林志瑋， 涂偉豪， 黃嘉航， 丁啟祿， 周錚雯， 劉金福,4

(1.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院,福州 350002; 2.福建農(nóng)林大學(xué)林學(xué)院,福州 350002; 3.福建農(nóng)林大學(xué)林學(xué)博士后流動(dòng)站,福州 350002; 4.福建省高校生態(tài)與資源統(tǒng)計(jì)重點(diǎn)實(shí)驗(yàn)室,福州 350002)

0 引言

為實(shí)現(xiàn)森林資源的可持續(xù)利用，必須對森林資源進(jìn)行管理。森林資源調(diào)查是森林資源管理的重要內(nèi)容。傳統(tǒng)森林資源調(diào)查方式主要為人工實(shí)地調(diào)查，需耗費(fèi)大量人力物力與時(shí)間。自動(dòng)化樹種識別技術(shù)的提出，提高了森林資源調(diào)查的速度及精度，并有效降低了調(diào)查成本。20世紀(jì)70年代，衛(wèi)星遙感技術(shù)開始被引用于林業(yè)領(lǐng)域，使得準(zhǔn)確、便捷地實(shí)現(xiàn)樹種識別成為可能，但由于衛(wèi)星圖像的空間分辨率較低，無法精確識別小區(qū)域范圍內(nèi)各植被的分布，無法滿足森林資源高精度調(diào)查的需求； 隨著無人機(jī)技術(shù)的發(fā)展，低空航拍獲取的無人機(jī)圖像被引入了林業(yè)調(diào)查中[1-3]。由于森林結(jié)構(gòu)是動(dòng)態(tài)變化的，群落結(jié)構(gòu)復(fù)雜多變，學(xué)者多利用無人機(jī)搭載高光譜成像設(shè)備獲得樹種的高光譜圖像信息，進(jìn)行樹種識別[4-9]，提高了樹種識別精度。但高光譜圖像包含眾多光譜波段，導(dǎo)致數(shù)據(jù)冗余，使用時(shí)需要做降維和去噪處理，增加了數(shù)據(jù)處理的復(fù)雜度，因此，有學(xué)者利用無人機(jī)搭載高清數(shù)碼相機(jī)，獲取可見光遙感圖像進(jìn)行研究[10-11]。相較于高光譜圖像，可見光圖像僅含有紅、綠、藍(lán)3種波段，數(shù)據(jù)維度較少，對植被波段進(jìn)行組合運(yùn)算較為簡單，使得波段信息預(yù)測不易造成信息冗余。

神經(jīng)網(wǎng)絡(luò)模型能夠自適應(yīng)地提取分類特征，有學(xué)者將其應(yīng)用于可見光圖像的植物葉片紋理與顏色特征的提取，進(jìn)行樹種識別[12-16]，取得了較高的精度。但神經(jīng)網(wǎng)絡(luò)模型存在收斂速度慢的問題。除此之外，有學(xué)者基于面向?qū)ο蠓诸惙椒ㄌ崛浞N類型，面向?qū)ο蠓诸愃惴ㄍㄟ^圖像的光譜及質(zhì)地紋理特征進(jìn)行圖像分割，增強(qiáng)分類對象的空間信息，緩解了傳統(tǒng)基于像素分類存在椒鹽現(xiàn)象的問題[17-18]，但面向?qū)ο蟮闹脖环诸愃惴y以應(yīng)用于低空高空間分辨率的可見光圖像： 一方面，在高空間分辨率可見光圖像中，不同樹種的樹枝錯(cuò)綜交錯(cuò)，背景混雜，紋理特征相似，而同種樹種亮度不一致，基于紋理、亮度等特征分割的面向?qū)ο蠓诸惙椒y以準(zhǔn)確地分割每一樹種并加以識別； 另一方面，面向?qū)ο蠓诸愃惴ǖ姆诸惥纫蕾囉谒x擇的分割尺度，但分割尺度的難以確定使其在植被識別中存在明顯的局限性。上述的分類方法不管是傳統(tǒng)的基于像素分類還是基于面向?qū)ο蠓诸悾谛?shù)據(jù)集上得到了較好的分類效果，但不適用于大數(shù)據(jù)集的植被識別。卷積神經(jīng)網(wǎng)絡(luò)模型(convolutional neural network, CNN)是適用于大數(shù)據(jù)集的圖像識別方法[19-22]。隨著深度神經(jīng)網(wǎng)絡(luò)方法在圖像識別領(lǐng)域取得重大發(fā)展，它開始被應(yīng)用于樹種的圖像識別[23-27]，提高了植物葉片的識別效果。CNN模型接受輸入的每張圖像僅能包含一類樹種，但無人機(jī)航拍圖像中每張圖片一般包含多類樹種，需經(jīng)過大量人工處理才能輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，故CNN模型存在一定局限性，采用基于像素級分類的全卷積網(wǎng)絡(luò)模型(fully convolutional networks, FCN)更為合適。

