POZNAŃSKIE TOWARZYSTWO PRZYJACIÓŁ NAUK since 1857

(1)

O R I G I N A L A R T I C L E For. Lett. No 107: 16-23, 2014

Comparison of algorithms for the automatic determination of the latewood area in wood samples of Scots pine (Pinus sylvestris L.) using software ImageJ

Porównanie algorytmów do automatycznego wyznaczania powierzchniowego udziału drewna późnego w próbkach drewna sosny zwyczajnej (Pinus sylvestris L.)

z wykorzystaniem programu ImageJ Marcin Jakubowski

Poznan University of Life Sciences, Department of Forest Utilisation, email – marcin.jakubowski@up.poznan.pl

Abstract: This study verify the accuracy of 16 algorithms available in the ImageJ and using for determination of latewood zone. For purposes of the work 50 wood samples (20 mm x 20 mm x 30 mm) were collected from 10 Scots pine trees (54 year old). Samples were taken from a height of 1.3 m. Cross section of wood were polished and scanning. Images of wood samples were varied in terms of grayscale and the pattern of annual rings. Manually selected area (with using polygonal tool) was used as reference latewood area in each sample. Results obtained with automatic threshold measurement were compared with manually selection area. Additionally measurements of „defoult” algorithm were corrected manually if necessary (according to human decision) as a 17 test. The most suitable for automatic latewood identification proven to be four algorithms: IsoData, Li, Otsu and Yen. The highest accuracy was obtained with test No 17 (manual correction). Wood is difficult material for automatic threshold processing, due to many artefacts, but mentioned algorithms could be appropriate with enough precision. This study propose ImageJ software as useful tool for identification of latewood zone.

Key words: thresholding algorithm, latewood area, wood properties, wood structure, image analysis WSTĘP

W badaniach właściwości drewna prowadzonych na małych próbkach poważne ograniczenia stwarza niejednorodność budowy drewna. Dotyczy to szczególnie drewna iglastego, gdzie występuje wyraźny podział na strefę drewna wczesnego i późnego. Zróżnicowany udział drewna późnego jak też szerokość słojów wywierają istotny wpływ na wyniki testów, gęstości drewna oraz właściwości mechanicznych (Jakubowski 2010, Jelonek i in. 2011). W badaniach o charakterze przyrodniczym, w których materiał jest pobierany metodycznie bezpośrednio z określonego drzewostanu, zazwyczaj uwzględnia się dokładnie miejsce na pniu z którego pobierane są próby. Najczęściej jest to wysokość pierśnicy oraz cała powierzchnia przekroju poprzecznego.

Zmienność budowy i właściwości drewna na przekroju poprzecznym jest na tyle duża, że często rozpatruje się ją w układzie promieniowym. Biorąc pod uwagę sposób pobierania próbek (miejsce pobierania próbek na przekroju poprzecznym), otrzymuje się próby o bardzo zróżnicowanej strukturze drewna, w szczególności zmianie ulega udział drewna późnego i szerokość przyrostu rocznego. Powoduje to wiele ograniczeń w analizie danych przy badaniu właściwości drewna.

Niektórzy autorzy proponują rozwiązania, które biorą pod uwagę szerokość drewna późnego i szerokość słoja.

Przykładem tego zastosowania może być współczynnik

homogeniczności struktury (Spława-Neyman 1976) oraz współczynnik COS (Jakubowski 2010). W celu oszacowania wpływu tych elementów na właściwości drewna należy dokonać pomiaru stref przyrostowych w badanych próbkach. Najbardziej powszechnym narzędziem wykorzystywanym do pomiaru szerokości słojów rocznych i udziału drewna późnego są przyrostomierze i programy komputerowe sprzężone ze skanerem. Większość tych programów dedykowana do wybranych i wąskich zastosowań, najczęściej dendrochronologii (Zielski i Krąpiec 2009, Speer 2010).

