基于分形維度的林業遙感圖像樹種分類識別

周 晨，劉 磊

(1.西安科技大學測繪科學與技術學院，陜西 西安 710054；2.電子科技大學成都學院，四川 成都 611731)

1 引言

林業資源是生態系統中最重要的資源，有利于凈化空氣，維持生態平衡[1-3]。林業資源管理需采用科學準確的分類識別樹種方法，提高樹種分類識別效率，對林業資源保護具有重要的意義。樹種分類識別包括樹皮紋理、葉片、花卉等方面的識別。在林業樹種分類識別中，以往的分類方法精度低，不符合林業資源管理的標準。因林區樹種所生長的地區和分布多樣性[4]，導致林業遙感影像產生“同物異譜”情況，使分類識別準確度下降。

隨著林業遙感圖像處理技術的高速發展，通過波譜數據處理方法已經不符合遙感應用的標準，而紋理特征是林業遙感圖像的核心數據，對于林業遙感圖像的分類識別有深遠的意義。以往的林業遙感圖像樹種分類識別方法非常局限，如溫小樂等，研究隨機森林特征選擇的樹種分類方法[5]，在林業遙感圖像樹種分類識別過程中，依據該方法實施特征選擇實現樹種分類識別，由于該方法計算過程過于復雜，導致林業遙感圖像樹種分類識別效率慢；皋廈等人研究結合LiDAR單木分割樹種分類方法[6]，在林業遙感圖像樹種分類識別過程中利用高光譜數據實現樹種分類識別，由于該方法操作繁瑣，導致林業遙感圖像樹種分類識別效果不佳。分形與圖像聯系非常緊密，在非線性科學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，通過分形維數理論實施遙感圖形紋理分析的應用性較高。分形維數可識別物體的復雜度，將其用在圖像的識別中，已經取得較好的效果。

因此本文研究基于分形維度的林業遙感圖像樹種分類識別方法，提取林業遙感圖像數據和紋理特征，提高林業遙感圖像樹種分類識別的準確性，促進林業資源的可持續發展。

2 基于分形維度的林業遙感圖像樹種分類識別

2.1 數據來源與處理

選取某地區中壤土質地的試驗人工林場，土層較薄，氣候適宜，該地區主要樹種包括刺槐、油松、香樟樹、白樺樹等。研究數據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據。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。

遙感圖像的數據處理包括：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、陰影區區別比較大，主要原因為遙感圖像的分辨率高導致。為了區分遙感圖像非陰影區、陰影區，相關學者研究的陰影植被指數HVI實現區分，求解HVI如式(1)所示

(1)

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

因紋理特征模糊導致遙感圖像失真的原因：在拍攝中，因人為、光線、環境、后期處理等引起的圖像灰度值不穩定，另外因遙感圖像經遠程遙感設備拍攝而成，顯示在電子設備上[9]，再利用ROI區域截取圖像，但是在截取時操作不當也會導致提取樹皮紋理特征的精度低，為了提高林業遙感圖像紋理特征的提取與分析效果，通過直方圖方法，提高圖像質量與清晰度。

2.2 分形維度

遙感圖像的復雜程度用分形維度表示，在林業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遙感圖像樹種紋理，將林業遙感圖像樹種紋理用點集S∈R3表示，三維(x，y，z)用于表示點集中各元素s，其內，(x，y)點的灰度值，用z描述；像素坐標用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：像素點用γ描述；距各元素s≤γ的點用s′描述，紋理的細微變化差異像素的面積隨γ增大，引起對應的面積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等于對應的面積Bγ。該算法步驟為：

1)初始化

設毯子(i，j)點的灰度值，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：(m，n)點與(i，j)點間的距離，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遙感圖像的樹皮紋理特征。確定相關性較低的指標(對比度、均值、二階矩)，指標求解過程，如式(8)—式(10)所示

(8)

(9)

(10)

其內：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

通過卷積神經網絡方法分類識別四種樹皮紋理的樹種遙感圖像。卷積運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。

為了提取遙感圖像復雜的特征[11]，本文構建有2層全連接層、3層卷積層的卷積神經網絡。在卷積神經網絡中，為了得出特征的極大元素值，利用池化器提取遙感圖像區域內特征。為了增強求解效率，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現，全連接層負責分類，通過Softmax層實現樹種的識別結果。使用池化層優化卷積神經網絡，訓練的過程，見圖1。

圖1 卷積神經網絡訓練過程

在輸入層中，輸入歸一化參數是100，即每次輸入100張(200×200)×3個通道的用卷積神經網絡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據模型尺寸，加快求解速度，經最大池化操作，保存特征極大值在10×10池化窗口。在卷積層2指定卷積核數目，卷積操作新添加的樣本遙感圖像并提取特征數據。非線性映射采用Relu激活函數實現計算。池化池2為保留上層的特征輸出極大值，通過設置滑動步長實現保留。卷積層3的卷積核尺寸繼續添加樣本遙感圖像，指定卷積核數目實施卷積操作并提取特征數據。特征數據的非線性映射采用Relu激活函數實現計算。池化池3通過最大池化對卷積層3輸出的數據設置滑動步長為4、10×10池化窗口實施最大池化操作。全連接層1是輸入池化層3內全部由特征矩陣轉化成的維向量，該層有500個神經元，分類操作是通過Relu激活函數實施深度特征分析。全連接層2接收數據，神經元個數為4就是分類識別樹種的數量，通過Softmax分類器實現分類識別結果。

3 實驗分析

在實驗中選取刺槐、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證集，1600張樹皮紋理遙感圖像用作訓練集。

本文方法的原始圖像預處理效果見圖2。

圖2 預處理前后的直方圖信息

由圖2可知，經本文方法均衡化預處理原始數據集后，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量。

實驗選取文獻[5]隨機森林特征選擇的樹種分類方法、文獻[6]結合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。

三種方法訓練時的訓練精度與損失曲線，見圖3。

圖3 訓練精度和損失變化曲線

由圖3可知，本文方法在第35次循環訓練時，訓練精度迅速上升，訓練損失呈下降趨勢，后期訓練損失趨于穩定態勢，說明本文方法可提高訓練速度，規避過度擬合問題，而其它兩種方法的訓練精度較低，且訓練損失波動較大，會出現嚴重擬合問題，導致訓練速度慢。

三種方法對不同規模的樹皮紋理遙感圖像訓練樣本的平均訓練時間見圖4。

圖4 平均訓練時間對比

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

通過樹種分類識別實驗，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，可快速實現樹種的分類識別。

采用三種方法對實驗對象進行分類識別，分析三種方法的準確率，如圖6所示。

圖6 分類識別準確率

通過圖6可知，采用文獻[5]方法、文獻[6]方法分別對測試樣本、訓練樣本進行分類識別實驗，兩種方法的平均分類識別準確率分別為85.56%、76.43%，對實驗對象分類識別效果不佳，而本文方法的平均分類識別準確率高達95.62%，說明本文方法大大提高實驗對象的分類識別效果。

統計上述實驗過程中，本文方法的刺槐、油松、香樟樹、白樺樹樹皮的分類識別結果，見圖7。

圖7 本文方法的分類識別結果

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 結論

本文研究基于分形維度的林業遙感圖像樹種分類識別方法。通過分形維度理論分析林業遙感圖像紋理并提取特征，并通過卷積神經網絡實現樹種的分類識別。實驗結果表明，本文方法的訓練速度高，可規避過度擬合問題，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)為了擴大本文方法的應用范圍，將在以后加入先進的技術手段與本文方法相融合，提高本文方法適用性，增強林業資源的管理效率，促進環境可持續發展。