基于深度学习特征和支持向量机的遥感图像分类

随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。     

基于GAN-DCNN的树叶识别

【目的】利用深度学习进行树叶识别时需要大量训练样本,当样本量不足、图像风格单一会导致识别准确率不稳定。研究利用少量的样本进行树叶图像增殖和风格转换,可极大减轻数据采集的负担,为提升林业调查信息化、智能化提供有效的技术手段和理论支撑。【方法】采集6种树种的树叶图像建立数据集,引入light-weight GAN对图像进行增殖和风格转换,扩充人工拍摄的树叶数据集,通过在该数据集与原数据集上分别应用AlexNet、GoogLeNet、ResNet34和ShuffleNetV2四种深度卷积神经网络进行训练,分析生成对抗网络的图像增殖技术在树叶识别中的作用。综合模型准确率和训练时间等性能指标选择最优模型,同时对模型的学习率进行调整。使用测试样本对参数优化后的模型进行验证,分析该方法在实践中的可行性和意义。【结果】基于生成对抗网络生成的样本具有高清晰度,高保真性,能够有效地辅助神经网络模型的训练工作,同时也丰富了样本类别,使之获得包含更多不同季节、形状、健康状况的树叶图像。与原始数据集相比,AlexNet、 GoogLeNet、 ResNet34和ShuffleNetV2四种网络在新数据集的训练上...     

基于CNN的无人机遥感影像质量评价

运用无人机的遥感影像来调查林地状态是一种有效的途径,为了进一步提升遥感图像质量的评价精度,笔者提出了一种基于卷积神经网络(convolutional neural network,CNN)的无人机遥感图像质量评价方法,主要包括图像采集与预处理、数据扩增、模型训练和测试4个阶段。首先对无人机采集到的遥感图像进行主观质量打分,分别获取同一区域不同阶段图像的质量分数;然后运用图像旋转和剪裁等方法对遥感图像进行数据扩增,将扩增后的图片和原始图片融合作为实验数据集;其次在Caffe深度学习框架中构建基于CNN深层特征的回归模型,并训练;最后,根据已建立好的深度回归模型和学习到的参数,预测无人机遥感图像的质量分数。结果表明,提出的方法可以取得较准确的评分效果,在保证客观打分的同时,能基本保持和人眼视觉的感受一致。     

基于深度双线性转换注意力机制网络的林业有害生物识别方法

【目的】针对林业有害生物种类多，不少物种之间相似度高，视觉差异小，不易区分，导致林业防控人员无法快速准确识别有害生物种类的问题，本文提出基于深度双线性转换注意力机制网络（DBTANet）的林业有害生物细粒度图像识别方法。【方法】以自然状态下拍摄的60种林业害虫和14种林业有害植物图像作为研究对象，利用水平镜像、亮度调节、高斯模糊和高斯噪声等方法对图像数据集进行增强，按6∶2∶2比例划分为训练集、验证集和测试集；采用双线性插值法将每幅图像缩放至统一尺寸；改进ResNet网络中残差模块，加入深度双线性转换模块和注意力机制模块，建立DBTANet-101网络进行特征提取与分类；利用平均准确率、平均召回率和平均F1值3个指标评价不同模型对林业有害生物的识别结果。【结果】VGGNet-19、ResNet-50、ResNet-101、改进残差模块的ResNet-50和ResNet-101共5个模型对74种林业有害生物平均准确率分别为78.6%、74.9%、76.3%、79.7%和81.1%；在改进残差模块的ResNet-101基础上，增加深度双线性转换模块和注意力机制模块后，74种林业有害生物的平...     

基于BP神经网络的针阔混交林TM遥感图像自动分类技术研究

在对标准BP神经网络试验分析的基础上，通过输入矢量归一化处理、主成分分析、增加验证集、改进训练学习算法、扩大隐层和输出层规模等措施，对BP神经网络自动分类系统进行改进；利用改进后的BP系统对吉林省汪清林业局的典型针阔混交林TM遥感图像进行辩识、分类试验研究。结果表明：改进后的BP网络分类系统自动分类精度提高了19．14％，比传统无监督自动分类精度提高8．55％，达到了区分森林类型的分类要求。研究还显示了该改进系统应用于针阔混交林TM遥感图像自动分类识别的精度随网络规模增大而提高。     

