Yapraklı ağaçlarda Trahe ve Liflerin Belirlenmesi- Determination of vessel and fibers in hardwoods

Abstract

Görüntü işleme yöntemlerinin uygulama alanları her geçen gün artmakta ve endüstrinin farklı
konulardaki problemlerine çözüm olmaktadır. Bu çalışmada odun anatomisi için önemli olan trahe ve liflerin
belirlenmesinde görüntü işleme algoritmaları kullanılmıştır. Bu parametrelerin odunda bulunma miktarları
odunun kullanım alanlarını etkilediği için önemlidir. Çalışmada, Juglans regia L. (adi ceviz) odununun enine
kesitinden alınan mikroskobik görüntüler kullanılmıştır. Morfolojik işlemlerden ilk olarak görüntülerden
traheler belirlenmiştir. Belirlenen trahe bölgeleri orijinal görüntüden çıkarıldıktan sonra lifler belirlenmiştir.
Bu parametrelerin görüntüdeki miktarları ve yüzde oranları çıkarılmıştır. Çalışma sonucunda enine kesitten
alınan görüntüye göre toplam hacmin %14 trahe, % 34’ü lif hücrelerinden oluştuğu belirlenmiştir.

Image processing methods solve the problems of different aspects of the industry and
application areas of there are increasing day by day. In this study, image processing algorithms were used to
determine the vessels and fibers that are important for wood anatomy. It is important that the amounts of
these parameters affect the usage areas of wood. In the study, microscopic images taken from the cross
section of Juglans regia L. (common walnut) wood were used. Morphological procedures were firstly traced
from the images. The fibers were identified after the specified tracer areas were removed from the original
image. The quantities and percentage ratios of these parameters were subtracted. As a result of the study, it
was determined that the total volume was 14% trache and 34% fiber cells according to the image taken from
the cross section.

Full text

GAZİOSMANPAŞA BİLİMSEL ARAŞTIRMA DERGİSİ (GBAD)
Gaziosmanpasa Journal of Scientific Research
ISSN: 2146-8168
http://dergipark.gov.tr/gbad
Araştırma Makalesi (Research Article)
Cilt/Volume : 6
Sayı/Number: 2
Yıl/Year: 2017
Sayı/Pages: 87-96
Alınış tarihi (Received): 10.05.2017 Baş editor/Editors-in-Chief: Ebubekir ALTUNTAŞ
Kabul tarihi (Accepted): 21.09.2017 Alan editörü/Area Editor: Bülent TURAN
Yapraklı Ağaçlarda Trahe ve Liflerin Belirlenmesi
Halime BOZTOPRAKa,* Mehmet Emin ERGÜNb
aAlanya Alaaddin Keykubat Üniversitesi/ Akseki Meslek Yüksekokulu, Bilgisayar Programcılığı, Antalya-
Turkey
bAlanya Alaaddin Keykubat Üniversitesi/ Akseki Meslek Yüksekokulu, Orman ve Orman Ürünleri Programı,
Antalya-Turkey. e-mail: mehmet.ergun@alanya.edu.tr
*Sorumlu yazar, halime.boztoprak@alanya.edu.tr
ÖZET: Görüntü işleme yöntemlerinin uygulama alanları her geçen gün artmakta ve endüstrinin farklı
konulardaki problemlerine çözüm olmaktadır. Bu çalışmada odun anatomisi için önemli olan trahe ve liflerin
belirlenmesinde görüntü işleme algoritmaları kullanılmıştır. Bu parametrelerin odunda bulunma miktarları
odunun kullanım alanlarını etkilediği için önemlidir. Çalışmada, Juglans regia L. (adi ceviz) odununun enine
kesitinden alınan mikroskobik görüntüler kullanılmıştır. Morfolojik işlemlerden ilk olarak görüntülerden
traheler belirlenmiştir. Belirlenen trahe bölgeleri orijinal görüntüden çıkarıldıktan sonra lifler belirlenmiştir.
