基于多源遥感数据的森林树种准确识别方法研究

刘玉婵

(滁州学院，安徽 滁州 239000)

随着遥感成像技术的发展，建立森林树种多源遥感图像分析模型，进行森林监测，提高森林环境生态保护能力，通过图像分析和大数据聚类分析技术，进行森林树种多源遥感分类识别，通过空间影像成像技术，提高森林树种多源遥感图像的智能分析能力，相关的森林树种多源遥感图像识别技术研究在森林环境监测和生态监测等领域都具有很好的应用价值，研究森林树种多源遥感监测方法受到了人们的极大关注[1]。

对森林树种准确识别方法当前主要采用人工辨识方法，结合遥感辨识方法，进行森林树种多源遥感影像监测和识别，提高森林保护能力。但传统方法进行森林树种准确识别的准确性不高，自适应性不好[2-4]。文献[5]中提出基于Harris角点检测的森林树种多源遥感图像分割和分类识别方法，通过森林树种多源遥感图像分析，实现森林树种识别和遥感监测，但该方法进行森林树种识别分类的计算开销较大。文献[6]中提出基于角点关联特征提取的森林树种准确识别方法，根据角点关联特征提取，进行森林树种多源遥感影像识别，提高森林树种多源特征分析分类识别能力，该方法进行森林树种识别的抗干扰性不好，特征辨识度不高。

针对上述问题，本文提出基于遥感成像和大数据分析的森林树种准确识别方法。首先采用遥感影像技术进行森林树种的多源遥感成像大数据采集，对采集的森林树种多源遥感数据进行融合处理，建立森林树种多源遥感影像分析模型，通过边缘像素特征检测方法进行森林树种多源遥感图像的特征分析，然后根据森林树种多源遥感图像的角点信息和边缘像素点信息检测结果进行模糊度识别和分类，结合支持向量机和极限学习机进行森林树种遥感图像检测和信息识别。最后进行仿真测试分析，结果表明本文方法在提高森林树种准确识别能力方面性能优越。

1 数据采样与信息融合

1.1 森林树种多源遥感成像大数据采样

为实现基于多源遥感数据的森林树种准确识别，首先需要进行图像采集，采用贝叶斯模型进行森林树种识别分类[7-8]，并进行多源遥感成像和大数据检测，得到多源遥感成像的统计数据分布描述如下：

(1)

采用角点检测的方法，进行模糊度重构，在模糊区域中，得到多源遥感成像的空间距离分布为：

(2)

根据多源遥感成像的空间距离分布情况对原始的遥感图像进行多维分割，采用超像素分割的方法，得到超像素与背景种子的融合参数[9-11]，并得到最佳分割灰度阈值下森林树种多源遥感图像的隶属度函数f(gi)为：

(3)

由此获得森林树种多源遥感图像的空间视觉分量，得到森林树种监测的多源遥感图像空间特征规划分布参数βr计算如下：

(4)

(5)

(6)

在上述分析基础上，结合采用遥感影像技术，构建森林树种多源遥感成像大数据采集模型为：

(7)

根据森林树种多源遥感成像大数据采集模型进行森林树种的多源遥感成像大数据采集，在此基础上，结合角点检测方法，对采集的森林树种多源遥感数据进行融合处理。

1.2 森林树种多源遥感影像信息融合

建立森林树种多源遥感影像分析模型，通过边缘像素特征检测方法进行森林树种多源遥感图像的特征分析[12-13]，在边缘像素中心，得到森林树种多源遥感分割的先验概率分布阈值为：

(8)

定义为：

(9)

式中Jc为森林树种多源遥感图像全局对比的显著区域，Ω(x)为森林遥感光纹特征分布集。计算多尺度超像素之间的空间与颜色信息，得到颜色序列分别为：

(10)

