基于分形維度的林業(yè)遙感圖像樹種分類識別

周 晨，劉 磊

(1.西安科技大學(xué)測繪科學(xué)與技術(shù)學(xué)院，陜西 西安 710054；2.電子科技大學(xué)成都學(xué)院，四川 成都 611731)

1 引言

林業(yè)資源是生態(tài)系統(tǒng)中最重要的資源，有利于凈化空氣，維持生態(tài)平衡[1-3]。林業(yè)資源管理需采用科學(xué)準(zhǔn)確的分類識別樹種方法，提高樹種分類識別效率，對林業(yè)資源保護(hù)具有重要的意義。樹種分類識別包括樹皮紋理、葉片、花卉等方面的識別。在林業(yè)樹種分類識別中，以往的分類方法精度低，不符合林業(yè)資源管理的標(biāo)準(zhǔn)。因林區(qū)樹種所生長的地區(qū)和分布多樣性[4]，導(dǎo)致林業(yè)遙感影像產(chǎn)生“同物異譜”情況，使分類識別準(zhǔn)確度下降。

隨著林業(yè)遙感圖像處理技術(shù)的高速發(fā)展，通過波譜數(shù)據(jù)處理方法已經(jīng)不符合遙感應(yīng)用的標(biāo)準(zhǔn)，而紋理特征是林業(yè)遙感圖像的核心數(shù)據(jù)，對于林業(yè)遙感圖像的分類識別有深遠(yuǎn)的意義。以往的林業(yè)遙感圖像樹種分類識別方法非常局限，如溫小樂等，研究隨機(jī)森林特征選擇的樹種分類方法[5]，在林業(yè)遙感圖像樹種分類識別過程中，依據(jù)該方法實(shí)施特征選擇實(shí)現(xiàn)樹種分類識別，由于該方法計算過程過于復(fù)雜，導(dǎo)致林業(yè)遙感圖像樹種分類識別效率慢；皋廈等人研究結(jié)合LiDAR單木分割樹種分類方法[6]，在林業(yè)遙感圖像樹種分類識別過程中利用高光譜數(shù)據(jù)實(shí)現(xiàn)樹種分類識別，由于該方法操作繁瑣，導(dǎo)致林業(yè)遙感圖像樹種分類識別效果不佳。分形與圖像聯(lián)系非常緊密，在非線性科學(xué)中分形維度是重要的理論，采用分形維度感知遙感圖像表面紋理粗糙度和人類感知相同，通過分形維數(shù)理論實(shí)施遙感圖形紋理分析的應(yīng)用性較高。分形維數(shù)可識別物體的復(fù)雜度，將其用在圖像的識別中，已經(jīng)取得較好的效果。

因此本文研究基于分形維度的林業(yè)遙感圖像樹種分類識別方法，提取林業(yè)遙感圖像數(shù)據(jù)和紋理特征，提高林業(yè)遙感圖像樹種分類識別的準(zhǔn)確性，促進(jìn)林業(yè)資源的可持續(xù)發(fā)展。

2 基于分形維度的林業(yè)遙感圖像樹種分類識別

2.1 數(shù)據(jù)來源與處理

選取某地區(qū)中壤土質(zhì)地的試驗(yàn)人工林場，土層較薄，氣候適宜，該地區(qū)主要樹種包括刺槐、油松、香樟樹、白樺樹等。研究數(shù)據(jù)為這四種樹木的樹皮紋理遙感圖像，每種樹種為500張遙感圖像，將共計2000張遙感圖像作為輸入數(shù)據(jù)。遙感圖像由3個1.0m全色波段的分辨率拍攝[7]，其覆蓋范圍為49O58′—50O02′N，127O08′—127O12′E。

遙感圖像的數(shù)據(jù)處理包括：全色波段、多光譜的融合，其是利用Gram-Schmidt變換完成遙感圖像融合，再通過幾何校正遙感圖像[8]。

相同品種的樹種在非陰影區(qū)、陰影區(qū)區(qū)別比較大，主要原因?yàn)檫b感圖像的分辨率高導(dǎo)致。為了區(qū)分遙感圖像非陰影區(qū)、陰影區(qū)，相關(guān)學(xué)者研究的陰影植被指數(shù)HVI實(shí)現(xiàn)區(qū)分，求解HVI如式(1)所示

(1)

其內(nèi)：灰度值，用MIR描述；紅光波反射率，用R描述；歸一化植被指數(shù)，用MDVI描述。

因紋理特征模糊導(dǎo)致遙感圖像失真的原因：在拍攝中，因人為、光線、環(huán)境、后期處理等引起的圖像灰度值不穩(wěn)定，另外因遙感圖像經(jīng)遠(yuǎn)程遙感設(shè)備拍攝而成，顯示在電子設(shè)備上[9]，再利用ROI區(qū)域截取圖像，但是在截取時操作不當(dāng)也會導(dǎo)致提取樹皮紋理特征的精度低，為了提高林業(yè)遙感圖像紋理特征的提取與分析效果，通過直方圖方法，提高圖像質(zhì)量與清晰度。