FCN[28]模型是圍繞感受野進(jìn)行設(shè)計(jì)的。感受野是指神經(jīng)網(wǎng)絡(luò)每一層網(wǎng)絡(luò)層輸出的特征圖上的像素點(diǎn)在原圖上映射的區(qū)域大小，因此FCN在基于像素分類的同時(shí)，還考慮到了圖像的空間信息，在一定程度上克服了傳統(tǒng)像素分類出現(xiàn)椒鹽現(xiàn)象的難題。FCN網(wǎng)絡(luò)沒有全連接層，通過反卷積直接輸出分割結(jié)果，隨著網(wǎng)絡(luò)結(jié)構(gòu)加深，深層網(wǎng)絡(luò)的局部信息逐漸減少，很難從深層網(wǎng)絡(luò)直接反卷積得到精確的分類結(jié)果。DenseNet模型[29]可視為是CNN模型的拓展，其除了比CNN能使用更深的網(wǎng)絡(luò)層之外，更通過對先前產(chǎn)生的特征圖進(jìn)行疊加，減少圖像局部信息的損失，能較好維持深層網(wǎng)絡(luò)的局部信息。因此，本文基于DenseNet模型和FCN模型，構(gòu)建FC-DenseNet模型，設(shè)計(jì)Dense模塊結(jié)構(gòu)，融合及利用網(wǎng)絡(luò)提取的淺層紋理特征、光譜特征，減少計(jì)算參數(shù)，并以福建省安溪縣崩崗區(qū)為研究區(qū)，基于可見光圖像進(jìn)行樹種識別，為林業(yè)資源調(diào)查提供新的思路。

1 研究區(qū)概況與數(shù)據(jù)源

安溪縣位于福建省東南沿海區(qū)域，縣域范圍為E117°36′～118°17′，N24°50′～25°26′，屬于中南亞熱帶海洋性季風(fēng)氣候區(qū)，年平均降水量為1 300～2 000 mm。該縣地處閩東南花崗巖分布區(qū)，由于人為活動(dòng)的影響，安溪縣水土流失嚴(yán)重，其中崩崗區(qū)內(nèi)侵蝕現(xiàn)象發(fā)育，亟須進(jìn)行植被恢復(fù)[30]。

本文利用大疆INSPIRE 1 RAW 型號無人機(jī)搭載高清相機(jī)對安溪地區(qū)進(jìn)行了航拍。相機(jī)型號為ZENMUSE X5R，尺寸為17.3 mm ×13.0 mm (高寬比4∶3 )，有效像素為1 600萬，ISO范圍為100～25 600，照片分辨率為4 608×3 456，航拍高度為離地20 m，為測得航拍圖像的解析度，以A4紙?jiān)趫D像上的像素點(diǎn)數(shù)，測得的航拍圖像解析度及測試圖如表1和圖1所示。

