劉玉嬋

(滁州學院，安徽 滁州 239000)

隨著遙感成像技術的發(fā)展，建立森林樹種多源遙感圖像分析模型，進行森林監(jiān)測，提高森林環(huán)境生態(tài)保護能力，通過圖像分析和大數(shù)據(jù)聚類分析技術，進行森林樹種多源遙感分類識別，通過空間影像成像技術，提高森林樹種多源遙感圖像的智能分析能力，相關的森林樹種多源遙感圖像識別技術研究在森林環(huán)境監(jiān)測和生態(tài)監(jiān)測等領域都具有很好的應用價值，研究森林樹種多源遙感監(jiān)測方法受到了人們的極大關注[1]。

對森林樹種準確識別方法當前主要采用人工辨識方法，結合遙感辨識方法，進行森林樹種多源遙感影像監(jiān)測和識別，提高森林保護能力。但傳統(tǒng)方法進行森林樹種準確識別的準確性不高，自適應性不好[2-4]。文獻[5]中提出基于Harris角點檢測的森林樹種多源遙感圖像分割和分類識別方法，通過森林樹種多源遙感圖像分析，實現(xiàn)森林樹種識別和遙感監(jiān)測，但該方法進行森林樹種識別分類的計算開銷較大。文獻[6]中提出基于角點關聯(lián)特征提取的森林樹種準確識別方法，根據(jù)角點關聯(lián)特征提取，進行森林樹種多源遙感影像識別，提高森林樹種多源特征分析分類識別能力，該方法進行森林樹種識別的抗干擾性不好，特征辨識度不高。

針對上述問題，本文提出基于遙感成像和大數(shù)據(jù)分析的森林樹種準確識別方法。首先采用遙感影像技術進行森林樹種的多源遙感成像大數(shù)據(jù)采集，對采集的森林樹種多源遙感數(shù)據(jù)進行融合處理，建立森林樹種多源遙感影像分析模型，通過邊緣像素特征檢測方法進行森林樹種多源遙感圖像的特征分析，然后根據(jù)森林樹種多源遙感圖像的角點信息和邊緣像素點信息檢測結果進行模糊度識別和分類，結合支持向量機和極限學習機進行森林樹種遙感圖像檢測和信息識別。最后進行仿真測試分析，結果表明本文方法在提高森林樹種準確識別能力方面性能優(yōu)越。

1 數(shù)據(jù)采樣與信息融合

1.1 森林樹種多源遙感成像大數(shù)據(jù)采樣

為實現(xiàn)基于多源遙感數(shù)據(jù)的森林樹種準確識別，首先需要進行圖像采集，采用貝葉斯模型進行森林樹種識別分類[7-8]，并進行多源遙感成像和大數(shù)據(jù)檢測，得到多源遙感成像的統(tǒng)計數(shù)據(jù)分布描述如下：

(1)

采用角點檢測的方法，進行模糊度重構，在模糊區(qū)域中，得到多源遙感成像的空間距離分布為：

(2)

根據(jù)多源遙感成像的空間距離分布情況對原始的遙感圖像進行多維分割，采用超像素分割的方法，得到超像素與背景種子的融合參數(shù)[9-11]，并得到最佳分割灰度閾值下森林樹種多源遙感圖像的隸屬度函數(shù)f(gi)為：

(3)

由此獲得森林樹種多源遙感圖像的空間視覺分量，得到森林樹種監(jiān)測的多源遙感圖像空間特征規(guī)劃分布參數(shù)βr計算如下：

(4)

(5)

(6)

在上述分析基礎上，結合采用遙感影像技術，構建森林樹種多源遙感成像大數(shù)據(jù)采集模型為：

(7)

根據(jù)森林樹種多源遙感成像大數(shù)據(jù)采集模型進行森林樹種的多源遙感成像大數(shù)據(jù)采集，在此基礎上，結合角點檢測方法，對采集的森林樹種多源遙感數(shù)據(jù)進行融合處理。

1.2 森林樹種多源遙感影像信息融合

建立森林樹種多源遙感影像分析模型，通過邊緣像素特征檢測方法進行森林樹種多源遙感圖像的特征分析[12-13]，在邊緣像素中心，得到森林樹種多源遙感分割的先驗概率分布閾值為：

(8)

定義為：

(9)

式中Jc為森林樹種多源遙感圖像全局對比的顯著區(qū)域，Ω(x)為森林遙感光紋特征分布集。計算多尺度超像素之間的空間與顏色信息，得到顏色序列分別為：

(10)

上式中，J(x)為圖像邊緣視景分布的灰度值，I(x)為原圖分割的差異度系數(shù)。

根據(jù)上述分析，結合模糊信息融合和超像素分割，在4×4子塊的局部區(qū)域內(nèi)建立森林樹種多源遙感圖像融合模型為：

(11)

