基于生成對(duì)抗網(wǎng)絡(luò)的樹(shù)種識(shí)別方法*

蘇 彤 許 杰

（1. 黑龍江八一農(nóng)墾大學(xué)信息工程學(xué)院 大慶 163319； 2. 山東華宇工學(xué)院信息工程學(xué)院 德州 253034）

隨著科技的不斷進(jìn)步和數(shù)字技術(shù)的不斷發(fā)展，計(jì)算機(jī)視覺(jué)技術(shù)已成為當(dāng)今科技領(lǐng)域炙手可熱的一個(gè)方向。樹(shù)種識(shí)別是計(jì)算機(jī)視覺(jué)技術(shù)細(xì)分領(lǐng)域中的一部分，是數(shù)字林業(yè)的重要研究?jī)?nèi)容，主要包括光譜分析和圖像處理兩大方向。在光譜分析方面，Pham等（2016）聯(lián)合激光雷達(dá)與高光譜數(shù)據(jù)對(duì)樹(shù)種進(jìn)行識(shí)別，利用隨機(jī)森林確定重要特征，使用支持向量機(jī)作為分類器，分類準(zhǔn)確率達(dá)85.42%；汪紫陽(yáng)等（2019）基于可見(jiàn)/近紅外光譜技術(shù)，采用偏最小二乘法結(jié)合多列識(shí)別變量矩陣對(duì)9種闊葉樹(shù)種進(jìn)行識(shí)別，分類準(zhǔn)確率達(dá)98.00%，為野外樹(shù)種識(shí)別提供了可能性。在圖像處理方面，陳明健等（2017）提出一種基于葉片輪廓構(gòu)建距離矩陣與角點(diǎn)矩陣進(jìn)行樹(shù)種識(shí)別的分類方法，在Flavia數(shù)據(jù)集和Leafsnap數(shù)據(jù)集上分別取得99.61%和98.26%的識(shí)別準(zhǔn)確率；Sarah等（2018）利用Canny算子提取樹(shù)皮和樹(shù)葉圖像的邊緣輪廓特征，使用信念函數(shù)將2種特征進(jìn)行融合，并在一個(gè)包含72種樹(shù)木和灌木的公共數(shù)據(jù)庫(kù)中進(jìn)行比較，將樹(shù)皮和樹(shù)葉特征融合的方法顯著提高了分類準(zhǔn)確率；Le等（2019）采用LBP與SVM相結(jié)合的方法對(duì)4種植物葉片進(jìn)行識(shí)別，分類準(zhǔn)確率達(dá)91.85%；李龍龍等（2021）應(yīng)用加權(quán)LBP算法提取葉片的關(guān)鍵幾何特征和紋理特征，使用特征加權(quán)的模糊半監(jiān)督聚類算法作為分類器，在國(guó)際公認(rèn)數(shù)據(jù)集和自測(cè)數(shù)據(jù)集上均取得理想識(shí)別效果。但以往大部分研究受主觀因素影響較大，試驗(yàn)前需要依靠人工對(duì)原始圖像進(jìn)行圖像分割、特征提取等預(yù)處理以滿足試驗(yàn)要求，且特征選擇也會(huì)影響最終識(shí)別效果，對(duì)繼續(xù)提高樹(shù)種識(shí)別率帶來(lái)一定困難?！?br>