圖像識別技術在資源環境檢測中的應用

岳瑩瑛 周菁菁

（蘭州資源環境職業技術大學，甘肅 蘭州 730021）

0 引言

目前，由于人為過度放牧、工業制造及各類自然災害，導致生態系統逐漸失去平衡，進而引發環境問題［1］。近年來，雖然國家加大對資源環境的管理和保護力度，但仍出現優良資源匱乏的問題，并危及生態系統的平衡與穩定。資源環境的健康檢測是實現生態環境保護和提升國內生產總值的重要手段，因此相關領域的研究人員對其進行深入研究，并提出多種針對資源環境的檢測方法，但現有的資源環境檢測方法在實際應用中存在費用高昂、檢測結果信息不完整的問題，導致其實際應用價值無法充分發揮［2］。

圖像識別技術是人工智能的一個重要領域，利用該技術可實現對圖像資源對象的識別，從而實現對不同模式的目標和對象的識別。該技術常被應用于計算機、電力等領域中，其應用效果十分可觀。但該技術在環境領域中的應用相對較少，更未涉及資源環境監測［3］。因此，為提升資源環境檢測的精度，本研究在圖像識別技術的基礎上，對其在資源環境檢測中的應用展開研究。

1 資源環境高光譜圖像采集與標定

為實現對環境資源的高精度檢測，在開展相關研究前，對資源環境的高光譜圖像進行針對性采集，高光譜圖像不僅涵蓋了被測對象的空間特征，還可描述被測物體的光譜波段信息［4］。為獲取高光譜圖像，本研究選用成像儀、掃描設備、支架、數據處理器、高精度分析儀等圖像獲取裝置來獲取相關圖像。采集過程如圖1所示。

圖1 高光譜圖像采集原理

為確保采集到的高光譜圖像能滿足資源環境檢測需求，應在現有工作的基礎上，對設備進行調試與選型，采集設備的具體型號和應用中的技術參數見表1。

表1 高光譜圖像采集設備構成與技術參數設計

將采集到的圖像保存到成像設備中，保存前對數據格式進行調試，將圖像以BIL格式文件進行保存，并對其進行標定處理。在采集過程中，反饋圖像極易受自然光線、環境等因素的影響，會出現異常現象，為確保反饋圖像具有較高的精度，可在現有工作的基礎上，對反饋圖像進行校正，該過程被稱為高光譜采集圖像的標定過程［5］。對此過程進行描述，見式（1）。

式中：R為高光譜采集圖像的標定或校正處理過程；I為采集到的原始項；B為校正或標定處理參數；W為校正模板。按照上述方式來對采集到的圖像進行采集與標定處理。

2 資源環境檢測數據預處理

在完成上述設計后，使用ENV15.3工具來提取對圖像中感興趣的區域。由于采集到的樣本圖像所在的位置高度不一致，會導致資源環境高光譜圖像出現散射問題，導致原有的光譜變化效應被覆蓋［6］。因此，在上述內容的基礎上，對標定圖像進行散射處理。在此過程中，計算出樣本圖像的光譜值，將此數值作為參照，計算多項式回歸系數，采用平滑濾波處理的方式對數據進行預處理，見式（2）。

式中：I為資源環境檢測數據的預處理；β為平滑濾波處理；K為圖像中多項式回歸系數；J為圖像中的感興趣區域覆蓋面積。在此基礎上，對圖像進行歸一和約束處理，導出數據，將其作為完成預處理后的環境資源檢測數據。

3 基于圖像識別技術的光譜圖像分類

在完成資源環境檢測數據進行預處理后，利用圖像識別技術對獲取到的光譜圖像進行類別劃分。利用PCA白化技術對經過處理后的高光譜數據進行特征提取，并選擇其中具有代表性的重要波段來代替原有數據［7］。將SVM作為圖像分類器，在1到6的范圍內對主成分量不斷進行選擇。結合分類結果的準確率來確定最優的主成分參數。在確定主成分參數時，若分類結果的主成分連續增加，但分類的正確率沒有增加，則表示此時對應的數值為最佳主成分數值［8］。利用PCA白化技術對光譜圖像進行變換后，在降低數據維度的同時，也保留圖像中的大部分信息。在分類過程中，SVM圖像分類器的核函數見式（3）。

式中：L(a，ai)為SVM圖像分類器的核函數；a為光譜圖像中的元素；ai為與a相鄰的光譜元素；為徑向基系數。利用SVM圖像分類器核函數對不同特征進行映射。在映射過程中，可利用SVM圖像分類器對光譜圖像的二分類問題進行處理。針對不同的光譜圖像，可采用多個SVM圖像分類器相結合的方式來實現。由于通過資源環境檢測技術得到的圖像有著HSI數值維度較高、特征較多及數據信息量較大的特點，可采用SVM圖像分類器中的ovo模式，即對光譜圖像進行一對一的分類識別模式［9］。假設在經過預處理后得到的特征數據中存在i類和j類數據（其中i的取值小于j的取值），則針對i類和j類數據構建一個分類器。在完成映射后，通過映射結果來區別不同的光譜圖像。將完成分類的光譜圖像特征數據擴展到更多維度的空間中，并完成對高光譜圖像的構建。高光譜圖像的計算公式見式（4）。