Bu parametrelerin görüntüdeki miktarları ve yüzde oranları çıkarılmıştır. Çalışma sonucunda enine kesitten
alınan görüntüye göre toplam hacmin %14 trahe, % 34’ü lif hücrelerinden oluştuğu belirlenmiştir.
Anahtar Kelimeler –Görüntü işleme, Odun anatomisi, Trahe, Lif, Morfolojik işlemler
Determination of vessel and fibers in hardwoods
ABSTRACT: Image processing methods solve the problems of different aspects of the industry and
application areas of there are increasing day by day. In this study, image processing algorithms were used to
determine the vessels and fibers that are important for wood anatomy. It is important that the amounts of
these parameters affect the usage areas of wood. In the study, microscopic images taken from the cross
section of Juglans regia L. (common walnut) wood were used. Morphological procedures were firstly traced
from the images. The fibers were identified after the specified tracer areas were removed from the original
image. The quantities and percentage ratios of these parameters were subtracted. As a result of the study, it
was determined that the total volume was 14% trache and 34% fiber cells according to the image taken from
the cross section.
Keywords – Image processing, Wood anatomy, Vessel, Fiber, Morphological processes
1. Giriş
Odun, yapraklı ve iğne yapraklı ağaç odunları olmak üzere 2 genel sınıfa ayrılmaktadır.
İğne yapraklı ağaç türleri kozalaklılar olarak da adlandırılıp, hücrelerinin %90-%95'i
boyuna traheidlerden ibarettir. İğne yapraklı ağaçlar, yapraklı ağaçlara nazaran daha basit
hücresel yapıya sahiptir ve hücre sayılarının sınırlı olması nedeniyle türleri arasında ayrım
yapmak zordur. Aksine, yapraklı ağaç türleri ise karmaşık hücresel yapıya sahiptirler ve

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 88
türler arasında açıkça ayırt edilebilecek hücresel farklılıklara sahiptir. Traheler, lifler,
paranşim hücreleri ve özışınları hücrelerindeki farklılıkları oluşturan anatomik özellikler
yapraklı ağaç türlerinin teşhisinde önemli rol oynamaktadır (Hermanson & Wiedenhoeft
2011). Yapraklı ağaç türlerinin her birinin benzersiz hücresel yapısı, türler arasında büyük
farklılık göstermektedir (Bond, 2002).
Yapraklı ağaçların hacmini 4 tip hücre kapsamaktadır. Bu hücreler başlıca traheler, lifler,
paranşima hücreleri ve öz ışınlarıdır. Ağaçlarda bu hücreler belirli oranlarda bulunur, bu
oranlarda her ağaç için değişebilmektedir.
Odun hücrelerinden olan trahe, paranşim ve lif hücreleri ağacın kalitesini ve kullanım
alanlarını etkileyen faktörlerdendir. Odun yoğunluğunun yetişme ortamı koşulları ile
değişebileceği belirtilmiştir. Yoğunluğu düşük odunlar yumuşak ve hafif odunlardır,
mekanik ve teknolojik özellikleri düşük, çekme ve gerilme kuvvetlerine karşı dirençleri
azdır. Yumuşak ve hafif odunlar çoğunlukla mobilya sanayinde ve kaplamacılıkta tercih
edilirken, sert ve yoğun odunlar örneğin; madencilikte, gemi ve makine sanayisinde ve
demiryolu traversleri yapımında kullanılır (Bozlar ve ark., 2014).
Odun teşhisinde yaygın olarak kullanılan iki yöntem vardır. Bunlar geleneksel yaklaşım ve
mikroskop yardımıyla teşhis teknikleridir. Odun örneklerinin yüzeyini renk, koku, sertlik
ve ağırlık ile birlikte analiz etmek için çıplak gözle ve x2, x10 el lensleri kullanmak gibi
geleneksel yaklaşımlar odunun tanısında geride bıraktığımız yıllar boyunca kullanılmıştır.
