基于自学习特征的林业业务图像分类方法
[目的]现代电子和通讯设备的普遍使用,使得林业管理部门可以及时获取和累积大量林业业务图像.对林业业务图像进行自动分类,可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,从而实现有效的森林资源监管.[方法]提出一种基于自学习特征的林业业务图像自动分类方法,该方法采用3层结构来获取图像局部特征的全局语义,并对全局语义进行建模.首先,将图像分块,对图像块采用线性稀疏自动编码器进行自动学习,获取局部特征的权值矩阵;之后,利用权值矩阵对图像进行卷积,获取各种局部特征在图像中的映射,再进行池化与连接形成特征向量;最后,利用特征向量,采用softmax分类方法进行图像类别建模与识别.[结果]确立了林业业务图像的4个类别:动物死亡、森林火灾、采伐和森林病虫害.收集4类图像355幅,每类图像数目不等,并裁剪为统一大小,建立试验用林业业务图像数据集.利用留一法进行多次交叉试验,识别精度达到80%.线性稀疏自动编码器有效地提取出了图像块中的色彩特征、色彩变化特征及不同方向和不同位置的梯度特征等;利用自动学习到的局部权值矩阵卷积整个图像,在每幅特征图像中激活了原图的不同特征,且这些特征是零散的;当被识别图像与同类图像有相似或者局部相似的特征时,其会被正确识别,反映了基于自学习特征的林业业务图像分类方法能联合图像中的局部特征识别全局语义.[结论]林业业务图像分类属于图像场景分类问题,其同一类图像的类内相似性较弱,利用传统的“特征提取+分类建模”方法进行分类,其分类特征的选取难度较大.相较而言,基于自学习特征的林业业务图像分类方法的局部特征是从图像中自动学习得到的,方法泛化性强;而且该方法只有3层,没有全部层的反馈学习过程,比目前流行的基于深度卷积神经网络的图像分类方法效率高;当累积的样本图像增多、更加全面时,可以期望获得更高的识别精度.
林业业务图像、线性稀疏自动编码器、卷积、池化、softmax
54
S718;TP183(林业基础科学)
浙江省自然科学基金项目LY16C160007,LY14C130013
2018-07-30(万方平台首次上网日期,不代表论文的发表时间)
共9页
78-86