树木年轮宽度是树木年轮学中的经典研究对象之一,目前年轮宽度的测量主要依靠人工操作,视力劳动强度大,而且测量结果还在很大程度上依赖于测量者的经验和操作水平;年轮面积是近年来被越来越多的学者承认的与环境因子更为相关的年轮特征量,但是它依靠传统的测量手段不能准确测得,通常是在宽度基础上估计的。针对这种现状,本研究选取针叶树种落叶松和阔叶树种刺槐两种不同年轮特征的常见树种为研究对象,将计算机视觉技术引入到年轮的测量工作,主要完成了以下工作:(1)根据年轮参数的物理意义和年轮图像的特征,设计了年轮图像处理和年轮参数的自动识别等一系列的算法流程,该流程同样适用于其他树种的识别问题; (2)分析了年轮早晚材部分在图像表现上的灰度差异,提出了自动识别的关键在于图像分割进而提取出晚材边界的思想,并且对常用的自动分割算法作了如下的改进:提出了基于区域形状分块的动态阈值分割算法,年轮心边材分界线近似圆形,分块时则采用椭圆分界线,分界椭圆通过直方图的变化特征来自动确定。该方法由于极大地拟合了心、边材的分界线形状,使得分割后背景灰度差异较大的心、边材年轮边界都得到了很好的保留并且过渡自然,克服了传统的矩形分块法带来的块与块之间的连接问题;根据目标与背景在周长、面积等几何参数上的差异,提出了基于区域几何特征的轮廓分割方法,有效地去除了落叶松年轮图像中的色斑以及刺槐图像中的管孔等干扰;(3)在年轮参数识别方法上,充分考虑了参数本身的物理意义和常规测量标准,提出了基于轮廓跟踪的年轮宽度和面积测量方法,该方法不受晚材内部孔洞等干扰的影响,对比常用的目标像素统计的方法,测量结果更为准确,显示出了很强的适应性; (4)树木年轮参数图像检测系统采用VC++6.0作为软件开发工具,应用界面友好,检测结果的存储和处理都非常方便。系统基本上实现了参数的自动识别,人工干预只是出现在干扰严重的年轮图像分割后的断轮连接上。(5)本研究开发的系统,可在图像处理的基础上,一次操作同时获得年轮宽度、晚材宽度、年轮面积、晚材率等若干个年轮参数,试验表明,由图像检测方法得到的年轮参数相对于手工测量结果的平均误差仅为2.11%。验证了采用计算机检测年轮参数在方法上的可靠性及可行性。