Bununla birlikte, daha güvenilir sonuçlar için, odun numunelerinin mikro yapılarını farklı
kesitlerde (radyal, enine ve teğet kesit) laboratuvarda mikroskop yardımıyla analiz
edilmektedir (Baas ve diğerleri, 1989). Optik sistemin iyi odaklanmaması ya da farklı odak
uzaklığında cisimlerin görüntü alanında bulunması görüntünün bulanık olmasına neden
olmaktadır.Mikroskoptan alınan görüntüler genellikle odak bulanıklığı içermektedir. Bu
gürültünün giderilmesi için otomatik odak ayarı yapamayan sistemler için Boztoprak
(2016) çalışmasında görüntüdeki bulanık geçişlerden daha keskin geçişler elde etmiştir.
Günümüzde görüntü işleme teknikleri ilerleyen teknolojiyle beraber büyük bir ivme
kazanmıştır. Bu ivme beraberinde görüntü işleme tekniklerinin daha hızlı ve doğru
yapılabilmesine pozitif katkıda bulunmuştur. Fizik, sanat, biyomedikal, tıp, savunma sanayi
ve otomobil sanayi gibi birçok alanda görüntü işleme tekniklerinden faydalanılmaktadır.
Bu tekniğin uygulandığı çalışmalara örnek vermek gerekirse; görmeye dayalı sistemler
(Reid ve Searcy, 1987; Sogaard ve Olsen, 2003), vejetasyon yapısının analizi (Zehm ve
ark., 2003), yeşil bitki örtüsünün tespiti (Laliberte ve diğerleri, 2007; Zheng ve diğerleri,
2009), yabancı ot tanımlanması (Tellaeche ve diğerleri, 2008; Bakker ve diğerleri, 2008),
kültür bitkilerinin belirlenmesi (Onyango ve Marchant, 2003), ahşap deformasyonun
saptanması (Sarigul ve diğerleri, 2003) ve meyve saplarının karakterizasyonu üzerine
yapılan çalışmalar (Pla ve Juste, 1995) sayılabilir. Bu çalışmalarının yanında görüntü
işleme teknikleri farklı ağaç türlerinin anatomik özelliklerini belirlemede kullanılmıştır.
Güller (2005) yapmış olduğu çalışmada, görüntü analiz yöntemiyle kızılçam ve ladinde
birim alandaki hücre sayısını tespit etmiştir. Bir diğer çalışmada Güller ve Fakir (2009),
görüntü analiz yöntemiyle yapraklı ağaçlarda tür teşhisinde kolaylık sağlayabileceği ortaya
konmuştur. Gurau ve arkadaşları (2013), restorasyona ihtiyaç duyan üç mobilya
parçasından alınan numunelerin teşhisiyle ilgili bir çalışma yapmış olup, mikroskobik
görüntüleri ImageJ görüntü analiz programı ile yorumlanan görüntüler literatürdeki
verilerle uyumlu olduğu belirlenmiştir. Mikroskobik görüntülerin incelenmesinde yeni
metotlar önerilmiştir (Boztoprak, 2015).

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 89
Mikroskobik olarak alınan görüntüler üç şekilde değerlendirilebilir. Birincisi göz ile
incelenmesidir. Birim alandaki trahe sayısının belirlenmesinde gözle trahelerin tek tek
sayılması yoğun emek ve zaman istediğinden göz çok fazla yorulmaktadır. Sayımı yapan
kişiye göre sonuç değişebilir. İkincisi, bu amaca yönelik hazırlanmış farklı bilgisayar
programları ve algoritmaların kullanıldığı yöntemlerdir. Genellikle standart bir arayüze
sahiptirler. Her aşamasında kullanıcı tarafından bilgi girişi veya seçim yapılması
istenmektedir. Bu programlar bilgisayar yazılımı konusunda profesyonel olmayan ve farklı
bilim dalına sahip bilim insanları için yararlı olmaktadır. Ancak, bilgisayar ile görüntü
tanıma algoritmasını hazırlama ve test ederek kullanılır hale getirme oldukça
profesyonellik gerektiren bir durumdur. Üçüncü yöntem ise, belirlenmek istenen yapıya
uygun görüntü işleme tekniklerinden faydalanılarak otomatik, yarı otomatik olabilen
sistemlerdir. Bu sistemler, odun anatomisi çalışmalarının kısa sürede ve daha kolay bir
şekilde yapılmasını sağlamaktadır.
