CN110689039A - 一种基于四通道卷积神经网络的树干纹理识别方法 - Google Patents

Abstract

一种基于四通道卷积神经网络的树干纹理识别方法，包括以下步骤S1：树干图像数据集的采集，保证图像的完整性；S2：图像预处理；S3：利用四通道卷积神经网络训练多分类器。本发明可以获取到更丰富的图像特征信息，自动学习出更具有区分度的特征,训练得到的分类器的分类精度和鲁棒性都较高。

Description

一种基于四通道卷积神经网络的树干纹理识别方法

技术领域

本发明属于一种基于四通道卷积神经网络的树干纹理识别方法，涉及卷积神经网络，数字图像处理及图像分类方法。

背景技术

近年来，随着中国的发展，人们对于保护生态的呼声越来越高，保护植物多样性变得越来越重要。如何通过简单的图片获取树木的信息，如种类，生长习性等是简化树种识别的重要方法之一，对于保护植物多样性、加强农林信息化管理等方面都有着极其重要的意义。

目前树木识别和分类大多由人工完成，然而树木种类繁多，任何一个植物学家都不可能记住所有树种的名称，对于没有树木相关知识的人来说，要准确识别一棵树木更是难上加难，往往不知从何入手，树木的多样性和识别的手工性、经验性给树种检索和鉴定带来了很大的困难。随着计算机技术的快速发展，计算机科学技术使得图像处理在许多领域都有了广泛应用。在基于数字化图像的基础上，进行的植物图像识和植物鉴定的研究越来越多。

传统的树种识别方法主要根据树木的花和叶来识别树种，局限性较高。比如在冬季花叶落尽时就难以识别树种，且很多树叶的纹理较为细腻，对摄像设备的要求高,难以准确识别。而树木的树干纹理更为清晰直观，受环境的影响也更低，而卷积神经网络则可以在大数据的基础上较好的解决图像分类问题。卷积神经网络(Convolutional NeuralNetworks，CNN)是深度学习算法的一种，近年来成为图像识别领域重要的处理分析工具。卷积神经网络算法的优点在于训练模型时不需要使用任何人工标注的特征，算法可以自动探索输入变量所隐含的特征，同时网络的权值共享特性，降低了模型的复杂度，减少了权值的数量。这些优点使原始图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。此外，卷积神经网络的池化层对平移、倾斜具有不变性，提高了算法处理图像的鲁棒性。目前国内外的树种识别方法主要包含以下几种方法：

1、基于特征的图像检索系统。

2、基于BP神经网络的分类方法。

3、支持向量机模型的分类方法

发明内容

为了克服传统树种分类法中数目图像数据的局限性，本发明创新性的选择用树干纹理来识别树种，且提出了一种四通道卷积神经网络模型提取特征，通过softmax分类器输出关系类型，完成关系抽取任务；与单通道网络模型相比，可以获取到更丰富的图像特征信息，自动学习出更具有区分度的特征,训练得到的分类器的分类精度和鲁棒性都较高。

本发明实现上述发明目的所采用的技术方案如下：

一种基于四通道卷积神经网络的树干纹理识别方法，所述方法包括以下步骤：

S1：树干图像数据集的采集，保证图像的完整性；

S2：图像预处理；

S3：利用四通道卷积神经网络训练多分类器。

进一步，所述步骤S1包括以下步骤：

S1.1：首先，图像的采集地点来自不同的地域，降低地理位置对分类的影响；

S1.2：其次，要求拍摄的树木图像主要聚焦在树干上，提取树干的纹理特征；

S1.3：最后，图像的采集要全面，每种树干的图片数量达到500张，对每一种树大致选取50棵左右，每一棵树都要对其进行前后左右以及不同高度的照片拍摄，保证同一位置只拍摄一张照片，每一棵树拍摄的照片约为10张。

再进一步，所述步骤S2包括以下步骤：

S2.1：先将原始图像进行灰度化处理，采用的是加权平均法，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像，灰度化的定义为

f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)

