植物葉圖像特征分析和分類檢索

姚 飛，葉 康，周堅華

（1.華東師范大學 地理科學學院，上海200241；2.上海植物園 科研中心，上海200231；3.華東師范大學地理信息科學教育部重點實驗室，上海200241）

植物葉圖像特征分析和分類檢索

姚 飛1，葉 康2，周堅華3

（1.華東師范大學 地理科學學院，上海200241；2.上海植物園 科研中心，上海200231；3.華東師范大學地理信息科學教育部重點實驗室，上海200241）

研究基于植物葉特征的植物屬種自動圖像分類檢索技術。為了解決植物屬種眾多引起的分類困難，綜合應用了圖像分類和圖像檢索的一些概念模型和方法，如根據(jù)圖像檢索概念，構建以葉形和葉緣特征變化為依據(jù)的闊葉類植物（單葉）分類語義字典；根據(jù)圖像分類原理，設計字典各層分支結點的描述符；根據(jù)相似概率索引方法，推求字典葉節(jié)點成員屬于特定植物種的概率，進而實現(xiàn)對植物屬種做圖像分類索引的功能。以適量樣本所做的分類實驗表明：面積凹凸比、長寬比、右邊界非線性擬合二次項系數(shù)、上邊界非線性擬合二次項系數(shù)、最寬處位置指數(shù)等描述符對于闊葉植物分類有效。通過這些描述符可以將31類闊葉植物劃分到8個葉節(jié)點，并檢索其具體屬種；全局分類精度平均為94.19%。并初步證明了如下結論： “分類語義字典組織的分層分類+葉節(jié)點成員相似性檢索”的技術框架，可以有效擴大植物屬種辨識數(shù)量、提高辨識精度，是植物數(shù)字搜索引擎合理有效的概念模型。圖6表9參14

植物學；植物葉片特征；語義字典；分層分類；描述符；圖像索引

植物屬種信息是植物功能相關建模的重要支持數(shù)據(jù)。然而，植物種類的豐富性和形態(tài)多樣性使植物分類的理論和方法面臨嚴峻挑戰(zhàn)。即使是資深的植物分類學家也只能辨識特定區(qū)域的部分植物種。與植物的豐富和多樣性相比，植物分類學家永遠短缺，而引起所謂 “分類障礙”問題［1］。隨著數(shù)碼攝影技術的發(fā)展，使得數(shù)字圖像更易獲得；同時，計算機圖像分析和模式識別技術的進步，使人類快速進入 “自動識別各類物種的時代”［2］。因此，研發(fā)植物數(shù)字搜索引擎和索引數(shù)據(jù)庫成為一個適時主題。植物數(shù)字搜索引擎是一種能夠從數(shù)字圖像（比如野外工作人員通過便攜設備拍攝的植物圖像）自動辨識植物類的軟件工具，它依托事先建立的植物樣本索引庫和分類索引規(guī)則工作，能幫助僅僅經過有限訓練的野外工作人員，完成原來只能由植物分類學家完成的任務。植物數(shù)字引擎研發(fā)是一個跨學科難題。同種植物在不同生長環(huán)境、季節(jié)表現(xiàn)出的性狀多變性，以及某些不同種植物葉形及外觀的相似性等，增加了植物類圖像辨識的難度，使得搜索引擎的研究離實際應用還有較大距離［3-5］。植物圖像分類首先遇到的問題是類別數(shù)限制。經典圖像分類器模型一次分類的類別數(shù)一般不超過10類，并且要求圖像特征空間維數(shù)必須與類別數(shù)相當，與數(shù)以萬計的植物種相比，分類困難顯而易見。為此，本研究采取分層分類與檢索相結合的方法，即通過構建植物分類語義字典和設計用于字典各層分支結點的圖像特征（也稱描述符），通過分層分類擴大可分類別數(shù)；將植物劃分到適當?shù)娜~節(jié)點后，以索引方法評估葉節(jié)點成員屬于特定植物種的概率，進而實現(xiàn)對植物屬種做圖像分類索引的功能。植物器官特征選擇是構建分類語義字典的第1步。這些特征包括：葉形、葉脈、葉序、花序、果實類型、苞片等。限于篇幅，筆者側重于葉形圖像特征的研究。此外，與目視分辨植物類不同，該字典既要兼顧植物的門、綱、目、科、屬、種的分層關系，又要考慮各層面圖像特征的可識別性。多數(shù)植物類別可以根據(jù)葉形特征彼此區(qū)別，這是植物圖像葉特征識別的基礎［6］。盡管某些同種植物的葉形可能出現(xiàn)差別，通?？偪梢栽O計出適當?shù)拿枋龇勘磉_某些共同點。很多學者報告了他們在這一領域的研究成果［7－12］，本研究在借鑒這些成果的基礎上，提出了 “分類語義字典組織的分層分類+葉節(jié)點成員相似性檢索”的技術框架，其核心技術包括：①植物分類語義字典；②分支結點描述符（組合）設計；③索引規(guī)則和算法，并以適量實例證實了這些技術的有效性。

