一種類矩形引導(dǎo)的玉米田遙感圖像分割算法

梁若飛， 楊風暴， 王毅敏， 孟穎晨， 衛(wèi)紅

(1.中北大學信息與通信工程學院,太原　030051； 2.山西省農(nóng)業(yè)遙感中心,太原　030051；3.英國雷丁大學系統(tǒng)工程學院,ReadingRG6 6AU,UK)

?

一種類矩形引導(dǎo)的玉米田遙感圖像分割算法

梁若飛1， 楊風暴1， 王毅敏2， 孟穎晨2， 衛(wèi)紅3

(1.中北大學信息與通信工程學院,太原030051； 2.山西省農(nóng)業(yè)遙感中心,太原030051；3.英國雷丁大學系統(tǒng)工程學院,ReadingRG6 6AU,UK)

摘要：在覆蓋玉米田的遙感圖像中，玉米地塊邊緣區(qū)域存在大量的同物異譜現(xiàn)象，利用傳統(tǒng)分割方法進行玉米地塊分割時，會造成邊緣出現(xiàn)許多非玉米小塊區(qū)域，因而導(dǎo)致玉米種植面積統(tǒng)計錯誤。根據(jù)大面積玉米種植區(qū)域的形狀分布特點，提出一種類矩形引導(dǎo)的玉米田種植區(qū)分割方法。首先采用最小核值相似區(qū)(smallestunivalesegmentassimilatingnucleus,SUSAN)邊緣檢測算子對融合后的高分一號(GF-1)衛(wèi)星遙感圖像進行邊緣提取，然后根據(jù)閉合區(qū)域與外接類矩形的關(guān)系構(gòu)建類矩形引導(dǎo)的相關(guān)函數(shù)，最后將類矩形閾值函數(shù)引入基于圖的分割算法中實現(xiàn)特定形狀的地塊分割。將分割結(jié)果分別與基于圖的分割方法、分水嶺分割方法和人工解譯樣本進行實驗比較，結(jié)果表明： 本文方法能有效地分割出玉米田目標，減少了同物異譜帶來的影響，分割結(jié)果更加符合玉米田實際分布特征和實際統(tǒng)計面積。

關(guān)鍵詞：遙感圖像； 地塊分割； 邊緣提取； 類矩形引導(dǎo)

0引言

隨著遙感技術(shù)的發(fā)展和衛(wèi)星圖像空間分辨率的提高，遙感技術(shù)已成為農(nóng)作物生產(chǎn)管理的重要科技手段，而農(nóng)田信息提取是遙感技術(shù)在農(nóng)作物應(yīng)用研究中的關(guān)鍵技術(shù)。在對農(nóng)田信息進行提取時，采用面向?qū)ο蟮膱D像處理方法，能有效地利用圖像的光譜特征、結(jié)構(gòu)信息和幾何信息等[1]。圖像分割是面向?qū)ο蟮倪b感信息提取的基礎(chǔ)，分割出的區(qū)域是圖像信息分析的初始對象，分割結(jié)果的好壞直接影響到后續(xù)的對象識別、分類和解譯等。只有有效地利用高分辨率遙感數(shù)據(jù)中豐富的空間信息和地物幾何結(jié)構(gòu)等獲得較好的分割結(jié)果，才能更準確地統(tǒng)計玉米種植面積。