S2.2：最后将归一化后的图像裁剪成四张大小相同的图片，且每一张图片上都要包含树干纹理特征，裁剪的方式为沿图像水平对称轴和垂直对称轴裁剪；

S2.3：然后将灰度化后的图像进行归一化处理，归一化的目的就是使得预处理的数据被限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除奇异样本数据导致的不良影响，归一化的定义为

image＝image/255.0。

再进一步，所述步骤S3包括以下步骤：

S3.1：构建四通道卷积神经网络模型，将每一张图划分为4个子图，将每一个子图单独输入到通道中，在softmax分类层之前将4个通道的值相加，目的就是充分利用每一张子图的信息，在一定程度上增加了数据集，以提高模型精度，且能提高系统的鲁棒性，降低个别特征对分类准确度的影响。这4个通道均是相同的卷积神经网络，且权值共享，这样能提取到更多的图像纹理特征，又能减少训练的参数；

S3.2：卷积神经网络各网络层的参数计算；

卷积层层面，由于使用的是四通道卷积神经网络，同一个卷积核有不同的输入，从而迫使它们抽取相同的特征。网络最终学习到的卷积核，可以视为特征提取模板，提取的特征视为四张子图的共同特征。R为学习到的特征，r₁～r₄为各子网络的特征，记

R＝(r₁+r₂+r₃+r₄)/4

将卷积后的结果通过非线性激活函数，这里使用ReLU(rectified linear units)函数:f(x)＝max(0，x)，得到非线性变化后的结果，记

C＝[c₁c₂…c_n]

网络的池化层使用最大池化P＝max{C}，池化的本质是对卷积后的结果进行统计计算。池化，池化后的结果记为

Z＝[p₁p₂…p_m]

然后将各卷积和池化层提取的特征通过Dropout层，其做法是每次前向传播时随机将一定比例的隐层节点权值置为零，也就是这部分节点不参与此次更新，从而使权值的更新不依赖于固定关系节点的共同作用，从而降低过拟合，记

其中

表示按位相乘；r∈R^m表示随机向量，服从参数为D的Bernoulli分布。它的作用相当于一个掩模，与池化层的输出按对应位相乘，从而将池化层的一部分输出随机置零，m表示卷积核的个数，使用Dropout可以抑制神经网络的过拟合

经过Dropout后的向量y，作为句子的特征输入到最后的softmax分类器g＝W²Y，其中:W²∈R^Ixm是转移矩阵；I为待分类的类别数目；输出O是一个I维的向量，第i维表示属于第i类的概率；

输出类别是i的概率为

i表示K中某个分类，g_i表示该分类的值；

S3.3：更新模型参数，逐步提高模型的精确度，选择精度最高的模型作分类器。

具体来说，本发明所述的方法具有如下的有益效果：

(1)本发明所述的方法通过树干纹理图像数据对树种进行分类，降低了分类系统对环境,季节的依赖。

(2)本发明所述的方法利用四通道卷积神经网络，能够不断增强卷积神经网络的鲁棒性，使最终的分类器有一个较优的性能。

(3)本发明所述的方法将四通道卷积神经网络的各层权重共享，减少了网络的训练参数，提高了整个系统的性能。

附图说明

图1为整个树干纹理分类识别过程图

图2为图像裁剪方式图

图3为更新分类器步骤流程图

图4为具体实施过程示意图

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。

参照图1～图4，一种基于四通道卷积神经网络的树干纹理识别方法，包括以下步骤：

步骤1：采集树干图像数据

树干图像来自树干的不同位置,每种树干的图片数量达到500张，对每一种树大致选取50棵左右，每一棵树都要对其进行前后左右以及不同高度的照片拍摄，保证同一位置只拍摄一张照片，每一棵树拍摄的照片约为10张；

步骤2：将原始图像进行灰度化处理

图像灰度化采用的是加权平均法，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像，灰度化的定义为

f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)