1 數(shù)據(jù)與方法

1.1 實驗數(shù)據(jù)和方法概述

植物葉片樣本數(shù)字圖像來自野外自采集和中國植物圖像庫。野外自采集區(qū)域為上海市區(qū)，采樣設備為普通單反變焦數(shù)碼相機。自采樣本約占總樣本數(shù)的90%。同時，要求拍照時按照葉尖在上、葉柄在下的方式擺放拍照。研究包括如下步驟：分析植物器官特征、構建植物分類語義字典、設計分層描述符、采集植物葉片圖像、圖像預處理、計算相關參變量和描述符值、分層測試描述符（組合）的分類精度、評估葉節(jié)點成員與樣本的相似性。流程參見圖1。

1.2 野外采樣和圖像預處理

采樣地點包括華東師范大學閔行校區(qū)、上海植物園和虹橋路虹梅公共綠地。共對30余種闊葉類植物采樣量測和攝影。拍攝圖像包括單葉的正反面。共獲取有效樣本圖像300余幅。拍攝時注意了避免陽光直射，拍攝背景為自制小黑板。圖像預處理主要用于減少噪點對葉形狀特征提取的干擾。圖2以二球懸鈴木Platanus acerifolia為例介紹處理的一般流程，主要包括將原圖像轉換為灰度圖并作中值濾波處理，濾波器的窗口尺寸自適應確定；將灰度圖轉換為二值圖，分割閾值依據(jù)大津法確定［13］；對二值圖進行數(shù)學形態(tài)學處理，以開啟運算去除毛刺，以閉合運算封閉較小裂隙，以和原二值圖的邏輯與運算恢復葉緣細節(jié)信息。

圖1 方法流程Figure 1 Flowchart of the proposed

1.3 層結點描述符設計

為了增加可分植物屬種，采用多層分類的方法，并以語義字典標記層間邏輯關系。語義字典的概念和特點將在2.1中介紹。屬種分類在語義字典的每個分支結點上進行，因此需要為這些結點設計與分類特征相關的獨立描述符，并測試其有效性。

描述符設計主要考慮葉形特征和部分葉緣特征參變量。圖3以二球懸鈴木和鵝掌楸Liriodendron chinense為例，顯示葉形參變量提取過程，即先對圖像跟蹤獲得葉邊界圖像，同時獲得圖像坐標最大、最小值的4個邊界點（從最上邊界開始順時針方向依次記為點A，B，C，D）和葉質心（記為點O）；在A和C點中，取橫向偏離O較小者作為葉尖/葉柄所在，將葉尖/葉柄與O連線并延長交邊界于1點，該點可能為葉柄/葉尖所在，需進一步計算該點同質心O，邊界點A或C所形成角度的大?。ㄈ鐖D3A中的∠A1OC，圖3C中的∠AOC1），本研究多次試驗后最終確定當角度大于10°時，交點為葉柄/葉尖所在，否則取邊界點為葉柄/葉尖。在確定了葉尖、葉柄等特征點后，構造特征線，包括葉尖和葉柄連線l1，過質心O且垂直于l1得l2，過C且平行于l2得l3。最終統(tǒng)一記葉尖/葉柄為點E和F，l1，l2和l3的直線方程分別為A1x+B1y+C1=0，A2x+B2y+C2=0，A3x+B3y+C3=0。表1列舉了提取的葉形參變量。語義字典中1個分支結點處的分類通常在多特征空間進行，即需要使用多個描述符組合。同時1個描述符也可能被多個結點的分類規(guī)則采用，表2列出常用葉形特征描述符。有關描述符有效性測試的內容，請見2.2和2.3。

