高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

檀香咖啡豹蠹蛾虫害的树干区域分类研究

陈珠琳 王雪峰

陈珠琳, 王雪峰. 檀香咖啡豹蠹蛾虫害的树干区域分类研究[J]. 北京林业大学学报, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
引用本文: 陈珠琳, 王雪峰. 檀香咖啡豹蠹蛾虫害的树干区域分类研究[J]. 北京林业大学学报, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
Chen Zhu-lin, Wang Xue-feng. Classification of sandalwood trunk area damaged by Zeuzera coffeae nietner in complex background[J]. Journal of Beijing Forestry University, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
Citation: Chen Zhu-lin, Wang Xue-feng. Classification of sandalwood trunk area damaged by Zeuzera coffeae nietner in complex background[J]. Journal of Beijing Forestry University, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306

檀香咖啡豹蠹蛾虫害的树干区域分类研究

doi: 10.13332/j.1000-1522.20170306
基金项目: 

国家自然科学基金项目 31670642

详细信息
    作者简介:

    陈珠琳。主要研究方向:森林资源监测与计算机视觉。Email:825511059@qq.com 地址:100091 北京市海淀区东小府1号中国林业科学研究院资源信息研究所

    通讯作者:

    王雪峰,博士,研究员。主要研究方向:森林资源监测与计算机视觉。Email:xuefeng@ifrit.ac.cn 地址:同上

  • 中图分类号: S763.38;TP391.41

Classification of sandalwood trunk area damaged by Zeuzera coffeae nietner in complex background

  • 摘要: 目的檀香是一种典型的珍贵树种,但不易成活且常遭受病虫害的干扰。本研究针对受咖啡豹蠹蛾危害的檀香,为提高受害檀香树干区域的分类效果,根据不同区域在颜色和纹理方面的特点,提出了一种复杂背景下受咖啡豹蠹蛾危害的檀香树干区域分类方法。方法(1) 本文首先结合高斯高通滤波、Otsu法、2G-R-B因子以及形态学运算,将树干从复杂背景中提取出来,再通过L*a*b*系统中的L*通道和a*通道将树干分割为健康区域、虫害区域和排泄物区域。(2)提出“多纹理”并使用“相对颜色”特征变换方法以提取图像特征。(3)提出BP神经网络和RBF-SVM相结合的方法对区域进行识别。结果(1) 本文提出的图像分割算法有效地将受虫害危害的檀香从背景中提取出来,并成功分割为健康区域、虫害区域和排泄物区域。(2)与传统PCA处理相比,使用“多纹理”和“相对颜色特征”得到的分类精度有所提高。其中,“多纹理”特征通过差异扩大的方法构建出的图像特征,明显增加了类间方差;“相对颜色特征”则减小了光照对样本的影响,从而减小了类内方差。(3)通过将RBF-SVM与BP神经网络方法相结合,对比发现,使用一种方法进行三分类的精度较低,分别为74.44%和81.11%;两次二分类后提高了精度,分别为87.77%和85.56%;而两种方法相结合的方式所得到的分类精度最高,总体可达91.11%。结论本文通过数字图像对受咖啡豹蠹蛾危害的檀香树干区域进行分类,为该虫害的早期识别以及受损率计算提供了方法,可以有效地减小檀香生长所受危害,提高心材质量,也为数字图像技术在林业中的应用提供了参考。
  • 图  1  3种区域图像样本

    Figure  1.  Three kinds of regional image samples

    图  2  檀香图像分割结果

    Figure  2.  Segmentation result of sandalwood

    图  3  3种区域的纹理特征值分布图

    Figure  3.  Texture feature value distribution of three kinds of regions

    表  1  单纹理与多纹理特征分类精度比较

    Table  1.   Comparison in classification accuracy using single texture features and multi-texture features

    单纹理特征
    Single texture feature
    总体分类精度
    Overall classification accuracy/%
    多纹理特征
    Multi-texture feature
    总体分类精度
    Overall classification accuracy/%
    能量均值
    Energy mean value
    58能量均值-熵值均值
    Energy mean value-entropy mean value
    78
    能量方差
    Energy variance
    58能量方差-熵值均值
    Energy variance-entropy mean value
    80
    熵值均值
    Entropy mean value
    80能量方差-熵值方差
    Energy variance-entropy variance
    72
    熵值方差
    Entropy variance
    74能量方差-对比度均值
    Energy variance-contrast mean value
    72
    对比度均值
    Contrast mean value
    72能量方差-对比度方差
    Energy variance-contrast variance
    78
    对比度方差
    Contrast variance
    76相关性均值-熵值均值
    Correlation mean value-entropy mean value
    72
    相关性均值
    Correlation mean value
    62相关性方差-熵值均值
    Correlation variance-entropy mean value
    80
    相关性方差
    Correlation variance
    54对比度方差-熵值均值
    Contrast variance-entropy mean value
    78
    下载: 导出CSV

    表  2  R通道原始颜色特征与相对颜色特征分类精度比较

    Table  2.   Classification accuracy compare using original R channel color features and relative color features

    %
    颜色特征
    Color feature
    原始数据Original data相对颜色数据Relative color data
    排泄区域
    Excrement region
    健康区域
    Healthy region
    排泄区域
    Excrement region
    健康区域
    Healthy region
    均值Mean value84949898
    X轴最大值Maximal value of X axis568244100
    X轴最小值Minimum value of X axis100384652
    X轴差值Difference of X axis62407084
    Y轴峰值Peak value of Y axis72268698
    信息熵Information entropy605890100
    下载: 导出CSV

    表  3  使用RBF-SVM和BP神经网络对PCA处理纹理以及多纹理分类结果比较

    Table  3.   Classification accuracy compare of texture by PCA processing and multi-texture features using RBF-SVM and BP neural network

    %
    分类方法
    Classification method
    PCA处理后纹理分类精度
    Classification accuracy by texture features
    after PCA processing
    多纹理分类精度
    Classification accuracy by multi-texture feature
    排泄物区域
    Excrement
    region
    虫害区域
    Pest region
    健康区域
    Healthy
    region
    总体
    Total
    排泄物区域
    Excrement
    region
    虫害区域
    Pest region
    健康区域
    Healthy
    region
    总体
    Total
    RBF-SVM76.0063.3370.0070.0093.3380.0093.3388.89
    BP神经网络BP neural network80.0070.0080.0076.6796.6786.6793.3392.22
    下载: 导出CSV

    表  4  使用RBF-SVM和BP神经网络对PCA处理颜色以及相对颜色特征的分类结果比较

    Table  4.   Classification accuracy compare of color feature by PCA processing and relative color features using RBF-SVM and BP neural network