表1 航拍圖像分辨率分析Tab.1 Tab.e of Aerial video resolution

圖1 20 m高度航拍圖像解析度測試圖Fig.1 Test map of 20 m aerial image resolution

本文主要采用左右、上下鏡像和逆時(shí)針旋轉(zhuǎn)60°，120°，180°，240°，300°等方法，對航拍所得的圖像進(jìn)行增強(qiáng)，共計(jì)獲得了6 336張圖像。其中，訓(xùn)練集和驗(yàn)證集分別包含4 608張和1 728張圖像，圖像大小為864像素×576像素。圖像增強(qiáng)示意如圖2所示。根據(jù)《中國植被》[31]所提出的植被生活型將本次航拍樹種類別劃分為喬木、草本、灌木、蕨類、禾本植物和苔蘚，考慮到當(dāng)?shù)赝N植被的形態(tài)結(jié)構(gòu)特征存在明顯差異，且部分植被由于自然因素或人為因素導(dǎo)致枯萎，與正常植被在紋理和顏色上都存在明顯差異，同時(shí)研究區(qū)內(nèi)有較大面積的裸露地面，故又將類別細(xì)分為13類，即裸露地面、馬尾松、枯萎馬尾松、檸檬桉、幼年檸檬桉、芒萁、枯萎芒萁、石楠、孔雀豆、東方烏毛蕨、金銀花、芒和苔蘚。以圖像每一像素點(diǎn)為分類單元，通過FC-DenseNet模型對每一像素點(diǎn)進(jìn)行分類，各類別的訓(xùn)練數(shù)據(jù)量如圖3所示，其中馬尾松、檸檬桉和芒萁為研究區(qū)內(nèi)優(yōu)勢樹種。

(a) 原始圖像(b) 左右鏡像(c) 上下鏡像 (d) 旋轉(zhuǎn)60°(e) 旋轉(zhuǎn)120° (f) 旋轉(zhuǎn)180°(g) 旋轉(zhuǎn)240°(h) 旋轉(zhuǎn)300°

圖2 圖像增強(qiáng)示意圖

Fig.2Imageenhancementschematic

圖3 訓(xùn)練數(shù)據(jù)各類別像素點(diǎn)占比Fig.3 Proportion of pixels in each category of training data

2 研究方法

FCN用卷積層代替CNN模型的全連接層，通過反卷積操作還原至與原始圖像大小一致的預(yù)測圖像。Dense模塊能重復(fù)利用先前產(chǎn)生的特征圖信息，豐富深層網(wǎng)絡(luò)的信息，因此，在FCN中嵌入Dense模塊構(gòu)建FC-DenseNet模型。FC-DenseNet模型網(wǎng)絡(luò)主要包括Dense 模塊、concatenation、上采樣模塊和下采樣模塊。FC-DenseNet通過Dense模塊對樹種圖像進(jìn)行卷積運(yùn)算，運(yùn)用concatenation結(jié)合Dense模塊中各網(wǎng)絡(luò)層的結(jié)果，采用下采樣模塊縮小數(shù)據(jù)維度，降低參數(shù)計(jì)算，通過上采樣模塊和Dense模塊將多尺度融合的特征圖擴(kuò)大為原始圖像大小，并采用Softmax分類進(jìn)行分類，以此達(dá)到對圖像各像素進(jìn)行分類的效果。其框架如圖4所示。

圖4 FC-DenseNet模型框架Fig.4 Frames of FC-DenseNet

2.1 Dense 模塊

Dense模塊具有多層網(wǎng)絡(luò)層，每層網(wǎng)絡(luò)層均由批標(biāo)準(zhǔn)化(batch normalization，BN)、激活函數(shù)、3像素×3像素(以下省略“像素”)卷積核和Dropout組成，由于Dense模塊將之前所有層的輸出作為輸入，計(jì)算參數(shù)大，因此在Dense模塊中各網(wǎng)絡(luò)層采用concatenation作為輸入從而減少計(jì)算參數(shù)，concatenation是將Dense模塊一層網(wǎng)絡(luò)層的輸出結(jié)果與前一層的網(wǎng)絡(luò)輸出結(jié)果進(jìn)行融合，以concatenation來代替多層網(wǎng)絡(luò)層的輸出，其示意圖如圖5所示，圖中c為concatenation。

