[发明专利]一种基于深度学习的城市行道树种类识别方法

说明书

本发明公开了一种基于深度学习的城市行道树种类识别方法，首先通过无人机获取不同场景下的多树种真彩色无人机多光谱图像，并进行多光谱图像预处理。然后根据预处理后的反射率去除可能误判为树冠的图像对象，并利用数字高程模型检测树冠顶点，判断树冠顶点高度，去除过高或过低的顶点，使用模糊C均值分类器和主动轮廓算法对树冠进行检测和描绘，将生成的单木树冠图像输入搭建的深度学习网络，基于生成树冠图像的光谱和空间信息对树木进行种类识别。本发明提供的方法在进行树冠的检测中所采用的模糊C均值分类器可有效减轻类内像素噪声与方差问题，且可以在假设单个像素可属于不同类的前提下执行分类，较硬分类器有明显提高。

技术领域

本发明属于目标识别与计算机视觉技术领域，涉及一种基于无人机多光谱图像的城市行道树种类智能识别方法。

技术背景

作为城市绿地景观的重要组成元素之一，行道树在城市可持续发展、改善空气质量和美化城市环境等方面发挥着重要的作用，与城市的社会和经济效益息息相关。树种的多样性、结构和空间分布对行道树发挥其在城市中的重要作用极为关键。传统的行道树树种检测在很大程度上仍需依靠人力，使得效率低、成本高且统计的正确性和完整性无法得到保证。

近年来，多光谱传感器已被集成到无人机中，无人机在运营成本和灵活性方面具有很大优势，无人机所拍摄的城市行道树图片为树种识别提供了丰富的数据源。

单木树冠检测与描绘是树种识别的前提，这项工作的完成离不开图像分割，而目前使用的标记控制分水岭算法在树冠交叠处对树冠的描绘往往存在误差，造成树冠描绘不完整。

深度学习作为机器学习领域重要的模型之一，已在图像分类、图像识别等领域取得突破，尤其是卷积神经网络(Convolutional Neural Network,CNN)的出现解决了传统机器学习在图像分类上具有不确定性的问题。

发明内容

本发明所要解决的技术问题是针对现有技术的不足而提供一种基于深度学习的城市行道树种类识别方法，对无人机提供的多光谱图像进行合理分割，实现对单木树冠的检测与描绘，同时搭建光谱图像并行卷积神经网络模型对行道树树种进行精准识别。

为解决上述技术问题，本发明采用的技术方案包含以下步骤：

步骤1：获取不同场景下的多树种真彩色无人机多光谱图像；

步骤2：对步骤1获取的多光谱图像进行预处理，包括3D点云P的生成和由数字量化值图像到辐射值图像再到反射值图像的转化；

步骤3：根据步骤2所述的反射值图像呈现的反射率对图像对象进行判断，去除图像对象中可能误判为树冠的对象；

步骤4：进行树冠顶点的检测，根据步骤2所生成的3D点云P，生成归一化数字表面模型(normalized Digital Surface Mode,nDSM),使用局部最大值检测算法得到树冠的顶点位置和高度；

步骤5：根据步骤4获取的树冠顶点的高度进行判断，去除高度过高或过低的顶点；

步骤6：使用包含局部背景信息的模糊C均值分类器(Fuzzy C-means classifier，FCM)估计树冠的跨度，通过在模糊分类框架上执行马尔科夫随机场来获得树冠的分数图像u_i，通过分数图像确定树冠边界，利用主动轮廓算法描绘单棵树木的树冠边界；

步骤7：采集行道树图像，通过人工调查对行道树图像进行标注，构建行道树图像训练集和验证集；

步骤8：搭建光谱空间并行卷积神经网络(Spectral-spatial paralleledconvolutional neural network,SSPCNN)并进行训练；

步骤9：将步骤6中获取的分割后的图像输入光谱空间并行卷积神经网络，实现树木种类识别。