玉米田是一種比較特殊的植物類型。它不僅具有植被的光譜特征，而且存在較嚴重的同物異譜現(xiàn)象，即同樣是玉米田，當其所處狀態(tài)(如對太陽光相對角度、密度、含水量等)不同時，會呈現(xiàn)不同的波譜特征，在圖像中出現(xiàn)光譜差異； 玉米田還具有以田埂為邊界的結(jié)構(gòu)特征，多數(shù)形狀為規(guī)則的類矩形。若能有效利用玉米田的不同特征，獲得較好的分割結(jié)果，將有助于對玉米田的面積統(tǒng)計工作。在現(xiàn)有的分割方法中，如彭興邦等[2]提出的基于亮度均衡的圖像分割方法，僅考慮了地物的光譜特征，忽略了地塊的特殊幾何信息和以田埂為邊界的結(jié)構(gòu)特征，給圖像分割處理帶來較大的誤差； 若能夠引入地塊類矩形田埂這種邊緣信息，將有利于目標地塊的提取。傳統(tǒng)的利用邊緣特征或邊緣引導(dǎo)的分割方法應(yīng)用于灰度不均、邊緣信息弱的玉米田遙感圖像時，邊緣會出現(xiàn)許多非封閉區(qū)域的現(xiàn)象，故不能滿足玉米地塊面積統(tǒng)計的需求。將邊緣檢測算法和區(qū)域分割算法有效地結(jié)合，可得到封閉的區(qū)域邊界，如Freixenet等[3]依據(jù)邊緣和區(qū)域特征結(jié)合時機的不同，提出嵌入式結(jié)合分割方法和后處理結(jié)合分割方法，有效地形成了閉合區(qū)域； 但該方法對光譜豐富的區(qū)域會造成錯分現(xiàn)象。加權(quán)聚合算法[4]能較好地改善過分割現(xiàn)象，對內(nèi)容不太復(fù)雜的圖像有較好的分割效果； 但對于同物異譜現(xiàn)象較嚴重的玉米田，仍無法得到較好的分割效果。Felzenszwalb等[5]提出的基于圖的圖像分割方法，適用于分辨率高、目標特征豐富的遙感數(shù)據(jù)，可根據(jù)全局特性對圖像進行多尺度分割，并可在忽略高度變化區(qū)域細節(jié)特征的同時，保留可變化程度低的區(qū)域的細節(jié)特征； 但將其應(yīng)用到高分一號(GF-1)衛(wèi)星玉米田遙感圖像分割時，還是不能很好地減少同物異譜所帶來的過分割現(xiàn)象； 也由于未考慮玉米地塊的類矩形特點，對玉米種植面積的統(tǒng)計仍無法滿足需求。

本文利用GF-1遙感圖像，結(jié)合陜西地區(qū)玉米種植面積本底調(diào)查，進行針對大面積玉米田的遙感圖像分割研究。首先采用最小核值相似區(qū)(smallestunivalesegmentassimilatingnucleus,SUSAN)邊緣檢測算子提取邊緣信息，然后利用基于圖的圖像分割理論，結(jié)合玉米地塊的形狀特點，在分割規(guī)則中加入類矩形閾值函數(shù)，提出一種類矩形引導(dǎo)的玉米遙感圖像分割算法。經(jīng)實驗分析，本文方法在進行大面積玉米種植區(qū)的分割時，不僅能有效地區(qū)分不同地物，減少同物異譜現(xiàn)象帶來的同質(zhì)區(qū)域過分割現(xiàn)象，而且能有效結(jié)合玉米地塊幾何形狀信息，使分割結(jié)果更加符合玉米田的實際分布特征。

1分割算法

1.1算法流程

類矩形引導(dǎo)的玉米遙感圖像分割方法基本流程如圖1所示。

圖1　方法流程示意圖

原始GF-1數(shù)據(jù)經(jīng)過Gram-Schmidt(GS)算法[6](一種光譜銳化高保真的正交化圖像融合算法)融合處理得到融合圖像； 利用SUSAN算子對融合圖像進行邊緣提取，SUSAN模板的灰度差閾值通過迭代的方式自適應(yīng)地確定； 利用類矩形引導(dǎo)的分割方法進行圖像分割，通過反饋確定分割規(guī)則； 最后對分割結(jié)果進行實驗對比分析。

1.2圖像邊緣提取

本文處理的圖像是使用GS算法對原始GF-1的多光譜和全色數(shù)據(jù)融合得到的，然后利用SUSAN算子對融合圖像進行邊緣提取。本文在SUSAN算子的基礎(chǔ)上加入一種自適應(yīng)選取閾值的方法，以減少原算法中人為選取灰度差閾值對處理效果的影響。SUSAN算子能夠在拐角處得到較為連續(xù)的邊界，而且不涉及梯度運算，因此對光譜復(fù)雜圖像的邊緣檢測效果優(yōu)于傳統(tǒng)的邊緣檢測算法； 另外，處理結(jié)果與所用模板的尺寸和顏色、對比度參數(shù)選取的相關(guān)性不大，能較好地保持圖像的特征結(jié)構(gòu)細節(jié)信息，獲得比較光滑的邊緣圖像，這是在邊緣提取時選用SUSAN方法的主要原因[7]。具體步驟如下：