Wśród powszechnie dostępnych i bezpłatnych narzędzi do analizy obrazu wyróżnia się niepozorny, ale dający dużo możliwości program ImageJ (Pascau i Pérez 2013). Program ten wykorzystano w niniejszej pracy do do badań powierzchniowego udziału drewna późnego w próbkach drewna o przekroju kwadratowym. W metodach dendrochronologicznych pomiar szerokości słojów lub drewna późnego przebiega wzdłuż z góry założonej linii, zazwyczaj w wybranym kierunku świata lub w kilku kierunkach jeśli istnieje taka możliwość i potrzeba.

W przypadku badań próbek drewna przeznaczonych dla celów testowania właściwości drewna pomiar liniowy ma pewne wady. Wynika to z układu słojów rocznych na próbce o przekroju kwadratowym. Szczególne uwidacznia się to w strefie przyrdzeniowej oraz w różnego typu nieregularnościach w przebiegu słojów rocznych. Układ

j o u r n a l h o m e p a g e f o r e s t r y l e t t e r s . p l 16

(2)

słojów dla próbek pobranych ze strefy przyrdzeniowej praktycznie nigdy nie ma układu równoległego, ale posiada często układ diagonalny. Pomiar liniowy szerokości drewna późnego na takim przekroju jest obarczony pewnym błędem wynikającym z różnej powierzchni tego drewna. Przy układzie diagonalnym skrajne słoje roczne będą posiadały niewielką powierzchnię, ponieważ na próbce jest tylko mały wycinek tego słoja. Powstaje więc dylemat na ile drewno późne poszczególnych słojów rocznych (skrajnych i środkowych) ma wpływ na właściwości drewna. W związku z tym najlepszym rozwiązaniem wydaje się pomiar powierzchniowy na całości przekroju poprzecznego próbki. Program ImageJ korzysta z 16 różnych algorytmów wykorzystywanych do automatycznego wyznaczania granicy progu szarości dla zadanych obiektów (Tajimaa i Kato 2010). Zasada działania algorytmów polega na wyodrębnieniu pikseli należących do obiektu i do tła obrazu. Algorytmy tego typu wykorzystywane są w wielu dziedzinach: do wyodrębniania znaków drukowanych, analizy struktur biologicznych, w astrofotografii, analizie obrazów termicznych i wielu innych, czyli tam gdzie zachodzi konieczność szybkiej i masowej analizy obrazu.

Wykorzystywane w programie algorytmy również były tematem odrębnych publikacji naukowych (Kapur i in.

1985, Huang i Wang 1995, Yen i in. 1995, Li i Tam 1998, Sezgin i Sankur 2004). W przeprowadzonych badaniach postanowiono zweryfikować dokładność określania udziału drewna późnego przy pomocy wybranych algorytmów, na próbkach o przekroju kwadratowym wykorzystywanych do badań właściwości drewna.

Założono, że przynajmniej niektóre algorytmy okażą się użyteczne w szybkim i automatycznym wyznaczaniu powierzchni drewna późnego na przekroju poprzecznym.

METODYKA BADAŃ

Dla potrzeb pracy przygotowano 50 próbek drewna sosny zwyczajnej (Pinus sylvestris L.) w wieku 54 lat wy- rosłych w warunkach boru mieszanego świeżego. Mate- riał pobrano z przekroju poprzecznego 10 drzew z wyso- kości pierśnicy. Próbki miały wymiary 20 mm x 20 mm x 30 mm (Ryc. 1) Przekroje poprzeczne próbek zostały do- kładnie oszlifowane w celu uwidocznienia drewna wczesnego i późnego. Następnie dokonano rejestracji optycznego obrazu przekrojów poprzecznych przy wykorzysta- niu skanera optycznego HP Scanjet G3010 w rozdzielczo- ści 2400 dpi. Zarejestrowane kolorowe obrazy zostały skonwertowane do 8-bitowej skali szarości, ponieważ w tym trybie działają testowane algorytmy. Uzyskane obrazy nie były w żaden sposób poprawiane tzn. nie manipu- lowano nimi w celu zmiany kontrastu, jasności itp. W tak uzyskanych obrazach dokonano jedynie nieznacznego

przycięcia niektórych linii brzegowych z uwagi na nie- równości i niedoskonałości obróbki, które mogły fałszo- wać udział drewna późnego eksponując ciemnoszare ziar- no na brzegach próbki.