上式中，J(x)为图像边缘视景分布的灰度值，I(x)为原图分割的差异度系数。

根据上述分析，结合模糊信息融合和超像素分割，在4×4子块的局部区域内建立森林树种多源遥感图像融合模型为：

(11)

结合显著区域融合调度的方法，得到图像信息融合中心收敛到：

(12)

由此建立了边缘像素集合，根据边缘像素集合的融合度信息进行特征分解，提高森林树种准确识别和特征分析能力[14]。

2 森林树种准确识别

2.1 遥感特征匹配与信息增强

结合点匹配方法，得到森林树种多源遥感图像的子带像素特征点，对森林树种多源遥感图像进行增强处理，多背景区域的超像素特征匹配输出为：

(13)

森林树种多源遥感图像的空间视觉三维重构结果为AR、AG、AB和WR、WG、WB，在4×4子块区域内进行前景和背景参数融合和信息重构，建立森林树种多源遥感图像的层次化分割模型，得到超像素的边缘像素集合为：

(14)

设J(x)t(x)为森林树种多源遥感图像的噪点，将超像素作为网格分块区域进行树种识别，得到平均颜色分布特征点为：

(15)

构建森林树种多源遥感检测的信息融合模型，通过边缘像素的信息增强方法，得到信息增强输出特征匹配函数为：

(16)

根据式(16)，构造森林树种多源遥感的分布集，根据差异度分布，得到信息增强结果为：

(17)

其中ξi和ξi*表示树种分类的差异度系数，在连续相关性约束下，进行点匹配和显著区域增强，提高遥感特征检测能力。

2.2 森林树种遥感识别输出

根据森林树种遥感数据的信息增强结果检测和大数据辨识，和森林树种多源遥感图像的角点信息和边缘像素点信息检测结果进行模糊度识别和分类[15]，边缘像素点分布的核函数为：

(18)

|u|4/(d-2)ux

(19)

|u|4/(d-2)uθ

(20)

树种识别的误差匹配函数为：

(21)

其中

(22)

(23)

(24)

(25)

(26)

结合支持向量机和极限学习机进行森林树种遥感图像检测和信息识别，得到二阶梯度▽2F(x)为：

(27)

支持向量机学习模型为：

(28)

当k极大时，输出的稳定性越好，综上分析，通过对森林树种识别进行优化，最终实现森林树种多源遥感识别和监测。

3 仿真测试与分析

为验证基于多源遥感数据的森林树种准确识别方法的实际应用性能，进行如下仿真测试。

实验环境如下：对森林树种遥感监测的灰度阈值为0.32，像素集规模为240，超像素属性分布分别为100、200和300，模糊噪声点分布为密度为0.83，干扰度为-12dB，根据上述参数设定，采用1000数据集作为测试集，进行森林树种准确识别，得到原始的森林树种多源遥感监测图像如图1所示。

图1 森林树种多源遥感监测图像

以图1的图像为研究对象，通过边缘像素特征检测方法进行森林树种多源遥感图像的特征分析，结合点匹配方法实现对树种识别，得到识别结果如图2所示。

图2 树种识别结果

分析图2得知，本文方法能有效实现对森林树种多源遥感监测和识别，对各类树种的辨识能力较好，测试不同方法进行森林树种识别的准确性，得到对比结果见表1，分析表1得知，本文方法进行森林树种识别的精度较高。

表1 识别准确性对比

结语

通过图像分析和大数据聚类分析技术，进行森林树种多源遥感分类识别，提高森林树种多源遥感图像的智能分析能力，本文提出基于遥感成像和大数据分析的森林树种准确识别方法。对原始的遥感图像进行多维分割，采用超像素分割的方法，得到超像素与背景种子的融合参数。对森林树种多源遥感图像进行增强处理，结合显著区域融合调度的方法，构建森林树种多源遥感检测的信息融合模型，结合图像边界特征，进行二值图分析，实现森林树种多源特征分析和树种识别。分析得知，本文方法进行森林树种识别的精度较高，识别准确性较好。