Bu çalışmada odunun kullanım alanı için önemli olan trahe ve lif yapıları görüntü işleme
yöntemleri kullanılarak çıkarılmıştır. İlk olarak görüntülerden traheler belirlenmiştir. Trahe
bölgeleri orijinal görüntüden çıkarıldıktan sonra lifler belirlenmiştir. Çıkarılan bu
parametrelerin oran ve dağılımları incelenmiştir.
2. Materyal ve Yöntem
Görüntü işleme; çeşitli yöntemlerle görüntünün sayısallaştırılarak veri setlerine
dönüştürülmesini sağlayan yöntemlerdir. Yapraklı ağaç odunlarının enine kesitindeki
mikroskobik görüntüler kullanılarak trahe-lif boyutları ve oranları görüntü analizi ile
incelenmiştir. Bu çalışmada, görüntüler matlab programı kullanılarak işlenmiştir.
2.1 Traheler ve lifler
Anatomik yapı içerişinde incelenen trahe ve lif hücresi ağacın kalitesini ve kullanım
alanlarını etkileyen faktörlerdendir. Ağaçlarda bu hücreler belirli oranlarda bulunur, bu
oranlarsa her ağaç için değişebilmektedir.
Trahe elemanları bütün yapraklı ağaç türlerinde bulunan hücrelerdir. Genel olarak odun
liflerinden çapça çok daha geniştirler, trahe elemanları, traheler olarak bilinen uzun içi boş
yapılardan liflere lif boyunca bağlanmaktadırlar. Boyuna yönde yapraklı ağaç
elemanlarının görünümü Trahe, traheid, lif ve diğer hücrelerinin boyuna yönde görünüşü
Şekil 1’de gösterilmiştir. Bu hücreler ağaçta boyuna yönde yani ağacın dikili haldeki
yönünde yerleşmiş hücrelerdir.

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 90
Şekil 1. Boyuna yönde yapraklı ağaç elemanlarının görünümü a) fusiform kambiyum
hücresi, b) ilkbahar odunu trahe hücresi, c,d) yaz odunu trahe hücresi, e) boyuna paranşima
lifleri, f) fusiform paranşima hücresi, g) vasküler traheid, h) vasisentrik traheid, ı) lif
(Hoadley, 2000).
Figure 1. Appearance of hardwood elements in the longitudinal direction a) fusiform
cambium cell, b) earlywood trache cell, c) d) latewood trache cell, e) longitudinal
parenchyma fibers, f) fusiform parenchyma cell, g) vascular tracheid, h) vasiscentric
tracheid, ı) fiber (Hoadley, 2000).
Yapraklı ağaçların yapısını oluşturan elemanlarının görünümleri karşılaştırıldığında
traheler diğerlerine nazaran daha geniş çapta bulunmaktadır. Özellikle, lifle
karşılaştırıldığında daha net bir şekilde görülmektedir (Şekil 2).
Şekil 2. Yapraklı ağaçların mikroskobik yapıda enine kesit görüntüsü (Hoadley, 2000).
Figure 2. Cross-sectional image of hardwood in microscopic structure (Hoadley, 2000).

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 91
Yapraklı ağaç odunlarını iğne yapraklı ağaç odunlarından ayırmak için birinci yol,
trahelerin bulunmasıdır. Traheler esas itibariyle bütün yapraklı ağaçlarda bulunmaktadır.
Fakat hiçbir iğne yapraklı ağaçta trahe bulunmamaktadır.
Yapraklı ağaçlarda trahe dağılışı halkalı, yarı halkalı ve dağınık olmak üzere üç farklı
grupta toplanmaktadır. Bu üç grup Şekil 3’de verilmiştir.
(a) (b) (c)
Şekil 3. Trahe hücrelerinin enine kesitteki görünüşü a) halkalı, b) yarı halkalı ve c) dağınık
(Schoch ve ark., 2004).