Na tak przygotowanej próbce dokonywano pomiaru powierzchni drewna późnego z wykorzystaniem 16 algo- rytmów zawartych w programie, które automatycznie wy- znaczały graniczny próg szarości. Dodatkowo wykonano 17 próbę z korektą manualną. Korektę wykonywano tylko o ile zaistniała taka potrzeba. Zabieg ten stosowano przy algorytmie domyślnym dla programu ImageJ (był to zmodyfikowany algorytm IsoData).

Ryc. 1. Rozmieszczenie badanych próbek drewna na przekroju poprzecznym pnia

Fig. 1. Distribution of test samples on the cross-section of the trunk

Jako próbę referencyjną dla porównania dokładności wyznaczania powierzchni drewna późnego przez algorytmy, zastosowano dokładny pomiar z wykorzystaniem ręcznego zaznaczenia strefy drewna późnego przy użyciu narzędzia do zaznaczania. W celu porównania poszcze- gólnych algorytmów z próbą referencyjną zastosowano skalę względną będącą iloczynem powierzchni drewna późnego wyliczonej za pomocą algorytmu do powierzchni drewna późnego zaznaczonego manualnie za pomocą na- rzędzia do zaznaczania.

DC – współczynnik różnicy (difference coefficient) LAA – powierzchnia drewna późnego zwrócona przez testowany algorytm (latewood area algorithm)

LAMD - powierzchnia drewna późnego zwrócona przez program na podstawie ręcznego zaznaczenia (latewood area manually draw)

Iloczyn ten nazwano współczynnikiem różnicy (DC - difference coefficient). Skala względna była konieczno- ścią z uwagi bardzo zróżnicowane stopnie szarości po- szczególnych próbek. Jako poziom bazowy (porównaw- czy) wyznaczono DC próbki z ręcznie zaznaczonym

DC = LAA

LAMD

(3)

Jakubowski Marcin For. Lett. No 107:16-23, 2014 drewnem późnym. Poziom ten oznaczono w skali względ-

nej jako „1” (100%).

WYNIKI I DYSKUSJA

Próbki poddane badaniom pochodziły z 10 drzew wy- rosłych w jednym drzewostanie, pomimo tego nie stano- wiły one jednolitej populacji pod względem wyrazistości rysunku i odwzorowania w skali szarości. Rysunek drewna na przekroju poprzecznym zmieniał się od równoległe- go układu słojów rocznych do diagonalnego (Ryc. 2).

Układ słojów rocznych zależał głównie od położenia pró- bek względem rdzenia (Ryc. 1). Odwzorowanie skanowa- nych powierzchni w skali szarości było praktycznie inne dla każdej próbki (wśród próbek były zarówno bardzo ja- sne, jak też bardzo ciemne). Zakres granicznego progu szarości (granicy drewna późnego) wahał się od 68 do 206, a odchylenie standardowe dla większości próbek oscylowało w okolicach kilkunastu punktów. Szczególnie różnice widoczne są w skrajnych dolnych wartościach (minimum), w przypadku maksimum różnice nie są tak duże i większość próbek reprezentuje zbliżony poziom.

Różnice między współczynnikiem DC dla poszczegól- nych algorytmów są wyraźne. Np. dla algorytmu Percen-

tile i Minimum przeciętne graniczne progi szarości wy- niosły odpowiednio 170 i 145 (kilkanaście procent różni- cy) podczas gdy współczynnik DC oparty na porównaniu powierzchni wyniósł 1,68 (Percentile) i 0,54 (Minimum), (ponad 200% różnicy).

