發(fā)布時間：2020-10-30 01:51

　　 樹木年輪學的研究需要統(tǒng)計樹齡和測量輪寬,由此推算環(huán)境變換和樹木生長信息,因此準確提取年輪特征信息至關重要。傳統(tǒng)的樹木年輪研究方法主要通過肉眼對年輪進行識別,然后通過測量工具采集需要的年輪信息,為防止測量誤差,一般需要多人協(xié)同工作,這種人工方法工作繁瑣且效率低下。近年來,計算機技術在林業(yè)方向得到了廣泛應用,較好地替代了一些手工測量工作,尤其計算機視覺和圖像處理技術的進步,使得開發(fā)一套自動提取樹木年輪信息的系統(tǒng)成為可能。目前比較成熟的商用年輪分析軟件主要是加拿大REGENT公司的WinDENDRO和德國Frank Rinn公司的LINTAB,這兩款軟件雖然能實現(xiàn)年輪參數(shù)測量,但其自動化程度較低,需要大量的人工交互操作且價格昂貴,維護成本高。精準地識別出年輪圖像中的早材、晚材和樹皮是實現(xiàn)自動化測量年輪參數(shù)的首要工作。然而樹木年輪生長過程中存在早晚材邊界過渡模糊、節(jié)疤和偽年輪等現(xiàn)象,且年輪圓盤在砍伐和采集過程中表面會存在毛刺和噪聲點,傳統(tǒng)圖像分割算法如基于閾值和區(qū)域生長的圖像分割方法難以取得理想的效果。本文結合圖像的顏色和紋理特征,用隨機森林算法構建像素分類器對年輪圖像進行分割,同時考慮到卷積神經(jīng)網(wǎng)絡在圖像特征學習和分類上的優(yōu)越表現(xiàn)及其強大的模型泛化能力,本文構建了基于卷積神經(jīng)網(wǎng)絡的年輪圖像分割模型,實現(xiàn)年輪早晚材和樹皮的精準分割。然后對分割后的年輪圖像自動定位髓心,應用環(huán)形掃描的方法測量樹齡、年輪寬度和晚材率等年輪參數(shù)。主要研究內(nèi)容如下:(1)圖像預處理、特征提取和基于隨機森林算法的年輪圖像分割。在分析了年輪圖像特征的基礎上,提出了結合圖像多個顏色空間特征和紋理特征,基于隨機森林算法訓練像素分類器分割年輪圖像的方法。首先,通過變換圖像的顏色域空間,提取出樣本圖像在RGB、HSV和L*a*b*模型下的9個顏色分量,基于灰度共生矩陣提取樣本圖像的對比度、相關性、能量和熵的均值與標準差共8個紋理特征。然后,將顏色特征和紋理特征進行隨機組合作為訓練特征,基于隨機森林算法構建像素分類器并進行學習訓練,實現(xiàn)年輪圖像的早晚材分割。為了提高分割圖像的質量和準確度,對分割后的圖像使用形態(tài)學方法消除孤立和黏連噪聲。(2)圖像增強與基于卷積神經(jīng)網(wǎng)絡的年輪圖像分割。深度神經(jīng)網(wǎng)絡需要大量的標注樣本進行訓練學習,針對大規(guī)模年輪圓盤圖像難以獲得且標注工作量大的問題,通過數(shù)據(jù)增強的方式擴充年輪圖像數(shù)據(jù)集。數(shù)據(jù)增強除采用傳統(tǒng)圖像旋轉、透視和色彩變換等方式外,還實現(xiàn)了基于移動最小二乘的圖像變形算法,滿足了小樣本條件下訓練深度神經(jīng)網(wǎng)絡的需求。然后分析并實現(xiàn)了典型的圖像分割模型FCN、U-Net和DeepLab-v3-plus,并針對其在年輪圖像分割問題上存在的髓心附近晚材識別困難、部分極窄輪丟失等問題,提出了一種改進的U型卷積神經(jīng)網(wǎng)絡I-UNet。I-UNet增加了網(wǎng)絡深度,用殘差連接的方式避免梯度消失,并采用多重損失計算的方式保留圖像底層信息。同時,還采用了批歸一化(BN)和隨機失活(Dropout)的策略加速網(wǎng)絡訓練,增加模型的泛化能力。實驗證明,I-UNet模型提升了年輪圖像的分割效果,較好地解決了髓心附近晚材識別困難和極窄輪丟失的問題。(3)基于環(huán)形掃描的年輪參數(shù)自動測量算法與系統(tǒng)開發(fā)。從圖像中心出發(fā)沿水平和垂直方向拉取掃描線,由穿過年輪數(shù)目最多的掃描線的交點確定髓心位置。然后從髓心出發(fā)每隔15°輻射一條半徑線,記錄每條半徑線上的年輪線坐標,樹齡就是所有方向半徑線中年輪線數(shù)目的眾數(shù)。選擇樹齡正確的半徑線,計算年輪寬度和晚材率等參數(shù)。實驗證明環(huán)形掃描算法在樹木年輪參數(shù)測量中,不僅測量準確率高且能夠較全面地保留相關數(shù)據(jù)�；�于上述研究內(nèi)容,本文基于Python語言的pyQT工具包開發(fā)了年輪參數(shù)自動測量系統(tǒng),為樹木年輪相關研究人員進行年輪圖像分析和參數(shù)提取提供便利。
【學位單位】：東北林業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：S718.5;TP391.41;TP18
【部分圖文】：

