基于多特征CRF的无人机影像松材线虫病监测方法

刘金沧，王成波，常原飞

(1. 广东省国土资源测绘院，广东 广州 510500； 2. 中国科学院遥感与数字地球研究所，北京 100101)

随着遥感技术的发展，高分辨率遥感影像逐渐成为监测森林病虫灾害的主要数据源，通过对影像上感病导致变色的树木特征描述及分类识别，可实现变色松树提取，进而获取树木染病、枯死等信息。近年来，深度学习发展迅速，在遥感影像分类与识别中得到应用，深度学习的主流算法模型有受限波尔兹曼机、深度信念网络、卷积神经网络及自动编码器4种[1]。但深度神经网络模型待训练参数极多，往往需要大量样本数据。对于尚未积累足够样本数据的应用领域，采用深度学习方法存在一定的困难。在遥感影像目标识别、图像分割或分类工作中，一般分类器通过与图像特征结合从而达到融合上下文信息的目的，模型本身不考虑空间信息的问题。概率图模型的引入，实现了在模型中加入上下文信息的概念，考虑了像素空间相关性。条件随机场模型(conditional random field，CRF)[2]为后验概率建模，能够同时考虑标记和观测数据的上下文信息，可用于各种具有不同统计特性的图像的分类，具有普遍适用性，对图像分类效果较好，已经成功用于序列数据标记、自然图像分割[3]、医学影像处理[4]等。目前，国内外学者也尝试将CRF引入遥感图像处理，展开了对高分辨率、多光谱、高光谱、SAR影像中CRF的使用和改进[5-8]，旨在遥感图像处理过程中更为正确和有效地发挥空间信息作用。

松材线虫病是全球森林生态系统中最具危险性、毁灭性的有害物种[9]。松树感病后，针叶快速变成黄红色。在我国，松树占森林资源的1/4[10]，为了有效预防和控制松材线虫病，需对其进行全面而又快速的监测。无人机遥感作为一项新兴的对地观测技术，可大幅减少森林资源调查的外业工作量，大大提高工作效率[11]。无人机影像地物清晰、细节明显、信息丰富，为松材线虫病的及时快速监测提供了有效的途径，但考虑到影像中裸地阴影明显、树冠变化过大及树木之间边界复杂等问题，对病害松树提取带来了一定困难，需要选择合适的提取算法。

1 基于无人机影像变色松树提取方法

1.1 基于多特征的变色松树识别模型

CRF模型通过融合多种特征提取变色松树，主要包括：①对无人机影像进行处理，提取描述图像的多种特征；②将所提取的特征映射到高维或低维空间中组成新的特征向量；③利用CRF模型对最终特征向量进行分类，并获得相应的标记，主要工作为特征提取、CRF模型的构建与实现。分类模型过程如图1所示。

1.2 图像特征提取

图像特征是复杂图像的简化表达，特征提取和选择是高分辨率遥感影像识别和分类的基础和关键。正常情况下不同地物具有不同的颜色特征，但也经常会出现同物异谱、同谱异物现象[12]。为更加有利于变色松树专题信息提取，本文综合考虑了颜色特征和纹理特征。

1.2.1 颜色特征

颜色特征是图像检索、识别中应用最广泛的视觉特征，在变色松树提取试验中，颜色特征是区分病害松树与健康松树的重要特征，本文颜色特征直接采用影像上的R、G、B三通道特征。

1.2.2 纹理特征

高分辨率影像中纹理结构种类丰富，由不同的纹理基元按照不同规则和组合方式重复出现而形成，本文使用的纹理特征为Gabor特征、局部二值模式(LBP)特征和方向梯度直方图(HOG)特征。