Ryc. 2. Różnice barwne oraz różnice w układzie słojów w badanych próbkach drewna

Fig. 2. Color and grain variations on the surfaces of wood samples

Częste przesunięcie mediany w kierunku dolnego kwartyla oraz znaczne minima świadczą o tym, że progi były raczej zaniżane niż zawyżane (Ryc. 3).

Tabela 1. Wartość progowa szarości wyznaczona przez algorytmy jako granica drewna późnego, statystyki opisowe Table 1. Threshold value determined by algorithms as a border of latewood, basic statistics

W skrajnych przypadkach różnice między względną po- wierzchnią drewna późnego mierzoną ręcznie (próbka referencyjna) i automatycznie (z wykorzystaniem algorytmu) są bardzo wysokie sięgają wartości 2,5 (Ryc. 4). Na- leży tutaj podkreślić, że chodzi o różnice wartości śred- nich, w indywidualnych przypadkach różnice bywały znacznie większe. Znaczne odchylenia wykazywało 5 al- gorytmów, 4 z nich wyraźnie zawyżały udział drewna późnego (Percentile, Triangle, Mean, Huang), a jeden wy- raźnie zaniżał (Minimum). Wspomniane algorytmy poza

średnią wykazują również znaczne rozproszenie wartości (duże odchylenia standardowe). Większość testowanych rozwiązań wykazywała jednak dobre skupienie wyników i niewielkie odchylenia średniej od próbki referencyjnej.

Szczególnie zbliżone wyniki do próby referencyjnej zwra- cały następujące algorytmy: Defoult (zmodyfikowany IsoData), IJ_IsoData, Li, Otsu, Yen. W niniejszej pracy przeprowadzono również doświadczenie polegające na wizualnej korekcie strefy drewna późnego przesuwając próg graniczny (threshold) za pomocą suwaków. Rezultat-

Algorytm Średnia N Błąd alg Min Max Q25 Mediana Q75

N Error alg Min Max Q25 Median Q75

159 50 0 14,2 130,4 186,0 148,7 157,9 168,7

Huang 162 50 0 16,0 130,9 197,4 149,8 161,1 173,5

153 50 4 21,1 77,3 188,3 145,1 155,4 163,2

156 50 0 20,2 74,5 186,0 148,7 157,5 168,2

159 50 0 14,2 130,4 186,0 148,7 157,9 168,7

Li 159 50 0 14,6 129,7 186,9 148,6 157,6 169,4

154 50 0 16,5 92,8 177,7 145,2 153,0 164,7

164 50 0 16,8 130,0 199,7 151,7 161,9 175,6

Minimum 145 50 7 22,8 68,9 181,9 134,6 148,3 159,1

160 50 1 14,3 130,0 186,9 149,1 157,4 170,1

159 50 0 14,5 130,4 186,9 149,1 158,3 169,4

170 50 0 18,8 129,0 205,7 153,4 167,2 184,0

156 50 0 16,6 91,6 186,9 146,7 154,7 169,7

156 50 0 13,0 130,4 185,3 147,9 155,1 165,6

Triangle 163 50 0 20,1 115,1 206,8 151,5 164,0 174,4

156 50 0 16,7 91,6 180,8 146,9 155,2 167,7

158 50 0 13,2 129,7 185,1 148,6 156,9 167,3

163 50 0 13,0 135,3 187,9 153,3 160,6 174,9

Odch std

Algorithm Mean Std dev

Defoult Intermodes IsoData IJ_IsoData MaxEntropy Mean Moments Otsu Percentile RenyiEntropy Shanbhag Yen Man. Corr.

Manually drawn

(4)

różnice są niewielkie.

