基于分形维度的林业遥感图像树种分类识别

周 晨，刘 磊

(1.西安科技大学测绘科学与技术学院，陕西 西安 710054；2.电子科技大学成都学院，四川 成都 611731)

1 引言

林业资源是生态系统中最重要的资源，有利于净化空气，维持生态平衡[1-3]。林业资源管理需采用科学准确的分类识别树种方法，提高树种分类识别效率，对林业资源保护具有重要的意义。树种分类识别包括树皮纹理、叶片、花卉等方面的识别。在林业树种分类识别中，以往的分类方法精度低，不符合林业资源管理的标准。因林区树种所生长的地区和分布多样性[4]，导致林业遥感影像产生“同物异谱”情况，使分类识别准确度下降。

随着林业遥感图像处理技术的高速发展，通过波谱数据处理方法已经不符合遥感应用的标准，而纹理特征是林业遥感图像的核心数据，对于林业遥感图像的分类识别有深远的意义。以往的林业遥感图像树种分类识别方法非常局限，如温小乐等，研究随机森林特征选择的树种分类方法[5]，在林业遥感图像树种分类识别过程中，依据该方法实施特征选择实现树种分类识别，由于该方法计算过程过于复杂，导致林业遥感图像树种分类识别效率慢；皋厦等人研究结合LiDAR单木分割树种分类方法[6]，在林业遥感图像树种分类识别过程中利用高光谱数据实现树种分类识别，由于该方法操作繁琐，导致林业遥感图像树种分类识别效果不佳。分形与图像联系非常紧密，在非线性科学中分形维度是重要的理论，采用分形维度感知遥感图像表面纹理粗糙度和人类感知相同，通过分形维数理论实施遥感图形纹理分析的应用性较高。分形维数可识别物体的复杂度，将其用在图像的识别中，已经取得较好的效果。

因此本文研究基于分形维度的林业遥感图像树种分类识别方法，提取林业遥感图像数据和纹理特征，提高林业遥感图像树种分类识别的准确性，促进林业资源的可持续发展。

2 基于分形维度的林业遥感图像树种分类识别

2.1 数据来源与处理

选取某地区中壤土质地的试验人工林场，土层较薄，气候适宜，该地区主要树种包括刺槐、油松、香樟树、白桦树等。研究数据为这四种树木的树皮纹理遥感图像，每种树种为500张遥感图像，将共计2000张遥感图像作为输入数据。遥感图像由3个1.0m全色波段的分辨率拍摄[7]，其覆盖范围为49O58′—50O02′N，127O08′—127O12′E。

遥感图像的数据处理包括：全色波段、多光谱的融合，其是利用Gram-Schmidt变换完成遥感图像融合，再通过几何校正遥感图像[8]。

相同品种的树种在非阴影区、阴影区区别比较大，主要原因为遥感图像的分辨率高导致。为了区分遥感图像非阴影区、阴影区，相关学者研究的阴影植被指数HVI实现区分，求解HVI如式(1)所示

(1)

其内：灰度值，用MIR描述；红光波反射率，用R描述；归一化植被指数，用MDVI描述。

因纹理特征模糊导致遥感图像失真的原因：在拍摄中，因人为、光线、环境、后期处理等引起的图像灰度值不稳定，另外因遥感图像经远程遥感设备拍摄而成，显示在电子设备上[9]，再利用ROI区域截取图像，但是在截取时操作不当也会导致提取树皮纹理特征的精度低，为了提高林业遥感图像纹理特征的提取与分析效果，通过直方图方法，提高图像质量与清晰度。

2.2 分形维度

遥感图像的复杂程度用分形维度表示，在林业遥感图像树种纹理分类识别中，分形维度代表像素组成，近似于人们视觉的感受[10]。

通过分形维度分析林业遥感图像树种纹理，将林业遥感图像树种纹理用点集S∈R3表示，三维(x，y，z)用于表示点集中各元素s，其内，(x，y)点的灰度值，用z描述；像素坐标用x、y描述，相对的面积Bγ用式(2)表示

Bγ=|{s′∈R3|∃s∈S：|s-s′|≤γ}|

(2)

其内：像素点用γ描述；距各元素s≤γ的点用s′描述，纹理的细微变化差异像素的面积随γ增大，引起对应的面积Bγ增大，分形维度DF，如式(3)所示

(3)

采用分形维度的“毯子法”计算面积Bγ。表面G由灰度值组成，在γ两边离表面G产生厚度是2γ的毯子。整个毯子的体积Vγ除以厚度2γ等于对应的面积Bγ。该算法步骤为：

1)初始化

设毯子(i，j)点的灰度值，用g(i，j)描述，且k0(i，j)=a0(i，j)=g(i，j)，上下表面，分别用aγ、uγ描述。

2)求解各点的上下表面值

对整个γ=1，2，3，…，计算的全过程，见式(4)、式(5)

(4)

(5)

其内：(m，n)点与(i，j)点间的距离，用d描述。

3)求解毯子的体积，如式(6)所示

(6)

4)求解毯子的表面积，如式(7)表示：

Bγ=(Vγ-Vγ-1)/2

(7)

为了计算出分形维度DF，通过上面的步骤计算出拟合曲线的斜率(logBγ，logγ)，进而得出分形维度DF。

2.3 特征提取及分类识别

2.3.1 纹理特征

利用分形维度提取林业遥感图像的树皮纹理特征。确定相关性较低的指标(对比度、均值、二阶矩)，指标求解过程，如式(8)—式(10)所示

(8)

(9)

(10)

