基于词袋模型的林业业务图像分类

针对林业业务图像的特点,提出了一种基于稠密尺度不变特征转换(Dense SIFT)特征的词袋(BoW)模型,并联合直方图正交核的支持向量机(SVM)对图像自动分类。首先采用Dense SIFT提取林业业务图像特征,然后使用BoW模型描述各业务图像,最后利用SVM进行分类识别。实验结果表明:采用Dense SIFT特征比SIFT特征训练时间和识别时间更短,并有更高的识别率,更适应实时性较高的场合;SVM采用多项式核函数(Poly),径向基核函数(RBF),多层感知器核函数(Sigmoid)以及直方图交叉核对3类林业业务图像分类时,直方图正交核取得的平均识别率最高;综合Dense SIFT在局部特征上的优势,加上BoW模型和直方图交叉核SVM分类器,平均识别率达到了86.7%,有较好的识别效果。

基于自学习特征的林业业务图像分类方法

【目的】现代电子和通讯设备的普遍使用,使得林业管理部门可以及时获取和累积大量林业业务图像。对林业业务图像进行自动分类,可使林业各个管理部门,包括林业执法机构和执法队伍能够全面配合、相互协调,增强决策支持和应急处理能力,从而实现有效的森林资源监管。【方法】提出一种基于自学习特征的林业业务图像自动分类方法,该方法采用3层结构来获取图像局部特征的全局语义,并对全局语义进行建模。首先,将图像分块,对图像块采用线性稀疏自动编码器进行自动学习,获取局部特征的权值矩阵;之后,利用权值矩阵对图像进行卷积,获取各种局部特征在图像中的映射,再进行池化与连接形成特征向量;最后,利用特征向量,采用softmax分类方法进行图像类别建模与识别。【结果】确立了林业业务图像的4个类别:动物死亡、森林火灾、采伐和森林病虫害。收集4类图像355幅,每类图像数目不等,并裁剪为统一大小,建立试验用林业业务图像数据集。利用留一法进行多次交叉试验,识别精度达到80%。线性稀疏自动编码器有效地提取出了图像块中的色彩特征、色彩变化特征及不同方向和不同位置的梯度特征等;利用自动学习到的局部权值矩阵卷积整个图像,在每幅特征图像中激活了原图的不同特征,且这些特征是零散的;当被识别图像与同类图像有相似或者局部相似的特征时,其会被正确识别,反映了基于自学习特征的林业业务图像分类方法能联合图像中的局部特征识别全局语义。【结论】林业业务图像分类属于图像场景分类问题,其同一类图像的类内相似性较弱,利用传统的"特征提取+分类建模"方法进行分类,其分类特征的选取难度较大。相较而言,基于自学习特征的林业业务图像分类方法的局部特征是从图像中自动学习得到的,方法泛化性强;而且该方法只有3层,没有全部层的反馈学习过程,比目前流行的基于深度卷积神经网络的图像分类方法效率高;当累积的样本图像增多、更加全面时,可以期望获得更高的识别精度。

基于迁移学习的林业业务图像识别

【目的】林业业务图像的识别分类有利于林业管理部门对相关事件作出合理的处置方案及指挥调度决策,从而充分发挥护林员的作用,提升森林管护的水平,达到保护森林资源和生态安全的目的。【方法】提出了一种针对林业业务图像基于迁移学习的卷积神经网络(convolutional neural networks)自动分类模型。在经过大规模辅助图像数据集ImageNet预训练的4种卷积神经网络模型的基础上,使用林业业务图像数据对训练好的模型进行迁移学习,采用新的全连接层取代原始的全连接层,其他层参数保持不变。【结果】在建立的4个类别林业业务图像数据集上,4个预训练卷积神经网络结构的迁移学习模型都具有较高的分类正确率。其中,基于Inception-v3的迁移学习模型识别精度最高,达到96.4%。【结论】利用基于Inception-v3的迁移学习模型进行林业业务图像分类是可行的。相比传统的特征提取识别方法以及其他预训练模型,Inception-v3模型具有很强的分类能力,可以在森林管护中发挥更广泛的应用。