步骤3：裁剪图像

将归一化后的图像裁剪成四张大小相同的图片，且每一张图片上都要包含树干纹理特征，裁剪的方式为沿图像水平对称轴和垂直对称轴裁剪；

步骤4：将灰度化后的图像进行归一化处理

将灰度化后的图像进行归一化处理，归一化的目的就是使得预处理的数据被限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除奇异样本数据导致的不良影响，归一化的定义为

image＝image/255.0

步骤5：裁剪图像

将归一化后的图像裁剪成四张大小相同的图片，且每一张图片上都要包含树干纹理特征，裁剪的方式为沿图像水平对称轴和垂直对称轴裁剪。

步骤6：构建四通道卷积神经网络模型

构建四通道卷积神经网络模型，将每一张图划分为4个子图，将每一个子图单独输入到通道中，在softmax分类层之前将4个通道的值相加。目的就是充分利用每一张子图的信息，在一定程度上增加了数据集，以提高模型精度，且能提高系统的鲁棒性，降低个别特征对分类准确度的影响。这4个通道均是相同的卷积神经网络，且权值共享。

步骤7：卷积神经网络各网络层的参数计算

卷积层层面，由于使用的是四通道卷积神经网络，同一个卷积核有不同的输入，从而迫使它们抽取相同的特征。网络最终学习到的卷积核，可以视为特征提取模板，提取的特征视为四张子图的共同特征。R为学习到的特征，r₁～r₄为各子网络的特征，记

R＝(r₁+r₂+r₃+r₄)/4

将卷积后的结果通过非线性激活函数，这里使用ReLU(rectified linear units)函数:f(x)＝max(0，x)，得到非线性变化后的结果，记

C＝[c₁c₂…c_n]

网络的池化层使用最大池化P＝max{C}，池化的本质是对卷积后的结果进行统计计算。池化，池化后的结果记为

Z＝[p₁p₂…p_m]

然后将各卷积和池化层提取的特征通过Dropout层，其做法是每次前向传播时随机将一定比例的隐层节点权值置为零，也就是这部分节点不参与此次更新，从而使权值的更新不依赖于固定关系节点的共同作用，从而降低过拟合，记

其中

表示按位相乘；r∈R^m表示随机向量，服从参数为D的Bernoulli分布。它的作用相当于一个掩模，与池化层的输出按对应位相乘，从而将池化层的一部分输出随机置零，m表示卷积核的个数，使用Dropout可以抑制神经网络的过拟合

经过Dropout后的向量y，作为句子的特征输入到最后的softmax分类器g＝W²Y，其中:W²∈R^Ixm是转移矩阵；I为待分类的类别数目；输出O是一个I维的向量，第i维表示属于第i类的概率；

输出类别是i的概率为

1)

i表示K中某个分类，g_i表示该分类的值。

步骤8：更新分类器

更新模型参数，逐步提高模型的精确度，选择精度最高的模型作分类器。

本发明以常见的20种常见树的树干纹理图像为数据,以本实例研究四通道卷积神经网络的树干纹理图像识别为例，介绍本发明的具体流程：

8.1：采集树干图像数据

树干图像来自树干的不同位置,每种树干的图片数量达到500张，对每一种树大致选取50棵左右，每一棵树都要对其进行前后左右以及不同高度的照片拍摄，保证同一位置只拍摄一张照片，每一棵树拍摄的照片约为10张。接着按照4:1的比例划分为训练集和测试集。分别命名为train_data和valid_data；

8.2：图像灰度化处理

分别将train_data和valid_data中的数据进行灰度化处理,灰度化后的数据命名不变；

8.3：图像裁剪

将train_data和valid_data中的图像分别进行裁剪,每一张图像裁剪成四张大小相同的子图将裁剪后的图像保存为train_data_4和valid_data_4；

8.4：图像归一化

将裁剪后的图像train_data_4和valid_data_4进行归一化处理，即通过归一化将数据被限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除奇异样本数据导致的不良影响；

8.5：构建四通道卷积神经网络模型

编写一个四通道卷积神经网络。由于4个通道网络结构相同而且权值共享，其余三个通道只需要在第一个通道的基础上更改输入数据以及每一层的名字即可；

8.6：训练初始分类器

使用train_data_4的数据训练四通道卷积神经网络，得到一个能够粗略识别树干纹理的图像分类器，对输入的图像输出该图像属于每一种类的概率；

8.7：更新分类器

更新模型参数，逐步提高模型的精确度，选择精度最高的模型作分类器。

如上所述为本发明在树干纹理图像分类的实施例介绍，本发明通过卷积神经网络的改进,提出了四通道卷积神经网络,将树干纹理图像拆分为四张子图像输入四通道卷积神经网络，明显提高了图像分类器的分类精度，减少了大量人力和财力。对发明而言仅仅是说明性的，而非限制性的。本领域技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (4)