圖5 Dense模塊示意圖Fig.5 Sketch map of the Dense module

由于每一層的輸出值都會隨著網(wǎng)絡(luò)運(yùn)算發(fā)生變化，輸出數(shù)據(jù)的分布發(fā)生偏差，因此可以通過BN[32]進(jìn)行特征標(biāo)準(zhǔn)化，平衡神經(jīng)網(wǎng)絡(luò)層輸出的分布，解決CNN層數(shù)太多導(dǎo)致無法有效前向傳遞的問題。ReLU激活函數(shù)收斂速度快，計(jì)算參數(shù)少，為網(wǎng)絡(luò)模型引入了非線性因素，從而提升了神經(jīng)網(wǎng)絡(luò)模型的表達(dá)能力。其函數(shù)定義為輸入值大于0時(shí)，輸出原值； 否則為0。激活函數(shù)運(yùn)算后進(jìn)行3×3的卷積運(yùn)算，即利用卷積核對圖像特定區(qū)域進(jìn)行矩陣運(yùn)算，提取圖像的紋理特征和光譜特征。 為防止模型過擬合，在Dense模塊中加入Dropout。Dropout是指在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練過程中，對于某些神經(jīng)元，以一定概率抑制其激活，被抑制神經(jīng)元可在測試時(shí)重新激活，增強(qiáng)模型的泛化能力。

2.2 下采樣模塊

下采樣模塊由BN，ReLU，1×1卷積核，Dropout和2×2的最大池化層組成，其中最核心的部分為最大池化層，即以圖像一個(gè)區(qū)域上的某個(gè)特定特征的最大值來代表這個(gè)區(qū)域的特征，歸納了一個(gè)區(qū)域內(nèi)的特征輸出，在減小圖像維度的同時(shí)，避免了維度下降所導(dǎo)致的信息損失，增強(qiáng)了網(wǎng)絡(luò)提取的特征信息。

2.3 上采樣模塊

上采樣模塊是由3×3的反卷積組成。反卷積是卷積的逆過程。由于圖像經(jīng)過下采樣運(yùn)算，圖像維度變小，為實(shí)現(xiàn)像素級的語義分割，需經(jīng)過反卷積將縮小的特征圖還原至與原始圖像大小一致的預(yù)測圖。與非線性插值不同，反卷積中引入了學(xué)習(xí)參數(shù)，進(jìn)而提高了反卷積的性能。

2.4 多尺度融合結(jié)構(gòu)

FC-DenseNet通過上采樣特征圖，并且與淺層Dense模塊提取的特征串聯(lián)，生成新的Dense模塊的輸入。為避免參數(shù)量過大，僅采用Dense模塊中最后一個(gè)concatenation的結(jié)果，再與上采樣特征圖進(jìn)行融合，融合后經(jīng)過Dense模塊運(yùn)算，繼續(xù)融合其他淺層特征信息進(jìn)行上采樣，最后經(jīng)過Dense模塊和卷積運(yùn)算獲取與原圖大小一致的預(yù)測圖。其示意圖如圖4所示。

2.5 感受野

可見光圖像經(jīng)過卷積和下采樣后產(chǎn)生維度縮小的特征圖像，每一特征圖像的像素點(diǎn)均為原始圖像某一區(qū)域的映射，感受野即衡量特征圖像上的一個(gè)像素點(diǎn)到原始圖像的映射大小，其示意圖如圖6所示 。 2×2卷積層、3×3卷積層和原始圖像間均存在著信息映射關(guān)系，通過多層卷積和下采樣后，F(xiàn)CN最后一層特征圖上的每一個(gè)像素高度映射著原始圖像的區(qū)域信息，增強(qiáng)了空間信息，有效克服了基于像素分類存在的椒鹽現(xiàn)象的難題。

圖6 感受野示意圖Fig.6 Sketch map of receptive field

2.6 整體架構(gòu)