    %
    分类方法
    Classification method
    颜色特征分类精度
    Classification accuracy of color feature
    相对颜色特征分类精度
    Classification accuracy of relative color feature
    排泄物区域
    Excrement
    region
    虫害区域
    Pest region
    健康区域
    Healthy
    region
    总体
    Total
    排泄物区域
    Excrement
    region
    虫害区域
    Pest region
    健康区域
    Healthy
    region
    总体
    Total
    RBF-SVM70.0063.3370.0067.7893.3380.0090.0087.77
    BP神经网络BP neural network66.6770.0066.6767.7886.6786.6783.3385.56
    下载: 导出CSV

    表  5  不同方法、不同分类次数之间的分类精度比较

    Table  5.   Classification accuracy compare of different methods and classification number

    %
    分类方法
    Classification method
    排泄物区域
    Excrement region
    虫害区域
    Pest region
    健康区域
    Health region
    总体Total
    RBF-SVM三分类 RBF-SVMthree classes80.0063.3380.0074.44
    BP神经网络三分类 BP neural networkthree classes83.3373.3380.0081.11
    本文提出方法Method proposed in this paper93.3386.6793.3391.11
    下载: 导出CSV
  • [1] 张宁南, 徐大平, 王卫文, 等.檀香栽培现状与发展前景[J].林业实用技术, 2006(10): 14-16. http://d.old.wanfangdata.com.cn/Periodical/lysyjs200610005

    Zhang N N, Xu D P, Wang W W, et al. Present situation and development prospect of sandalwood cultivation[J]. Practical Foreatry Technology, 2006(10):14-16. http://d.old.wanfangdata.com.cn/Periodical/lysyjs200610005
    [2] 唐黎标.檀香树探秘[J].云南林业, 2010(4):49. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=ynly201004038

    Tang L B. Explore the sandalwood[J]. Forestry of Yunnan, 2010(4):49. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=ynly201004038
    [3] 吴智仁.檀香重要害虫咖啡木蠹蛾防治方法[J].福建农业, 2012(5):23. doi:  10.3969/j.issn.1671-6922.2012.05.006

    Wu Z R.Methods for the control of Zeuzera coffeae nietner[J]. Agriculture of Fujian, 2012(5):23. doi:  10.3969/j.issn.1671-6922.2012.05.006
    [4] 汪京京, 张武, 刘连忠, 等.农作物病虫害图像识别技术的研究综述[J].计算机工程与科学, 2014, 36(7):1363-1370. doi:  10.3969/j.issn.1007-130X.2014.07.026

    Wang J J, Zhang W, Liu L Z, et al. Summary of crop diseases and pests image recognition technology[J]. Computer Engineering & Science, 2014, 36(7):1363-1370. doi:  10.3969/j.issn.1007-130X.2014.07.026
    [5] 温芝元, 曹乐平.基于为害状色相多重分形的椪柑病虫害图像识别[J].农业机械学报, 2014, 45(3):262-267. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201403043

    Wen Z Y, Cao L P. Damage pattern recognition of Citrus reticulate Blanco based on multi-fractal analysis of image Hue[J]. Transactions of The Chinese Society of Agricultural Machinery, 2014, 45(3):262-267. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb201403043
    [6] Xia C, Chon T S, Ren Z. Automatic identification and counting of small size pests in greenhouse conditions with low computational cost[J]. Ecological Informatics, 2015, 29(9):139-146. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=554dd7546a45a782f8e50cdd999f79f4
    [7] Sasaki Y, Okamoto T, Imou K, et al. Automatic diagnosis of plant disease-recognition between health and diseased leaf[J]. Journal of the Japanese Society of Agricultural Machinery, 1999, 61(2):119-126.
    [8] El-Helly M, El-Beltagy S, Rafea A. Image analysis based interface for diagnostic expert systems[C]//Proceedings of the Winter International Symposium on Information and Communication Technologies. Dublin: Trinity College Dublin, 2004: 1-6.
    [9] Huang K Y. Application of artificial neural network for detecting Phalaenopsis seedling diseased using color and texture features[J]. Computer and Electronics in Agriculture. 2007, 57(1):3-11. http://www.sciencedirect.com/science/article/pii/S0168169907000385
    [10] 唐建军, 王映龙, 彭莹琼, 等. BP神经网络在水稻病虫害诊断中的应用研究[J].安徽农业科学, 2010, 38(1): 199-200. doi:  10.3969/j.issn.0517-6611.2010.01.085

    Tang J J, Wang Y L, Peng Y Q, et al. Application study on BP neural network in the diagnosis of rice diseases and pests[J]. Journal of Anhui Agricultural Sciences, 2010, 38(1):199-200. doi:  10.3969/j.issn.0517-6611.2010.01.085
    [11] Zhang R, Ma J W. State of the art on remotely sensed data classification based on support vector machine[J]. Advances in Earth Science, 2009, 24(5):555-562. http://en.cnki.com.cn/Article_en/CJFDTOTAL-DXJZ200905018.htm
    [12] Song X F, Duan Z, Jiang X G. Comparison of artificial neural networks and support vector machine classifiers for land cover classification in northern China using a SPOT-5 HRG image[J]. International Journal of Remote Sensing, 2012, 33(10):3301-3320. doi:  10.1080/01431161.2011.568531
    [13] Huang C, Davis L S, Townshend J R G. An assessment of support vector machines for land cover classification[J]. International Journal of Remote Sensing, 2002, 23(4): 725-749. doi:  10.1080/01431160110040323
    [14] 张建华, 祁力钧, 冀荣华, 等.基于Gabor小波和颜色矩的棉花盲椿象分类方法[J].农业工程学报, 2012, 28(1): 133-138. doi:  10.3969/j.issn.1002-6819.2012.01.025

    Zhang J H, Qi L J, Ji R H, et al. Classification of cotton blind stinkbug based on Gabor wavelet and color moments[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(1): 133-138. doi:  10.3969/j.issn.1002-6819.2012.01.025
    [15] 田有文, 王立地, 姜淑华, 等.基于图像处理和支持向量机的玉米病害识别[J].仪器仪表学报, 2006, 27(6): 2123-2124. http://d.old.wanfangdata.com.cn/Periodical/yqyb2006z3141

    Tian Y W, Wang L D, Jiang S H. Recognition of maize disease based on image processing and SVM[J]. Chinese Journal of Scientific Instrument, 2006, 27(6): 2123-2124. http://d.old.wanfangdata.com.cn/Periodical/yqyb2006z3141
    [16] 王献锋, 王震, 王旭启, 等.基于SVM和形态学的作物病斑图像分割方法[J].东北农业科学, 2015, 40(1): 51-60. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jlnykx201501012

