基于图像识别的山地城市绿色空间景观生态破损区域监测技术

杜娟 唐岱

摘 要： 传统区域监测方法不能根据山地城市绿色空间景观生态破损区域的具体图像情况进行实时监测。为了有效解决此问题，建立新型基于图像识别的山地城市绿色空间景观生态破损区域实时监测模型。通过山地城市绿色空间景观生态破损区域特征判断、基于特征判断的识别方法确定、卷积神经网络，完成山地城市绿色空间景观生态破损区域的图像识别。通过实时目标检测、确定实时监测区域、透视变换，完成基于图像识别区域实时监测模型的搭建。设计对比实验结果表明，新型区域监测模型与传统模型相比，充分提升了山地城市绿色空间景观生态破损区域识别图像的清晰度，并可对区域内景观进行实时监测。

关键词： 图像识别; 山地城市; 绿色空间景观; 生态破损区域; 区域监测; 特征判断; 卷积神经网络; 透视变换

中图分类号： TN911.73?34; TP393 文献标识码： A 文章编号： 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

传统区域监测模型利用人工智能理论，通过搭建人工神经网络、深层神经网络等方式，完成对区域内景观的监测。这种方式虽然全面体现了神经网络算法的重要意义，但随着科学技术手段的发展，传统模型不能对区域内景观进行实时监测的弊端开始逐渐显露出来。对于山地城市绿色空间景观生态破损区域来说，传统区域检测模型可以通过确定区域大小、简单描画区域特征的方式，生成基础的识别图像[1]。但通过此方法生成的识别图像通常情况下灰度較高、清晰度较低，一些景观生态破损严重区域的具体景观特征不能表现得十分清晰。为有效解决此问题，通过卷积神经网络、透视变换原理等方法，对传统模型进行了改进设计，搭建了一种基于图像识别的新型山地城市绿色空间景观生态破损区域实时监测模型[2]。新型模型保留了传统模型的优势，继续发扬神经网络算法的重要意义，也全面提升识别图像的清晰度，充分体现监测模型的实时性。对比实验结果证明，新型模型与传统模型相比，确实具备更高的实用性价值。

1 山地城市绿色空间景观生态破损区域的图像

识别

山地城市绿色空间景观生态破损区域的图像识别，是搭建新型监测模型的第一步，其详细识别过程可按如下步骤进行。

1.1 山地城市绿色空间景观生态破损区域特征判断

山地城市绿色空间景观生态破损区域特征判断可分为预测值获得、隐含值获得两部分。判断山地城市绿色空间景观生态破损区域特征需要输出层、隐含层、输入层三个单元结构共同完成[3?4]。若区域监测实时模型共包含[m]个隐含层，第[m]层的输入监测数据为[h]，则该层的输出监测数据可表示为：

1.2 基于特征判断的识别方法确定

上述步骤所确定的山地城市绿色空间景观生态破损区域特征是完成识别方法选择的关键步骤。基于特征判断的图像识别方法与神经网络的数据识别过程类似[5]。假定已确定的区域特征用一个可自由移动的空心圆表示，则该圆形结构从输出层出发，分别向多个隐含层结构传递所包含数据，再由隐含层逐渐向下传递[6]。最终，传递给输入层，作为下一次图像识别的原始数据，至此，完成一次图像识别方法的确定。

1.3 利用卷积神经网络完成图像识别

完成山地城市绿色空间景观生态破损区域特征判断，并在此基础上确定基于特征判断的识别方法，是利用卷积神经网络完成图像识别的基础[7?8]。卷积神经网络是一種利用CNN技术完成图像识别网络搭建的手段，该方法不仅实现了复杂图像的简单识别，也完成了识别图像由低到高，各个层次的特征提取与组合。

2 基于图像识别的区域实时监测模型搭建

2.1 基于图像识别的实时目标监测

根据上述步骤可知，完成山地城市绿色空间景观生态破损区域的图像识别后，可生成完整的图像识别数据。为方便后续步骤的进行，认为该图像识别数据为待监测的实时目标[9?10]。首先对待检测的实时目标进行背景差分法，分析该目标是在何种背景下完成的图像识别。利用帧间差分法分析该目标图像中，相连两个像素帧间的距离大小;再利用光流法总结已完成识别图像目标的实时监测。详细操作流程如图1所示。

2.2 确定实时监测区域

实时监测模型是以整个山地城市绿色空间景观生态破坏区域作为应用背景环境。为了方便模型的管理，通常情况下，将监测区域抽象为规矩的矩形，以能囊括最大面积时的矩形边长作为监测区域的边界[11]。所有超过边界的区域都可用于填充不足边界的区域。

