[发明专利]林业业务图像自动分类方法

说明书

技术领域

本发明涉及一种林业业务图像自动分类方法，属于森林资源监测与信息处理技术领域。

背景技术

林业具有巨大的生态、经济和社会功能，是应对经济全球化发展过程中造成的生态危机和气候变化问题的有效途径。于是对森林资源和生态保护成为各级政府重要的建设内容。而护林员作为林业工作的骨干力量，可将林业现场数据通过手机拍摄后传输到服务器。这些图像数据集中在服务器上能够根据林业业务需求进行快速地分类，并将分类结果发送到相关林业管理部门，从而可以对相关事件进行及时、有效的处理。

这种森林资源监管模式，摈弃了传统的管理手段无法准确及时了解其现状及动态，但要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，其核心是实现林业业务图像的分类。要实现林业业务图像的分类，其理论基础是建立在场景图像分类上的。而场景图像分类是在二十世纪九十年代末开始兴起的一个新的研究领域，2006年在MIT首次召开了场景理解研讨会，明确了场景分类将会是一个新的有前途的研究热点。2005年之前，场景图像分类主要采用基于底层特征(low level features)的方法和基于场景结构的方法；而从2005年至今，场景图像分类主要采用基于图像视觉词汇的方法。

最初的场景分类方法大多基于图像底层特征(图像的全局或者分块的纹理、颜色等特征)，并与监督方法相结合。但是基于低级特征的方法利用空间信息少，使得图像的中低层特征和高层语义之间存在较大的语义鸿沟，目前已经不是场景分类的研究热点。

为了能描述场景图像中各组成部分内容及其相互关系，学者们提出了基于图像局部结构或构建中间语义层的方法来分类图像，从而弥补它们之间存在的语义鸿沟。例如，Lipson等人提出的场景配置模型(scene configuration model)，Smith等人提出的组合区域模板(composite region templates)。Lipson和Smith的方法通过一定的构造组成来描述场景类别，因此在分类图像时，只需要分析测试图像的结构组成即可，无需逐个比较训练样本，这样弥补低级特征方法在表示图像语义信息方面的不足。但其缺点是，模型的设计未必能准确描述图像的语义特性，并且通常需要对图像进行分割，而图像分割本身就是一个比较复杂的问题。另外，Oliva等人使用粗糙度、宽阔度、伸展度等视觉感知属性描述场景的主要内容结构；Vogel等人定义一组局部语义概念，生成局部语义概念模型计算相应语义的出现频率进行场景分类。然后这两人的方法需要对大量的数据进行人工标注，因此限制了它们的应用范围。

Sivic等人在视频场景分类和检索中最早提出了视觉词汇的概念，将文本分类中的词袋方法(bag of words，BOW)应用到图像分类中来。

得到图像的视觉词汇后，可以直接计算BOW表示进行场景分类，也可以在BOW表示上采用文本分类中常用的概率生成主题模型进行建模，这包括Li等人的latent dirichlet allocation(LDA)模型和Bosch等人概率隐含语义分析模型(pLSA)进行无监督的场景分类。pLSA和LDA的无监督分类算法，使得训练数据不需要人工标注。

场景图像分类经过十几年的发展，取得了丰富的成果，但是往往忽略了图像的颜色信息，另外对图像的缩放非常敏感。特别是目前对场景图像分类的研究都停留在一些通用的自然风景图像上，图像不同类别差异较大。而针对林业业务的图像进行自动分类研究还未见报道。

发明内容

本发明要解决的技术问题是提供一种林业业务图像自动分类方法。

本发明所采用的技术方案分为训练和分类两大部分，具体步骤如下：

一、训练

(1)将数据库中每一幅林业业务图像从RGB颜色模型图像分别转换成HSV颜色模型图像和256级灰度图像其中i＝1，2，...，N，N为数据库中训练图像的个数；

(2)在灰度图像上，采用SURF计算关键点集合KP_i(k₁，k₂，...，k_Ni)，，其中Ni表示关键点个数，关键点k_j(x，y，s)中，j＝1，2，...，Ni，x，y表示关键点的位置，s为尺度信息；

(3)关键点描述：按步骤一(2)得到的SURF关键点，求对应像素点在HSV空间中的H颜色分量上的位置，然后分2步来实现这些关键点的描述：