基于改进ResNet-UNet的立木图像分割方法

【目的】针对现有图像处理方法分割立木精度低的问题,提出一种基于改进ResNet-UNet的立木图像分割方法,实现对图像中立木的精确分割。【方法】将拍摄得到的立木图像输入ResNet-UNet深度学习融合网络模型,初步得到较精确的立木分割图;结合自制的后期处理方法对该分割图进行优化处理,准确分割出立木形状。ResNet-UNet模型充分利用了像素之间的语义关联,以ResNet-34残差模块作为ResNet-UNet网络特征提取的基本单位;以U-Net网络的设计思路对图像进行上采样,以实现分辨率还原。去除ResNet-34网络的平均池化和全连接层,改变U-Net网络模型的特征通道数,形成ResNet-UNet网络模型。结合使用Adam一阶优化算法和dice bce loss损失函数实现了立木图像的初步分割。在后期处理阶段设定动态阈值得到前景和背景,避免了使用固定阈值对立木图像的高质量要求。运用强化学习中评分惩奖的思想,对前景和背景分配像素估计值,将该值和模型训练不同次数时的损失率输入惩罚-奖励机制,从而减轻分割结果对预测最终结果的过度依赖,降低网络过拟合对分割精确度的干扰。【结果】经验证,在自然环境、不同光照条件下分割不同品种的立木,平均误分率较传统的ResNet-UNet方法降低了3.5%,假阴率和假阳率较graph cut方法都降低了20%。【结论】使用ResNetUNet方法分割立木具有较高的精确度和较强的鲁棒性。

基于改进归一化割的立木边缘识别技术研究

立木胸径是评价林木生长状况的重要依据,采用机器视觉的检测方法,实现立木胸径的自动测量。为了快速准确地识别立木边缘,根据立木图像的特点,提出特定方向的归一化分割方法。预处理采用具有保边去噪功能的双边滤波器对立木图像进行滤波,用局部均值法进行一定的像素减少处理。本研究重点是在传统权值矩阵的基础上构造像素点满足特定斜率要求的权值矩阵,两点斜率在45°~135°2个像素点间的权值为1,在此范围之外的权值为0,构造无向带权图后进行归一化分割。最后利用此算法对30株立木图片在MATLAB 2015环境下进行仿真试验,结果显示立木边缘的平均误提取率为1.21%,小于森林资源清查1.5%的误差要求。

基于短视频图像的立木深度图生成算法

针对深度相机受环境光干扰大而导致立木深度图获取困难的问题,提出一种基于小运动短视频图像的立木深度图生成算法。该算法对分割后获取的亚像素角点进行跟踪和匹配,利用光束法平差估计相机参数;利用平面扫描法对图像序列进行密集立体匹配、去噪得到立木深度图。使用智能手机采集1~2s小运动的立木短视频图像验证所提算法的有效性,生成的立木深度图在主观效果上有显著提升。在深度图像数据库NYUdepthv2上进行验证,均方根误差为60.58,相对误差为0.34。实验结果表明:自然环境下利用该算法可有效生成精细的立木深度图,不需要深度相机、相机标定以及大量RGB(Red,Green,Blue)图像、深度图的训练,能有效节省数据采集和存储的开销,研究结果可为立木的可视化重建、立木因子的测量等提供参考。