基于无人机影像的树种分割实践

郁闭度超过60%的林地具有树种种类复杂、种内特征差距小及种间位置间距小等特点。虽然传统卷积神经网络(CNN)较其他分类方法具有精度高与自动化水平高等优势，但其存在学习效率低、识别精度提升困难及可解释性差等缺点。此外，传统规则分割绘制树种图的方法忽视了树种及遥感地物边界特征的变化，易在高郁闭度的林区产生椒盐现象。为解决上述问题，提出基于类激活映射及自注意力模型(ST)的新的树种分类方法(G-ST),它集成了迁移学习、ST分类模型与梯度下降的类激活映射，通过综合长距离特征、数据增强、其余领域的特征知识及预测训练关注度，提升G-ST分类精度、模型泛化能力及可解释性，结合简单线性迭代聚类方法生成树种专题地图。结果表明，该方法得到的树种图精度较传统CNN结合规则分割的制图方法更高，林木及遥感地物边界更趋近于矢量化结果，能有效为树种影像分割、制图及分布统计工作提供参考。     

联合LiDAR、高光谱数据及3D-CNN方法的树种分类

【目的】探究三维卷积神经网络（3D-CNN）在高光谱数据支持的树种分类中的有效网络构建方式，以提高树种分类精度。【方法】以美国加利福尼亚州内华达山脉南部为研究区，LiDAR数据获取的森林冠层高（CHM）进行单木分割并以此为补充建立样本，改进一种结构更简单、分类精度更高且无需对高光谱数据进行预处理的3D-CNN网络结构用于森林树种识别。【结果】相较于常规机器学习分类方法【支持向量机（SVM），随机森林（RF）】、传统二维卷积神经网络模型（2D-CNN）及最新多光谱分辨率三维卷积神经网络（MSR 3D-CNN）模型，本研究提出的3D-CNN模型对树种总体分类精度为99.79%，平均交并比（MIoU）为99.53%。与SVM和RF分类结果相比，本研究构建的3D-CNN模型总体分类精度提高5%左右，且具有对树种边界提取更加准确、椒盐现象更少发生的特点；与2D-CNN相比，总体分类精度提高10%左右，MIoU提高7%左右；与MSR 3D-CNN相比，总体精度相差不大，但在训练和测试过程中，本模型耗时远远小于MSR 3D-CNN模型。【结论】本研究改进的3D-CNN模型结构能够高效对原始高光谱影像...     

融合全域与局域特征的深度卷积网络鸟类种群识别

【目的】基于鸟类影像数据,探讨全域与局域特征融合手段,结合深度卷积神经网络理论,建构鸟类种群识别模型,以期为森林与湿地的监控与治理提供新的手段。【方法】首先,依据人类识别物体从整体到局部的生理过程,采用跳跃结构实现物体整体信息与局部信息的交互,该模型主要采用2个模型框架提取鸟类的全域和局域部件特征,并采用跳跃结构,提出融合模块(Fusion block)结构进行特征融合,将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息,而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次,探讨不同鸟类局部影像信息对模型的影响,最后,通过对比不同网络分类模型和鸟类数据集,验证模型的有效性和适用性。【结果】该鸟类种群分类模型具有较高的分类精度,总体分类精度达90%以上;对于不同的鸟类局部影像信息,其分类精度表现出一定的差异性,其中基于鸟类头部局部影像的网络分类模型总体分类精度最高; Faster R-CNN模型对鸟类局部影像定位精度较高,测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小;对比Inception-V1、Res Net-101、Dense Net-121以及Bilinear CNN等网络分类模型总体分类精度,该模型总体分类精相对较高,具有一定的有效性;对比使用NABirds鸟类数据集的分类效果,该模型总体分类表现较好,具有一定的适用性。【结论】该鸟类种群分类模型具有较好的识别效果以及有效性,可为森林与湿地的监控和治理提供合理有效的依据。     

高分辨率多光谱遥感影像森林类型分类深度U-net优化方法

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%-12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。     

基于深度学习的心脏磁共振图像分割

针对分割心脏图像中半自动分割方法存在分割精度较低、计算复杂度较高等问题,提出了采用改进的全卷积神经网络(Fully Convolutional Networks,FCN)来自动分割心脏左、右心室及心肌。在初始训练前对原始心脏影像作预处理,对处理后的图像进行模型训练,在网络下采样与上采样过程中加入批归一化层(Batch Normalization,BN),加速网络收敛,降低网络过拟合,实验选择加权交叉熵损失函数,用于提升网络性能,经过softmax分类器得到分割结果。实验结果表明:该方法能够较好地分割出左心室等结构,具有较高的分割精度。     

基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2～4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLO...     