    Wang X F, Wang Z, Wang X Q, et al. Crop spot image segmentation based on SVM and morphology[J]. Journal of Jilin Agricultural Sciences, 2015, 40(1):51-53. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jlnykx201501012
    [17] Burgos-Artizzu X P, Ribeiro A, Guijarro M, et al. Real-time image processing for crop/weed discrimination in maize fields[J]. Computers and Electronics in Agriculture, 2010, 75(2): 337-346. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=aa9f8d1c0e813a0014a112676b733123
    [18] Aitkenhead M J, Dalgetty I A, Mullins C E. Weed and crop discrimination using image analysis and artificial intelligence methods[J]. Computers and Electronics in Agriculture, 2003, 39(3): 157-171. doi:  10.1016/S0168-1699(03)00076-0
    [19] 赵进辉, 罗锡文, 周志艳.基于颜色与形状特征的甘蔗病害图像分割方法[J].农业机械学报, 2008, 39(9): 100-103. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb200809023

    Zhao J H, Luo X W, Zhou Z Y. Image segmentation method for sugarcane diseases based on color and shape features[J]. Transactions of the Chinese Society of Agricultural Machinery, 2008, 39(3):100-103. http://d.old.wanfangdata.com.cn/Periodical/nyjxxb200809023
    [20] 陈佳娟, 纪寿文, 李娟, 等.采用计算机视觉进行棉花虫害程度的自动测定[J].农业工程学报, 2001, 17(2): 157-160. doi:  10.3321/j.issn:1002-6819.2001.02.040

    Chen J J, Ji S W, Li J, et al. Automatic measurement of danger degree of cotton insect pests using computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering, 2001, 17(2):157-160. doi:  10.3321/j.issn:1002-6819.2001.02.040
    [21] 王雪峰, 毕于慧, 罗景芳.银中杨苗木光需求的图像分析法[J].林业科学, 2010, 46(4): 161-165. http://d.old.wanfangdata.com.cn/Periodical/lykx201004025

    Wang X F, Bi Y H, Luo J F. Image analysis method of light need of the Populus alba×P. berolinensis[J]. Scientia Silvae Sinicae, 2010, 46(4):161-165. http://d.old.wanfangdata.com.cn/Periodical/lykx201004025
    [22] Ulaby F T, Kouyate F, Brisco B. Texture information on SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986, 24(2):235-245. http://d.old.wanfangdata.com.cn/Periodical/zgkydxxb200903023
    [23] 江虹, 曾立波, 胡继明.优化的BP神经网络分类器的设计与实现[J].计算机工程与应用, 2001, 37(5): 122-125. doi:  10.3321/j.issn:1002-8331.2001.05.042

    Jiang H, Zeng L B, Hu J M. The design and performance of optimal BP neural network classifier[J]. Computer Engineering and Application, 2001, 37(5): 122-125. doi:  10.3321/j.issn:1002-8331.2001.05.042
    [24] 张伐伐, 李卫忠, 卢柳叶, 等. SVM多窗口纹理土地利用信息提取技术[J].遥感学报, 2012, 16(1): 67-78. http://d.old.wanfangdata.com.cn/Periodical/ygxb201201005

    Zhang F F, Li W Z, Lu L Y, et al. Technologies of extracting land utilization information based on SVM method with multi-window texture[J]. Journal of Remote Sensing, 2012, 16(1): 67-78. http://d.old.wanfangdata.com.cn/Periodical/ygxb201201005
  • [1] 雷相东.  机器学习算法在森林生长收获预估中的应用 . 北京林业大学学报, 2019, 41(12): 23-36. doi: 10.12171/j.1000-1522.20190356
    [2] 刘嘉政, 王雪峰, 王甜.  基于多特征融合和CNN模型的树种图像识别研究 . 北京林业大学学报, 2019, 41(11): 76-86. doi: 10.13332/j.1000-1522.20180366
    [3] 刘嘉政, 王雪峰, 王甜.  基于深度学习的5种树皮纹理图像识别研究 . 北京林业大学学报, 2019, 41(4): 146-154. doi: 10.13332/j.1000-1522.20180242
    [4] 陈珠琳, 王雪峰, 孙汉中.  基于可见光-近红外图像的幼龄檀香全磷含量诊断 . 北京林业大学学报, 2019, 41(2): 88-96. doi: 10.13332/j.1000-1522.20180214
    [5] 王晓松, 杨刚.  一种融合聚类和分类算法的树木图像多目标优化分割方法 . 北京林业大学学报, 2018, 40(12): 124-131. doi: 10.13332/j.1000-1522.20180160
    [6] 谢将剑, 李文彬, 张军国, 丁长青.  基于Chirplet语图特征和深度学习的鸟类物种识别方法 . 北京林业大学学报, 2018, 40(3): 122-127. doi: 10.13332/j.1000-1522.20180008
    [7] 陈明健, 陈志泊, 杨猛, 莫琴.  叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法 . 北京林业大学学报, 2017, 39(2): 108-116. doi: 10.13332/j.1000-1522.20160351
    [8] 吴笑鑫, 高良, 闫民, 赵方.  基于多特征融合的花卉种类识别研究 . 北京林业大学学报, 2017, 39(4): 86-93. doi: 10.13332/j.1000-1522.20160367
    [9] 张文一, 景天忠, 严善春.  基于机器学习的落叶松毛虫发生面积预测模型 . 北京林业大学学报, 2017, 39(1): 85-93. doi: 10.13332/j.1000-1522.20160205
    [10] 刘念, 阚江明.  基于多特征融合和深度信念网络的植物叶片识别 . 北京林业大学学报, 2016, 38(3): 110-119. doi: 10.13332/j.1000-1522.20150267
    [11] 张帅, 淮永建.  基于分层卷积深度学习系统的植物叶片识别研究 . 北京林业大学学报, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
    [12] 王丽君, 淮永建, 彭月橙.  基于叶片图像多特征融合的观叶植物种类识别 . 北京林业大学学报, 2015, 37(1): 55-69. doi: 10.13332/j.cnki.jbfu.2015.01.006
    [13] 林卓, 吴承祯, 洪伟, 洪滔.  基于BP神经网络和支持向量机的杉木人工林收获模型研究 . 北京林业大学学报, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
    [14] 吴梦宇, 罗琴娟, 韩摇宁.  基于多运动特征的森林火灾烟雾图像识别算法 . 北京林业大学学报, 2013, 35(3): 154-158.
    [15] 张娟, 黄心渊.  基于图像分析的梅花品种识别研究 . 北京林业大学学报, 2012, 34(1): 96-104.
    [16] 黄儒乐, 吴江, 韩宁.  林火烟雾图像自动识别中的模式分类器选择 . 北京林业大学学报, 2012, 34(1): 92-95.
    [17] 李春干, 邵国凡.  Landsat7 ETM+图像用作SPOT5图像森林分类的辅助数据研究 . 北京林业大学学报, 2010, 32(4): 1-5.
    [18] 齐建东, 蒋禧, 赵燕东.  基于无线多媒体传感器网络的森林病虫害监测系统 . 北京林业大学学报, 2010, 32(4): 186-190.
    [19] 多化琼, 王喜明, 范俊雄.  利用傅立叶变换研究铁杉木材管胞横截面尺寸 . 北京林业大学学报, 2009, 31(5): 108-111.
    [20] 孙仁山, 高莉萍, 周存宇, 程广有, 谢力生, 贺康宁, 吕建雄, 李红, 王继强, 赵东, 李利平, 包仁艳, 王跃思, 高峰, 包满珠, 周国逸, 李文彬, 向仕龙, 邢韶华, 高林, 姜春宁, 李世荣, 殷亚方, 孙扬, 李吉跃, 于志明, 赵有科, 郑彩霞, 葛春华, 田勇臣, 赵勃, 刘娟娟, 孙磊, 王迎红, 曹全军, 史常青, 孙艳玲, 周心澄, 华丽, 姜笑梅, 高亦珂, 张德强, 丁坤善, 唐晓杰, 王清春, 崔国发, 刘世忠, 张启翔, .  基于整枝抚育目的的立木枝干自动识别研究 . 北京林业大学学报, 2005, 27(4): 86-89.
  • 加载中
图(3) / 表 (5)
计量
  • 文章访问数:  1669
  • HTML全文浏览量:  124
  • PDF下载量:  65
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-09-04
  • 修回日期:  2017-12-05
  • 刊出日期:  2018-01-01

