树皮分类结果分析详解

2023-06-29 理论教育版权反馈

【摘要】：为了对本章提出的树皮纹理特征提取和识别系统的性能进行评估，本节在New-BarkTex纹理库上开展实验，并与其他一些相关方法的实验结果进行比较。由于对New-BarkTex纹理库中训练样本集和测试样本集的划分是固定的，不存在随机划分的问题，只需进行一次实验即可获得稳定的实验结果。因此，最后将本书第6章提出的基于深度CNN和迁移学习的方法应用于树皮纹理图像的特征提取和识别，检验一下深度CNN方法在树皮分类任务中的应用效果。

为了对本章提出的树皮纹理特征提取和识别系统的性能进行评估，本节在New-BarkTex纹理库上开展实验，并与其他一些相关方法的实验结果进行比较。由于对New-BarkTex纹理库中训练样本集和测试样本集的划分是固定的，不存在随机划分的问题，只需进行一次实验即可获得稳定的实验结果。本章方法和参与对比的方法的识别精度如表7-1所示。

表7-1　不同方法在New-BarkTex纹理库上的识别精度（%）

pagenumber_ebook=175,pagenumber_book=167

从表7-1可以看出，本节提出的方法在所有参与对比的方法中获得了最高的识别精度84.31%，一致超过了其他方法的识别精度，这表明本节提出的方法能够很好地提取树皮表面的纹理特征，所提取的纹理特征对不同种类的树皮纹理图像具有很强的鉴别能力。同时发现，本节方法对6种树皮的识别精度为84.31%，这个识别精度还不够高，原因如下：①New-BarkTex纹理库采用本章第7.2.2节提出的第二种方法来划分训练样本集和测试样本集，即把一个原始树皮纹理图像的4个子图像全部作为训练样本或全部作为测试样本，这种划分显著降低了训练样本集和测试样本集的相关程度，从而增大了树皮纹理图像的识别难度；②New-BarkTex纹理库中每个树皮纹理图像的尺寸都非常小，即只有64×64，小尺寸的图像所含的纹理信息比较有限，并且容易受到树皮表面缺陷（如疤痕或凸凹）特征的干扰，在有些情况下，整个64×64的样本几乎全部被树皮表面的缺陷特征所占据。因此，上述两个因素在很大程度上限制了本节所提出的方法对树皮种类的识别精度。但在实际的工程应用中，很容易获取更大尺寸的树皮纹理图像（如100×100像素、200×200像素等），而更大尺寸的树皮纹理图像将包含更多的树皮纹理特征，能够克服局部树皮表面缺陷（如疤痕或凸凹）特征的干扰，这将有助于进一步提高树皮种类识别的稳定性和识别精度，使本节提出的纹理特征提取和识别方法在树皮分类中具有更好的应用价值。

另外，本节也评估了颜色信息在树皮纹理图像特征提取和识别中的作用，将单独的颜色信息、单独的灰度纹理特征，以及本书提出的将粗略颜色信息与灰度纹理特征进行融合的方法进行比较，它们在New-BarkTex纹理库上的识别精度如表7-2所示。

表7-2　不同特征分量在New-BarkTex纹理库上的识别精度

pagenumber_ebook=176,pagenumber_book=168

从表7-2可以看出：

（1）本节提出的方法获得了最高的树皮纹理识别精度84.31%，显著超过了单独使用灰度纹理特征的识别精度（72.30%）和单独使用颜色信息时的识别精度（40.56%），这体现出本节方法所采用的将灰度纹理特征和粗略颜色信息进行特征融合的策略对提高树皮纹理图像的识别精度是非常有益的。

（2）在引入粗略颜色信息之后，对树皮纹理图像的识别精度获得了大幅度的提升，即从单独使用灰度纹理特征时的72.30%提升到引入颜色信息后的84.31%，识别精度的提升幅度为12.01%。

上述实验结果再次证明了颜色信息和灰度纹理特征具有互补的作用，在光源颜色不发生显著变化的情况下，引入颜色信息对提高彩色纹理图像的识别精度具有积极作用，而保持光源颜色不发生显著变化在很多工程应用中也是很容易实现的。

在对识别精度进行评估之后，再对本节所提出的上述方法的实时性进行评估。对于一个200×200的彩色纹理图像，本节所提出的方法能在0.09 s内提取该图像的粗略颜色信息和灰度纹理特征，具有较好的实时性，可满足很多现实工程应用场景对实时性的需求，因此本节所提出的上述方法具有重要的实际应用价值。

另外，深度CNN方法作为目前先进的深度学习技术的一个重要分支，也可以用于树皮纹理图像的特征提取和识别。因此，最后将本书第6章提出的基于深度CNN和迁移学习的方法应用于树皮纹理图像的特征提取和识别，检验一下深度CNN方法在树皮分类任务中的应用效果。为了和其他方法的识别精度进行比较，在NewBarkTex纹理库上开展实验时，采用一半的样本作为训练数据集，对该纹理库的具体划分如下：每个树皮类别的136个样本图像作为训练数据集，34个样本图像作为验证数据集，剩下的102个样本图像作为测试数据集。具体的实验结果如表7-3所示。

表7-3　不同算法在NewBarkTex纹理库上的识别精度对比

pagenumber_ebook=177,pagenumber_book=169

从表7-3的识别精度对比可以看出：

（1）本书提出的基于VGG-16和迁移学习的方法在NewBarkTex纹理库上取得了93.46%的识别精度，本书提出的基于MobileNet和迁移学习的方法在NewBarkTex纹理库上取得了94.01%的识别精度，一致超越了其他传统算法的识别精度，这体现了深度学习方法在纹理图像特征提取和识别任务中的优越性。

（2）在NewBarkTex纹理库上，由于该纹理库的样本图像分辨率较低，即只有64×64，这导致其他算法的识别精度都低于85%，而本书提出的基于深度CNN和迁移学习的方法分别获得了93.46%和94.01%的识别精度，较大幅度地超越了其他算法的识别精度，这体现出深度学习方法在复杂的应用场景中仍然具有很好的识别能力和稳健性。

综上所述，本书提出的基于深度CNN模型和迁移学习的方法在纹理图像的特征提取和识别任务中具有良好的识别能力，显著超越了传统识别方法的识别精度，能够进一步提高纹理图像的识别效果。

树皮分类结果分析详解

相关推荐