結合顯著區(qū)域融合調(diào)度的方法，得到圖像信息融合中心收斂到：

(12)

由此建立了邊緣像素集合，根據(jù)邊緣像素集合的融合度信息進行特征分解，提高森林樹種準確識別和特征分析能力[14]。

2 森林樹種準確識別

2.1 遙感特征匹配與信息增強

結合點匹配方法，得到森林樹種多源遙感圖像的子帶像素特征點，對森林樹種多源遙感圖像進行增強處理，多背景區(qū)域的超像素特征匹配輸出為：

(13)

森林樹種多源遙感圖像的空間視覺三維重構結果為AR、AG、AB和WR、WG、WB，在4×4子塊區(qū)域內(nèi)進行前景和背景參數(shù)融合和信息重構，建立森林樹種多源遙感圖像的層次化分割模型，得到超像素的邊緣像素集合為：

(14)

設J(x)t(x)為森林樹種多源遙感圖像的噪點，將超像素作為網(wǎng)格分塊區(qū)域進行樹種識別，得到平均顏色分布特征點為：

(15)

構建森林樹種多源遙感檢測的信息融合模型，通過邊緣像素的信息增強方法，得到信息增強輸出特征匹配函數(shù)為：

(16)

根據(jù)式(16)，構造森林樹種多源遙感的分布集，根據(jù)差異度分布，得到信息增強結果為：

(17)

其中ξi和ξi*表示樹種分類的差異度系數(shù)，在連續(xù)相關性約束下，進行點匹配和顯著區(qū)域增強，提高遙感特征檢測能力。

2.2 森林樹種遙感識別輸出

根據(jù)森林樹種遙感數(shù)據(jù)的信息增強結果檢測和大數(shù)據(jù)辨識，和森林樹種多源遙感圖像的角點信息和邊緣像素點信息檢測結果進行模糊度識別和分類[15]，邊緣像素點分布的核函數(shù)為：

(18)

|u|4/(d-2)ux

(19)

|u|4/(d-2)uθ

(20)

樹種識別的誤差匹配函數(shù)為：

(21)

其中

(22)

(23)

(24)

(25)

(26)

結合支持向量機和極限學習機進行森林樹種遙感圖像檢測和信息識別，得到二階梯度▽2F(x)為：

(27)

支持向量機學習模型為：

(28)

當k極大時，輸出的穩(wěn)定性越好，綜上分析，通過對森林樹種識別進行優(yōu)化，最終實現(xiàn)森林樹種多源遙感識別和監(jiān)測。

3 仿真測試與分析

為驗證基于多源遙感數(shù)據(jù)的森林樹種準確識別方法的實際應用性能，進行如下仿真測試。

實驗環(huán)境如下：對森林樹種遙感監(jiān)測的灰度閾值為0.32，像素集規(guī)模為240，超像素屬性分布分別為100、200和300，模糊噪聲點分布為密度為0.83，干擾度為-12dB，根據(jù)上述參數(shù)設定，采用1000數(shù)據(jù)集作為測試集，進行森林樹種準確識別，得到原始的森林樹種多源遙感監(jiān)測圖像如圖1所示。

圖1 森林樹種多源遙感監(jiān)測圖像

以圖1的圖像為研究對象，通過邊緣像素特征檢測方法進行森林樹種多源遙感圖像的特征分析，結合點匹配方法實現(xiàn)對樹種識別，得到識別結果如圖2所示。

圖2 樹種識別結果

分析圖2得知，本文方法能有效實現(xiàn)對森林樹種多源遙感監(jiān)測和識別，對各類樹種的辨識能力較好，測試不同方法進行森林樹種識別的準確性，得到對比結果見表1，分析表1得知，本文方法進行森林樹種識別的精度較高。

表1 識別準確性對比

結語

通過圖像分析和大數(shù)據(jù)聚類分析技術，進行森林樹種多源遙感分類識別，提高森林樹種多源遙感圖像的智能分析能力，本文提出基于遙感成像和大數(shù)據(jù)分析的森林樹種準確識別方法。對原始的遙感圖像進行多維分割，采用超像素分割的方法，得到超像素與背景種子的融合參數(shù)。對森林樹種多源遙感圖像進行增強處理，結合顯著區(qū)域融合調(diào)度的方法，構建森林樹種多源遙感檢測的信息融合模型，結合圖像邊界特征，進行二值圖分析，實現(xiàn)森林樹種多源特征分析和樹種識別。分析得知，本文方法進行森林樹種識別的精度較高，識別準確性較好。