基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域監(jiān)測技術(shù)

杜娟 唐岱

摘 要： 傳統(tǒng)區(qū)域監(jiān)測方法不能根據(jù)山地城市綠色空間景觀生態(tài)破損區(qū)域的具體圖像情況進(jìn)行實(shí)時(shí)監(jiān)測。為了有效解決此問題，建立新型基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r(shí)監(jiān)測模型。通過山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷、基于特征判斷的識別方法確定、卷積神經(jīng)網(wǎng)絡(luò)，完成山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像識別。通過實(shí)時(shí)目標(biāo)檢測、確定實(shí)時(shí)監(jiān)測區(qū)域、透視變換，完成基于圖像識別區(qū)域?qū)崟r(shí)監(jiān)測模型的搭建。設(shè)計(jì)對比實(shí)驗(yàn)結(jié)果表明，新型區(qū)域監(jiān)測模型與傳統(tǒng)模型相比，充分提升了山地城市綠色空間景觀生態(tài)破損區(qū)域識別圖像的清晰度，并可對區(qū)域內(nèi)景觀進(jìn)行實(shí)時(shí)監(jiān)測。

關(guān)鍵詞： 圖像識別; 山地城市; 綠色空間景觀; 生態(tài)破損區(qū)域; 區(qū)域監(jiān)測; 特征判斷; 卷積神經(jīng)網(wǎng)絡(luò); 透視變換

中圖分類號： TN911.73?34; TP393 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）12?0067?04

Abstract： As the real?time monitoring of ecological damage area cannot be performed according to its specific images for green space landscape of mountainous cities in the traditional area monitoring method， a new ecological damage area real?time monitoring model for green space landscape of mountainous cities is established based on image recognition. Ecological damage area image recognition for green space landscape of mountainous cities is accomplished by means of ecological damage area feature judgment for green space landscape of mountainous cities， recognition method determination based on feature judgment， and convolutional neural network. Establishment of image recognition based area real?time monitoring model is accomplished by means of real?time target monitoring， determination of real?time monitoring area， and perspective transformation. A comparison experiment was designed. The results show that in comparison with the traditional model， the new area monitoring model can fully improve the definition of ecological damage area recognition images for green space landscape of mountainous cities， and perform real?time monitoring of the landscape in the area.

Keywords： image recognition; mountainous city; green space landscape; ecological damage area; area monitoring; feature judgment; convolutional neural network; perspective transformation

0 引 言

傳統(tǒng)區(qū)域監(jiān)測模型利用人工智能理論，通過搭建人工神經(jīng)網(wǎng)絡(luò)、深層神經(jīng)網(wǎng)絡(luò)等方式，完成對區(qū)域內(nèi)景觀的監(jiān)測。這種方式雖然全面體現(xiàn)了神經(jīng)網(wǎng)絡(luò)算法的重要意義，但隨著科學(xué)技術(shù)手段的發(fā)展，傳統(tǒng)模型不能對區(qū)域內(nèi)景觀進(jìn)行實(shí)時(shí)監(jiān)測的弊端開始逐漸顯露出來。對于山地城市綠色空間景觀生態(tài)破損區(qū)域來說，傳統(tǒng)區(qū)域檢測模型可以通過確定區(qū)域大小、簡單描畫區(qū)域特征的方式，生成基礎(chǔ)的識別圖像[1]。但通過此方法生成的識別圖像通常情況下灰度較高、清晰度較低，一些景觀生態(tài)破損嚴(yán)重區(qū)域的具體景觀特征不能表現(xiàn)得十分清晰。為有效解決此問題，通過卷積神經(jīng)網(wǎng)絡(luò)、透視變換原理等方法，對傳統(tǒng)模型進(jìn)行了改進(jìn)設(shè)計(jì)，搭建了一種基于圖像識別的新型山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r(shí)監(jiān)測模型[2]。新型模型保留了傳統(tǒng)模型的優(yōu)勢，繼續(xù)發(fā)揚(yáng)神經(jīng)網(wǎng)絡(luò)算法的重要意義，也全面提升識別圖像的清晰度，充分體現(xiàn)監(jiān)測模型的實(shí)時(shí)性。對比實(shí)驗(yàn)結(jié)果證明，新型模型與傳統(tǒng)模型相比，確實(shí)具備更高的實(shí)用性價(jià)值。