1)設(shè)置一個5像元×5像元的方形檢測模板，以融合圖像中的每一個像元為模板中心在圖像中移動； 對于每個模板，通過計算模板內(nèi)每個像元與中心像元的灰度差得到該模板的灰度差直方圖； 最后根據(jù)灰度差直方圖通過迭代法確定該模板的閾值，使不同對比度的圖像都能夠自適應(yīng)地計算出每個模板內(nèi)合適的t值。由于每個模板的閾值是根據(jù)模板內(nèi)像元的灰度差值確定的，因此能很好地檢測到不同對比度下的灰度變化，使對吸收核同值區(qū)(univaluesegmentassimilatingnucleus,USAN)的判斷更加準確。

首先計算模板中每個像元I(x,y)與中心像元I(xc,yc)的灰度差值，取其均值作為迭代初始值t0，即

(1)

然后根據(jù)迭代初始值將灰度差直方圖分成2部分，計算下一個迭代值ti+1，即

(2)

式中： m為模板中像元點和與中心像元點的灰度差值； h(m)為模板中具有該灰度差值的點的數(shù)量； Cmax為灰度差值的最大值。每進行一次迭代后進行判斷，若|ti+1-ti|=0，則迭代停止，取ti+1作為USAN模板的最后灰度差閾值。因為每個模板的閾值t是根據(jù)模板內(nèi)的灰度差值確定的，因此能很好地檢測到不同灰度對比度下的灰度變化，使對USAN區(qū)的判斷更加準確。

2)比較模板內(nèi)部每個像元的灰度值和模板中心像元的灰度值，若模板內(nèi)某個像元的灰度與模板中心像元(核)灰度的差值小于閾值t，則認為該像元與核具有相同(或相近)的灰度。滿足這一條件的像元組成的區(qū)域稱為USAN區(qū)。根據(jù)亮度比較函數(shù)計算模板中的USAN區(qū)域，即

(3)

式中： I(x,y)和I(xc,yc)分別為模板中心像元與模板中其他像元的灰度值； c(x,y)為屬于USAN區(qū)的像元； xc和yc分別為模板中心像元的橫、縱坐標； x和y分別為模板中除中心像元外的其他像元的橫、縱坐標； t為確定相似程度的閾值。

3)以最大USAN區(qū)域的像元個數(shù)的3/4為全局USAN固定閾值，查找小于該固定閾值的像元，得到融合圖像在SUSAN算子中的邊緣響應(yīng)值，形成邊緣圖像。

計算出以每個像元為核心的USAN區(qū)域的像元個數(shù)，即

(4)

式中n(x0,y0)為每個模板中屬于USAN區(qū)的面積。

4)在求得每個像元的USAN區(qū)后，通過n(x0,y0)與某個固定閾值g比較得到邊緣響應(yīng)R(x0,y0)，即

(5)

式中： R(x0,y0)為邊緣的響應(yīng)，最終目標邊緣圖像中USAN區(qū)的面積越小，邊緣的響應(yīng)將越大； g為固定閾值，本文設(shè)置g=3nmax/4，nmax為n(x0,y0)中的極大值。

利用改進的SUSAN算子對圖像進行邊緣提取。自適應(yīng)地選取灰度差閾值的方法可以提高算法的魯棒性，使算法更好地保持圖像的結(jié)構(gòu)細節(jié)特征信息，得到較為光滑的邊緣圖像，同時具有一定的噪聲抑制能力。

1.3類矩形引導(dǎo)的圖像分割

本文在Felzenszwalb等[5]提出的基于圖的圖像分割理論基礎(chǔ)上，通過測量區(qū)域間的差異來計算邊界的最小權(quán)值，對區(qū)域之間有較低權(quán)值的2個區(qū)域進行合并。該方法基于區(qū)域間間距和區(qū)域內(nèi)間距2個特征來判斷2個區(qū)域是否應(yīng)該合并： 若2個區(qū)域的區(qū)域間間距明顯大于其中任意1個區(qū)域的區(qū)域內(nèi)間距，則認為這2個區(qū)域之間存在明顯的界限(即不可以合并)[5]。