在FC-DenseNet模型中，可設(shè)置成多個(gè)Dense模塊、下采樣模塊和上采樣模塊，因此不同個(gè)數(shù)的Dense模塊、下采樣模塊和上采樣模塊，使得FC-DenseNet模型具有不同的網(wǎng)絡(luò)深度。以FC-DenseNet-56和FC-DenseNet-103為例[33]，其網(wǎng)絡(luò)設(shè)置如表2所示。在FC-DenseNet-56模型中，每一個(gè)Dense模塊均有4層網(wǎng)絡(luò)，共計(jì)有56層網(wǎng)絡(luò)層； 而FC-DenseNet-103模型其Dense模塊的網(wǎng)絡(luò)層數(shù)更大，其總層數(shù)也更大，總計(jì)有103層網(wǎng)絡(luò)層。

表2 FC-DenseNet網(wǎng)絡(luò)結(jié)構(gòu)Tab.2 Tab.e of FC-DenseNet network structure

注： DB為Dense模塊； TD為下采樣模塊； TU為上采樣模塊。

2.7 分析指標(biāo)

常見的語義分割的精度評估主要采用4種度量指標(biāo)，分別為： ①像素點(diǎn)正確率(pixel accuracy, PA),指分類正確的像素占總像素的比例； ②平均正確率(mean pixel accuracy, MPA)，指平均所有類別中被正確分類的像素比例； ③平均IU指數(shù)(mean intersection over union, mIoU)，指正樣本被分為正樣本的像素點(diǎn)數(shù)與被分類成其他類別像素點(diǎn)數(shù)之比； ④加權(quán)IU指數(shù)(frequency weighted intersection over union, fIoU)，在平均IU指數(shù)上考慮各類別出現(xiàn)的頻率，以每一類出現(xiàn)頻率作為每一類別的權(quán)重計(jì)算平均IU指數(shù)。令nij為類別i的被預(yù)測為類別j的像素?cái)?shù)量，ncl為類別數(shù)，ti為第i類像素?cái)?shù)量，則各度量指標(biāo)的計(jì)算公式分別為

(1)

(2)

(3)

(4)

(5)

3 結(jié)果及分析

為了分析不同網(wǎng)絡(luò)深度對模型的影響，基于研究區(qū)無人機(jī)航拍光學(xué)圖像，分析FC-DenseNet-56和FC-DenseNet-103植物識別精度差異，確定最優(yōu)模型，并基于最優(yōu)模型探討數(shù)據(jù)種類增多對識別準(zhǔn)確率的影響。實(shí)驗(yàn)采用tensorflow深度學(xué)習(xí)平臺，基于CPU為Intel i7-7700K 4.2 GHZ、GPU為GeForce GTX1070、內(nèi)存為32 G的ubuntu系統(tǒng)運(yùn)行。實(shí)驗(yàn)的模型學(xué)習(xí)率設(shè)置為10-4，即每次迭代調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重的速度為10-4，每次輸入4張圖像更新一次權(quán)重，設(shè)置迭代次數(shù)為115 200，每張圖像訓(xùn)練次數(shù)為100次，即epoch為100，同時(shí)將圖像大小縮小為224×224。

3.1 不同模型的分類

為分析不同網(wǎng)絡(luò)深度的FC-DenseNet模型的分類效果，討論FC-DenseNet-56和FC-DenseNet-103識別植物和非植物的結(jié)果。分別基于研究區(qū)航拍圖像數(shù)據(jù)集建立FC-DenseNet-56和FC-DenseNet-103模型，并采用adam優(yōu)化算法在數(shù)據(jù)訓(xùn)練過程中更新神經(jīng)網(wǎng)絡(luò)的權(quán)重。在訓(xùn)練中，通過降低交叉熵(loss)使模型訓(xùn)練收斂，2個(gè)模型訓(xùn)練過程中的loss值見圖7。

圖7 模型訓(xùn)練loss值Fig.7 Graph of training loss

FC-DenseNet-103和FC-DenseNet-56的loss均在epoch=2時(shí)下降最快，達(dá)到0.25左右，但2個(gè)模型的收斂速度有所不同，F(xiàn)C-DenseNet-56模型的訓(xùn)練速度在epoch=2時(shí)趨于收斂，而FC-DenseNet-103模型在epoch=90時(shí)逐漸收斂，收斂速度相對較慢，loss值不再發(fā)生變化。2個(gè)模型均能在epoch=100時(shí)收斂，其分類效果如圖8和表3所示。