1 山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像

識別

山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像識別，是搭建新型監(jiān)測模型的第一步，其詳細(xì)識別過程可按如下步驟進(jìn)行。

1.1 山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷

山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷可分為預(yù)測值獲得、隱含值獲得兩部分。判斷山地城市綠色空間景觀生態(tài)破損區(qū)域特征需要輸出層、隱含層、輸入層三個(gè)單元結(jié)構(gòu)共同完成[3?4]。若區(qū)域監(jiān)測實(shí)時(shí)模型共包含[m]個(gè)隱含層，第[m]層的輸入監(jiān)測數(shù)據(jù)為[h]，則該層的輸出監(jiān)測數(shù)據(jù)可表示為：

1.2 基于特征判斷的識別方法確定

上述步驟所確定的山地城市綠色空間景觀生態(tài)破損區(qū)域特征是完成識別方法選擇的關(guān)鍵步驟。基于特征判斷的圖像識別方法與神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)識別過程類似[5]。假定已確定的區(qū)域特征用一個(gè)可自由移動的空心圓表示，則該圓形結(jié)構(gòu)從輸出層出發(fā)，分別向多個(gè)隱含層結(jié)構(gòu)傳遞所包含數(shù)據(jù)，再由隱含層逐漸向下傳遞[6]。最終，傳遞給輸入層，作為下一次圖像識別的原始數(shù)據(jù)，至此，完成一次圖像識別方法的確定。

1.3 利用卷積神經(jīng)網(wǎng)絡(luò)完成圖像識別

完成山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷，并在此基礎(chǔ)上確定基于特征判斷的識別方法，是利用卷積神經(jīng)網(wǎng)絡(luò)完成圖像識別的基礎(chǔ)[7?8]。卷積神經(jīng)網(wǎng)絡(luò)是一種利用CNN技術(shù)完成圖像識別網(wǎng)絡(luò)搭建的手段，該方法不僅實(shí)現(xiàn)了復(fù)雜圖像的簡單識別，也完成了識別圖像由低到高，各個(gè)層次的特征提取與組合。

2 基于圖像識別的區(qū)域?qū)崟r(shí)監(jiān)測模型搭建

2.1 基于圖像識別的實(shí)時(shí)目標(biāo)監(jiān)測

根據(jù)上述步驟可知，完成山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像識別后，可生成完整的圖像識別數(shù)據(jù)。為方便后續(xù)步驟的進(jìn)行，認(rèn)為該圖像識別數(shù)據(jù)為待監(jiān)測的實(shí)時(shí)目標(biāo)[9?10]。首先對待檢測的實(shí)時(shí)目標(biāo)進(jìn)行背景差分法，分析該目標(biāo)是在何種背景下完成的圖像識別。利用幀間差分法分析該目標(biāo)圖像中，相連兩個(gè)像素幀間的距離大小;再利用光流法總結(jié)已完成識別圖像目標(biāo)的實(shí)時(shí)監(jiān)測。詳細(xì)操作流程如圖1所示。

2.2 確定實(shí)時(shí)監(jiān)測區(qū)域

實(shí)時(shí)監(jiān)測模型是以整個(gè)山地城市綠色空間景觀生態(tài)破壞區(qū)域作為應(yīng)用背景環(huán)境。為了方便模型的管理，通常情況下，將監(jiān)測區(qū)域抽象為規(guī)矩的矩形，以能囊括最大面積時(shí)的矩形邊長作為監(jiān)測區(qū)域的邊界[11]。所有超過邊界的區(qū)域都可用于填充不足邊界的區(qū)域。

2.3 利用透視變換完成區(qū)域?qū)崟r(shí)監(jiān)測模型的搭建

在確定待監(jiān)測的實(shí)時(shí)目標(biāo)后，根據(jù)目標(biāo)的具體情況確定監(jiān)測區(qū)域面積，完成基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r(shí)監(jiān)測模型的搭建。為保證該模型的正常使用，還需按照透視變換原理設(shè)置應(yīng)用檢驗(yàn)?zāi)K。設(shè)監(jiān)測區(qū)域面積為[s]，待監(jiān)測實(shí)時(shí)目標(biāo)為[k]，根據(jù)透視變換原理，模型使用穩(wěn)定性[q]可表示為：