式中：D(X，Y)為多維度D中數據點X與數據點Y之間的距離；X1，…，Xn為數據X在1~n維度空間上每一個維度上的大小；Y1，…，Yn為數據Y在1~n維度空間上每一個維度上的大小。根據公式（4）可在計算機中完成對多個不同資源環境區域光譜圖像的分類，為后續資源環境區域面積的檢測與識別提供依據。

4 資源環境區域面積檢測

在完成對光譜圖像分類后，對資源環境區域面積進行檢測。通過實地考察獲取到的資源環境光譜圖像的類別較多，且數據量較大，在檢測過程中極易出現冗余現象，可通過F-SVD與XGBoost相結合的方式來解決檢測過程中的常見問題。將完成分類的光譜圖像投影到維度更低的空間中，以此來避免維數災難問題的發生，同時實現對光譜圖像特征的提取，并將損失的信息量盡可能降到最低［10］。通過FSVD、XGBoost來挖掘原始數據中包含的少數互不關聯的潛在變量數據，利用其來實現對原有變量的反應，從而實現降低高光譜的維度。假設通過上述分類后得到的高光譜圖像分類數為W，波段數量為V，則其原始變量可表示為Q=（q1,q2，…，qv），其公共因子可表示為F，F=（f1，f2，…，f u），其中u的取值小于v的取值。將原始變量W進行分組，并使組內具有高相關性、組間具有低相關性，利用有限的u個公共因子來表示原數據中的大部分信息，并得到如式（5）所示的公式。

式中：B為因子載荷矩陣；ε為特殊因子。將經過處理后得到的資源環境圖像代入到XGBoost當中，并對XGBoost中的參數進行設置，具體設置見表2。

按照表2中的內容對XGBoost中的參數進行設置，從而識別出資源環境圖像中屬于資源環境的區域面積，并進行標記。根據標記結果，并結合幾何面積的計算公式，從而確定資源環境的具體面積，以此來實現對資源環境的檢測。

表2 XGBoost參數設置表

5 實例應用分析

在完成對資源環境檢測方法的理論設計后，為進一步驗證該方法在實際應用中的可行性，將該方法應用到某自然生態環境中，將該自然生態環境作為試驗環境，并對其進行資源環境檢測。在實地勘察中，通過拍攝方式獲取該自然生態環境中的2 000張圖像，將其作為研究對象。利用本研究提出的基于圖像識別技術的檢測方法對獲取到的2 000張圖像進行識別，為了對檢測效果進行評價，選擇OA值作為對檢測精度評價的量化指標，OA值為圖像正確分類樣本數與總樣本數的比值。OA值越大，則說明正確分類的樣本數越多，越能促進檢測精度的提高；反之，OA值越小，則說明正確分類的樣本數越少，越無法促進檢測精度的提升。OA值的計算公式見式（6）。

式中：T為正確分類識別的資源環境圖像數量；W為樣本中需要進行分類識別的資源環境圖像數量。從公式（6）的進一步分析中得出，OA值最小為0、最大為1。根據公式（6）可計算出OA的具體數值。按照OA值與檢測精度的關系，計算出2 000張圖像的檢測結果，具體情況見表3。

由表3中的檢測結果數據的精度可以看出，利用本研究提出的基于圖像識別技術的檢測方法在對樣本數量從200張到2 000張圖像進行分類識別時，其OA數值始終在0.94及以上，因此該檢測方法的精度達到極高水平。

表3 基于圖像識別技術檢測方法檢測精度OA值記錄表

由于自然資源環境中存在著較多的不確定因素，無法通過人為的方式進行控制，因此在基于圖像識別技術的檢測方法檢測精度的基礎上，引入Kappa系數，利用這個以混淆矩陣為基礎的評價參數，對本研究所提出的檢測方法的檢測精度進行更深入的評價分析，以此也能夠進一步提高此次實例應用分析的客觀性和可靠性。Kappa系數的計算公式如式（7）所示。

式中：N為需要進行識別檢測的圖像樣本數量；xii為利用本研究所提出的檢測方法正確檢測識別的樣本數量；xi+為各行之和；x+i為各列之和；n為行或列。結合公式（7），明確Kappa的取值為0~1，Kappa值越大，則說明檢測精度越高；反之，Kappa值越小，則說明檢測精度越低。根據上述理論，再將通過Kappa計算公式得到的結果進行記錄，如表4所示。

表4 基于圖像識別技術檢測方法檢測精度Kappa值記錄表

與表3相比，表4中的Kappa值盡管在數值上出現了略微的降低，但在環境檢測精度上，Kappa值仍在0.90以上，符合對資源環境檢測的精度要求。綜上所述，本研究所提出的檢測方法在實際應用中具備極高的檢測精度，可對資源環境的管理和整治提供更有利的技術條件，從而實現對自然資源的保護。

6 結語

當前，各類科技快速發展及全球化步伐的加快，環境問題也在不斷加劇，大氣污染、土地荒漠、地震等都是由資源浪費而造成的環境問題。此類問題的產生，不僅會影響到人類的正常生活，同時還會對國家經濟的發展產生嚴重影響。對此，為強化資源環境保護能力和水平，引入圖像識別技術，對資源環境檢測方法進行設計研究，并通過試驗對該方法的可行性進行檢驗。將該方法應用于實際中，可準確識別資源環境，并進一步計算出具體覆蓋區域面積，為環境治理提供重要依據。