1.一种基于四通道卷积神经网络的树干纹理识别方法，其特征在于：所述方法包括以下步骤：

S1：树干图像数据集的采集,提取的是树干的特征，根据树干的纹理来识别树种，这就要求拍摄的树木图像主要聚焦在树干上，保证图像的完整性；

S2：对原始图像数据集进行预处理；

S3：对处理后的图像利用四通道卷积神经网络进行机器学习,训练多分类器。

2.如权利要求1所述的一种基于树干纹理的树种分类方法，其特征在于：所述步骤S1包括以下步骤：

S1.1：首先，图像的采集地点来自不同的地域，降低地理位置对分类的影响；

S1.2：其次，要求拍摄的树木图像主要聚焦在树干上，提取树干的纹理特征；

S1.3：最后，图像的采集要全面，每种树干的图片数量达到500张，对每一种树大致选取50棵左右，每一棵树都要对其进行前后左右以及不同高度的照片拍摄，保证同一位置只拍摄一张照片，每一棵树拍摄的照片约为10张。

3.如权利要求1或2所述的一种基于树干纹理的树种分类方法，其特征在于：所述步骤S2包括以下步骤：

S2.1：先将原始图像进行灰度化处理，采用的是加权平均法，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像，灰度化的定义为f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)

S2.2：最后将归一化后的图像裁剪成四张大小相同的图片，且每一张图片上都要包含树干纹理特征，裁剪的方式为沿图像水平对称轴和垂直对称轴裁剪；

S2.3：然后将灰度化后的图像进行归一化处理，归一化的目的就是使得预处理的数据被限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除奇异样本数据导致的不良影响，归一化的定义为

image＝image/255.0。

4.如权利要求1或2所述的一种基于树干纹理的树种分类方法，其特征在于：所述步骤S3包括以下步骤：

S3.1：构建四通道卷积神经网络模型，将每一张图划分为4个子图，将每一个子图单独输入到通道中，在softmax分类层之前将4个通道的值相加，目的就是充分利用每一张子图的信息，在一定程度上增加了数据集，以提高模型精度，且能提高系统的鲁棒性，降低个别特征对分类准确度的影响，这4个通道均是相同的卷积神经网络，且权值共享，这样能提取到更多的图像纹理特征，又能减少训练的参数；

S3.2：卷积神经网络各网络层的参数计算；

卷积层层面，由于使用的是四通道卷积神经网络，同一个卷积核有不同的输入，从而迫使它们抽取相同的特征，网络最终学习到的卷积核，可以视为特征提取模板，提取的特征视为四张子图的共同特征，R为学习到的特征，r₁～r₄为各子网络的特征，记

R＝(r₁+r₂+r₃+r₄)/4

将卷积后的结果通过非线性激活函数，这里使用ReLU(rectified linear units)函数:f(x)＝max(0，x)，得到非线性变化后的结果，记

C＝[c₁ c₂…c_n]

网络的池化层使用最大池化P＝max{C}，池化的本质是对卷积后的结果进行统计计算，池化，池化后的结果记为

Z＝[p₁ p₂…p_m]

然后将各卷积和池化层提取的特征通过Dropout层，其做法是每次前向传播时随机将一定比例的隐层节点权值置为零，也就是这部分节点不参与此次更新，从而使权值的更新不依赖于固定关系节点的共同作用，从而降低过拟合，记

其中

表示按位相乘；r∈R^m表示随机向量，服从参数为D的Bernoulli分布，它的作用相当于一个掩模，与池化层的输出按对应位相乘，从而将池化层的一部分输出随机置零，m表示卷积核的个数，使用Dropout可以抑制神经网络的过拟合经过Dropout后的向量y，作为句子的特征输入到最后的softmax分类器g＝W²Y，其中:W²∈R^{I x m}是转移矩阵；I为待分类的类别数目；输出O是一个I维的向量，第i维表示属于第i类的概率；

输出类别是i的概率为

i表示K中某个分类，g_i表示该分类的值；

S3.3：更新模型参数，逐步提高模型的精确度，选择精度最高的模型作分类器。

Images