表1 植物葉片形狀特征參變量一覽表Table 1 Shape feature parameter of leaf

圖2 圖像預處理過程Figure 2 Image processing

圖3 二球懸鈴木和鵝掌楸參變量提取過程Figure 3 Two examples of parameter extraction process

表2 特征描述符一覽表Table 2 Feature descriptors

1.5 分層分類和索引

如前所述，屬種分類在語義字典的每個分支結點上進行，包括：為每個分支結點選擇描述符組合，通過訓練定制各分支結點的分類器，以及以定制的分類器做分類測試。分類器模型包括決策樹（DT）和支持向量機（SVM）。選擇它們出于以下考慮：決策樹（DT）可以提供分類規(guī)則表達式，便于查看各描述符的有效性。如圖4的樹狀圖是以60幅圖像為訓練樣本給出的分類規(guī)則示例，葉節(jié)點1和節(jié)點2分別代表裂葉和非裂葉，初始特征向量包括8個描述符，但被決策樹（DT）選用的只有Rlw，Ra和Sa，入選的描述符是對當前分類問題較有效的特征分量。而支持向量機（SVM）是適合小樣本監(jiān)督分類的新穎模型，具有更優(yōu)的容錯機制。表3列舉以決策樹（DT）作模型時的訓練和分類精度測試數(shù)據(jù)。

受分類方法類別數(shù)的限制，通過分層分類到達語義字典某個葉節(jié)點的成員通常屬于多個植物類，或說葉節(jié)點成員尚未分到具體的植物屬種。上述分層分類方法也只能有限改善這種情況。本研究參考目前圖像檢索領域的主流方法，提出了評估葉節(jié)點成員歸屬概率的方法，并測試了其有效性，具體請見2.4。

2 結果與討論

在借鑒現(xiàn)有研究成果的基礎上取得了如下進展：設計并測試了6個新描述符、以多層分類取代單層分類、以語義字典組織多層分類的繼承關系、通過葉節(jié)點成員與樣本的相似性評估，給出該成員植物類歸屬的概率。其中的關鍵技術包括語義字典、分支結點分類器、描述符組合和索引。

表3 各分支結點的訓練數(shù)據(jù)和分類精度測試數(shù)據(jù)Table 3 Data of training and forecasting for each dividing nodes

2.1 分類語義字典

一般認為分類數(shù)與特征空間維數(shù)必須相當。描述符過少，則類別劃分困難，而使分類精度降低；描述符過多則可能引起 “維數(shù)災難”。為了減少每次分類的類別數(shù)，以適應適用的獨立描述符數(shù)量，采用了分層分類的方法。為了清晰描述各層之間的邏輯關系，本研究根據(jù)圖像檢索的概念和方法，提出了植物分類語義字典的概念，在兼顧屬種分層和圖像可辨識性的基礎上，嘗試性地定義了單葉闊葉類植物分層分類語義字典（圖5）。已見報道的單葉闊葉植物葉片圖像特征包括：葉形、葉緣、葉脈。可以將葉片按有無顯著葉裂分為裂葉和非裂葉，其中非裂葉按葉緣是否有 “牙齒”分為非全緣和全緣葉；全緣葉繼續(xù)分成卵形、圓形、披針形等［14］，為避免同層類別數(shù)過多，采用逐步細分的辦法，將葉長寬比＜1和＞1和接近1分別歸為寬葉、長葉和標準葉，而略長葉是葉長等于1.5～2.5倍葉寬的情況。本文主要側重葉形分類，葉緣和葉脈將另文討論。

圖4 將闊葉類劃分為裂葉和非裂葉類的規(guī)則Figure 4 The rules for dividing broad leaf into lobed leaf and non-lobed leaf

圖5 單葉闊葉類植物分層分類語義字典Figure 5 The semantic dictionary of hierarchical classification for single-broad-leaf plants

2.2 分支結點分類器評估

為了實現(xiàn)分層分類，通過訓練為各分支結點定制了分類器，即為每個結點歸納了類似于圖4的分類規(guī)則樹。為了評估這些分類器的精度，用預留的測試樣本，做分類精度評估。表4以混淆矩陣形式列出了對字典根結點（闊葉類）的決策樹（DT）分類器做精度評估的結果。測試樣本圖像為138張。