木生長受到旱雨兩季的影響，一。年輪的寬度跟樹種、樹齡和生長生長輪較寬；而壯齡期樹木生長減長和環(huán)境變換的歷史信息，對環(huán)境值，關于樹木年輪的研宄也逐漸形木每一年的年輪是由早材和晚材的環(huán)境等因素的影響，會產(chǎn)生年輪環(huán)、偽年輪、多層輪、年輪消失和年作中比較常見。偽年輪的形成一般是的生長活動暫停而產(chǎn)生的，其寬環(huán)且外側輪廓模糊。斷輪多是因為樹干橫截面上某段年輪環(huán)中斷而產(chǎn)生。年輪丟失是指某些年份的年輪肉的針葉樹和干旱、半干旱地區(qū)的樹

結論與展望：對本文的主要研宄工作進行系統(tǒng)概括，分析本文研宄中尚且??存在的不足，并展望后續(xù)的研究工作。??論文的結構安排如下圖１－２所示：???年輪圖像砵注??（三分類：樹皮、晚村、背錄）??．?．?．???ｙ??年輪特征復雜丨?年輪特征藺單??？?９??年輪圖像數(shù)據(jù)增強?＇提取年輪囝像特征??（移動最小二乘圖像變形）?、（顏色＋紋理）?，???Ｓ??？??ｆ?（?＾??構建年輪圖像分割網(wǎng)絡?Ｉ構建隨機森林像素分類器??＾＾?一??讕練網(wǎng)絡丨．．．．??訓練分類器??ｒ＇＂＇＂?１?￣￣９?１?１?１?１?■?１??得到年輪圖像分割投型??將訓練好的模型用于年輪＇??圖像分割??Ｖ?■／???，選好的分割結果??年輪圖像分割效果圖?ｊ?一？??、??［定位髓＜ｌＴ￣ｌ???＊??ｆ統(tǒng)計樹齡１????Ｌ?．Ｊ．?＿?ｆ?測１?輪寬?１???！??ｆ計諄晚材率??Ｉｆ發(fā)年輪＃數(shù)測Ｍ系統(tǒng)??圖１－２論文的結構安排??Ｆｉｇ?１－２?Ｓｔｒｕｃｔｕｒａｌ?ａｒｒａｎｇｅｍｅｎｔ?ｏｆ?ｔｈｉｓ?ｐａｐｅｒ??１．６本章小結??本章主要介紹了文章的研宄背景和研宄意義、年輪圖像處理相關的國內(nèi)外??研究現(xiàn)狀和圖像分割技術的研宄現(xiàn)狀，介紹了樹木年輪研宄的相關知識、分析??方法和所面臨的問題

般的神經(jīng)網(wǎng)絡，卷積神經(jīng)元采用局部連接和權值共享，局部連接指單個神經(jīng)元??只與部分相鄰神經(jīng)元連接，權值共享指神經(jīng)元之間共享部分權重，多層結構也??是卷積神經(jīng)元的一大特點。典型的卷積神經(jīng)網(wǎng)絡結構如圖２－１所示。??Ｉｎｐｕｔ?Ｉｍａｕｃ?３?Ｆｅａｔｕｒｅ?Ｍａｐｓ??５?Ｆｅａｔｕｒｅ?Ｏｕｔｐｕｔ?Ｌａｙｅｒ????３?Ｆｅａｔｕｒｅ?．．?一???ＭａｐＳ?ＭａｐＳ?５ＦｃａＵ?丨?ｒｃ??■?Ｉｒ－．．．?Ｌ?Ｍａｐｓ?廣??ｍ?■?；：－??Ｕ??—…們，疤ｈ???Ｊ?ｉ．．?：?＾?Ｑ???：￣￣?叫?丨???■?ａ－?■??－Ｃｏｎｖｏｌｕｉｉｉｍ?Ｌａｙｅｒ?－?Ｐｏｏｌｉｎｇ?Ｌｏｙ？ｒ?—Ｃｏｎｖｏｌｕｔｉｏｎ?Ｌａｙｃｒ＾－Ｐｗｌｉｎｇ?Ｌａｙｅｆｌ１?Ｆｕｌｌ＾＾ｏｎｎｉ＾ｌｅｄ?．ｉ??圖２－１卷積神經(jīng)網(wǎng)絡示意圖??Ｆｉｇ．?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＣＮＮｓ＇?ｓｔｒｕｃｔｕｒｅ??２．３．２．１輸入層??輸入層（Ｉｎｐｕｔ?ｌａｙｅｒ）就是整個神經(jīng)網(wǎng)絡的輸入，對于計算機視覺問題而??言，其輸入數(shù)據(jù)往往是一張張的圖像。圖像在計算機中是以矩陣的形式存儲??的，矩陣的高度和寬度就是輸入層圖像數(shù)據(jù)的高度和寬度，圖像的通道數(shù)就是??輸入層的深度。從輸入層開始，圖像經(jīng)過一系列的卷積層和池化層，得到一層??層包含圖像不同特征的矩陣特征圖，最后抽取出圖像的高維特性信息，以此作??為分類的依據(jù)。??２．３．２．２卷積層??卷積層（ｃｏｎｖｏｌｕｔｉｏｎ?ｌａｙｅｒ）是卷積神經(jīng)網(wǎng)絡中最重要的一個組成模塊
【相似文獻】