Figure 3. Cross-sectional images of trache cells a) ring, b) semi-ring, c) diffuse porous
(Schoch et al, 2004).
Enine kesitte; boyuna traheit, trahe, lif ve boyuna paranşim hücrelerinin radyal ve teğet
yöndeki genişliği, özışınlarının genişliği ve özışını hücrelerinin uzunluğu ve genişliği
saptanabilir (Merev, 2003).
2.2 Morfolojik işlemler
Morfolojik işlemleri görüntünün objelerini belirgin haline dönüştürmek veya görüntünün
objelerini ayırt etmek için kullanılmaktadır. İkili morfolojik operatörler görüntülerde eksik
noktaların tamamlanması veya gürültü olarak nitelendirilebilen noktaların veya küçük
nesnelerin kaldırılması gibi işlemlerde kullanılır.
Genişleme: Genişleme (dilation) işlemi temelde bir görüntüdeki nesneyi genişletmek veya
kalınlaştırmak için kullanılır. Bu büyüme işleminin şeklini yapısal eleman tayin eder.
Genişleme işleminin en basit uygulamalarından biri ikili görüntüdeki boşlukların
kapatılmasıdır. AB şeklinde gösterilen A’nın B ile genişleme işlemini ifade eder. Burada
A ve B iki boyutlu tamsayı uzayının birer kümesidir. A ikili bir görüntü ve B elemanı “yapı
elemanı (structuring element)” olarak belirtilen bir şablondur (Gonzales ve Woods, 2007).
AB = zB
z∩AA
Aşınma: Aşınma (erosion) işlemi ise genişlemenin tersidir. Aşınma işlemi ile görüntüdeki
bir nesneyi daraltma veya inceltme amaçlanır. Aşınma işlemi kullanılarak ikili görüntüdeki
önemsiz ve küçük nesneler ortadan kaldırılabilir. AB şeklinde gösterilen iki boyutlu
tamsayı uzayının birer kümesi olan A’nın B ile aşınma işlemi matematiksel olarak;
AB = zBzA
ifade edilmektedir (Gonzales ve Woods, 2002).

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 92
Açma ve kapama: Pratikte genişleme ve aşınma işlemleri çoğunlukta beraber, değişik
kombinasyonlarla kullanılırlar. Yani görüntü farklı veya aynı yapısal maske elemanlarıyla
bir dizi genişleme ve/veya aşınma işlemlerine tabii tutulabilir. Aşınma işleminden sonra
genişleme işlemi uygulanarak açma (opening) işlemi gerçekleştirilir. Açma işlemi ile
görüntü içindeki küçük ve önemsiz nesneler ortadan kaldırılarak daha düzgün ve pürüzsüz
bir görüntü elde edilir.
AB = (AB)B
Kapama (Closing) işlemi görüntü işlemede yakın noktaların birleştirilmesi, şekildeki
girintilerin veya çıkıntıların yok edilmesi gibi gereksinimlerde kullanılır. Kapama
işleminde, öncelikle genişleme işlemi yapılır. Daha sonra genişlemiş görüntüye aşınma
işlemi uygulanarak kapama işlemi yapılır.
A•B = (AB)B
Kapama işlemi ise açmanın tersine kendisini aşınmanın takip ettiği bir genişleme işlemidir.
Kapama işlemi de açmaya benzer olarak nesne sınırlarını yumuşatır. Açmadan farkı ise
yapısal elemandan küçük olan girinti, kırık ve gözenekler kapatılır.
Boşluk doldurma: Boşluk doldurma (hole filling) nesne içindeki boşlukların doldurulması
için uygulanır. Öncelikle belirlenen iterasyon sayısı kadar genişleme işlemi yapılır. Daha
sonra elde edilen sonuç 1iterasyon aşınma işlemine tabi tutulur. Aşınma sonucu giriş
görüntüsüyle lojik VE işlemine tabi tutulur. Aşınma ve lojik VE işlemi görüntü
değişmeyinceye kadar uygulanır. Sonuç olarak, görüntünün içindeki boşluklar doldurulur
(Gonzales ve Woods, 2007).
