64 3 0. 88 6 142 12. 14 69 20. 17 3 0. 88 7 297 25. 39 137 40. 06 7 2. 05 8 92 7. 866 59 17. 25 3 0. 88 9 17 1. 453 17 4. 97 1 0. 29 10 545 46. 6 274 80. 12 5 1. 46 11 195 16. 67 82 23. 98 5 1. 46 12 219 18. 72 92 26. 90 5 1. 46 13 408 34. 88 184 53. 80 8 2. 34 14 74 6. 327 52 15. 20 2 0. 58 15 41 3. 505 33 9. 65 2 0. 58 合计Total 3 468 296. 5 - -

源图像在长度方向上的像素数为312个，而在宽度方向上为171个，由此可以计算出源图像的总像素数为312 × 171 = 53 352个。根据表 1的统计结果，图像中裂纹区域的像素合计为3 468个，由此计算出源图像中裂纹区域所占的比例为6.5%。源图像对应木材的宽度为50 mm，因此可以计算出单位像素的尺度为50 /171 mm，单位像素所占面积为(50 /171)²mm²，由此，可以将裂纹统计结果换算成国际单位制来表示。

1)通过图像类型转换、图像增强、图像分割及图像形态学处理，使微波处理材表面裂纹与图像背景分割开来。

2)利用该方法可以统计微波处理材表面裂纹的数量、长度、宽度及面积，计算出处理材材面上裂纹区域所占的比例。

3)早晚材急变树种，晚材带材色较深，其灰度值与裂纹区域相近，会增加图像分割的难度，造成分割后的图像中存在噪声。为避免这种噪声干扰，可以通过图像形态学处理方式去除。而当晚材带颜色对分割图像影响严重时，建议采取低浓度染料封闭图像处理区域的方法，避免其对最终的裂纹统计分析产生影响。

4)可以考虑将图像处理方法应用于木材科学研究的其他领域，如将其应用于胶合板木破率的检测过程中，减小目测方法造成的人为误差，提高木破率检测的精度及科学性。