基于深度学习的小目标受灾树木检测方法

【目的】针对无人机森林图像中树木尺度小、生长密集以及分布不规律等问题,提出一种基于深度学习的小目标受灾树木检测方法,以准确识别和定位高分辨率无人机森林图像中的小尺度受灾树木。【方法】以辽宁省凌源县受红脂大小蠹侵害的油松林无人机图像为数据源,利用Label Img开源软件标注拍摄高度为180～240 m的图像,构建无人机森林图像数据集。设计小目标受灾树木检测框架,该框架在轻量级目标检测框架(SSD)基础上,首先从conv3_3开始构建预测模块,并根据图像中目标树木的尺寸删减预测模块,同时优化特征图上默认框生成方式;然后,通过特征增强模块将基础特征图转化为增强特征图,生成基础和增强预测模块;最后,利用基于默认框的双层损失函数训练检测模型以促进特征学习。【结果】基于深度学习的小目标受灾树木检测方法可实现无人机森林虫害远程监测,较准确检测无人机图像中细小密集的受灾树木。采用5组不同结构的SITD模型以及SSD、FSSD和RFBNet目标检测框架对无人机森林图像数据集进行训练和测试,以平均查准率(AP)和Precision-Recall曲线作为评价指标,试验选出最优SITD模型在测试集上的AP为92.62%,相比原始SSD300框架提升69.71%,且优于其他3种目标检测框架。【结论】基于深度学习的小目标受灾树木检测方法可实现对森林中受灾树木的自动化检测,能够简化林业有害生物监测流程,提升对森林虫害的预警能力。     

基于CNN的木材内部CT图像缺陷辨识

【目的】为获取木材内部构造形态,提高木材内部缺陷识别率,依据获得的计算机断层扫描图像,提出一种基于卷积神经网络(CNN)的木材内部缺陷辨识方法,以实现木材的高效化自动分类。【方法】首先,利用课题组自行开发的计算机断层扫描系统,采集样本木材内部CT图像800幅;然后,对样本图像进行处理,随机选取700幅原始样本图像,从中截取出单个缺陷区域和正常木材断层区域样本图像20 000幅,并利用图像增强等算法将数据集扩充到70 000幅,标准化图像大小为28×28像素,分为正常、裂纹、虫眼和节子图像共4类,取60 000幅图像作为训练集,10 000幅图像作为测试集,剩余的100幅原始样本图像用于试验验证。【结果】通过60 000幅图像来训练网络模型,对测试集10 000幅图像进行分类,分类正确率达99.3%;利用训练得到的网络模型对100幅原始样本图像进行验证,平均分类正确率为95.87%。【结论】基于卷积神经网络的木材内部CT图像缺陷辨识算法,克服了传统识别方法图像预处理繁琐、训练方法复杂、训练参数过多、耗时过多等问题,具有精度高、复杂度小、鲁棒性较好等优点,且辨识正确率和辨识时间都比现行常规算法精准并用时短,是一种无损、高效、准确的辨识分类方法。     

基于视觉变换网络的自监督森林火灾识别

【目的】森林火灾识别是避免森林火灾大面积蔓延的一项重要研究。随着深度学习的快速发展,基于卷积神经网络的模型因其在图像识别领域的优异表现,被广泛应用到森林火灾识别任务当中。然而,基于卷积神经网络的方法通常在标签数据不充分时,难以取得令人满意的森林火灾识别结果。【方法】本研究提出了一种基于视觉变换网络的自监督森林火灾识别模型（Self supervised forest fire identification model based on visual transformation network）,来提高模型在标签稀缺情况下的森林火灾识别精度。具体来说,该模型采用视觉变换网络作为主干网络,通过视觉变换网络中的多头自注意力机制来捕获森林火灾图像的全局信息特征。并且引入自监督学习中的图像重建任务来辅助模型训练,从而减少模型对标签数据的依赖。模型通过对掩盖图像的特征恢复和重建学习相关语义信息。同时,本研究还提出了一种基于傅里叶低频混合变换的数据增强方法来提高模型的泛化性和鲁棒性。【结果】通过开展详细的试验来验证模型的有效性,结果表明,与其他常见的网络模型相比,FFDM模型在森林火灾识别任务中取...     