(a) 原始圖像 (b) FC-DenseNet-56模型 (c) FC-DenseNet-103模型分類結(jié)果分類結(jié)果

圖8 不同模型分類結(jié)果示例

Fig.8Graphofdifferentmodelsclassification

表3 不同模型的分類結(jié)果評估

Tab.3Classificationresultsfordifferentmodels(%)

模型PAMPAmIoUfIoUFC-DenseNet-5691.762.641.688.1FC-DenseNet-10392.163.744.988.7

由表3中統(tǒng)計(jì)結(jié)果可知，在各項(xiàng)指標(biāo)上，F(xiàn)C-DenseNet-103模型的PA高達(dá)92.1%，MPA為63.7%，mIoU為44.9%，fIoU為88.7%，F(xiàn)C-DenseNet-103模型的識別效果均優(yōu)于FC-DenseNet-56模型。由此可見，網(wǎng)絡(luò)深度的增加會提高模型的識別效果。這是因?yàn)榫W(wǎng)絡(luò)深度的增加使得模型提取的紋理特征和光譜特征更為泛化; 同時(shí)，由于FC-DenseNet模型中的Dense模塊會不斷結(jié)合淺層的信息，并且在反卷積的融合結(jié)構(gòu)中加入了Dense模塊進(jìn)行訓(xùn)練，使得模型在反卷積時(shí)可以通過Dense模塊進(jìn)行增強(qiáng)，提高了模型反卷積的精度，解決了隨著網(wǎng)絡(luò)深度加深而導(dǎo)致局部信息量減少的問題。因此，本文選擇FC-DenseNet-103模型進(jìn)行實(shí)驗(yàn)。

3.2 優(yōu)勢樹種的識別

在林業(yè)應(yīng)用中，信息調(diào)查不僅僅是需要植物與非植物的分布信息，更需要優(yōu)勢樹種的分布信息。因此，將研究區(qū)內(nèi)的植物與非植物細(xì)化為13類； 其中主要優(yōu)勢樹種有馬尾松、檸檬桉和芒萁，3種植被均在植被恢復(fù)中起到了重要作用，識別并探測其覆蓋強(qiáng)度有助于植被恢復(fù)。在數(shù)據(jù)集中，3種優(yōu)勢樹種的面積占比分別高達(dá)40.58%，20.73%和18.86%，合計(jì)占數(shù)據(jù)集總面積的80.17%?；谘芯繀^(qū)無人機(jī)20 m航拍高度圖像所建立的FC-DenseNet-103模型的分類正確率和分類效果如圖9和圖10所示。

圖9 FC-DenseNet-103優(yōu)勢樹種的分類正確率Fig.9 Classification of FC-DenseNet-103 dominant species