2.3 Uygulanan Yöntem
Bu çalışmada odun anatomisi için önemli olan trahe ve liflerin belirlenmesinde görüntü
işleme algoritmaları kullanılmıştır.
Görüntü bölütleme, görüntüdeki ilgili nesnenin arka plandan ayrıştırılması işlemidir.
Görüntülerin bölütlenmesi yani trahe ve liflerin ayrıştırılması için eşikleme işlemi
yapılmıştır. Eşikleme işlemi görüntü işlemenin önemli işlemlerinden biridir. Özellikle
görüntü içindeki nesnenin belirlenmesinde kullanılır. Bu teknikte bir eşik değeri seçilir ve
görüntü piksel değerlerinin eşik değerinden büyük ya da küçük olmasına göre piksel
grupları sınıflandırılır. Bölütleme neticesinde sadece aranan bölümlerin tutulması ve
gereksiz kısımların görüntüden çıkarılması hedeflenir.
Görüntüden istenilen bilgilerin elde edilebilmesi için görüntü bazı önemli işlemlerden
geçirilmesi gerekir. Görüntüye direkt olarak uygulanan eşikleme işlemi istenilen bölgelerin
belirlenmesinde yeterince başarı sağlayamaz. Bölütleme işlemi, görüntünün tipine ve
çalışmanın amacına uygun olarak seçilerek gerçekleştirilmektedir. Bu çalışmada görüntüye
uygulanan işlemler sırasıyla Şekil 3’de gösterilmiştir. Gri seviyeye dönüştürülen görüntü
kapama ve eşikleme işlemleri uygulanarak traheler belirlenmiştir. Belirlenen trahe bölgeleri
orijinal görüntüden çıkarıldıktan sonra lifler eşikleme işlemiyle belirlenmiştir.

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 93
Şekil 3. Kullanılan yöntemin şematik gösterimi
Figure 3. Schematic representation of the method
3. Bulgular ve Tartışma
Çalışmanın yapıldığı Şekil 4’teki Juglans regia L. (adi ceviz) odununun enine kesit
mikroskop görüntüleri online odun veri tabanından alınmış ve kullanılmıştır (Schoch ve
ark., 2004). Mikroskobik ortamda enine kesitten alınan Şekil 4a’daki orijinal görüntü gri
seviyeye dönüştürülmüştür (Şekil 4b). Traheleri belirlemek için kapama (closing) işlemi
uygulanmıştır. Şekil 5a’da kapama işlemi uygulanmış görüntü gösterilmiştir. Trahe
olamayacak kadar küçük bölgeler kapama işlemi sayesinde küçülecek veya kaybolacaktır.
Böylelikle traheler daha kolay belirlenebilmektedir. Bununla birlikte, odun tanımlama için
gözenek bölütlemesi üzerine sadece birkaç çalışma yapılmıştır (Qi ve diğerleri, 2008;
Wang ve ark., 2009).
(a) (b)
Şekil 4. a) Orijinal görüntü, b) gri seviye görüntü
Figure 4. a) Original image, b) gray level image
Orijinal
görüntü
Doldurma
işlemi
Gri
seviyeye
dönüştürme
Kapama
işlemi
Eşikleme
Çok küçük
gürültülü
bölgelerin
silinmesi
Eşikleme
Trahe
çıkarılmış
görüntü
LİF
TRAHE
-

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 94
Kapama işleminden sonra görüntüye eşikleme işlemi uygulanmıştır. Görüntüden çok ufak
ve gürültü olabilecek bölgeler silinmiştir. Doldurma işlemi yapılarak traheler belirlenmiştir
(Şekil 5b).
(a) (b)
Şekil 5. a) Kapama işlemi b) eşikleme ve doldurma işlemleri uygulanmış görüntü
Figure 5. a) Closing operation, b) image with thresholding and filling operations.