檀香咖啡豹蠹蛾虫害的树干区域分类研究

doi: 10.13332/j.1000-1522.20170306
    基金项目:

    国家自然科学基金项目 31670642

    作者简介:

    陈珠琳。主要研究方向:森林资源监测与计算机视觉。Email:825511059@qq.com 地址:100091 北京市海淀区东小府1号中国林业科学研究院资源信息研究所

    通讯作者: 王雪峰,博士,研究员。主要研究方向:森林资源监测与计算机视觉。Email:xuefeng@ifrit.ac.cn 地址:同上
  • 中图分类号: S763.38;TP391.41

摘要: 目的檀香是一种典型的珍贵树种,但不易成活且常遭受病虫害的干扰。本研究针对受咖啡豹蠹蛾危害的檀香,为提高受害檀香树干区域的分类效果,根据不同区域在颜色和纹理方面的特点,提出了一种复杂背景下受咖啡豹蠹蛾危害的檀香树干区域分类方法。方法(1) 本文首先结合高斯高通滤波、Otsu法、2G-R-B因子以及形态学运算,将树干从复杂背景中提取出来,再通过L*a*b*系统中的L*通道和a*通道将树干分割为健康区域、虫害区域和排泄物区域。(2)提出“多纹理”并使用“相对颜色”特征变换方法以提取图像特征。(3)提出BP神经网络和RBF-SVM相结合的方法对区域进行识别。结果(1) 本文提出的图像分割算法有效地将受虫害危害的檀香从背景中提取出来,并成功分割为健康区域、虫害区域和排泄物区域。(2)与传统PCA处理相比,使用“多纹理”和“相对颜色特征”得到的分类精度有所提高。其中,“多纹理”特征通过差异扩大的方法构建出的图像特征,明显增加了类间方差;“相对颜色特征”则减小了光照对样本的影响,从而减小了类内方差。(3)通过将RBF-SVM与BP神经网络方法相结合,对比发现,使用一种方法进行三分类的精度较低,分别为74.44%和81.11%;两次二分类后提高了精度,分别为87.77%和85.56%;而两种方法相结合的方式所得到的分类精度最高,总体可达91.11%。结论本文通过数字图像对受咖啡豹蠹蛾危害的檀香树干区域进行分类,为该虫害的早期识别以及受损率计算提供了方法,可以有效地减小檀香生长所受危害,提高心材质量,也为数字图像技术在林业中的应用提供了参考。

English Abstract

陈珠琳, 王雪峰. 檀香咖啡豹蠹蛾虫害的树干区域分类研究[J]. 北京林业大学学报, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
引用本文: 陈珠琳, 王雪峰. 檀香咖啡豹蠹蛾虫害的树干区域分类研究[J]. 北京林业大学学报, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
Chen Zhu-lin, Wang Xue-feng. Classification of sandalwood trunk area damaged by Zeuzera coffeae nietner in complex background[J]. Journal of Beijing Forestry University, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
Citation: Chen Zhu-lin, Wang Xue-feng. Classification of sandalwood trunk area damaged by Zeuzera coffeae nietner in complex background[J]. Journal of Beijing Forestry University, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
  • 檀香(Santalum album)是典型的珍贵树种之一,是名贵的香料、药材和高级工艺雕刻品原料,其有用部分是具有芳香的心材和从心材中提取的檀香油[1]。檀香是一种半寄生常绿乔木[2],而且在气温或环境不宜等情况下,檀香易受到危害根部的苗立枯病(Rhizoctonia solani)、根腐病(Phytophthora cinnamomi)以及危害叶片的叶灰斑病(Cercospora sojina)、白粉病(Erysiphe graminis)、桑寄生粉蝶(Pieris rapae)、金龟子(Aliassotum pauper)和危害茎干的咖啡豹蠹蛾(Zeuzera coffeae)的危害。其中,咖啡豹蠹蛾虫害最为常见,并且破坏性极大,羽化时间不一,给防治带来了很大的困难,严重影响檀香的生长[3]。随着计算机技术的发展,目标物的颜色、形状、纹理等特征提取技术的进步,使得机器视觉技术广泛应用在病虫害的识别和诊断方面[4-6]。如何提高目标物提取和识别的准确性,是研究者们共同努力的方向。