(a) 原始圖像1 (b) 標(biāo)準(zhǔn)圖1 (c) FC-DenseNet預(yù)測圖1(d) 面向?qū)ο笏惴A(yù)測圖1

(e) 原始圖像2 (f) 標(biāo)準(zhǔn)圖2 (g) FC-DenseNet預(yù)測圖2(h) 面向?qū)ο笏惴A(yù)測圖2

(i) 原始圖像3 (j) 標(biāo)準(zhǔn)圖3 (k) FC-DenseNet預(yù)測圖3 (l) 面向?qū)ο笏惴A(yù)測圖3

圖10 優(yōu)勢樹種的分類效果

Fig.10Schematicdiagramofclassificationeffectofdominanttreespecies

隨著類別細(xì)化，圖像更為復(fù)雜，影響著模型的識別效果； 在數(shù)據(jù)集中，由于優(yōu)勢數(shù)種數(shù)據(jù)占比大，其他類別的數(shù)據(jù)占比極小，模型很難從中提取足夠的有效分類特征。因此，本文重點(diǎn)分析優(yōu)勢樹種的識別效果。從圖9中可以看出圖像中大部分優(yōu)勢樹種均能被正確分類。馬尾松、檸檬桉和芒萁的MPA分別高達(dá)到79%，70%和78%。但從總體上看，將類別細(xì)化后，F(xiàn)C-DenseNet-103模型分類效果低于植被與非植被的識別效果，這是由于隨著類別的細(xì)化，其數(shù)據(jù)信息更為復(fù)雜，當(dāng)類別分為植被與非植被時(shí)，其紋理特征和光譜特征區(qū)分度較高，當(dāng)類別細(xì)分為13類時(shí)，植被與植被間的紋理特征和光譜特征區(qū)分度降低，各植被相互交錯(cuò)，很難界定各植被的界線； 并且，樹種種類的增加提高了數(shù)據(jù)的復(fù)雜度，增加了模型的分類難度，分類效果也會隨之下降。但在類別細(xì)化的情況下，F(xiàn)C-DenseNet-103模型均能準(zhǔn)確地識別優(yōu)勢樹種的空間分布信息。

3.3 不同模型的比較分析

基于面向?qū)ο蟮姆诸愃惴◤V泛應(yīng)用于遙感圖像植被識別，并取得較高的分類精度，為驗(yàn)證FC-DenseNet-103模型在可見光遙感圖像的分類效果，將其與面向?qū)ο笾脖环诸惸Ｐ瓦M(jìn)行比較。面向?qū)ο蠓诸悓?shí)驗(yàn)，利用ENVI 5.3并選擇最優(yōu)分割參數(shù)，測試最優(yōu)分類算法為K-最鄰近算法，隨機(jī)抽取20張驗(yàn)證集進(jìn)行驗(yàn)證，其MPA如圖11所示。

圖11 基于面向?qū)ο笏惴▋?yōu)勢樹種的分類精度Fig.11 Classification accuracies of the object-basedalgorithm for dominant tree species

基于面向?qū)ο蠓诸愃惴▽τ隈R尾松、檸檬桉和芒萁的MPA分別為78%，66%和63%，基本能夠準(zhǔn)確識別優(yōu)勢樹種。但在高空間分辨率的可見光遙感圖像中，由于背景復(fù)雜，存在裸地、裸石、苔蘚等，且各類樹枝縱橫交錯(cuò)，導(dǎo)致同種樹種在可見光圖像下的亮度和紋理不盡相同，采用分割算法難以對整個(gè)樹種進(jìn)行準(zhǔn)確分割，在植被識別結(jié)果中存在嚴(yán)重的椒鹽現(xiàn)象。因此，在高空間分辨率的可見光圖像上，F(xiàn)C-DenseNet-103模型的分類效果優(yōu)于基于面向?qū)ο蠓诸愃惴ā?/p>

4 結(jié)論

基于福建省安溪縣崩崗區(qū)無人機(jī)航拍光學(xué)圖像建立FC-DenseNet模型，探測各植被類別與空間分布信息。實(shí)驗(yàn)表明： FC-DenseNet-103在研究區(qū)優(yōu)勢樹種分類任務(wù)中識別精度很高，馬尾松、檸檬桉和芒萁這3類優(yōu)勢樹種精度分別為79%，70%和78%，為低空航拍高空間分辨率光學(xué)圖像的樹種識別提供了新的思路?；诒敬窝芯可写嬖诘牟蛔?，今后將在以下方面對模型進(jìn)行改進(jìn)：

1)在本實(shí)驗(yàn)中，模型訓(xùn)練采用的是尺寸為224×224的輸入圖像，且通過圖像增強(qiáng)使圖像總數(shù)量達(dá)到6 336張，但數(shù)據(jù)量仍不足。未來將增加數(shù)據(jù)集的數(shù)量，基于更多的數(shù)據(jù)，更大的圖片尺寸，來提升分割效果。

2)FC-DenseNet模型分割結(jié)果在邊緣存在一些噪聲，樹種的邊界難以準(zhǔn)確界定，未來將通過降低噪聲來進(jìn)一步提高FC-DenseNet模型的預(yù)測精度。