论文部分内容阅读
森林资源是地球生态资源的重要组成部分,随着城市的迅速发展,城市化进程也逐渐加快,建设生态城市、城市绿色发展等理念成为全球关注的热点。城市森林在城市生态系统中不可或缺,其在净化城市空气、调节城市气候、改善居民生活环境、绿化美化城市环境等方面发挥着重要作用,合理的树种组成是建设稳定城市森林系统的基础,因此,研究树种类别、提取树木属性信息对城市森林建设有着重要意义。传统的城市森林资源调查方法耗时耗力,遥感技术的应用节约了森林资源调查的时间,降低了调查的成本,无人机作为一种高分辨率遥感图像获取平台,为城市森林的研究提供更多的可能。树冠是判别树木种类的重要部位,在树种研究中必不可少,通过无人机遥感平台获取树冠图像,实现树种的分类逐渐兴起,但城市森林树冠图像数据集的缺乏限制了新方法尤其是深度学习方法的发展。为了实现深度学习方法在树冠图像上的分类识别,本文主要开展了以下几个方面的工作:(1)利用无人机获取城市森林树冠影像,提出了一个具有10种树冠图像数据集TCC-10(Tree Canopy Classification),数据集包含简单背景树冠图像与复杂背景树冠图像两类图像数据,共19302张树冠图像。此外,数据集涵盖了不同季节、不同样地的树冠图像,具有一定的研究参考标准。实验采用调节亮度、旋转两种方式进行增强数据。(2)基于AlexNet、VGG-16和ResNet-50三种深度学习网络模型,对数据集中两类图像数据进行实验,采用了直接训练的方式,证明深度学习方法在TCC-10数据集上的有效性,表明TCC-10数据集可作为未来城市森林树种研究的数据基准。相较于AlexNet和VGG-16,ResNet-50表现出更好的分类精度。(3)在ResNet-50的结构基础上,设计了一种有效的残差网络模型,相同的训练步数,该模型的总体分类精度表现更优,达到了94.4%,且深度学习方法的分类准确率明显高于传统图像分类算法。在每一类别的分类准确率中,改进的残差网络也有更好的表现,10类树种中有7类分类准确率高于AlexNet、VGG-16和ResNet-50的分类结果,表明改进的残差网络在提升准确率上作用明显。