Tabela 2. Wartość współczynnika DC oraz przeciętny udział drewna późnego [%] dla poszczególnych algorytmów, statystyki opisowe (Manually drawn – próbka referencyjna)

Table 2. Coefficient DC and percentage of latewood area [%] for tested algorithms, basic statistics (Manually drawn – reference level)

Tabela 3 Względny udział drewna późnego w próbkach, statystyki opisowe Table 3. Relative latewood area in test samples, basic statistics

Zestawienie łączne obrazów drewna późnego dla przy- kładowej próbki (Ryc. 5) ukazuje pewną cechę typową dla drewna, mianowicie oprócz drewna późnego zazna- czane są również ciemne piksele w strefie drewna wczesnego, mogą to być: przewody żywiczne, rysy, pęknięcia, różnego rodzaju przebarwienia, których nie da się wyeli- minować na etapie automatycznego pomiaru. W związku z tym należy założyć pewien dopuszczalny poziom błędu.

Błąd ten zostaje wyeliminowany na etapie ręcznego zaznaczenia, więc w przypadku najbardziej udanych algo- rytmów można przypuszczać, że ewentualne różnice mię- dzy nimi, a próbą referencyjną wynikają głównie z dodatkowych przebarwień. Jak pokazano wcześniej (za pomocą

współczynnika DC) różnice w określeniu strefy tylko drewna późnego mogą być znaczne, jednak w odniesieniu do względnego udziału drewna późnego na próbce różni- ce są znacznie mniejsze, większość algorytmów pozwala wyznaczyć udział drewna późnego na zbliżonym pozio- mie (Tab. 3). Większość algorytmów pozwala na określe- nie średniego udziału drewna późnego przy bardzo mini- malnych różnicach średnich: referencyjny (0,33), Otsu (0,33), Moments (0,33), Defoult (0,32), Li (0,32) (Tab. 3).

Dla najlepiej sprawdzających się algorytmów różnice te są bardzo małe również w całej populacji co widać na rozkładzie kwartyli i percentyli.