    人工神经网络(Artificial Neural Network, ANN)是20世纪80年代以来人工智能领域兴起的研究热点。Sasaki等[7]利用计算机视觉技术,采用遗传算法,对黄瓜(Cucumis sativus)的炭疽病进行自动诊断和识别。El-Helly等[8]利用人工神经网络作为分类器,对黄瓜白粉病和霜霉病进行了识别。Huang[9]提取了蝴蝶兰(Phalaenopsis aphrodite)苗期病斑的颜色特征和纹理特征,并基于前馈神经网络实现了分类和识别,识别准确率达到89.6%。唐建军等[10]将神经网络与专家系统结合,提高了系统诊断的准确性和智能性,表明神经网络具有较强的应用价值。

    20世纪90年代Vapnik等提出支持向量机(SVM)分类算法, 解决了全局收敛的问题[11],分类效果得到明显提高,在解决小样本、非线性及高维模式识别问题中都表现出许多优势[12-13], 所以受到很多研究者的青睐。张建华等[14]利用Gabor小波和颜色矩分别提取盲椿象图像的纹理和颜色特征,并结合主成分分析和SVM,分类正确率达到91%。田有文等[15]提取基于色度的玉米(Zea mays)病害图像的彩色纹理特征, 并用SVM识别玉米病害,该方法对玉米的3种病害的平均识别率达到87.5%。王献锋等[16]提出了一种基于SVM和形态学的病斑分割方法,结果具有较好的分割效果。

    综上所述,人工神经网络、支持向量机广泛应用在图像分类中,并且优点不一。同时,3个问题普遍存在于现阶段的研究中:(1)图像背景单一,使用室内获取的图像所得出的结论不适用于野外;(2)纹理特征和颜色特征是图像特征提取的重点,但对纹理特征分类不佳、颜色特征受光照影响比较大的缺点,尚未提出较好的解决方法;(3)不同分类器的优势不同,如何将不同分类器的优点相结合是现阶段研究中所欠缺的。因此,本文对野外采集到的受咖啡豹蠹蛾危害的檀香树干图像进行分割与分类研究,重点在于:(1)提出新算法解决野外获取图像的分割,将檀香树干从复杂背景中提取出来后,再进行区域分割;(2)对提取的纹理和颜色特征进行变化和筛选,解决原始纹理特征分类较差、颜色特征受光照影响较大的缺点;(3)针对本文所研究的问题,将人工神经网络和支持向量机两种分类器相结合进行分类处理。

    • 数据采集于海南省北部县市栽植檀香的不同林内(19°36′~20°03′N,109°12′~111°02′E)。为增强数据的代表性,试验设计的图像采集地点比较分散,分别为云龙、龙州、枫木、龙泉、文教、文昌共6个县市。林内檀香年龄从5~12年不等,寄主植物包括三角梅(Bougainvillea spectabilis)、降香黄檀(Dalbergia odorifera)等。试验将原野服务器布设在林中,每台原野服务器由空气温度传感器、空气湿度传感器、土壤温度传感器以及无线局域网模型等组成,从06:00—18:00,每小时获取一次图像,并实时传输到服务器。拍摄时采用定焦镜头并使用大光圈,图像大小为1 024×768像素。所用算法均在Matlab 2012a软件中实现,软件运行环境是配置为i5-6300HQ 2.30 GHz CPU、8 G内存、1 T硬盘的计算机。

    • RGB是最常用的颜色系统,但该系统受光照影响比较大,所以研究者常用红光标准化值NRI、绿光标准化值NGI、蓝光标准化值NBI来减小光强对该颜色系统的影响。其计算公式为:

      $$ \begin{array}{l} {\rm{NRI}} = R/(R + G + B)\\ {\rm{NGI}} = G/(R + G + B)\\ {\rm{NBI}} = B/(R + G + B) \end{array} $$

      式中:RGB分别为所有像素的红色均值、绿色均值、蓝色均值。

      参照这一方法,本文使用“相对颜色”特征,即计算该通道特征值与3种通道特征值总和的比值。以信息熵为例,红光相对信息熵=红光信息熵/(红光信息熵+绿光信息熵+蓝光信息熵)。

      CIE L*a*b*颜色模型常用来描述人眼可见的所有颜色的最完备的色彩模型,色彩空间比RGB空间还要大,它是一种均匀的色彩空间,且不受光照变化的影响,适合分析在野外自动获取的图像。其中L代表亮度;a代表红色到绿色的范围,取值为[127,-128];b代表从黄色到蓝色的范围,取值为[127,-128]。其计算公式为:

      $$ \begin{aligned} L &=116 \times\left(Y / Y_{0}\right)^{1 / 3}-16 \\ a=500 & \times\left[\left(X / X_{0}\right)^{1 / 3}-\left(Y / Y_{0}\right)^{1 / 3}\right] \\ b=200 & \times\left[\left(Y / Y_{0}\right)^{1 / 3}-\left(Z / Z_{0}\right)^{1 / 3}\right] \end{aligned} $$

      其中:

      $$ \begin{array}{l}{X=0.5164 R+0.2789 G+0.1792 B} \\ {Y=0.2963 R+0.6192 G+0.0845 B} \\ {Z=0.0339 R+0.1426 G+1.0166 B}\end{array} $$

      式中:RGB的取值为0~100;X0Y0Z0为标准光源D65的三基色刺激值,其值为X0=95.045,Y0=100,Z0=108.255;XYZ为CIE-XYZ色度系统中的单通道值,其计算公式为

      $$ \left(\begin{array}{l}{X} \\ {Y} \\ {Z}\end{array}\right)=\left(\begin{array}{ccc}{2.7681} & {1.7517} & {1.1302} \\ {1.0000} & {4.5907} & {0.0601} \\ {0} & {0.0565} & {5.5943}\end{array}\right)=\left(\begin{array}{l}{R} \\ {G} \\ {B}\end{array}\right)。 $$
    • 目前图像分割常利用颜色特征的不同组合,例如2G-R-B、2R-G-B、1.4R-G-B等[17-20],但这些研究均局限在空域范围内,而频域则揭示了图像在信号方面的不同,同样也可以用于分割。由于原野服务器安装的相机使用大光圈,得到的图像背景虚化,更适合在频域中处理,所以本文使用频域和空域相结合的方法,在频域中完成树干与背景的分割后,在空域对檀香树干进行区域分割,分为排泄物区域、虫害区域和健康区域。其中,排泄物区域识别有利于在虫害区域尚未形成的早期进行防治,虫害区域的识别有利于预估受损度,研究后期的治虫方案。

      高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,而高斯高通滤波可以较好地提取图像的边缘信息,所以本文使用高斯高通滤波与Otsu法、形态学运算相结合将檀香树干从背景中提取出来。高斯高通滤波使得高频信号正常通过而低于设定临界值的低频信号则被阻隔、减弱。其表达式为:

      $$ H(u, v) = 1 - {{\rm{e}}^{ - \left[ {{{\left( {u - \frac{M}{2}} \right)}^2} + {{\left( {v - \frac{N}{2}} \right)}^2}} \right]/2{\sigma ^2}}} $$