為了檢查不同分類器模型分類精度的差異，以圖4中入選的3個描述符構建特征空間，用與圖4的實例相同的樣本集訓練定制一個支持向量機（SVM）分類器，并以同一組測試樣本重新分類。所得混淆矩陣如表5所示。2種分類器的分類全局精度分別為97.10%和96.38%。這些數(shù)據(jù)可以從一定程度上說明，改變分類器模型對分類精度的影響不大。

用類似的方法可以評估所有分支結點的分類器。表3已經列出了這些結點的全局精度等數(shù)據(jù)。由表3可見，分支結點的全局精度一般高于95%，最低為83.56%；提示這些分類器能以較高精度對新樣本分類，所用描述符（組合）對于劃分植物屬種有效。其中，將非裂葉劃分為全緣葉和非全緣葉時精度稍低，提示需要繼續(xù)研究能夠描述細微葉緣特征的描述符。

表4 DT分類混淆矩陣Table 4 A case confusion matrix of classification through use of DT

表5 支持向量機（SVM）分類混淆矩陣Table 5 A case confusion matrix of classification through use of SVM

2.3 描述符（組合）有效性評估

描述符組合分類的有效性可以通過特征空間的樣本聚集程度評估。為了增加評估的科學性，仿造大津算法，以統(tǒng)計量EL定量評估這種有效性。當特征空間f（x，y）為2維，植物類為c1和c2等2類時，EL可以表達為 EL=σB2／σω2。其中：σB2和 σw2分別稱為類間和類內方差。且有：σB2=ω1ω2‖c1,c2‖；σω2= ω1σ12+ω2σ22。其中：ω1，ω2分別為c1和c2的樣本數(shù)，‖c1,c2‖為2個類別質心的歐氏距離，σ12，σ22分別為c1和c2的方差；計算時，先將特征向量歸一化到值域［0,1］，計算各描述符組合的EL，EL值越大表明描述符組合分類效果越好；對EL排序可以選出較好的描述符組合。多類別和多描述符組合評估情況類似，這里不再贅述，表3中描述符空間一欄列出的是各層結點有效的描述符組合。

圖6以闊葉和全緣葉結點為例，顯示了以不同描述符組合的特征空間中，用EL表達的樣本聚集程度。圖6a～c顯示以兩維和三維描述符組合劃分2個類別的情況，植物樣本各自聚集的事實提示面積凹凸比和離心率對將闊葉植物劃分為裂葉和非裂葉類有效；該結論也被決策樹自適應選擇面積凹凸比和長寬比，構成分類規(guī)則的事實驗證。圖6d～f顯示劃分3個類別的情況，提示離心率、右邊界擬合系數(shù)等描述符對于將全緣葉劃分為標準、長葉和寬葉類有效。

2.4 相似性概率評估

如前所述，分層分類后，葉節(jié)點成員尚未分到具體的植物屬種。這一部分將通過評估葉節(jié)點成員與相應已知樣本的相似程度，給出該成員分別屬于某些植物屬種的概率。這種相似程度可以采用如式（1）所示的均方差公式定量計算。

圖6 以EL評估描述符組合分類的有效性Figure 6 Evaluating effectiveness of classification by ELin several case combinations of feature descriptors

其中：i=1，2，…，n為樣本序號（0表示新成員）；j=1，2，…，m為描述符序號；G為描述符值，如Gi1為第i個樣本第1個描述符的值；Si是為第i個樣本的均方差。

通常，Si可以反映某葉節(jié)點新成員與同一節(jié)點已知樣本的相似度，Si值越小，相似度越高。在下面的2個例子中，葉節(jié)點的新成員分別為樸樹Celtis sinensis和女貞Ligustrum lucidum葉圖像，表6和表7顯示這2種新成員相對于已知樣本的Si值，并列出Si排序較前的樣本植物種類?？梢姡篠i可以用于確定葉節(jié)點成員的植物種歸屬?？梢愿鶕?jù)某類植物出現(xiàn)頻次和平均Si值等綜合確定新成員的歸屬概率，式（2）給出一個評估表達式的例子。