其内：均值，用Mean表示；对比度，用Contrast表示；二阶矩，用SecondMoment表示。

2.3.2 分类识别

通过卷积神经网络方法分类识别四种树皮纹理的树种遥感图像。卷积运算提取输入遥感图像不同特征。反向传播算法求解组成卷积单元的参数。

为了提取遥感图像复杂的特征[11]，本文构建有2层全连接层、3层卷积层的卷积神经网络。在卷积神经网络中，为了得出特征的极大元素值，利用池化器提取遥感图像区域内特征。为了增强求解效率，比较卷积后特征与池化操作，降低维度。遥感图像的深层抽象特征提取，通过卷积和池化操作实现，全连接层负责分类，通过Softmax层实现树种的识别结果。使用池化层优化卷积神经网络，训练的过程，见图1。

图1 卷积神经网络训练过程

在输入层中，输入归一化参数是100，即每次输入100张(200×200)×3个通道的用卷积神经网络表示树皮纹理遥感图像[12]。通过卷积层1卷积操作输入样本遥感图像并提取特征，其中包括100个卷积核，3×3每层卷积核。在池化层1中，通过池化缩减上层输入数据模型尺寸，加快求解速度，经最大池化操作，保存特征极大值在10×10池化窗口。在卷积层2指定卷积核数目，卷积操作新添加的样本遥感图像并提取特征数据。非线性映射采用Relu激活函数实现计算。池化池2为保留上层的特征输出极大值，通过设置滑动步长实现保留。卷积层3的卷积核尺寸继续添加样本遥感图像，指定卷积核数目实施卷积操作并提取特征数据。特征数据的非线性映射采用Relu激活函数实现计算。池化池3通过最大池化对卷积层3输出的数据设置滑动步长为4、10×10池化窗口实施最大池化操作。全连接层1是输入池化层3内全部由特征矩阵转化成的维向量，该层有500个神经元，分类操作是通过Relu激活函数实施深度特征分析。全连接层2接收数据，神经元个数为4就是分类识别树种的数量，通过Softmax分类器实现分类识别结果。

3 实验分析

在实验中选取刺槐、油松、香樟树、白桦树树木的2000张树皮纹理遥感图像，选取200张树皮纹理遥感图像用作测试集，200张树皮纹理遥感图像用作验证集，1600张树皮纹理遥感图像用作训练集。

本文方法的原始图像预处理效果见图2。

图2 预处理前后的直方图信息

由图2可知，经本文方法均衡化预处理原始数据集后，直方图频率降低，将灰度值呈平均分布趋势，可显著提高遥感图像的质量。

实验选取文献[5]随机森林特征选择的树种分类方法、文献[6]结合LiDAR单木分割的树种分类方法为本文方法对比方法，测试三种方法的分类识别性能。

三种方法训练时的训练精度与损失曲线，见图3。

图3 训练精度和损失变化曲线

由图3可知，本文方法在第35次循环训练时，训练精度迅速上升，训练损失呈下降趋势，后期训练损失趋于稳定态势，说明本文方法可提高训练速度，规避过度拟合问题，而其它两种方法的训练精度较低，且训练损失波动较大，会出现严重拟合问题，导致训练速度慢。

三种方法对不同规模的树皮纹理遥感图像训练样本的平均训练时间见图4。

图4 平均训练时间对比

通过分析图4表明，当训练样本个数较低时，三种方法的平均训练时间没有太大的差异，当训练样本数量上升时，其它两种方法的平均训练时间均迅速提高，文献[6]方法的训练时间增加幅度最大，本文方法增长趋势稳定，训练速度明显加快，可提高图像的分类效率。

通过树种分类识别实验，测试三种方法的分类识别时间，如图5所示。

图5 分类识别时间

由图5可知，本文方法的分类识别时间比其它两种方法短，本文方法的平均分类识别时间为35.7ms，分别比其它两种方法的平均分类识别时间快28.8ms、59ms，说明本文方法的分类识别的效率高，可快速实现树种的分类识别。

采用三种方法对实验对象进行分类识别，分析三种方法的准确率，如图6所示。

图6 分类识别准确率

通过图6可知，采用文献[5]方法、文献[6]方法分别对测试样本、训练样本进行分类识别实验，两种方法的平均分类识别准确率分别为85.56%、76.43%，对实验对象分类识别效果不佳，而本文方法的平均分类识别准确率高达95.62%，说明本文方法大大提高实验对象的分类识别效果。

统计上述实验过程中，本文方法的刺槐、油松、香樟树、白桦树树皮的分类识别结果，见图7。

图7 本文方法的分类识别结果

分析图7可知，刺槐、油松、香樟树、白桦树树木的树皮纹理遥感图像均可被本文方法有效地分类并识别出来，说明本文方法能够有效分类识别出树种。

4 结论

本文研究基于分形维度的林业遥感图像树种分类识别方法。通过分形维度理论分析林业遥感图像纹理并提取特征，并通过卷积神经网络实现树种的分类识别。实验结果表明，本文方法的训练速度高，可规避过度拟合问题，树种的分类识别效率高。由于本人时间与精力有限，文中仍有许多不足之处。在以后的研究中，需在实践中逐渐完善本文的方法。今后的主要研究方向：

1)本文主要研究遥感图像树种树皮纹理特征的提取，以后可将其用在树叶纹理特征的提取、树种阴影方面全面分类识别树种。

2)为了扩大本文方法的应用范围，将在以后加入先进的技术手段与本文方法相融合，提高本文方法适用性，增强林业资源的管理效率，促进环境可持续发展。