Классификация породного состава леса на аэрофотоснимке с использованием нейронной сети Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.392

КЛАССИФИКАЦИЯ ПОРОДНОГО СОСТАВА ЛЕСА НА АЭРОФОТОСНИМКЕ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ

Е. Д. Михова Научный руководитель - И. М. Данилин

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева

Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: soldatova90@mail.ru

Исследуется проблема автоматической классификации породного состава леса на аэрофотоснимке. Описываются методы классификации и сегментации породного состава леса на аэрофотоснимке. Продемонстрирована работа методов по отдельности.

Ключевые слова: породный состав леса, аэрофотоснимок, нейронная сеть, сегментация, сглаживания фона изображения, разрешение изображения.

CLASSIFICATION OF ROCK FOREST ON AERIAL PHOTOGRAPHS USING NEURAL NETWORK

E. D. М^а Scientific Supervisor - I. M. Danilin

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: soldatova90@mail.ru

The problem of automatic classification of the species composition of the forest on an aerial photograph. It describes methods of classification and segmentation of the species composition of the forest on an aerial photograph. Demonstrated work practices individually.

Keywords: species composition of the forest, aerial, neural network, segmentation, smoothing the background of the image, the resolution izobrazheniya.

В настоящее время обработку полученных изображений ведут с помощью специальных компьютерных комплексов - Цифровых фотограмметрических станций (ЦФС). Несмотря на объем программных продуктов для решения подобных задач, многие из них имеют ряд недостатков такие как: большое количество снимков вынуждают разбивать материалы АФС на множество фотограмметрических блоков и т. д.

По данным Федерального агентства лесного хозяйства (Рослесхоз), в среднем размер ущерба от лесных пожаров в год составляет около 20 млрд руб., из них от 3 до 7 млрд ущерб лесному хозяйству [1]. Для построения прогнозов пожароопасности важным является идентификации состава пород лесов. В качестве результата выполнения данной задачи необходимо выделить каждый участок на аэрофотоснимке, индивидуальным цветом в соответствии с его классом.

Для решения задач классификации одним из эффективных методов является использование нейронных сетей. Перед использованием нейронной сети изображение необходимо предварительно обработать. Подготовка требуется из-за двух причин. Первая причина изображение имеет большое разрешение, вследствие этого нейронная сеть долго обучается и вывод результата занимает много времени. Вторая причина изображение леса на аэрофотоснимке неоднородное, поэтому границы разделения объектов на изображении нечеткие.

Чтобы уменьшить размер изображения для дальнейшей обработки был убран каждый 2 пиксель по горизонтали и вертикали, пока изображение не уменьшилось до нужного размера, представлено на рис. 1, 2. Уменьшение размера изображения не привнесло искажения информации.

Секция «Программные средства и информационные технологии»

Следующим шагом подготовки изображения является его сглаживание. Это необходимо для того чтобы уменьшить уровень шума на изображении. Эффективность работы методов цифровой обработки изображения, зависит как от качества самого изображения, так и от настройки применяемых методов [3]. В исследовании был применен фильтр Гаусса (рис. 3).

Рис. 1. Изображение размером 2362*2362

Рис. 2. Изображение размером 590*590

Используя фильтр Гаусса, можно уменьшить влияние шума, подвергая содержательные контуры изображения размытию. Ядро данного фильтра можно выразить формулой:

Fgaшs ^ ]) =

(а!±л ^

V 2а2 ,

(1)

где /, ] - координаты пикселя изображения; /- сигнал; а о - шум, находящийся на исходном изображении.

б в

Рис. 3. Результат сглаживания изображения фильтром Гаусса: а - 1 порядок; б - 2 порядок; в - 3 порядок; г - 4 порядок

Следующим шагом подготовки изображения является сегментация, необходимо разделить изображение на однородные области. Для решения данной задачи был выбран метод выращивание регионов. Сначала по некоторому правилу выбираются центры регионов, к которым поэтапно присоединяются соседние точки, удовлетворяющих некоторому критерию. Процесс выращивания регионов останавливается, когда ни одна точка изображения не может быть присоединена ни к одному региону [3]. Выражается формулой

1с - 11 < Т,

I - I < т

с 2 слияния'

(2)

I = + $212

$1 + $2

где 1\, 12 - интенсивность цвета соседних регионов, , $2 - площади соседних регионов, 1с - среднее значение интенсивности цвета с учетом площадей регионов, Тслияния - пороговое значения операции слияния регионов.

а

г

Следующим шагом является классификация выделенных областей, используя нейронную сеть обратного распространения погрешности [2]. Структура нейронной сети: Число входов - соответствует разрешению сегмента (количество пикселей); Число выходов - количество классов в обучающей выборке, 4 класса; Каждый класс соответствует категории (породы) леса на аэрофотоснимке; Обучающая выборка состоит из десяти обучающих пар для каждого класса; Скрытый слой 1, так как в данной задаче увеличение числа скрытых слоев несущественно повышает точность перцептрона, но заметно усложняет его обучение. Исходное изображение, а именно аэрофотоснимок максимальный размер пикселя 20 смпредставлен на рис. 4, а.

а

б

Рис. 4. Исходное изображение (а); результат классификации породного состава леса (б). Изображение предварительно подготовлено; результат классификации породного состава леса I

Изображение предварительно не подготовлено

в

Данное изображение (рис. 4, а) перед классификацией на определение состава пород леса в нейронную сеть было изначально обработано выше перечисленными методами, результат классификации представлен на рис. 4, б. Представлена визуализация природной территории по показателям спектральной степени яркости растительности. На рисунке 4в представлен результат работы нейронной сети обратного распространения погрешности, где изображение предварительно не прошло подготовку. Видно, что классификация состава пород леса на рис. 4, в была проведена менее результативно, чем на рис. 4, б. Из этого следует, что используя только нейронную сеть для классификации пород леса на аэрофотоснимке, сеть может выделить каждый вид породы (колок), несмотря на преобладание определенного вида или в смешенных лесах.

Библиографические ссылки

1. Лесные пожары в России. Досье. URL: http://tass.ru/info/1121375 (дата обращения: 24.01.2016).

2. Портал искусственного интеллекта. URL: http://www.aiportal.ru/ (дата обращения: 24.01.2016).

3. Гонсалес Р. Компьютерные книги. Цифровая обработка изображений. URL: http://computers-books.net/ (дата обращения: 24.01.2016).

© Михова Е. Д., 2016