3 實(shí)驗(yàn)結(jié)果與分析

上述過程完成了基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r(shí)監(jiān)測模型的搭建。為了驗(yàn)證該模型確實(shí)比傳統(tǒng)模型具備更高的實(shí)用性價(jià)值，以兩臺配置相同的計(jì)算機(jī)作為實(shí)驗(yàn)對象。其中一臺搭載新模型，作為實(shí)驗(yàn)組;另一臺搭載傳染模型，作為對照組。實(shí)驗(yàn)開始前，按照表1完成實(shí)驗(yàn)參數(shù)設(shè)置。

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

表1中參數(shù)依次代表監(jiān)測區(qū)域面積、景觀生態(tài)破損程度、監(jiān)測參數(shù)、預(yù)估圖像識別清晰度、監(jiān)測實(shí)時(shí)性、圖像識別系數(shù)。

3.2 識別圖像清晰度對比

令實(shí)驗(yàn)組、對照組兩臺計(jì)算機(jī)同時(shí)完成山地城市綠色空間景觀生態(tài)破損區(qū)域識別圖像的繪制。詳細(xì)圖像清晰度情況如圖2、圖3所示。

圖中，黑點(diǎn)代表山地城市綠色空間景觀發(fā)生生態(tài)破損地區(qū)，黑點(diǎn)越密集，代表破損程度越嚴(yán)重。對比圖2、圖3可知，該區(qū)域中部生態(tài)破損情況較嚴(yán)重，周圍區(qū)域生態(tài)情況較良好。實(shí)驗(yàn)組計(jì)算機(jī)，應(yīng)用基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r(shí)監(jiān)測模型，繪制出的識別圖像，極為清晰，可反映該地區(qū)的生態(tài)破損情況。對照組計(jì)算機(jī)，應(yīng)用傳統(tǒng)模型繪制出的識別圖像，也能反映出該地區(qū)的生態(tài)破損情況，但圖像清晰程度明顯低于實(shí)驗(yàn)組。所以，可證明本文模型確實(shí)可以提升山地城市綠色空間景觀生態(tài)破損區(qū)域識別圖像的清晰度。

3.3 區(qū)域內(nèi)景觀監(jiān)測實(shí)時(shí)性對比

區(qū)域內(nèi)景觀監(jiān)測實(shí)時(shí)性與BSI指標(biāo)保持反比變化關(guān)系。當(dāng)BSI指標(biāo)增大時(shí)，區(qū)域內(nèi)景觀監(jiān)測實(shí)時(shí)性減小，反之增大。應(yīng)用特殊方法，記錄實(shí)驗(yàn)組、對照組的BSI指標(biāo)變化情況，如圖4、圖5所示。

對比圖4、圖5可知，實(shí)驗(yàn)組BSI指標(biāo)隨監(jiān)測區(qū)域面積的變化基本保持平穩(wěn)的變化趨勢，最大值僅為39.48%。實(shí)驗(yàn)組監(jiān)測實(shí)時(shí)性曲線最大值為58.65%，最小值為41.73%，始終高于39.48%。對照組BSI指標(biāo)隨監(jiān)測區(qū)域面積的變化呈現(xiàn)增加趨勢，最大值達(dá)到69.77%，最小值為43.58%。對照組監(jiān)測實(shí)時(shí)性曲線最大值僅為27.36%，恒小于對照組BSI指標(biāo)。所以，可證明應(yīng)用基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r(shí)監(jiān)測模型，確實(shí)可對區(qū)域內(nèi)景觀進(jìn)行更好的實(shí)時(shí)監(jiān)測。

4 結(jié) 語

基于圖像識別山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r(shí)監(jiān)測模型的建立，為對區(qū)域內(nèi)景觀進(jìn)行更好實(shí)時(shí)監(jiān)測、提升識別圖像清晰度，做出巨大貢獻(xiàn)。該模型與傳統(tǒng)模型相比，確實(shí)具備更高的實(shí)用性價(jià)值。

參考文獻(xiàn)

[1] 丁雨賝，馮長春，王利偉.山地區(qū)域土地生態(tài)紅線劃定方法與實(shí)證研究：以重慶市涪陵區(qū)義和鎮(zhèn)為例[J]. 地理科學(xué)進(jìn)展，2016，35（7）：851?859.

