基于随机森林和卷积神经网络的年轮分割与参数测量研究

发布时间：2020-10-30 01:51

　　 树木年轮学的研究需要统计树龄和测量轮宽,由此推算环境变换和树木生长信息,因此准确提取年轮特征信息至关重要。传统的树木年轮研究方法主要通过肉眼对年轮进行识别,然后通过测量工具采集需要的年轮信息,为防止测量误差,一般需要多人协同工作,这种人工方法工作繁琐且效率低下。近年来,计算机技术在林业方向得到了广泛应用,较好地替代了一些手工测量工作,尤其计算机视觉和图像处理技术的进步,使得开发一套自动提取树木年轮信息的系统成为可能。目前比较成熟的商用年轮分析软件主要是加拿大REGENT公司的WinDENDRO和德国Frank Rinn公司的LINTAB,这两款软件虽然能实现年轮参数测量,但其自动化程度较低,需要大量的人工交互操作且价格昂贵,维护成本高。精准地识别出年轮图像中的早材、晚材和树皮是实现自动化测量年轮参数的首要工作。然而树木年轮生长过程中存在早晚材边界过渡模糊、节疤和伪年轮等现象,且年轮圆盘在砍伐和采集过程中表面会存在毛刺和噪声点,传统图像分割算法如基于阈值和区域生长的图像分割方法难以取得理想的效果。本文结合图像的颜色和纹理特征,用随机森林算法构建像素分类器对年轮图像进行分割,同时考虑到卷积神经网络在图像特征学习和分类上的优越表现及其强大的模型泛化能力,本文构建了基于卷积神经网络的年轮图像分割模型,实现年轮早晚材和树皮的精准分割。然后对分割后的年轮图像自动定位髓心,应用环形扫描的方法测量树龄、年轮宽度和晚材率等年轮参数。主要研究内容如下:(1)图像预处理、特征提取和基于随机森林算法的年轮图像分割。在分析了年轮图像特征的基础上,提出了结合图像多个颜色空间特征和纹理特征,基于随机森林算法训练像素分类器分割年轮图像的方法。首先,通过变换图像的颜色域空间,提取出样本图像在RGB、HSV和L*a*b*模型下的9个颜色分量,基于灰度共生矩阵提取样本图像的对比度、相关性、能量和熵的均值与标准差共8个纹理特征。然后,将颜色特征和纹理特征进行随机组合作为训练特征,基于随机森林算法构建像素分类器并进行学习训练,实现年轮图像的早晚材分割。为了提高分割图像的质量和准确度,对分割后的图像使用形态学方法消除孤立和黏连噪声。(2)图像增强与基于卷积神经网络的年轮图像分割。深度神经网络需要大量的标注样本进行训练学习,针对大规模年轮圆盘图像难以获得且标注工作量大的问题,通过数据增强的方式扩充年轮图像数据集。数据增强除采用传统图像旋转、透视和色彩变换等方式外,还实现了基于移动最小二乘的图像变形算法,满足了小样本条件下训练深度神经网络的需求。然后分析并实现了典型的图像分割模型FCN、U-Net和DeepLab-v3-plus,并针对其在年轮图像分割问题上存在的髓心附近晚材识别困难、部分极窄轮丢失等问题,提出了一种改进的U型卷积神经网络I-UNet。I-UNet增加了网络深度,用残差连接的方式避免梯度消失,并采用多重损失计算的方式保留图像底层信息。同时,还采用了批归一化(BN)和随机失活(Dropout)的策略加速网络训练,增加模型的泛化能力。实验证明,I-UNet模型提升了年轮图像的分割效果,较好地解决了髓心附近晚材识别困难和极窄轮丢失的问题。(3)基于环形扫描的年轮参数自动测量算法与系统开发。从图像中心出发沿水平和垂直方向拉取扫描线,由穿过年轮数目最多的扫描线的交点确定髓心位置。然后从髓心出发每隔15°辐射一条半径线,记录每条半径线上的年轮线坐标,树龄就是所有方向半径线中年轮线数目的众数。选择树龄正确的半径线,计算年轮宽度和晚材率等参数。实验证明环形扫描算法在树木年轮参数测量中,不仅测量准确率高且能够较全面地保留相关数据。基于上述研究内容,本文基于Python语言的pyQT工具包开发了年轮参数自动测量系统,为树木年轮相关研究人员进行年轮图像分析和参数提取提供便利。
【学位单位】：东北林业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S718.5;TP391.41;TP18
【部分图文】：