相關期刊論文 前10條

1 沈智勇;蘇翀;周揚;沈智威;;一種面向非均衡分類的隨機森林算法[J];計算機與現(xiàn)代化;2018年12期

2 于大海;李金;羅艷虹;劉近春;張巖波;;隨機森林模型和決策樹模型在肝硬化上消化道出血預后中的應用[J];中國衛(wèi)生統(tǒng)計;2019年02期

3 胡蝶;;基于隨機森林的債券違約分析[J];當代經(jīng)濟;2018年03期

4 趙藝淞;楊昆;王保云;黎曉路;;隨機森林在城市不透水面提取中的應用研究[J];云南師范大學學報(自然科學版);2017年03期

5 吳辰文;梁靖涵;王偉;李長生;;一種順序響應的隨機森林:變量預測和選擇[J];小型微型計算機系統(tǒng);2017年08期

6 顧娟;林敏;鞠桂玲;;基于隨機森林回歸的軍械器材需求預測[J];自動化應用;2017年09期

7 劉迎春;陳梅玲;;流式大數(shù)據(jù)下隨機森林方法及應用[J];西北工業(yè)大學學報;2015年06期

8 羅超;;面向高維數(shù)據(jù)的隨機森林算法優(yōu)化探討[J];商;2016年04期

9 楊曉峰;嚴建峰;劉曉升;楊璐;;深度隨機森林在離網(wǎng)預測中的應用[J];計算機科學;2016年06期

10 張強;;隨機森林在居民購房意愿研究中的應用[J];現(xiàn)代經(jīng)濟信息;2016年13期

相關博士學位論文 前10條

1 王曉軍;基于大數(shù)據(jù)的風洞馬赫數(shù)集成建模方法的研究[D];東北大學;2016年

2 王鑫;基于隨機森林的認知網(wǎng)絡頻譜感知算法研究[D];東北大學;2016年

3 姚登舉;面向醫(yī)學數(shù)據(jù)的隨機森林特征選擇及分類方法研究[D];哈爾濱工程大學;2016年

4 黃玥;VANET信息安全問題及異常檢測技術研究[D];吉林大學;2017年

5 倪強;基于隨機前沿和隨機森林法的沿海開發(fā)區(qū)發(fā)展效率研究[D];天津大學;2011年

6 季斌;內(nèi)蒙古浩布高地區(qū)多金屬礦綜合信息找礦預測研究[D];合肥工業(yè)大學;2017年

7 雷震;隨機森林及其在遙感影像處理中應用研究[D];上海交通大學;2012年

8 金超;基于隨機森林的醫(yī)學影像分割算法研究及應用[D];蘇州大學;2017年

9 李寶富;巨厚礫巖層下回采巷道底板沖擊地壓誘發(fā)機理研究[D];河南理工大學;2014年

10 趙東;基于群智能優(yōu)化的機器學習方法研究及應用[D];吉林大學;2017年

相關碩士學位論文 前10條

1 郭志旺;隨機森林和支持向量機在乳腺癌高維轉錄組數(shù)據(jù)中的應用[D];河北醫(yī)科大學;2019年

2 王藝博;潛周期時間序列建模和預測新方法探究[D];上海交通大學;2017年

3 繆琦;基于隨機森林和支持向量機的糖尿病風險預測方法研究[D];江蘇大學;2019年

4 李勛章;云中心網(wǎng)絡流量分類方法研究[D];桂林電子科技大學;2019年

5 汪娟娟;江西省精準扶貧中的貧困戶識別研究[D];江西財經(jīng)大學;2019年

6 潘夢雪;基于隨機森林的上市公司舞弊風險識別模型研究[D];杭州電子科技大學;2019年

7 王鳴飛;結直腸癌術前N分期的隨機森林預測模型的建立與驗證[D];吉林大學;2019年

8 陳云天;南昌市房價時空分布特征及驅動因素分析[D];江西師范大學;2019年

9 馬江理;現(xiàn)代服務業(yè)發(fā)展及評價研究[D];云南大學;2018年

10 董興軍;隨機森林在P2P網(wǎng)絡借貸借款人信用評估中的應用[D];遼寧大學;2019年

本文編號：2861789