      式中:M为图像中每行的像素数,N为图像中每列的像素数,(u, v)为频率矩形的中心原点,σ为指定的非负数值,其取值影响着边界提取。

      由于变换后的L*a*b*空间消除了3个颜色分量之间的相关性,更能表达出人眼视觉的差别[21],所以本文在分割檀香树干时,将图像由RGB系统转换到L*a*b*空间进行分割。

    • 图 1可知,檀香树干虫害区域、健康区域和排泄物区域图像在颜色和纹理方面存在较大差异,健康区域颜色呈现灰白色,虫害区域纹理相对平滑,排泄物区域纹理粗糙且呈现暗红色。所以,本文从颜色和纹理两个方面对图像进行特征提取。其中,颜色选择常用的RGB系统,提取的特征包括均值、灰度直方图的X轴最大值、X轴最小值、X轴差值、Y轴峰值和信息熵。

      图  1  3种区域图像样本

      Figure 1.  Three kinds of regional image samples

      本文选择了4种不存在共线性的纹理特征[22],并计算该4种特征的均值和方差作为纹理特征值。

      (1) 能量值(ASM)

      $$ {\rm{ASM}} = \sum\limits_{i = 0}^{k - 1} {\sum\limits_{j = 0}^{k - 1} {P_\delta ^2} } (i, j) $$

      式中:Pδ(i, j)为灰度共生矩阵的元素,i, j分别为矩阵元素的行元素、列元素,k代表图像的灰度级。

      能量是灰度共生矩阵元素值的平方和,反映了图像的灰度分布均匀程度和纹理粗细度。

      (2) 熵值(ENT)

      $$ {\rm{ENT}} = - \sum\limits_{i = 0}^{k - 1} {\sum\limits_{j = 0}^{k - 1} {P_\delta ^2} } (i, j){\rm{log}}{P_\delta }(i, j) $$

      熵值是图像所具有信息量的度量,纹理信息也属于图像的信息,它表示了图像纹理的非均匀程度或复杂程度。

      (3) 对比度(CON)

      $$ {\rm{CON}} = \sum\limits_{i = 0}^{k - 1} {\sum\limits_{j = 0}^{k - 1} {{{(i - j)}^2}} } {P_\delta }(i, j) $$

      对比度是灰度共生矩阵主对角线附近的对比度矩,它反映了图像的清晰度和纹理沟纹深浅程度。

      (4) 相关性(CORRLN)

      $$ {\rm{CORRLN}} = \left[ {\sum\limits_{i = 0}^{k - 1} {\sum\limits_{i = 0}^{k - 1} {\left( {(ij){P_\delta }(i, j)} \right)} } - {\mu _s}{\mu _y}} \right]/{\sigma _x}{\sigma _y} $$

      其中:

      $$ \begin{aligned} {\mu}_{x} &=\sum\limits_{i=0}^{k-1} \sum\limits_{j=0}^{k-1} i P_{\delta}(i, j) \\ \mu_{y} &=\sum\limits_{i=0}^{k-1} \sum\limits_{j=0}^{k-1} j P_{\delta}(i, j) \\ {\sigma}_{x}^{2}=& \sum\limits_{i=0}^{k-1} \sum\limits_{j=0}^{k-1}\left(i-\mu_{x}\right) P_{\delta}(i, j) \\ {\sigma}_{y}^{2} &=\sum\limits_{i=0}^{k-1} \sum\limits_{j=0}^{k-1}\left(i-\mu_{y}\right) P_{\delta}(i, j) \end{aligned} $$

      相关性度量空间灰度共生矩阵元素在行或列方向上的相似程度,因此相关性大小反映了图像中局部灰度的相关性。

      试验选择不同林内获取的80张受咖啡豹蠹蛾侵蚀的树干的图像,50张作为训练样本,30张作为测试样本。对每棵受灾檀香进行区域分割后,计算每个区域的纹理和颜色特征进行后期的变换与筛选处理。

    • BP神经网络是一种多层前馈神经网络,其信号向前传递,误差反向传播。一般由输入层、隐含层和输出层3部分组成,当输入节点为n,输出节点为m时,BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。输入层和输出层节点的个数在试验时都是已知的,而隐含层个数的选择相对复杂,个数过少得不到很好的学习,过多则会产生过拟合。本文所用的经验公式[23]为:

      $$ {N_{{\rm{ Hidden }}}} = \left( {{N_{{\rm{In}}}} + \max \left( {{N_{{\rm{out}}}}, {N_{{\rm{Class}}}}} \right)} \right)/2 $$

      式中:NHidden为隐层节点数,NInNOutNClass分别为神经网络的输入层节点数、输出层节点数和所需分类的目标分类数。

      支持向量机(Support Vector Machine,SVM)的主要思想就是建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化,它是结构风险最小化的近似实现。运用支持向量机方法进行分类最重要的核函数的选择及相关系数的确定。常用的核函数有4种,分别为:

      线性核函数(Linear Function, LF):

      $$ K\left( {{\mathit{\boldsymbol{x}}_i}, {\mathit{\boldsymbol{x}}_j}} \right) = \mathit{\boldsymbol{x}}_i^{\rm{T}}{\mathit{\boldsymbol{x}}_j} $$

      多项式核函数(Polynomial Function, PF):

      $$ K\left( {{\mathit{\boldsymbol{x}}_i}, {\mathit{\boldsymbol{x}}_j}} \right) = {\left( {\gamma \mathit{\boldsymbol{x}}_i^{\rm{T}}{\mathit{\boldsymbol{x}}_j} + r} \right)^d}, \mathit{\boldsymbol{\gamma }} > 0 $$

      径向基核函数(Radial Basis Function, RBF):

      $$ K\left( {{\mathit{\boldsymbol{x}}_i}, {\mathit{\boldsymbol{x}}_j}} \right) = {\rm{exp}}\left( { - \mathit{\boldsymbol{\gamma }}{{\left\| {{\mathit{\boldsymbol{x}}_i} - {\mathit{\boldsymbol{x}}_j}} \right\|}^2}} \right), \mathit{\boldsymbol{\gamma }} > 0 $$

      Sigmoid核函数(Sigmoid Function, SF):

      $$ K\left( {{\mathit{\boldsymbol{x}}_i}, {\mathit{\boldsymbol{x}}_j}} \right) = {\rm{tanh}}{\left( {\mathit{\boldsymbol{\gamma x}}_i^{\rm{T}}{\mathit{\boldsymbol{x}}_j} + r} \right)^d} $$