(1) Gabor特征。Gabor变换兼具在空域和频域中的分辨能力，2-D Gabor滤波器通过调整滤波器的空间与频率参数，可以获得空域和频域的最优联合分辨率，以达到空域和频域的局部最优化，表达出能够充分描述图像的纹理信息[13]。由于小波变换的窗口大小可以随着窗口中心频率的变化而自适应地调节，通常采用Gabor小波滤波器提取纹理图像[14]。Gabor滤波器提取纹理特征主要是滤波器的设计，包括滤波函数、数目、方向和间隔。

(2) LBP特征。LBP通过统计局部区域内结构出现的频次来表达图像特性，主要是对像素点与其局部区域内像素点的灰度级大小对比而产生。LBP特征提取首先将检测窗口划分为16×16的小区域(cell)，对单个cell中的每个像素，将其4邻域或8邻域内点的灰度与该点(也可以是环形邻域)进行顺时针或逆时针的比较，如果中心点像素值比邻点大，则邻点的值为1，反之则为0，这样每个点都会获得一个8位二进制数，转换为十进制，得到每个像素的LBP值；然后通过对每个cell中每个数字出现的频率进行统计，得到cell的直方图后，再对该直方图进行归一化处理；最后连接所有cell的统计直方图得到整幅图的LBP纹理特征。

(3) HOG特征。HOG特征[15]通过计算和统计图像局部区域的梯度方向直方图来表达特征，具有图像几何和光学的形变不变性。HOG特征提取首先将图像分成小的连通区域，即细胞单元，然后计算每个细胞单元中所有像素的梯度或边缘的方向直方图。由于局部光照的变化及前景和背景对比度的变化，使得梯度强度的变化范围非常大，采用重叠的局部对比度归一化技术对梯度强度作归一化，最后把这些直方图组合起来构成HOG特征描述器。

1.3 条件随机场建模

1.3.1 CRF原理

CRF模型最早由文献[2]提出，是一种判别式概率无向图学习模型，CRF通过Gibbs分布直接对后验概率P(X|Y)建模。

定义y={y1,y2,…,yk}为观察特征集的随机变量，x={x1,x2,…,xk)}为标签集合的随机变量，对每个随机变量yi∈y标签集合中的标签相对应，P(x|y)表示给定条件y下的随机变量x的条件概率。根据Hammersley-Clifford定理，标记场的后验概率服从Gibbs分布为

(1)

式中，Z为归一化函数；Z(y)=∑yexp{-∑c∈C

ψc(xc,y,θ)}；θ为模型参数；基团c为一些随机变量的集合；C为所有基团c的集合；数据项ψc(xc,y,θ)为在基团c上定义的势函数。相应的Gibbs能量函数为

(2)

以较常见的二阶CRF为例，二阶CRF能够考虑像素的空间邻域信息，只有关联势能和交互势能，则其能量函数包含了关联势能ψi和交互势能ψij

(3)

式中，V为由图像的像素组成的集合；ε为相邻的像素对，对像素而言一般是4邻域或8邻域。

1.3.2CRF建模

CRF关联势能ψi()通过一个局部判别分类器来表示，通常表达为基于颜色、位置和纹理等多特征的成本函数，表达观测变量yi与标签xi之间的关联属性，反映给定yi和参数w条件下标记为xi的概率，表示为

ψi(xi,yj,w)=lnP(xi|yj,w)

(4)

由于SVM在高分辨率遥感数据中具有较好的分类效果，因此参考文献[8]定义关联势能，由SVM训练参数得到的归一化概率。交互势能ψij()通常依据邻接观测变量，以及其标签变量之间的相关性关系来表示，体现了模型对上下文信息利用的能力。一般定义为

ψij(xixjyi,yj,λ)=λTgij(yi,yj)δxi≠xj

(5)

式中，λ为交互势能中待估计参数；δ为0-1指示函数，若xi≠xj，δ为1，否则为0；gij(yi,yj)为特征相似性描述函数，其定义是描述相邻变量相关性的关键，通常定义通过距离衡量特征之间的相似性，表达为

(6)