Görüntülere önerilen yöntemin uygulanması ile elde edilen traheler Şekil 5b’de
gösterilmiştir. Elde edilen traheler miktar ve büyüklük bakımından incelenmiştir. Trahelere
ait özellikler otomatik olarak çıkarılmıştır.
Yapılan faklı bir çalışmada odun mikroskobik görüntülerinden gözeneklerin bölümlenmesi
için değişken bir yapı elemanı ile temel matematik morfolojisi kullanılmıştır. Algoritmanın
değerlendirilmesi için toplam 30 farklı örnek kullanılmıştır. Çoğu durumda iyi sonuç
verdiği belirtilmiştir (Pan ve Kudo, 2011).
Belirlenen trahe bölgeleri orijinal görüntüden çıkarıldıktan sonra lifler belirlenmektedir.
Şekil 6a’da orijinal görüntüden belirlenen trahelerin çıkarılması sonucu elde edilen görüntü
gösterilmiştir. Traheleri çıkarılan bu görüntüye eşikleme işlemi uygulanmıştır. Şekil 6b’de
elde edilen lif bölgeleri gösterilmiştir.
(a) (b)
Şekil 6. a) Traheleri çıkarılan görüntü, b) lifler
Figure 6. a) Traches removed from image, b) fibers
Görüntülerden elde edilen lif ve trahe hacimleri çıkarılarak bunların oranları
hesaplanmıştır. Trahelerle karşılaştırdığımızda lifler diğerlerine nazaran daha küçük çaplı
iç
eşikleme

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 95
ve kalın çeperlidir. Yapraklı ağaçların hacminde lifler %15–60 oranında değişiklik
göstermektedir. Genellikle, lifler kâğıt üretiminde en çok öneme sahip hücrelerdir.
Çizelge 1. Trahe ve lif miktarları
Table 1. Trache and fiber quantities
Miktar
Yüzde
Trahe
29205
% 13,70
Lif
72677
% 34,09
Juglans regia L. (adi ceviz) ait görüntüden elde edilen sonuçlar Tablo1’de verilmiştir. Bu
ceviz türü için %14 trahe, % 34 lif oranları bulunmuştur. Programa giriş olarak verilen
görüntüden, çıkış olarak trahe ve lif oranlarını alınmaktadır.
4. Sonuç
Yapraklı ağaç odunlarının enine kesitinden alınan mikroskobik görüntüler kullanılarak
trahe-lif miktarları ve oranları görüntü analizi ile incelenmiştir. Morfolojik işlemler
kullanılarak trahe ve lif yapıları ayrıştırılmıştır. Yöntem, klasik ölçüm yöntemlerine göre
daha pratiktir. Bu yöntemle daha hızlı ve kolay bir şekilde ölçüm yapmak mümkündür.
Önerilen yöntemde ölçüm otomatik yapıldığı için göz çok fazla yorulmamaktadır. Bir
sonraki aşama, diğer anatomik özelliklerin ölçümlerinin de dahil edildiği bir sistem
geliştirmektir.
Kaynaklar
Baas, P., & Vetter, R. E. (1989). Growth rings in tropical trees. IAWA bull./Intern. Assoc. of Wood
anatomists, 10, 2.
Bakker, T., Wouters, H., Asselt van, K., Bontsema, J., Tang, L., Muller, J., Straten van, G., 2008. A vision
based row detection system for sugar beet. Computers and Electronics in Agriculture 60 (1), 87–95.
Bond, B., 2002. Wood identification for hardwood and softwood species native to Tennessee. Agricultural
Extension Service, University of Tennessee.
Bozlar, T., Gerçek, V., Yılmaz, S., & Usta, 2014. A. Kızılağaç Plantasyonlarında Odunun Anatomik
Özellikleri Üzerine Yetişme Ortamının Etkileri, II. Ulusal Akdeniz Orman Ve Çevre Sempozyumu,
22-24 Ekim, Isparta
Boztoprak H., 2016. Odak Bulanıklığın Giderilmesi, INES 1. International Academic Research Congress, 3-5
Kasım 2016, Antalya.