      式中:xixj为原始空间中的两个样本点;γ为间接松弛向量;r是用来设置核函数中的coef(),默认值为0。

      径向基核函数在低维、高维、小样本、大样本等情况下均适用,具有较宽的收敛域,是较为理想的分类依据函数[24],所以本试验选择RBF核函数。确定核函数后,利用交叉验证(Cross Validation, CV)方法确定惩罚参数c和核函数g

    • 图 2a中可以看出,由于采用大光圈拍摄方式,图像背景模糊,所以采用高斯高通滤波可以有效去除背景。使用2G-R-B因子去除所拍摄到的部分檀香叶片和幼嫩枝条。

      图  2  檀香图像分割结果

      Figure 2.  Segmentation result of sandalwood

      图 1可以看出:虫害区域和排泄物区域显示为红色,健康区域显示为灰白色,L*a*b*系统中的a*分量表示洋红色到绿色的范围,有利于健康区域与其他两部分的分割;虫害区域与排泄物区域的图像均显示为红色,但亮度明显不同,所以使用L*分量将虫害区域与排泄物区域分割开。算法步骤如下:

      (1) 对原图进行高斯高通滤波处理(σ=40),如图 2b所示。

      (2) 对步骤(1)得到的图像进行Otsu法分割后,使用disk为5的结构元素分别进行5次膨胀与腐蚀,如图 2c所示。

      (3) 将步骤(2)得到的图像与原图做掩膜,使用2G-R-B因子和大津法将图中绿色植物去除,得到檀香树干分割结果,如图 2e所示。

      (4) 将步骤(3)得到的图像转换至L*a*b*通道,并对a*通道进行显示;用Otsu法完成阈值分割后,使用disk为3的结构元素进行3次膨胀和腐蚀运算。

      (5) 将步骤(4)得到的图像转换至L*通道,并进行显示,重复步骤(4)中的阈值分割与形态学运算,并与原图进行掩膜,最终分割结果如图 2fgh所示。

    • 无论使用何种分类器,得到的结果会随着特征维数的增加出现先上升后下降的趋势,为避免维数灾难,多数研究采用主成分分析法(Principal Component Analysis, PCA)进行降维处理。本文提出新的纹理、颜色特征的优化处理方法,并优选出合适的特征作为后期机器学习的输入向量。

    • 本文对150个训练样本进行分析,从图 3中可以看出,健康区域和排泄物区域混淆程度比较大,虫害区域的特征值相对突出,这是由于虫害区域树皮脱落,纹理相对平滑,而健康区域和排泄物区域纹理较复杂,所以本文将健康区域和排泄物区域归为一类,虫害区域作为另一类进行处理。8种纹理特征的数值呈现出两种分布:虫害区域数值相对较大(能量均值、能量方差、相关性均值、相关性方差);虫害区域数值相对较小(熵均值、熵方差、对比度均值、对比度方差)。因此,本文提出“多纹理特征”,即通过差异扩大的方法,增强虫害区域与其他两个区域的区分度。将虫害区域数值相对较大的特征与数值较小的特征作差运算,共获得16种多纹理特征,并以3:2的比例随机选择训练样本和测试样本,通过Logistic二分类选取排名前8位的特征(表 1)。其中,多纹理特征所得的总体精度均保持在72%~80%之间;与原始数据相比,分类精度稳定且有所增加。为消除所选多纹理特征之间的共线性,使用PCA法提取出累计贡献率达到92%的前4个主成分作为后期机器学习中的多纹理特征。

      图  3  3种区域的纹理特征值分布图

      Figure 3.  Texture feature value distribution of three kinds of regions

      表 1  单纹理与多纹理特征分类精度比较

      Table 1.  Comparison in classification accuracy using single texture features and multi-texture features

      单纹理特征
      Single texture feature
      总体分类精度
      Overall classification accuracy/%
      多纹理特征
      Multi-texture feature
      总体分类精度
      Overall classification accuracy/%
      能量均值
      Energy mean value
      58能量均值-熵值均值
      Energy mean value-entropy mean value
      78
      能量方差
      Energy variance
      58能量方差-熵值均值
      Energy variance-entropy mean value
      80
      熵值均值
      Entropy mean value
      80能量方差-熵值方差
      Energy variance-entropy variance
      72
      熵值方差
      Entropy variance
      74能量方差-对比度均值
      Energy variance-contrast mean value
      72
      对比度均值
      Contrast mean value
      72能量方差-对比度方差
      Energy variance-contrast variance
      78
      对比度方差
      Contrast variance
      76相关性均值-熵值均值
      Correlation mean value-entropy mean value
      72
      相关性均值
      Correlation mean value
      62相关性方差-熵值均值
      Correlation variance-entropy mean value
      80
      相关性方差
      Correlation variance
      54对比度方差-熵值均值
      Contrast variance-entropy mean value
      78
    • 由于健康区域图像呈现灰白色,排泄物区域呈现红色,所以使用颜色特征可以比较明显地将这两种图像识别出来,但野外图像获取无法控制光照强度。为了尽量减小不同光强对颜色分量的影响,试验选择使用颜色相对值,即计算该通道特征值与3种通道特征值总和的比值,可以有效提高区分度。该部分不考虑虫害区域,研究排泄物区与健康区分类精度,分类方法选择Logistic二分类。对每种通道进行特征筛选时,选择两种区域分类精度均超过70%的特征作为输入变量。以R通道为例,表 2描述了变换前后的分类精度。从表 2中可以看出,对于均值、X轴差值、Y轴峰值和信息熵,使用相对值明显提高了其分类精度,而对于X轴最大值和X轴最小值,效果并不明显。试验最终筛选出R通道的均值、X轴差值、Y轴峰值、信息熵和G通道的均值以及B通道的Y轴峰值、信息熵作为后期机器学习中的颜色特征。

      表 2  R通道原始颜色特征与相对颜色特征分类精度比较

      Table 2.  Classification accuracy compare using original R channel color features and relative color features

      %
      颜色特征
      Color feature
      原始数据Original data相对颜色数据Relative color data
      排泄区域
      Excrement region
      健康区域
      Healthy region
      排泄区域
      Excrement region
      健康区域
      Healthy region
      均值Mean value84949898
      X轴最大值Maximal value of X axis568244100
      X轴最小值Minimum value of X axis100384652
      X轴差值Difference of X axis62407084
      Y轴峰值Peak value of Y axis72268698
      信息熵Information entropy605890100
    • 本文使用RBF-SVM和BP神经网络对传统PCA处理得到的纹理数据(前4个主成分)、本文提出的方法得到的多纹理数据(前4个主成分)进行二分类处理,其中排泄物区域与健康区域分为一类,虫害区域为另一类。为方便计算后期3种区域的分类正确率,将排泄物区域和健康区域分别进行精度计算。

