Automated identification of tree species from images of the bark, leaves or needles

Abstract

In dieser Diplomarbeit wird eine Methode für die automatische Klassifikation von Baumarten anhand von Bildern von Blättern, Nadeln und der Rinde vorgestellt. Im Gegensatz zu der aktuellen Methodik für die Erkennung von Blätter wird auf eine Segmentierung des Bildes verzichtet.<br />Weiters ist die vorgestellte Methode fähig, überlappende oder beschädigte Blätter zu erkennen. In den Bildern werden Interest Points extrahiert und die Umgebung dieser Punkte mit lokalen Deskriptoren beschrieben. Mit Hilfe von vorher angelernten Deskriptoren kann ein Histogramm über die Häufigkeit des Auftretens generiert werden.<br />Diese Histogramme werden dann mit einer one-vs-all SVM klassifiziert.Für Bilder von der Borke wird dieselbe Methodik verwendet. Somit kann ein System entworfen werden, das automatisch zwischen Bildern von Blätter und der Borke unterscheiden kann ohne weitere Merkmale zu extrahieren.<br />Die Bilder von den Nadeln werden nach möglichen Merkmalen für eine automatische Klassifikation durchsucht. Die Endpunkte der Nadeln werden verwendet um wischen einer Tanne und einer Fichte zu unterscheiden.<br />Die vorgeschlagen Methode wurde mit 3 Datensätzen evaluiert, welche von der "Österreichische Bundesforste AG" zur Verfügung gestellt wurden. Der erste Datensatz enthält 134 Bilder von Blätter von den 5 häufigsten Laubbäumen in Österreich. Der zweite Datensatz besteht aus 275 Bildern von den Nadeln von den 6 häufigsten österreichischen Nadelbäumen und der dritte Datensatz enthält 1183 Bilder von der Borke von diesen 11 Bäumen.<br />Die Klassifikationsrate für den Blattdatensatz war 93.6% und für den Borkendatensatz 69.7%.<br />

In this thesis a method for the automated identification of tree species from images of leaves, needles and bark is presented. In contrast to the current state of the art for the identification from leaf images, no segmentation of the leaves is necessary. Furthermore the proposed method is able to handle damaged and overlapping leaves. This is done by extracting keypoints in the image which allow the computation of local descriptors. With the help of a trained set of descriptors, a histogram of the occurrence of these descriptors is generated which is then classified using a one-vs-all SVM.<br />For images of the bark the same method is used which allows to build a system which can automatically distinguish between images of bark and leaves without calculating new features.<br />Detected features within the needle images can be used for a classification. The needle endings are used to distinguish between fir and spruce needles.<br />The proposed method is evaluated on three datasets which were provided by "Österreichische Bundesforste AG" ("Austrian federal forests"). The first dataset consists of 134 images of the leaves of the 5 most common Austrian broad leaf trees, the second dataset containing 275 images of the needles of the 6 most common Austrian conifers. The last dataset is containing images of the 1183 bark of these 11 trees. The classification rate for the leaf dataset was 93.6% and the classification rate of the bark dataset was 69.7%.<br />