2.2 分形維度

遙感圖像的復(fù)雜程度用分形維度表示，在林業(yè)遙感圖像樹種紋理分類識別中，分形維度代表像素組成，近似于人們視覺的感受[10]。

通過分形維度分析林業(yè)遙感圖像樹種紋理，將林業(yè)遙感圖像樹種紋理用點(diǎn)集S∈R3表示，三維(x，y，z)用于表示點(diǎn)集中各元素s，其內(nèi)，(x，y)點(diǎn)的灰度值，用z描述；像素坐標(biāo)用x、y描述，相對的面積Bγ用式(2)表示

Bγ=|{s′∈R3|?s∈S：|s-s′|≤γ}|

(2)

其內(nèi)：像素點(diǎn)用γ描述；距各元素s≤γ的點(diǎn)用s′描述，紋理的細(xì)微變化差異像素的面積隨γ增大，引起對應(yīng)的面積Bγ增大，分形維度DF，如式(3)所示

(3)

采用分形維度的“毯子法”計算面積Bγ。表面G由灰度值組成，在γ兩邊離表面G產(chǎn)生厚度是2γ的毯子。整個毯子的體積Vγ除以厚度2γ等于對應(yīng)的面積Bγ。該算法步驟為：

1)初始化

設(shè)毯子(i，j)點(diǎn)的灰度值，用g(i，j)描述，且k0(i，j)=a0(i，j)=g(i，j)，上下表面，分別用aγ、uγ描述。

2)求解各點(diǎn)的上下表面值

對整個γ=1，2，3，…，計算的全過程，見式(4)、式(5)

(4)

(5)

其內(nèi)：(m，n)點(diǎn)與(i，j)點(diǎn)間的距離，用d描述。

3)求解毯子的體積，如式(6)所示

(6)

4)求解毯子的表面積，如式(7)表示：

Bγ=(Vγ-Vγ-1)/2

(7)

為了計算出分形維度DF，通過上面的步驟計算出擬合曲線的斜率(logBγ，logγ)，進(jìn)而得出分形維度DF。

2.3 特征提取及分類識別

2.3.1 紋理特征

利用分形維度提取林業(yè)遙感圖像的樹皮紋理特征。確定相關(guān)性較低的指標(biāo)(對比度、均值、二階矩)，指標(biāo)求解過程，如式(8)—式(10)所示

(8)

(9)

(10)

其內(nèi)：均值，用Mean表示；對比度，用Contrast表示；二階矩，用SecondMoment表示。

2.3.2 分類識別

通過卷積神經(jīng)網(wǎng)絡(luò)方法分類識別四種樹皮紋理的樹種遙感圖像。卷積運(yùn)算提取輸入遙感圖像不同特征。反向傳播算法求解組成卷積單元的參數(shù)。

為了提取遙感圖像復(fù)雜的特征[11]，本文構(gòu)建有2層全連接層、3層卷積層的卷積神經(jīng)網(wǎng)絡(luò)。在卷積神經(jīng)網(wǎng)絡(luò)中，為了得出特征的極大元素值，利用池化器提取遙感圖像區(qū)域內(nèi)特征。為了增強(qiáng)求解效率，比較卷積后特征與池化操作，降低維度。遙感圖像的深層抽象特征提取，通過卷積和池化操作實(shí)現(xiàn)，全連接層負(fù)責(zé)分類，通過Softmax層實(shí)現(xiàn)樹種的識別結(jié)果。使用池化層優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練的過程，見圖1。

圖1 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

在輸入層中，輸入歸一化參數(shù)是100，即每次輸入100張(200×200)×3個通道的用卷積神經(jīng)網(wǎng)絡(luò)表示樹皮紋理遙感圖像[12]。通過卷積層1卷積操作輸入樣本遙感圖像并提取特征，其中包括100個卷積核，3×3每層卷積核。在池化層1中，通過池化縮減上層輸入數(shù)據(jù)模型尺寸，加快求解速度，經(jīng)最大池化操作，保存特征極大值在10×10池化窗口。在卷積層2指定卷積核數(shù)目，卷積操作新添加的樣本遙感圖像并提取特征數(shù)據(jù)。非線性映射采用Relu激活函數(shù)實(shí)現(xiàn)計算。池化池2為保留上層的特征輸出極大值，通過設(shè)置滑動步長實(shí)現(xiàn)保留。卷積層3的卷積核尺寸繼續(xù)添加樣本遙感圖像，指定卷積核數(shù)目實(shí)施卷積操作并提取特征數(shù)據(jù)。特征數(shù)據(jù)的非線性映射采用Relu激活函數(shù)實(shí)現(xiàn)計算。池化池3通過最大池化對卷積層3輸出的數(shù)據(jù)設(shè)置滑動步長為4、10×10池化窗口實(shí)施最大池化操作。全連接層1是輸入池化層3內(nèi)全部由特征矩陣轉(zhuǎn)化成的維向量，該層有500個神經(jīng)元，分類操作是通過Relu激活函數(shù)實(shí)施深度特征分析。全連接層2接收數(shù)據(jù)，神經(jīng)元個數(shù)為4就是分類識別樹種的數(shù)量，通過Softmax分類器實(shí)現(xiàn)分類識別結(jié)果。

