基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别

为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,提出一种基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别方法。该方法首先在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,取特征权重前8个特征进行病树识别,发现选择差值植被指数DVI(difference vegetation index)、OHTA颜色模型的I2和I3分量作为病树与非病树的光谱特征较为合适,再运用DBscan空间聚类算法对光谱特征识别结果进行聚类,得到疑似病树像元集,此多特征识别方法识别病树的平均检测准确率为78.23%。以VGG(visual geometry group network)神经网络模型作为参考,建立VGG-S(simplification,即针对松材线虫病树进行简化)和VGG-A(attention module,即结合注意力机制)神经网络,并将人工判读生成的病树样本集和非病树样本集作为其训练样本。用以上两种不同的方法对疑似病树像元集进行识别,其中VGG-S平均检测准确率为82.61%,VGG-A的平均检测准确率为85.45%。结果表明,采用多特征和VGG-A相结合的方法在高分辨率遥感影像上识别松材线虫病树识别准确率更高。

基于多特征的高分辨率影像松材线虫病树识别

为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,利用在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,提取的合适特征为归一化植被指数NDVI(Normalized Vegetation Index)、差值植被指数DVI(Difference Vegetation Index)、OHTA颜色模型作为病树与非病树的光谱特征,对目标影像进行自动筛选,得到疑似病树像元。运用DBscan空间聚类算法对疑似病树像元进行聚类,并以周围一定范围内有一定数量的健康树像元为空间分布参考,对拍摄地点30°1′N/111°43′E附近、分辨率为0.1 m的3幅高分辨率遥感影像筛选病树。自动筛选耗时分别是人工筛选的43.99%、51.08%和46.62%,相对于人工筛选的数量准确度分别为79.37%、77.85%和82.56%。结果表明:采用光谱特征与空间特征相结合的方法在高分辨率遥感影像上识别松材线虫病树识别效率更高。