其中：Pi為新成員屬于第i類植物的概率；a和b為權系數(shù)；Ni為在Si較低的10個樣本中，第i類植物出現(xiàn)的次數(shù)；Si（mean）為這10個樣本中，第i類的平均Si?？梢酝ㄟ^調節(jié)a和b，給予Ni和Si（mean）不同的信任度。以表6和表7的評估數(shù)據(jù)為例，先將Ni和Si歸一化到值域［0,1］，并設a=b=0.5（等權），評估結果見表8和表9。表8顯示新成員屬于樸樹，多香果Pimenta officinalis，紫薇Lagerstroemia indica的概率分別為90.96%，50%，55.18%，能夠完全將新成員鎖定在樸樹這個類別。表9的數(shù)據(jù)顯示：通過葉形狀特征很難區(qū)分女貞與樟樹Cinnamomum camphora（兩者具有非常相似的葉形），但與其他參比類差別較大。所以，可以明確地將新成員歸屬概率限制在這2個類別中，評估結果還是具有參考價值的。

3 結論

表6 相似度概率評估（樸樹）Table 6 Assessment of similarity（hackberry）

表7 相似度概率評估（女貞）Table 7 Assessment of similarity（privet）

表8 相似性概率評估結果（樸樹）Table 8 Assessment result of similarity（hackberry）

表9 相似性概率評估結果（女貞）Table 9 Assessment result of similarity（privet）

本研究主要研究基于植物葉特征的植物屬種自動圖像分類檢索技術，并在設計新描述符、構建語義字典和多層分類、檢索和評估葉結點成員歸屬概率等方面取得突出進展。設計合理的描述符是改善可分性的關鍵。面積凹凸比和周長凹凸比分別對將闊葉植物劃分為裂葉和非裂葉類和將非裂葉植物劃分為全緣和非全緣葉類別有效；長寬比、離心率和右邊界二次擬合二次項系數(shù)對將全緣葉層劃分為不同長寬比的葉形類別有效；上邊界非線性擬合二次項系數(shù)、上下面積對稱性、最寬處位置指數(shù)和質心偏心率對于劃分卵形、闊橢圓形和倒卵形葉有效。使用分類語義字典組織分層分類，并在各分支結點使用適當?shù)拿枋龇M合分類，可以有效增加可分類別數(shù)和提高分類精度。在植物屬種較多的情況下，（分層）分類通常不能最后決定屬種。對于分到葉節(jié)點的成員可以通過與索引庫樣本的相似性評估，獲得它們屬于不同科、屬、種的概率，而基本實現(xiàn)對植物屬種做圖像自動分類索引的功能。 “分類語義字典組織的分層分類+葉節(jié)點成員相似性檢索”是一個合理有效的概念框架。但受實驗樣本數(shù)量和實驗深度等限制，該框架還存在一些局限性。如對葉圖像質量要求較高、部分算法有待繼續(xù)提高自適應程度、索引算法有待降低運算開銷等。

［1］ de CARVALHO M R,BOCKMANN F A,AMORIM D S,et al.Taxonomic impediment or impediment to taxonomy?A commentary on systematics and the cybertaxonomic-automation paradigm［J］.Evol Biol,2007,34（3/4）:140－143.

［2］ MACLEOD N,BENFIELD M,CULVERHOUSE P.Time to automate identification［J］.Nature,2010,467（7312）:154－155.

［3］ BACKES A R,BRUNO O M.Plant leaf identification using multi-scale fractal dimension［G］//FOGGIA P,SANSONE C,VENTO M..Image Analysis and Processing-ICIAP 2009.Berlin Heidelberg:Springer,2009:143－150.

［4］ BACKES A R,JUNIOR J J M S,KOLB R M,et al.Plant species identification using multi-scale fractal dimension applied to images of adaxial surface epidermis［C］//JIANG X,PETKOV N.Computer Analysis of Images and Patterns. Berlin Heidelberg:Springer,2009:680－688.

［5］ COPE J S,CORNEY D,CLARK J Y,et al.Plant species identification using digital morphometrics:a review［J］.Exp Syst Appl,2012,39（8）:7562－7573.

［6］ McLELLAN T.Geographic variation and plasticity of leaf shape and size in Begonia dregei and B.homonyma（Begoniaceae）［J］.Bot J Linn Soc,2000,132（1）:79－95.

［7］ 朱靜，田興軍，陳彬，等.植物葉形的計算機識別系統(tǒng)［J］.植物學通報，2005，22（5）：89－94.

ZHU Jing,TIAN Xingjun,CHEN Bin,et al.Computer recognition system of plant leaf-shape［J］.Chin Bull Bot, 2005，22（5）：89－94.