3 實(shí)驗(yàn)分析

在實(shí)驗(yàn)中選取刺槐、油松、香樟樹、白樺樹樹木的2000張樹皮紋理遙感圖像，選取200張樹皮紋理遙感圖像用作測試集，200張樹皮紋理遙感圖像用作驗(yàn)證集，1600張樹皮紋理遙感圖像用作訓(xùn)練集。

本文方法的原始圖像預(yù)處理效果見圖2。

圖2 預(yù)處理前后的直方圖信息

由圖2可知，經(jīng)本文方法均衡化預(yù)處理原始數(shù)據(jù)集后，直方圖頻率降低，將灰度值呈平均分布趨勢，可顯著提高遙感圖像的質(zhì)量。

實(shí)驗(yàn)選取文獻(xiàn)[5]隨機(jī)森林特征選擇的樹種分類方法、文獻(xiàn)[6]結(jié)合LiDAR單木分割的樹種分類方法為本文方法對比方法，測試三種方法的分類識別性能。

三種方法訓(xùn)練時的訓(xùn)練精度與損失曲線，見圖3。

圖3 訓(xùn)練精度和損失變化曲線

由圖3可知，本文方法在第35次循環(huán)訓(xùn)練時，訓(xùn)練精度迅速上升，訓(xùn)練損失呈下降趨勢，后期訓(xùn)練損失趨于穩(wěn)定態(tài)勢，說明本文方法可提高訓(xùn)練速度，規(guī)避過度擬合問題，而其它兩種方法的訓(xùn)練精度較低，且訓(xùn)練損失波動較大，會出現(xiàn)嚴(yán)重擬合問題，導(dǎo)致訓(xùn)練速度慢。

三種方法對不同規(guī)模的樹皮紋理遙感圖像訓(xùn)練樣本的平均訓(xùn)練時間見圖4。

圖4 平均訓(xùn)練時間對比

通過分析圖4表明，當(dāng)訓(xùn)練樣本個數(shù)較低時，三種方法的平均訓(xùn)練時間沒有太大的差異，當(dāng)訓(xùn)練樣本數(shù)量上升時，其它兩種方法的平均訓(xùn)練時間均迅速提高，文獻(xiàn)[6]方法的訓(xùn)練時間增加幅度最大，本文方法增長趨勢穩(wěn)定，訓(xùn)練速度明顯加快，可提高圖像的分類效率。

通過樹種分類識別實(shí)驗(yàn)，測試三種方法的分類識別時間，如圖5所示。

圖5 分類識別時間

由圖5可知，本文方法的分類識別時間比其它兩種方法短，本文方法的平均分類識別時間為35.7ms，分別比其它兩種方法的平均分類識別時間快28.8ms、59ms，說明本文方法的分類識別的效率高，可快速實(shí)現(xiàn)樹種的分類識別。

采用三種方法對實(shí)驗(yàn)對象進(jìn)行分類識別，分析三種方法的準(zhǔn)確率，如圖6所示。

圖6 分類識別準(zhǔn)確率

通過圖6可知，采用文獻(xiàn)[5]方法、文獻(xiàn)[6]方法分別對測試樣本、訓(xùn)練樣本進(jìn)行分類識別實(shí)驗(yàn)，兩種方法的平均分類識別準(zhǔn)確率分別為85.56%、76.43%，對實(shí)驗(yàn)對象分類識別效果不佳，而本文方法的平均分類識別準(zhǔn)確率高達(dá)95.62%，說明本文方法大大提高實(shí)驗(yàn)對象的分類識別效果。

統(tǒng)計上述實(shí)驗(yàn)過程中，本文方法的刺槐、油松、香樟樹、白樺樹樹皮的分類識別結(jié)果，見圖7。

圖7 本文方法的分類識別結(jié)果

分析圖7可知，刺槐、油松、香樟樹、白樺樹樹木的樹皮紋理遙感圖像均可被本文方法有效地分類并識別出來，說明本文方法能夠有效分類識別出樹種。

4 結(jié)論

本文研究基于分形維度的林業(yè)遙感圖像樹種分類識別方法。通過分形維度理論分析林業(yè)遙感圖像紋理并提取特征，并通過卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)樹種的分類識別。實(shí)驗(yàn)結(jié)果表明，本文方法的訓(xùn)練速度高，可規(guī)避過度擬合問題，樹種的分類識別效率高。由于本人時間與精力有限，文中仍有許多不足之處。在以后的研究中，需在實(shí)踐中逐漸完善本文的方法。今后的主要研究方向：

1)本文主要研究遙感圖像樹種樹皮紋理特征的提取，以后可將其用在樹葉紋理特征的提取、樹種陰影方面全面分類識別樹種。

2)為了擴(kuò)大本文方法的應(yīng)用范圍，將在以后加入先進(jìn)的技術(shù)手段與本文方法相融合，提高本文方法適用性，增強(qiáng)林業(yè)資源的管理效率，促進(jìn)環(huán)境可持續(xù)發(fā)展。