2.3 利用透视变换完成区域实时监测模型的搭建

在确定待监测的实时目标后，根据目标的具体情况确定监测区域面积，完成基于图像识别的山地城市绿色空间景观生态破损区域实时监测模型的搭建。为保证该模型的正常使用，还需按照透视变换原理设置应用检验模块。设监测区域面积为[s]，待监测实时目标为[k]，根据透视变换原理，模型使用稳定性[q]可表示为：

3 实验结果与分析

上述过程完成了基于图像识别的山地城市绿色空间景观生态破损区域实时监测模型的搭建。为了验证该模型确实比传统模型具备更高的实用性价值，以两台配置相同的计算机作为实验对象。其中一台搭载新模型，作为实验组;另一台搭载传染模型，作为对照组。实验开始前，按照表1完成实验参数设置。

3.1 实验参数设置

表1中参数依次代表监测区域面积、景观生态破损程度、监测参数、预估图像识别清晰度、监测实时性、图像识别系数。

3.2 识别图像清晰度对比

令实验组、对照组两台计算机同时完成山地城市绿色空间景观生态破损区域识别图像的绘制。详细图像清晰度情况如图2、图3所示。

图中，黑点代表山地城市绿色空间景观发生生态破损地区，黑点越密集，代表破损程度越严重。对比图2、图3可知，该区域中部生态破损情况较严重，周围区域生态情况较良好。实验组计算机，应用基于图像识别的山地城市绿色空间景观生态破损区域实时监测模型，绘制出的识别图像，极为清晰，可反映该地区的生态破损情况。对照组计算机，应用传统模型绘制出的识别图像，也能反映出该地区的生态破损情况，但图像清晰程度明显低于实验组。所以，可证明本文模型确实可以提升山地城市绿色空间景观生态破损区域识别图像的清晰度。

3.3 区域内景观监测实时性对比

区域内景观监测实时性与BSI指标保持反比变化关系。当BSI指标增大时，区域内景观监测实时性减小，反之增大。应用特殊方法，记录实验组、对照组的BSI指标变化情况，如图4、图5所示。

对比图4、图5可知，实验组BSI指标随监测区域面积的变化基本保持平稳的变化趋势，最大值仅为39.48%。实验组监测实时性曲线最大值为58.65%，最小值为41.73%，始终高于39.48%。对照组BSI指标随监测区域面积的变化呈现增加趋势，最大值达到69.77%，最小值为43.58%。对照组监测实时性曲线最大值仅为27.36%，恒小于对照组BSI指标。所以，可证明应用基于图像识别的山地城市绿色空间景观生态破损区域实时监测模型，确实可对区域内景观进行更好的实时监测。

4 结 语

基于图像识别山地城市绿色空间景观生态破损区域实时监测模型的建立，为对区域内景观进行更好实时监测、提升识别图像清晰度，做出巨大贡献。该模型与传统模型相比，确实具备更高的实用性价值。

参考文献

[1] 丁雨賝，冯长春，王利伟.山地区域土地生态红线划定方法与实证研究：以重庆市涪陵区义和镇为例[J]. 地理科学进展，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.一种改进的Hu不变矩算法在存储介质图像识别中的应用[J].仪器仪表学报，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] 刘龙，李建奇，魏光宇，等.基于图像识别的自主寻迹智能小车设计[J].湖南文理学院学报（自然科学版），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] 毛文涛，王文朋，蒋梦雪，等.基于局部特征过滤的快速火焰图像识别方法[J].计算机应用，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，张俊丽，黄立文.基于GA?LPA算法的船舶图像识别方法研究[J].广西大学学报（自然科学版），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] 赵媛，孙夏，Aaron Fenster，等.一种基于深度学习的颈动脉斑块超声图像识别方法[J].中国医疗器械信息，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，岳学军，等.基于图像识别的无人机精准喷雾控制系统的研究[J].华南农业大学学报，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，段强宇，徐林林.基于图像质量参数优化的异质手背静脉图像识别算法的研究[J].北方工业大学学报，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] 秦丰，刘东霞，孙炳达，等.基于深度学习和支持向量机的4种苜蓿叶部病害图像识别[J].中国农业大学学报，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] 韩豫，张泾杰，孙昊，等.基于图像识别的建筑工人智能安全检查系统设计与实现[J].中国安全生产科学技术，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.