基于改进ResNet-UNet的立木图像分割方法

摘要

[目的]针对现有图像处理方法分割立木精度低的问题,提出一种基于改进ResNet-UNet的立木图像分割方法,实现对图像中立木的精确分割.[方法]将拍摄得到的立木图像输入ResNet-UNet深度学习融合网络模型,初步得到较精确的立木分割图;结合自制的后期处理方法对该分割图进行优化处理,准确分割出立木形状.ResNet-UNet模型充分利用了像素之间的语义关联,以ResNet-34残差模块作为ResNet-UNet网络特征提取的基本单位;以U-Net网络的设计思路对图像进行上采样,以实现分辨率还原.去除ResNet-34网络的平均池化和全连接层,改变U-Net网络模型的特征通道数,形成ResNet-UNet网络模型.结合使用Adam一阶优化算法和dice bce loss损失函数实现了立木图像的初步分割.在后期处理阶段设定动态阈值得到前景和背景,避免了使用固定阈值对立木图像的高质量要求.运用强化学习中评分惩奖的思想,对前景和背景分配像素估计值,将该值和模型训练不同次数时的损失率输入惩罚-奖励机制,从而减轻分割结果对预测最终结果的过度依赖,降低网络过拟合对分割精确度的干扰.[结果]经验证,在自然环境、不同光照条件下分割不同品种的立木,平均误分率较传统的ResNet-UNet方法降低了3.5％,假阴率和假阳率较graph cut方法都降低了20％.[结论]使用ResNet-UNet方法分割立木具有较高的精确度和较强的鲁棒性.