木生长受到旱雨两季的影响，一。年轮的宽度跟树种、树龄和生长生长轮较宽；而壮龄期树木生长减长和环境变换的历史信息，对环境值，关于树木年轮的研宄也逐渐形木每一年的年轮是由早材和晚材的环境等因素的影响，会产生年轮环、伪年轮、多层轮、年轮消失和年作中比较常见。伪年轮的形成一般是的生长活动暂停而产生的，其宽环且外侧轮廓模糊。断轮多是因为树干横截面上某段年轮环中断而产生。年轮丢失是指某些年份的年轮肉的针叶树和干旱、半干旱地区的树

结论与展望：对本文的主要研宄工作进行系统概括，分析本文研宄中尚且??存在的不足，并展望后续的研究工作。??论文的结构安排如下图１－２所示：???年轮图像砵注??（三分类：树皮、晚村、背录）??．?．?．???ｙ??年轮特征复杂丨?年轮特征蔺单??？?９??年轮图像数据增强?＇提取年轮囝像特征??（移动最小二乘图像变形）?、（颜色＋纹理）?，???Ｓ??？??ｆ?（?＾??构建年轮图像分割网络?Ｉ构建随机森林像素分类器??＾＾?一??谰练网络丨．．．．??训练分类器??ｒ＇＂＇＂?１?￣￣９?１?１?１?１?■?１??得到年轮图像分割投型??将训练好的模型用于年轮＇??图像分割??Ｖ?■／???，选好的分割结果??年轮图像分割效果图?ｊ?一？??、??［定位髓＜ｌＴ￣ｌ???＊??ｆ统计树龄１????Ｌ?．Ｊ．?＿?ｆ?测１?轮宽?１???！??ｆ计諄晚材率??Ｉｆ发年轮＃数测Ｍ系统??图１－２论文的结构安排??Ｆｉｇ?１－２?Ｓｔｒｕｃｔｕｒａｌ?ａｒｒａｎｇｅｍｅｎｔ?ｏｆ?ｔｈｉｓ?ｐａｐｅｒ??１．６本章小结??本章主要介绍了文章的研宄背景和研宄意义、年轮图像处理相关的国内外??研究现状和图像分割技术的研宄现状，介绍了树木年轮研宄的相关知识、分析??方法和所面临的问题

般的神经网络，卷积神经元采用局部连接和权值共享，局部连接指单个神经元??只与部分相邻神经元连接，权值共享指神经元之间共享部分权重，多层结构也??是卷积神经元的一大特点。典型的卷积神经网络结构如图２－１所示。??Ｉｎｐｕｔ?Ｉｍａｕｃ?３?Ｆｅａｔｕｒｅ?Ｍａｐｓ??５?Ｆｅａｔｕｒｅ?Ｏｕｔｐｕｔ?Ｌａｙｅｒ????３?Ｆｅａｔｕｒｅ?．．?一???ＭａｐＳ?ＭａｐＳ?５ＦｃａＵ?丨?ｒｃ??■?Ｉｒ－．．．?Ｌ?Ｍａｐｓ?广??ｍ?■?；：－??Ｕ??—…們，疤ｈ???Ｊ?ｉ．．?：?＾?Ｑ???：￣￣?叫?丨???■?ａ－?■??－Ｃｏｎｖｏｌｕｉｉｉｍ?Ｌａｙｅｒ?－?Ｐｏｏｌｉｎｇ?Ｌｏｙ？ｒ?—Ｃｏｎｖｏｌｕｔｉｏｎ?Ｌａｙｃｒ＾－Ｐｗｌｉｎｇ?Ｌａｙｅｆｌ１?Ｆｕｌｌ＾＾ｏｎｎｉ＾ｌｅｄ?．ｉ??图２－１卷积神经网络示意图??Ｆｉｇ．?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＣＮＮｓ＇?ｓｔｒｕｃｔｕｒｅ??２．３．２．１输入层??输入层（Ｉｎｐｕｔ?ｌａｙｅｒ）就是整个神经网络的输入，对于计算机视觉问题而??言，其输入数据往往是一张张的图像。图像在计算机中是以矩阵的形式存储??的，矩阵的高度和宽度就是输入层图像数据的高度和宽度，图像的通道数就是??输入层的深度。从输入层开始，图像经过一系列的卷积层和池化层，得到一层??层包含图像不同特征的矩阵特征图，最后抽取出图像的高维特性信息，以此作??为分类的依据。??２．３．２．２卷积层??卷积层（ｃｏｎｖｏｌｕｔｉｏｎ?ｌａｙｅｒ）是卷积神经网络中最重要的一个组成模块
【相似文献】