DING Yuchen， FENG Changchun， WANG Liwei. Determination of ecological red line of mountainous areas： a case study of Yihe town in Chongqing municipality [J]. Progress in geography， 2016， 35（7）： 851?859.

[2] 原玥，王宏，原培新，等.一種改進(jìn)的Hu不變矩算法在存儲介質(zhì)圖像識別中的應(yīng)用[J].儀器儀表學(xué)報(bào)，2016，37（5）：1042?1048.

YUAN Yue， WANG Hong， YUAN Peixin， et al. An improved Hu invariant moment algorithm for storage medium image recognition [J]. Chinese journal of scientific instrument， 2016， 37（5）： 1042?1048.

[3] 劉龍，李建奇，魏光宇，等.基于圖像識別的自主尋跡智能小車設(shè)計(jì)[J].湖南文理學(xué)院學(xué)報(bào)（自然科學(xué)版），2016，28（3）：62?66.

LIU Long， LI Jianqi， WEI Guangyu， et al. Image?based autonomous tracking intelligent vehicle design [J]. Journal of Hunan University of Arts and Science （Natural science edition）， 2016， 28（3）： 62?66.

[4] 毛文濤，王文朋，蔣夢雪，等.基于局部特征過濾的快速火焰圖像識別方法[J].計(jì)算機(jī)應(yīng)用，2016，36（10）：2907?2911.

MAO Wentao， WANG Wenming， JIANG Mengxue， et al. Fast flame recognition approach based on local feature filtering [J]. Journal of computer applications， 2016， 36（10）： 2907?2911.

[5] 熊勇，張俊麗，黃立文.基于GA?LPA算法的船舶圖像識別方法研究[J].廣西大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，41（2）：554?561.

XIONG Yong， ZHANG Junli， HUANG Liwen. Study on ship image recognition based on GA?LPA algorithm [J]. Journal of Guangxi University （Natural science edition）， 2016， 41（2）： 554?561.

[6] 趙媛，孫夏，Aaron Fenster，等.一種基于深度學(xué)習(xí)的頸動脈斑塊超聲圖像識別方法[J].中國醫(yī)療器械信息，2017，23（9）：9?11.

ZHAO Yuan， SUN Xia， FENSTER A， et al. A novel deep learning based method for carotid plaque ultrasound images recognition [J]. China medical device information， 2017， 23（9）： 9?11.

[7] 王林惠，甘海明，岳學(xué)軍，等.基于圖像識別的無人機(jī)精準(zhǔn)噴霧控制系統(tǒng)的研究[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，37（6）：23?30.

WANG Linhui， GAN Haiming， YUE Xuejun， et al. Design of a precision spraying control system with unmanned aerial vehicle based on image recognition [J]. Journal of South China Agricultural University， 2016， 37（6）： 23?30.

[8] 王一丁，段強(qiáng)宇，徐林林.基于圖像質(zhì)量參數(shù)優(yōu)化的異質(zhì)手背靜脈圖像識別算法的研究[J].北方工業(yè)大學(xué)學(xué)報(bào)，2016，28（1）：1?6.

WANG Yiding， DUAN Qiangyu， XU Linlin. The research on heterogeneous dorsal hand vein image recognition based on image quality parameters optimization [J]. Journal of North China University of Technology， 2016， 28（1）： 1?6.

[9] 秦豐，劉東霞，孫炳達(dá)，等.基于深度學(xué)習(xí)和支持向量機(jī)的4種苜蓿葉部病害圖像識別[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，22（7）：123?133.

QIN Feng， LIU Dongxia， SUN Bingda， et al. Image recognition of four different alfalfa leaf diseases based on deep learning and support vector machine [J]. Journal of China Agricultural University， 2017， 22（7）： 123?133.

[10] 韓豫，張涇杰，孫昊，等.基于圖像識別的建筑工人智能安全檢查系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國安全生產(chǎn)科學(xué)技術(shù)，2016，12（10）：142?148.

HAN Yu， ZHANG Jingjie， SUN Hao， et al. Design and implementation of intelligent safety inspection system for construction workers based on image recognition [J]. Journal of safety science and technology， 2016， 12（10）： 142?148.

[11] LIANG H， CHEN D， ZHANG Q. Assessing urban green space distribution in a compact megacity by landscape metrics [J]. Journal of environmental engineering & landscape management， 2017， 25（1）： 64?74.