Algorytm Średnia N Min Max Q25 Mediana Q75

N Min Max Q25 Median Q75

0,32 50 0,09 0,07 0,52 0,28 0,33 0,37

Huang 0,37 50 0,08 0,07 0,53 0,33 0,37 0,42

0,28 46 0,17 0,00 0,58 0,14 0,34 0,41

0,31 50 0,11 0,00 0,52 0,27 0,33 0,37

0,32 50 0,09 0,07 0,52 0,28 0,33 0,37

Li 0,32 50 0,08 0,07 0,51 0,28 0,33 0,36

0,28 50 0,11 0,00 0,52 0,23 0,29 0,37

0,40 50 0,07 0,06 0,52 0,38 0,41 0,43

Minimum 0,22 43 0,16 0,00 0,58 0,06 0,26 0,32

0,33 49 0,10 0,00 0,52 0,26 0,35 0,38

0,33 50 0,09 0,07 0,52 0,27 0,33 0,38

0,48 50 0,08 0,06 0,51 0,50 0,50 0,50

0,30 50 0,11 0,00 0,51 0,25 0,32 0,39

0,29 50 0,10 0,07 0,52 0,23 0,31 0,34

Triangle 0,40 50 0,21 0,00 0,76 0,23 0,42 0,58

0,31 50 0,11 0,00 0,51 0,26 0,32 0,38

0,32 49 0,10 0,00 0,53 0,26 0,33 0,38

0,33 50 0,11 0,12 0,54 0,28 0,34 0,39

Odch std

Algorithm Mean Std dev

Manually drawn

Algorytm Średnia N Min Max Q25 Mediana Q75

N Min Max Q25 Median Q75

1,05 8,7 50 0,26 0,42 2,14 0,94 0,99 1,11

Huang 1,22 8,1 50 0,41 0,42 2,80 1,00 1,09 1,28

0,87 16,7 46 0,48 0,00 2,10 0,54 0,99 1,14

1,00 11,2 50 0,34 0,00 2,14 0,92 0,98 1,10

1,05 8,7 50 0,26 0,42 2,14 0,94 0,99 1,11

Li 1,04 8,3 50 0,28 0,43 2,21 0,92 0,98 1,12

0,88 11,3 50 0,27 0,00 1,69 0,80 0,92 0,96

1,35 7,2 50 0,54 0,48 3,13 1,02 1,20 1,44

Minimum 0,64 16,1 43 0,43 0,00 1,76 0,23 0,76 0,92

1,06 10,1 49 0,35 0,00 2,21 0,95 1,04 1,19

1,05 8,7 50 0,28 0,43 2,21 0,94 0,98 1,16

1,68 8,2 50 0,81 0,49 4,18 1,13 1,47 1,80

0,96 11,4 50 0,29 0,00 1,75 0,85 0,93 1,00

0,93 9,7 50 0,21 0,45 1,58 0,82 0,91 0,99

Triangle 1,32 21,4 50 0,80 0,00 4,00 0,96 1,22 1,71

0,97 10,6 50 0,27 0,00 1,87 0,89 0,97 1,02

1,00 10,2 50 0,27 0,00 2,29 0,92 0,97 1,06

1,00 10,6 50 0,00 1,00 1,00 1,00 1,00 1,00

Udział dp [%] Odch std

Algorithm Mean Area of lw [%] Std dev

Manually drawn

(5)

Jakubowski Marcin For. Lett. No 107:16-23, 2014

Ryc. 3 Graniczne progi szarości (granica drewna późnego) obliczone przez testowane algorytmy Fig. 3. Threshold grayscale value (border of latewood) calculated by the tested algorithms

Ryc. 4. Różnice względnej powierzchni drewna późnego wyrażone współczynnikiem D. Dokładna powierzchnia drewna późnego wyznaczona manualnie za pomocą narzędzia zaznaczania (Manually drawn) posłużyła jako poziom referencyjny

Fig. 4. Differences in relative latewood area expressed as a ratio DC. Exact latewood area was determined manually using the selection tool as reference level (Manually drawn)

(6)

Ryc. 5. Obraz strefy drewna późnego wyznaczonej przez badane algorytmy Fig. 5 Image of the latewood zone determined by the tested algorithms

Ryc. 6 Udział drewna późnego obliczony na podstawie algorytmów Fig. 6 Latewood area determined by tested algorithms

(7)

Jakubowski Marcin For. Lett. No 107:16-23, 2014 Automatyczne pomiary tkanek i innych cech biologicz-

nych napotykają pewne trudności z uwagi na niejednorod- ną budowę. Powierzchnia drewna późnego zależała od granicznego progu szarości dla danej próbki. Konsekwen- cją tego jest sytuacja, w której przy niewielkiej zmianie granicznego progu szarości (np. o kilka punktów) dużej zmianie może ulec pole powierzchni (o tysiące punktów), w zależności od ilości granicznych szarych pikseli na danej próbce. W skrajnych przypadkach (dla bardzo jasnych próbek) algorytmy nie podjęły nawet pracy i nie wyzna- czyły minimalnego progu granicznego. Taka sytuacja miała miejsce kilkakrotnie przy algorytmach: Minimum, Intermodes i Moments, wówczas algorytm zwracał błąd, w tabeli oznaczono go jako „błąd alg”(Tab. 1). W prakty- ce oznacza to, że w wyniku badania algorytm nie zauwa- żył w ogóle drewna późnego dla bardzo jasnych próbek.

Po konwersji obrazów do skali szarości również często pojawia się problem z występowaniem pikseli o tej samej liczbie szarości w rożnych utworach (np. w różnych tkan- kach). W przypadku drewna mogą być to przewody ży- wiczne, pęknięcia i inne zaburzenia struktury drewna, które mogą być postrzegane jako drewno późne (Ryc. 7).