      表 3描述了纹理特征处理前后各区域的分类精度,从表中可以看出,无论采用何种分类方法,多纹理特征下得到的分类精度都远高于单纹理特征,总体分类结果最大相差18.89%。BP神经网络在单纹理和多纹理特征下的分类精度均高于RBF-SVM,说明在样本量比较大且规律不明显时,适合使用BP神经网络。

      表 3  使用RBF-SVM和BP神经网络对PCA处理纹理以及多纹理分类结果比较

      Table 3.  Classification accuracy compare of texture by PCA processing and multi-texture features using RBF-SVM and BP neural network

      %
      分类方法
      Classification method
      PCA处理后纹理分类精度
      Classification accuracy by texture features
      after PCA processing
      多纹理分类精度
      Classification accuracy by multi-texture feature
      排泄物区域
      Excrement
      region
      虫害区域
      Pest region
      健康区域
      Healthy
      region
      总体
      Total
      排泄物区域
      Excrement
      region
      虫害区域
      Pest region
      健康区域
      Healthy
      region
      总体
      Total
      RBF-SVM76.0063.3370.0070.0093.3380.0093.3388.89
      BP神经网络BP neural network80.0070.0080.0076.6796.6786.6793.3392.22

      在完成虫害区域识别的基础上,将上述试验得到的排泄物区域和健康区域的分类结果作为第二次分类的样本,特征向量为表 2筛选出的颜色特征。

      表 4描述了使用两次二分类最终所得的分类结果。从表中可以看出,与传统PCA处理后的结果相比,相对颜色特征有效地减少了光照的影响,分类结果比较理想。同时,使用RBF-SVM得到的最终分类精度要优于BP神经网络,说明对于数据量小、维数较高的相对颜色特征,使用RBF-SVM结果比较好。

      表 4  使用RBF-SVM和BP神经网络对PCA处理颜色以及相对颜色特征的分类结果比较

      Table 4.  Classification accuracy compare of color feature by PCA processing and relative color features using RBF-SVM and BP neural network

      %
      分类方法
      Classification method
      颜色特征分类精度
      Classification accuracy of color feature
      相对颜色特征分类精度
      Classification accuracy of relative color feature
      排泄物区域
      Excrement
      region
      虫害区域
      Pest region
      健康区域
      Healthy
      region
      总体
      Total
      排泄物区域
      Excrement
      region
      虫害区域
      Pest region
      健康区域
      Healthy
      region
      总体
      Total
      RBF-SVM70.0063.3370.0067.7893.3380.0090.0087.77
      BP神经网络BP neural network66.6770.0066.6767.7886.6786.6783.3385.56
    • 本文将多纹理和相对颜色特征作为输入向量,使用BP神经网络进行第一次二分类,将虫害区域识别出来,再使用RBF-SVM对健康区域和排泄物区域进行分类;再将该结果与直接使用RBF-SVM和BP神经网络进行三分类的结果进行比较(表 5)。

      表 5  不同方法、不同分类次数之间的分类精度比较

      Table 5.  Classification accuracy compare of different methods and classification number

      %
      分类方法
      Classification method
      排泄物区域
      Excrement region
      虫害区域
      Pest region
      健康区域
      Health region
      总体Total
      RBF-SVM三分类 RBF-SVMthree classes80.0063.3380.0074.44
      BP神经网络三分类 BP neural networkthree classes83.3373.3380.0081.11
      本文提出方法Method proposed in this paper93.3386.6793.3391.11

      结合表 3表 4可以得到:对于受咖啡豹蠹蛾危害的檀香树干区域识别,使用一种机器学习方法进行三分类得到的精度要低于两次二分类,这是由于两次二分类减少了相关性较小向量的参与,降低了训练出错的概率,提高了分类精度;而同样使用两次二分类,BP神经网络与RBF-SVM相结合的方法优于仅使用其中一种,原因是BP神经网络与RBF-SVM相比,在样本较大、规律相对较弱的情况下的学习能力更强,适用于虫害区域识别,而RBF-SVM在小样本高维数据中表现出更好的稳定性,适用于健康区域和排泄物区域的分类识别。

    • 本文对海南省北部6个县市栽植檀香的不同林内获取到的受咖啡豹蠹蛾危害的檀香树干图像进行分割与分类研究。得到了以下结论:

      (1) 本文提出了一种复杂背景下的檀香树干的分割方法。利用高斯高通滤波与2G-B-R、大津法以及形态学运算相结合,将复杂背景去除。区域分割方面,通过各部分在L*a*b*系统的L*通道和a*通道表现出的不同,使用a*通道将健康区域分割出来,再利用L*通道对虫害区域和排泄物区域进行分割。

      (2) 本文对提取出的纹理特征和颜色特征进行变换筛选,与传统PCA处理相比,提高了分类精度。本文利用虫害区域在8种纹理特征中表现出的数字大小,通过差异扩大的方法,构建了16种多纹理特征,通过主成分分析消除共线性,将前4个主成分作为输入的多纹理特征。同时,为减小光照对颜色特征的影响,本文选择使用相对颜色特征,并筛选出7种分类效果最好的颜色特征。结果证明,无论采用何种分类方法,变换后的图像特征得到的分类精度均优于传统的PCA处理。

      (3) 本文提出了RBF-SVM和BP神经网络相结合的分类方法。利用BP神经网络在大样本数据中优秀的训练学习能力将虫害区域识别出来,再利用RBF-SVM在小样本高维数据中的稳定性,对健康区域和排泄物区域进行分类识别,通过对比发现,使用一种方法进行3分类的精度较低,分别为74.44%和81.11%,两次二分类后提高了精度,分别为87.77%和85.56%,而两种方法相结合的方式所得分类精度最高,总体可达91.11%。

    • 本文针对复杂背景下受咖啡豹蠹蛾危害的檀香树干进行分割与区域分类具有较大价值,在虫害发生初期,树皮尚未脱落,虫害区域尚未形成时,通过对排泄物区域的识别可以进行早期防治。当虫害区域已经形成时,通过虫害区域面积估测受损程度,制定防治方案,使其对心材的化学损伤降低到最小。

参考文献 (24)

目录

    /

    返回文章
    返回