Boztoprak H., Özbay Y., 2015. A new method for segmentation of microscopic images on activated sludge,
Turkish Journal of Electrical Engineering & Computer Sciences, 23: 2253 – 2266.
Gonzalez, R. C. and Woods, R. E., 2007. Digital Image Processing. Prentice Hall, 3rd edition.
Gurau, L., Timar, M. C., Porojan, M., & Ioras, F., 2013. Image processing method as a supporting tool for
wood species identification. Wood and fiber Science, 45(3), 1-11.
Güller, B., 2005. Görüntü Analizi Yöntemi İle Milimetre Karedeki Traheid Sayısının Belirlenmesi, Süleyman
Demirel Üniversitesi Orman Fakültesi Dergisi, 1, S: 132-142.
Güller, B., Fakir, H. 2009. Geniş Yapraklı Ağaçlarda Görüntü Analizi Yöntemi İle Trahe Çapı Ve Birim
Alandaki Trahe Sayısının Belirlenmesi, Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi, 1, S:
83-94.
Hermanson, J. C. and Wiedenhoeft A. C., 2011. A brief review of machine vision in the context of automated
wood identification systems. IAWA J. 32(2): 233–250.
Hoadley, R. B. 2000. Understanding wood: a craftsman's guide to wood technology. Taunton press.
Laliberte, A.S., Rango, A., Herrick, J.E., Fredrickson Ed, L., Burkett, L., 2007. An object-based image
analysis approach for determining fractional cover of senescent and green vegetation with digital plot
photography. Journal of Arid Environments 69 (1), 1–14.
Merev N., 2003. Odun Anatomisi, Karadeniz Üniversitesi Orman Fakültesi, genel yayın no:209, ISBN:975-
6983-29-9, Trabzon.

BOZTOPRAK ve ERGÜN /GBAD, 2017, 6(2), 87-96 96
Onyango, C., Marchant, J.A., 2003. Segmentation of row crop plants from weeds using colour and
morphology. Computers and Electronics in Agriculture 39 (3), 141–155.
Pan, S., & Kudo, M., 2011. Segmentation of pores in wood microscopic images based on mathematical
morphology with a variable structuring element. Computers and Electronics in Agriculture, 75(2),
250-260.
Pla, F., Juste, F., 1995. A thinning-based algorithm to characterize fruit stems from profile images. Computers
and Electronics in Agriculture 13 (4), 301–314.
Qi, H., Chen, F., Wang, H., 2008. Analysis of quantitative pore features based on mathematical morphology.
Forestry Studies in China 10 (3), 193–198.
Reid, J., Searcy, S., 1987. Vision-based guidance of an agricultural tractor. IEEE Control Systems Magazine
7 (2), 39–43.
Sarigul, E., Lynn Abbott, A., Schmoldt, D., 2003. Rule-driven defect detection in CT images of hardwood
logs. Computers and Electronics in Agriculture 41 (1), 101–119.
Schoch, W., Heller, I., Schweingruber, F.H., Kienast, F., 2004. Wood anatomy of central European
Species. Online version: www.woodanatomy.ch.
Sogaard, H.T., Olsen, H.J., 2003. Determination of crop rows by image analysis without segmentation.
Computers and Electronics in Agriculture 38 (2), 141–158.
Tellaeche, A., Burgos-Artizzu, X.P., Pajares, G., Ribeiro, A., 2008. A vision based method for weeds
identification through the Bayesian decision theory. Pattern Recognition 41 (2), 521–530.
Wang,H., Qi, H., Li, W., Zhang, G., Wang,P., 2009. AGA-based automatic pore segmentation algorithm. In:
Paper Presented at the Summit on Genetic and Evolutionary Computation, Shanghai, China, 2009.
Zehm, A., Nobis, M., Schwabe, A., 2003. Multiparameter analysis of vertical vegetation structure based on
digital image processing. Flora-Morphology, Distribution, Functional Ecology of Plants 198 (2), 142–
160.
Zheng, L., Zhang, J., Wang, Q., 2009. Mean-shift-based color segmentation of images containing green
vegetation. Computers and Electronics in Agriculture 65 (1), 93–98.