定義區(qū)域間的間距為

(6)

式中： C1和C2分別為2個區(qū)域； υi,υj分別為不同分割區(qū)域映射在無向圖中的節(jié)點； ω為權(quán)重。在分別屬于2個區(qū)域C1和C2且有邊連接的所有點對中，尋找權(quán)重最小的那對(若2個區(qū)域內(nèi)的點沒有邊相連，則定義間距為正無窮大)，即2個區(qū)域之間連接邊的最小長度。

定義區(qū)域內(nèi)間距為

(7)

式中MST(C,E)為區(qū)域C的最小生成樹，這里定義為區(qū)域內(nèi)部的最大連接邊長。當其中1個區(qū)域很小時，Int(C)并不能很好地反映其區(qū)域內(nèi)間距(極端的情況是當C只含一個節(jié)點時，Int(C)=0)。可引入一個考慮區(qū)域面積的函數(shù)來補償，即

τ補(C)=k/|C| ,

(8)

式中： k為常數(shù)，當k越大時，可以區(qū)分2個區(qū)域的界限就越明顯； |C|為區(qū)域C的面積[7]。

根據(jù)目標區(qū)域特點(農(nóng)業(yè)玉米種植區(qū)土地多數(shù)為矩形的地塊)，為了將圖像分割成特定形狀的區(qū)域，將τ定義為類矩形引導(dǎo)的相關(guān)函數(shù)，即

(9)

通過比較區(qū)域內(nèi)間距和區(qū)域間間距之間的關(guān)系，可以得到區(qū)域合并的判據(jù)，即

(10)

其中MInt(C1,C2)=min[Int(C1)+τ(C1),

Int(C2)+τ(C2)] 。

(11)

圖像分割算法既不能單一使用像元強度值的變化作為分割依據(jù)，也不能使用單一的分割閾值來決定分割與否。這里以圖像中的每個區(qū)域表示圖上的一個節(jié)點，每一條連接節(jié)點的無向邊都具有一個權(quán)重，以衡量其連接的2個節(jié)點之間的不相似度。根據(jù)相鄰區(qū)域在特征值上變化速度的大小，動態(tài)調(diào)整分割閾值，對經(jīng)過邊緣提取處理的圖像進行分割。假設(shè)輸入是1個有n個節(jié)點和m條邊的圖G，那么輸出是一系列區(qū)域。具體步驟如下：

1)將邊按照權(quán)重值以非遞減方式排序。

2)最初的分割記為S(0)，即每個節(jié)點屬于一個區(qū)域。

3)按照以下方式由S(q-1)構(gòu)造S(q)。記第q條邊連接的2個節(jié)點分別為Vi和Vj，若在S(q-1)中Vi和Vj分別屬于2個區(qū)域并且第q條邊的權(quán)重小于2個區(qū)域的區(qū)域內(nèi)間距，則合并這2個區(qū)域； 否則令S(q) = S(q-1)。

4)從q=1到q=m，重復(fù)步驟2)。

5)返回S(m)，即為所求分割區(qū)域集合。

2實驗

2.1實驗數(shù)據(jù)

本文所使用的GF-1圖像數(shù)據(jù)的獲取時間為2013年7月30日，覆蓋區(qū)域為陜西省藍田縣。該圖像包括4個多光譜波段： 藍(0.45～0.52μm)、綠(0.52～0.59μm)、紅(0.63～0.69μm)和近紅外(0.77～0.89μm)波段，分辨率均為8m； 1個全色波段(0.45～0.90μm)，分辨率為2m。該地區(qū)屬于玉米種植大區(qū)，地勢較為平整，對研究玉米與水稻、建筑物等背景區(qū)域的分割比較適宜。所使用的GF-1數(shù)據(jù)已經(jīng)過正射糾正、輻射定標和大氣校正等預(yù)處理。圖2(c)為利用GS算法對GF-1全色圖像(圖2(a))和多光譜圖像(圖2(b))融合后的圖像。考慮到實驗區(qū)玉米田的形狀具有較強的區(qū)域性，有針對性地設(shè)計了類矩形的權(quán)重函數(shù)來引導(dǎo)分割。