相关期刊论文 前10条

1 沈智勇;苏翀;周扬;沈智威;;一种面向非均衡分类的随机森林算法[J];计算机与现代化;2018年12期

2 于大海;李金;罗艳虹;刘近春;张岩波;;随机森林模型和决策树模型在肝硬化上消化道出血预后中的应用[J];中国卫生统计;2019年02期

3 胡蝶;;基于随机森林的债券违约分析[J];当代经济;2018年03期

4 赵艺淞;杨昆;王保云;黎晓路;;随机森林在城市不透水面提取中的应用研究[J];云南师范大学学报(自然科学版);2017年03期

5 吴辰文;梁靖涵;王伟;李长生;;一种顺序响应的随机森林:变量预测和选择[J];小型微型计算机系统;2017年08期

6 顾娟;林敏;鞠桂玲;;基于随机森林回归的军械器材需求预测[J];自动化应用;2017年09期

7 刘迎春;陈梅玲;;流式大数据下随机森林方法及应用[J];西北工业大学学报;2015年06期

8 罗超;;面向高维数据的随机森林算法优化探讨[J];商;2016年04期

9 杨晓峰;严建峰;刘晓升;杨璐;;深度随机森林在离网预测中的应用[J];计算机科学;2016年06期

10 张强;;随机森林在居民购房意愿研究中的应用[J];现代经济信息;2016年13期

相关博士学位论文 前10条

1 王晓军;基于大数据的风洞马赫数集成建模方法的研究[D];东北大学;2016年

2 王鑫;基于随机森林的认知网络频谱感知算法研究[D];东北大学;2016年

3 姚登举;面向医学数据的随机森林特征选择及分类方法研究[D];哈尔滨工程大学;2016年

4 黄玥;VANET信息安全问题及异常检测技术研究[D];吉林大学;2017年

5 倪强;基于随机前沿和随机森林法的沿海开发区发展效率研究[D];天津大学;2011年

6 季斌;内蒙古浩布高地区多金属矿综合信息找矿预测研究[D];合肥工业大学;2017年

7 雷震;随机森林及其在遥感影像处理中应用研究[D];上海交通大学;2012年

8 金超;基于随机森林的医学影像分割算法研究及应用[D];苏州大学;2017年

9 李宝富;巨厚砾岩层下回采巷道底板冲击地压诱发机理研究[D];河南理工大学;2014年

10 赵东;基于群智能优化的机器学习方法研究及应用[D];吉林大学;2017年

相关硕士学位论文 前10条

1 郭志旺;随机森林和支持向量机在乳腺癌高维转录组数据中的应用[D];河北医科大学;2019年

2 王艺博;潜周期时间序列建模和预测新方法探究[D];上海交通大学;2017年

3 缪琦;基于随机森林和支持向量机的糖尿病风险预测方法研究[D];江苏大学;2019年

4 李勋章;云中心网络流量分类方法研究[D];桂林电子科技大学;2019年

5 汪娟娟;江西省精准扶贫中的贫困户识别研究[D];江西财经大学;2019年

6 潘梦雪;基于随机森林的上市公司舞弊风险识别模型研究[D];杭州电子科技大学;2019年

7 王鸣飞;结直肠癌术前N分期的随机森林预测模型的建立与验证[D];吉林大学;2019年

8 陈云天;南昌市房价时空分布特征及驱动因素分析[D];江西师范大学;2019年

9 马江理;现代服务业发展及评价研究[D];云南大学;2018年

10 董兴军;随机森林在P2P网络借贷借款人信用评估中的应用[D];辽宁大学;2019年

本文编号：2861789