Fournier i in. (2010) zaproponowali nową metodę, przy pomocy której można w automatyczny i szybki sposób określić kierunek orientacji słojów rocznych na przekroju poprzecznym. Metoda ta w porównaniu z decyzją czło- wieka daje wyniki zadowalające i autorzy proponują jej rozwijanie, a szczególnie część dotyczącą analizy przy- padków trudnych do określenia o zmiennej orientacji sło- jów. Nie rozwiązuje ona problemu dodatkowych artefak- tów, ale potrafi rozpoznać różne układy słojów rocznych, co jest ważnym krokiem w automatyzacji pomiarów struktury drewna.

Ryc. 7. Obraz strefy drewna późnego, którego intensywność można ręcznie korygować za pomocą suwaków oraz rzeczywisty obraz przekroju poprzecznego próbki

Fig. 7. Image of the latewood zone; the intensity can be manually adjust using the sliders; real image of the cross-section of sample (on the right)

Najprostszym sposobem eliminacji problemów z rozmaitymi artefaktami jest ręczne zaznaczenie strefy drewna późnego co jest bardzo pracochłonne. Dla niewielkiej ilości prób z powodzeniem można stosować zaznaczanie ręczne, gdy jednak istnieje potrzeba przebadania wielu prób takie zaznaczanie drewna późnego jest nieefektywne. Dokładność zaznaczania ręcznego może być również wątpliwa przy stopniowym

przechodzeniu drewna wczesnego w drewno późne, ponieważ badacz nie ma pewności gdzie wyznaczyć granicę. W rzeczywistości elementy anatomiczne w przypadku drewna iglastego (cewki) zwykle mają charakter przejściowy, a więc stopniowo wytwarzane są kolejne cewki o coraz grubszych ścianach (Hejnowicz 2002). W tym kontekście granica strefy drewna późnego również będzie wyznaczona w sposób subiektywny. W przypadku badań z wykorzystaniem algorytmów należy zdecydować się na pewną z góry założoną dokładność pomiaru. Udziału drewna późnego dla wybranych algorytmów można określić z dokładnością do kilku procent (Ryc. 6). Wydaje się, ze dla potrzeb badań właściwości drewna oraz korelacji właściwości ze strukturą drewna poziom ten jest w zupełności wystarczający, ponieważ same właściwości drewna wykazują znacznie większe wahania (Tomczak i in. 2010, Jakubowski 2010, Tomczak i Jelonek 2013).

Automatyczna analiza i przetwarzanie obrazu stale są tematem wielu opracowań naukowych na świecie. W związku z rozwijającą się technika cyfrową powstają kolejne metody badawcze (Zhihui i in. 2012, Osuna- Enciso i in. 2013). W przypadku badań drewna modyfikacjom podlega przede wszystkim skanowanie liniowe wykorzystywane w dendrologii i dendrochonologii. W ostatnich latach szczególnego znaczenia nabiera analiza kanału niebieskiego (McCarroll i in. 2002, Cambell i in. 2007) który jest wykorzystywany do ustalania granic drewna późnego.

WNIOSKI

1. Badane próbki drewna przedstawiały bardzo zróżnicowaną próbę pod względem skali szarości i układu słojów rocznych.

2. Powierzchnia drewna późnego określona na podstawie granicznego progu szarości była zawyżona dla większości algorytmów w stosunku do próby referencyjnej.

3. Najbardziej do identyfikacji drewna późnego nadawały się algorytmy: IsoData, Li, Otsu i Yen.

4. Największą dokładność uzyskano przy manualnej korekcie progu szarości wymaga to dodatkowej pracy, przez co proces nie jest w pełni automatyczny, jednak jest znacznie szybszy niż manualne zaznaczanie strefy drewna późnego.

5. Program ImageJ wydaje się być bardzo użytecznym narzędziem do analizy obrazów struktury drewna z uwagi na: dokładność, szybkość pracy (możliwość automatycznego pomiaru) oraz rejestrację wyników w formie elektronicznej. Dodatkowym atutem jest jego dostępność w domenie publicznej.