［8］ 王曉峰，黃德雙，杜吉祥，等.葉片圖像特征提取與識別技術的研究［J］.計算機工程與應用，2006（3）：190－193.

WANG Xiaofeng,HUANG Deshuang,DU Jixiang,et al.Feature extraction and recognition for leaf images［J］.Comput Eng Appl,2006（3）：190－193.

［9］ DU Jixiang,WANG Xiaofeng,ZHANG Guojun.Leaf shape based plant species recognition［J］.Appl Math Comput, 2007,185（2）:883－893.

［10］ 賀鵬，黃林.植物葉片特征提取及識別［J］.農機化研究，2008（6）：168－170，199.

HE Peng,HUANG Lin.Feature extraction and recognition of plant leaf［J］.J Agric Mech Res,2008（6）：168－170，199.

［11］ 侯銅，姚立紅，闞江明.基于葉片外形特征的植物識別研究［J］.湖南農業(yè)科學，2009（4）：123－125，129.

HOU Tong,YAO Lihong,KAN Jiangming.Plant recognition research based on shape features of leaf［J］.Hunan A-gric Sci,2009（4）：123－125，129.

［12］ 鄭小東，王曉潔，高潔.面向植物分類的被子植物葉形特征自動提取［J］.中國農學通報，2011，27（15）：149－153.

ZHENG Xiaodong,WANG Xiaojie,GAO Jie.Automatic feature extraction of leaf shape designed for angiosperm taxonomy［J］.Chin Agri Sci Bull,2011，27（15）：149－153.

［13］ OTSU N.A threshold selection method from gray-level histogram［J］.IEEE Trans Syst Man Cybern,1979，9（1）:652－655.

［14］ 楊世杰.植物生物學［M］.北京：科學出版社，2000：121－122.

Automatic image classification and retrieval by analyzing plant leaf features

YAO Fei1,YE Kang2,ZHOU Jianhua3
（1.School of Geographic Sciences,East China Normal University,Shanghai 200241,China;2.Scientific Research Center,Shanghai Botanical Garden,Shanghai 200231,China;3.Key Laboratory of Geographical Information Science, Ministry of Education,East China Normal University,Shanghai 200241,China）

The objective of this article is to present a novel conceptual framework for discerning tree species from plant leaf digital images and to assess its applicability.In order to make huge numbers of plant species discernable,some concepts and methodologies of image classification and retrieval were comprehensively and innovatively employed in this framework.For example,according to the concept of image retrieval,a semantic dictionary for partitioning broad-leaf plants was created based on the differences between species in leaf shape and leaf margin.Each sample plant was represented by the images photographed from one of its leaves.By following principles of image classification,several descriptors for each splitting node in the semantic dictionary were designed and tested.Then,by imitating the retrieval method,the similarity probability,which means the probability that a new node member belonged to a certain plant species,could be properly assessed through calculating the variance of attribute between the new one and the known plant species.Finally,the objective mentioned before could be achieved.The classification results revealed that all newly explored descriptors, such as the area ratio of leaf patch to its convex hull,the length to width ratio,the second-order fitting coeffi-cient of the leaf edge,and the location index of the widest site of a leaf were applicable to classification of broad-leaf plant species and high classification accuracy could be expected with some example combinations of them.Altogether,31 plant species were classified into eight leaf nodes,and then their specific species were determined quite accurately by assessing the similarity probability.The overall classification accuracy assessed by confusion matrix method was usually better than 94.2%.These results verified that the conceptual framework combining image classification and retrieval was reasonable,effective,and accurate for discerning plant species from digital leaf images.［Ch,6 fig.9 tab.14 ref.］

botany;plant leaf feature;semantic dictionary;hierarchical classification;descriptors;image retrieval

S758.5

A

2095-0756（2015）03-0426-08

10.11833/j.issn.2095-0756.2015.03.015

2014-09-04；

2014-11-26

國家自然科學基金資助項目（41071275）；國家理科基地科研訓練及科研能力提高項目（J1310028）

姚飛，從事遙感圖像智能識別研究。E-mail:yaofei2246@sina.com。通信作者：周堅華，副教授，從事圖像智能識別和生態(tài)遙感研究。E-mail:jhzhou@geo.ecnu.edu.cn