(a)GF-1全色圖像 (b)GF-1多光譜圖像(c)GS融合圖像 (d) 邊界提取結(jié)果

圖2GF-1融合圖像及邊界提取結(jié)果

Fig.2GF-1fusionimageandedgedetectionresult

2.2結(jié)果分析

圖2(d)是圖2(c)經(jīng)過灰度差閾值自適應(yīng)選取的SUSAN算子提取的邊界結(jié)果圖，該結(jié)果減少了人工設(shè)置參數(shù)所產(chǎn)生的干擾。從圖2(d)中可以看出，自適應(yīng)選取灰度差閾值的SUSAN算子能較好地檢測出不同對比度下的灰度變化，沒有出現(xiàn)邊界大量丟失的現(xiàn)象； 檢測出的邊緣線細膩而光滑，有較好的連續(xù)性，有效地體現(xiàn)了玉米田地塊的邊緣特征，且定位精度較高。

在基于圖的分割算法中，利用提取的邊界區(qū)域構(gòu)建無向圖，采用本文的類矩形引導(dǎo)分割規(guī)則進行分割處理。根據(jù)算法中的規(guī)定，式(8)中的k是常數(shù)，k越大，界定的可以區(qū)分2個區(qū)域的界限就越明顯(表1)。

表1　圖像分割結(jié)果區(qū)域數(shù)目與k關(guān)系

從表1可以看出，隨著k的增大，區(qū)域數(shù)目減少; 在k增大到 200以后，區(qū)域數(shù)目的減少變緩。考慮到經(jīng)過融合后的GF-1圖像的像元尺寸為2.4m×2.4m，為了能更好地顯示圖像中的小目標，同時避免因分割區(qū)域數(shù)量過大而導(dǎo)致的過分割現(xiàn)象，通常在[200,300]之間選取k值。本文選取k=250進行類矩形引導(dǎo)的分割。

圖3―圖6分別為本文分割方法結(jié)果圖、基于圖的分割結(jié)果圖、分水嶺分割結(jié)果圖和人工解譯玉米目標圖。其中(a)都代表原圖像整體分割結(jié)果，(c)和(b)分別為對應(yīng)(a)中黑邊框區(qū)域1和區(qū)域2的局部放大。

比較圖3與圖4分割結(jié)果圖中局部放大區(qū)域可以看出，加入類矩形閾值函數(shù)的本文分割方法在有效區(qū)分不同地物的同時，減少了地塊邊緣的小塊區(qū)域，凸顯了玉米地塊的類矩形的形狀特點。

(a) 原圖像整體分割結(jié)果 (b) 區(qū)域2放大圖

(c) 區(qū)域1放大圖

(a) 原圖像整體分割結(jié)果 (b) 區(qū)域2放大圖

(c) 區(qū)域1放大圖

圖5中分水嶺分割方法在玉米種植區(qū)分割結(jié)果顯得更零碎些，圖像分割區(qū)域數(shù)目達到24 306個，產(chǎn)生嚴重的過分割現(xiàn)象。這主要是由玉米田嚴重的同物異譜特征導(dǎo)致的，特別是在地塊邊緣處產(chǎn)生了大量的小塊區(qū)域。

(a) 原圖像整體分割結(jié)果 (b) 區(qū)域2放大圖

(c) 區(qū)域1放大圖

與圖4比較，本文的分割方法(圖3)在有效分割不同光譜特征對象的同時，減少了同物異譜帶來的過分割現(xiàn)象，保持了大面積玉米區(qū)的地塊特征，為進一步的玉米種植面積統(tǒng)計提供了有效的數(shù)據(jù)支持。