(8)

BIBLIOGRAFIA

McCarroll D., Pettigrew E., Luckman A. 2002. Blue reflectance provides a surrogate for latewood density of high-latitude pine tree rings. Arctic, Antarctic, and Alpine Research 34 (4): 450–53.

Fournier M., Dischler JM., Bechmann D. 2010. Image processing algorithm for automated detection of annual ring orientation on wood shingles cross section. IEEE Symposium on Computer Graphics and Image Processing, Rio de Janeiro, Brazil 72–79.

Hejnowicz Z. 2002. Anatomia i histogeneza roślin naczyniowych. Warszawa, PWN.

Huang L-K., Wang M-J.J. 1995. Image tresholding by minimizing the measure of fuzziness. Pattern Recognition 28 (1): 41–51.

Zhihui H., Weiyu Y., Shanxiang L., Jiuchao F. 2012.

Multi-level threshold image segmentation using artificial bee colony algorithm. Fifth Conference on Measuring Technology and Mechatronics Automation, 707–11.

Jakubowski M. 2010. Promieniowa zmienność makrostruktury drewna wiatrołomów sosny zwyczajnej (Pinus Sylvestris L.) i świerka pospolitego (Picea Abies Karst.) w relacji do niektórych właściwości drewna. Uniwersytet Przyrodniczy w Poznaniu, Rozprawy Naukowe 407:

1–76.

Jelonek T., Jakubowski M., Tomczak A. 2011. The effect of wind exposure on selected stability parameters of scots pine stands. Annals of Warsaw University of Life Sciences – SGGW 74: 143–49.

Kapur, J.N., Sahoo P.K., Wong A.C.K. 1985. A new method for gray-level picture thresholding using the entropy of the histogram. Graphical Models and Image Processing 29 (3): 273–85.

Li Ch., Tam P.K.S. 1998. An interactive algorithm for minimum cross entropy thresholding. Pattern Recognition Letters 18 (8): 771–76.

Javier P., Pérez J.M.M. 2013. Image Processing with ImageJ. Packt Publishing.

Campbell R., McCarroll D., Loader N.J., Grudd H., Robertson I., Jalkanen R. 2007. Blue intensity in Pinus sylvestris tree rings: developing a new paleoclimate proxy. The Holocene 17 (6): 821–28.

Tajimaa R., and Katob Y. 2010. Comparison of threshold algorithms for automatic image processing of rice roots using freeware ImageJ. Field Crops Research 121 (3): 460–63.

Sezgin M., Sankur B. 2004. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging 13 (1): 146–65.

Speer J. H. 2010. Fundamentals of Tree Ring Research.

University of Arizona Press. Tucson, Arizona.

Spława-Neyman, S. 1976. Sprawozdanie z badań nad wpływem sęków na właściwości tarcicy.

Maszynopis ITD. Poznań.

Tomczak A., Jelonek T., Zon L. 2010. Porównanie wybranych właściwości fizycznych drewna młodocianego i dojrzałego sosny zwyczajnej (Pinus sylvestris L.) z drzewostanów rębnych. Sylwan 154 (12): 809–17.

Tomczak A., Jelonek T. 2013. Promieniowa zmienność właściwości drewna sosny zwyczajnej (Pinus sylvestris L.) wyrosłej na gruntach porolnych. Leśne Prace Badawcze 74 (2).

Osuna-Enciso V., Cuevas E., Sossa H. 2013. A comparison of nature inspired algorithms for multi- threshold image segmentation. Expert Systems with Applications 40: 1213–19.

Yen J.C., Chang F.J., Chang S. 1995. A new criterion for automatic multilevel thresholding. IEEE Trans. on Image Processing 4 (3): 370–78.

Zielski A., Krąpiec M. 2009. Dendrochronologia.

Wydawnictwo Naukowe PWN.

F o r c i t a t i o n s

Jakubowski M. 2014. Comparison of algorithms for the automatic determination of the latewood area in wood samples of Scots pine (Pinus sylvestris L.) using so- ftware ImageJ. For. Lett. 107: 16-23.