式中，β幅图像中邻接像素对的颜色对比度的均值，β=(2〈‖yi-yj‖2〉)-1。

为了减轻交互项过平滑的问题，在关联项和交互项之间加入权重λ，则后验概率最终可表达如下

P(x|y,w,v)∝exp

(7)

2 试验案例

2.1 技术路线

无人机影像变色松树提取过程如图2所示，主要分为5步：

(1) 数据获取：无人机航摄获取监测区域0.1 m分辨率的影像数据。

(2) 数据处理：通过影像匹配、空三加密、正射纠正、影像拼接和图像增强等处理，制作0.1 m分辨率正射影像图。

(3) 数据准备：制作标记变色树木、健康树木的样本数据，单个样本的大小为500×500像素，用于变色松树提取的训练和测试。

(4) 变色松树提取：首先进行多种特征提取，增加不同类别地物特征描述的差异；然后利用有效的分类算法将变色树木与正常树木区分开，以完成变色松树专题信息提取。

(5) 结果分析：结合目视解译，对变色木提取结果进行分析，以提供疑似遭受病虫害的松树，为实地调查提供有利线索。

2.2 变色松树分类

标记样本数据如图3所示。其中，部分暗灰色为松树枯萎或失叶后剩下枝杈呈现的效果，一般是树木长期染病枯死所致。另外，由于影像分辨率较高，树木之间的空隙、阴影明显，将其分为其他类。综上，将影像标记为4类：两种变色木(发灰木、发黄木)，健康木和其他(阴影、空隙)。

本次试验标记样本数据集总数为860个，随机选取总样本的70%作为模型训练数据，剩余的样本则为测试数据。变色松树提取试验设置Gabor纹理的σ=2π，方向数为4，频率为5，共20维，HOG特征9维，LBP特征4维。提取的多维特征通过白化、聚类操作形成用于图像分类的特征向量。

试验将CRF提取的结果与几种常用的分类算法提取结果进行对比，包括支持向量机(SVM)、boost算法、随机森林(RF)，如图4所示。从图4可以看出，前3种不考虑相邻像元相关性的分类算法得到的分类结果的椒盐现象比较严重，分类效果不佳，而CRF的分类结果更加平滑，视觉效果更好。从影像可以看出，变色树松树的数量较少，前3种方法对变灰松树与阴影、空隙等纹理的区分效果不佳，在边界处变灰树木与其他的地类产生混淆。相对于前3种试验结果，只利用RGB颜色特征的CRF模型整体分类结果有所改善，说明CRF模型对变色松树的分类效果较好，但其同样存在对变灰松树的提取结果不太理想的问题。在颜色特征的基础上，加入多种纹理特征后的CRF模型分类结果对变灰木区分能力有所提高。纹理特征的加入增加了类别之间的差异，能够改善分类器的性能。

对应5种分类结果的定量精度评价见表1，结合图4分类结果，可以看出：定义交互势能的CRF模型考虑了邻域像素之间的空间关系，分类结果比不考虑交互势能的普通分类器(SVM、boost、RF)分类精度更好，模型精度总体比其他基于像元的分类器高，多特征的CRF模型精度提高超过5%，基于多特征CRF方法有利于提高变色松树的提取效果和精度。与考虑颜色特征的CRF模型分类结果相比，基于多特征CRF方法在分类精度上提高了约3.55%，这表明文中所述纹理特征能够有效改善模型的分类精度。无论是从分类结果的视觉效果，还是从分类精度评价来看，基于多特征的CRF模型都能够获取较好的变色松树识别结果。

表1 松树林无人机RGB影像的分类精度 (%)

3 结 语

利用无人机航摄获取森林高分辨率影像，并选用合适的分类方法对影像进行病害变色松树自动提取，为快速监测松材线虫病提供了有效途径。其中关键在于寻找适用高分辨率航空影像分类的算法，基于多特征CRF模型能够客观准确地对病害松树进行分类，作为传统的目视解译方法的补充，能够大大减少人工判读的工作量，有利于提高松树病虫害监测的效率与精度。