基于改进卷积自编码机的油茶果图像识别研究

为进一步提高油茶果识别的速度与精度,提出一种基于改进卷积自编码机神经网络的油茶果图像识别方法。该方法以非对称分解卷积核提高训练速度,以输出端重构输入端的直连训练方式减少信息损失;利用改进的自编码机训练不同颜色通道的图像,随后在共享层中利用金字塔池化算法融合高阶特征,利用softmax算法构建分类器。结合selective-search算法生成候选区域,并对其进行筛选,利用训练好的网络设计油茶果果实图像检测器验证算法的实用性。改进算法100次迭代所需时间为166 s,平均识别准确率为90.4%;改进模型收敛性能较好,学习能力强,经过10次迭代之后即可达到85%的识别准确率,在样本数目为200的小数据集上可达到82%的识别准确率;同时,检测器的搭建验证了算法的有效性,在2 s内即可实现对单张实际图像上目标区域的检测,总体识别精度为87%,使得算法具有一定的实时检测能力。试验结果证明,改进后的算法具有较高的识别准确率与学习能力,以及一定的实用性,可为油茶果图像识别提供参考。     

基于改进端元提纯模型的MODIS森林类型识别研究

MODIS遥感数据具有很高的光谱辐射精度,以及成本低、覆盖面积广、获取容易、周期短等数据特征,可以实现全覆盖大尺度区域森林类型信息快速提取,但由于其空间分辨率较低,遥感数据中存在混合像元。利用混合像元分解模型进行分解可得到较好的分类结果,但混合像元分解的端元组分直接影响分类的精度。利用决策树分类模型改进端元提纯,分析各地物的MODIS时间序列植被指数变化规律及物候变化规律,利用决策树模型分类的结果进行端元组分的提纯,最后进行混合像元分解。研究结果表明:分类精度最高的是线性混合像元分解,其次是最大似然分类,最差的是非线性混合像元分解,其中带约束和不带约束的线性分解模型的精度相差不大。     

基于卷积神经网络和树叶纹理的树种识别研究

利用计算机图像工程技术和卷积神经网络将大量树叶图像叶脉信息提取并分类,主要研究单一背景下阔叶树叶脉纹理特征。本实验采用卷积神经网络在图像信息识别准确率高,无需人工定义树叶纹理特征减少繁琐的人工成本。将网络在Caffe平台上面进行定义,使用符合标准正态分布的一组随机参数初始化网络。对卷积神经网络使用BP神经网络反向传播算法和随机梯度下降算法训练。经过对于网络的训练最终识别率达到95%以上,超过了人眼的识别率,为树种识别研究提供有效的分类方法。卷积神经网络在树叶纹理中省去了人工定义树叶特征的工作。最终多次实验得到可观的识别效果,卷积神经网络适用于树叶图像的识别,其识别率基本达到可以应用的要求。     

iWood：基于卷积神经网络的濒危珍贵树种木材自动识别系统

【目的】构建基于卷积神经网络的木材识别系统,实现木材树种在多场景条件下的自动精准识别,为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。【方法】采集15种黄檀属和11种紫檀属木材标本横切面构造特征图像,建立图像数据集Rosewood-26;构建AlexNet、VGG16、DenseNet-121和ResNet-50共4种卷积神经网络模型,基于ImageNet图像数据集对模型进行迁移学习,采用Rosewood-26图像数据集训练、测试和比较模型,优选识别性能较好的卷积神经网络模型,并进行木材树种分类;在此基础上,构建包含15种黄檀属和11种紫檀属树种的木材自动识别系统iWood,利用市场木材样品对系统进行应用测试和评价。【结果】在构建的4种卷积神经网络模型中,ResNet-50模型表现出最高的识别精度(98.33%)、最少的权重数量和较低的模型复杂性,适用于木材树种准确快速识别;ResNet-50模型对9种黄檀属和3种紫檀属木材的识别精度达100%,并可成功鉴别构造特征极其相似的檀香紫檀和染料紫檀;基于ResNet-50模型构建的木材自动识别系统iWood,在"属"和"种"水平的识别精度分别为91.8%和77.3%。【结论】基于卷积神经网络的木材识别系统iWood适用于海关执法、木材贸易和质量监督检验等多场景下的木材自动精准识别,能够为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。     

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。     

基于BP神经网络的森林植被遥感分类研究

如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。本文使用Landsat7ETM+遥感数据和森林资源分布图等地理辅助数据,用BP神经网络方法对森林植被进行了分类,并与最大似然法的分类结果进行精度比较分析。结果表明地理辅助数据参与的BP神经网络用于森林植被遥感图像分类其效果是较好的,是一种有效的图像分类方法。