為了檢驗類矩形引導(dǎo)的分割結(jié)果與實際玉米作物分布的符合情況，將本文方法的分割結(jié)果(圖3)與人工解譯的目標區(qū)域樣本(圖6)進行比較。人工解譯樣本是由專業(yè)人員結(jié)合影像目視解譯與光譜特征分析獲取的。通過解譯獲取本文的訓練樣本過程中，首先選取局部區(qū)域進行地理坐標繪制，投射到遙感圖像上進行樣本繪圖； 再對整個圖像區(qū)域進行人工解譯； 最后對其進行野外調(diào)查和詳細解譯，得到相對準確的目標區(qū)域參考分割樣本。經(jīng)比較可以看出，本文提出的類矩形引導(dǎo)的分割結(jié)果比較符合玉米田的實際分布特征。

(a) 原圖像整體分割結(jié)果(b) 區(qū)域2放大圖

(c) 區(qū)域1放大圖

圖6人工解譯玉米目標

Fig.6Artificialinterpretationsamplesofcornfields

對不同分割結(jié)果的統(tǒng)計面積與人工解譯獲得的參考標準面積的比較(表2)也可看出，本文方法的分割結(jié)果的統(tǒng)計面積更接近于玉米田的實際種植情況，優(yōu)于其他2種分割方法。

表2　不同方法分割結(jié)果面積統(tǒng)計對比

3結(jié)論

本文提出的類矩形引導(dǎo)的玉米地塊分割方法，在對目標有效分割的同時，結(jié)合了玉米田類矩形的形狀特征，減少了玉米田因同物異譜導(dǎo)致的區(qū)域光譜差異帶來的過分割結(jié)果，減少了邊緣小塊區(qū)域?qū)τ衩滋锩娣e統(tǒng)計的影響。通過類矩形的引導(dǎo)，增強了特定形狀的分割，對含有大量類矩形地塊的大面積玉米田遙感圖像有很好的分割效果，為玉米面積統(tǒng)計提供了有效的幫助。得到如下結(jié)論：

1)利用SUSAN邊緣檢測算法對融合后的GF-1號衛(wèi)星圖像進行邊緣提取，沒有出現(xiàn)邊界大量丟失的現(xiàn)象； 檢測出的邊緣細膩而光滑，有較好的連續(xù)性, 有效地體現(xiàn)了玉米田地塊的邊緣特征，且定位精度較高。

2)采用基于圖的圖像分割理論，能利用全局特性對圖像進行多尺度分割。加入類矩形閾值函數(shù)后，能有效地利用玉米地塊的幾何形狀特征，減少同物異譜所帶來的過分割對象，分割結(jié)果更符合人們對目標的感知。

3)通過與分水嶺方法分割結(jié)果和人工解譯樣本進行對比分析，證明本文方法在減少同物異譜所帶來的過分割現(xiàn)象及保證玉米種植面積統(tǒng)計精度方面均有較明顯的優(yōu)勢。

此外，盡管本文算法對大面積的玉米種植區(qū)分割有效，但僅研究了同物異譜現(xiàn)象對分割的影響，對玉米田遙感圖像中同譜異物現(xiàn)象對分割的影響以及同物異譜和同譜異物現(xiàn)象共同的作用還有待進一步深入探討。同時，為了提高本文算法的適用性，對分割對象形狀規(guī)則還有待進一步優(yōu)化，使其更加符合目標的實際特征。

志謝： 山西省農(nóng)業(yè)遙感研究中心為本文提供了遙感圖像，并在樣本采集和人工解譯方面給予了大力支持,在此表示衷心感謝！

參考文獻(References)：

[1]陸昳麗.面向?qū)ο蟮霓r(nóng)田目標遙感識別與提取研究[D].南京:南京大學,2011:9-20.

LuYL.Object-basedFarmlandRecognitionandExtractionfromHighResolutionRemotelySensedImagery[D].Nanjing:NanjingUniversity,2011:9-20.

[2]彭興邦,蔣建國.一種基于亮度均衡的圖像閾值分割技[J].計算機技術(shù)與發(fā)展,2006,16(11):10-12.

PengXB,JiangJG.Animagesegmentationthresholdingmethodbasedonluminanceproportion[J].ComputerTechnologyandDevelopment,2006,16(11):10-12.

[3]FreixenetJ,MunozX,RabaD,etal.Yetanothersurveyonimagesegmentation:Regionandboundaryinformationintegration[M]//HeydenA,SparrG,NielsenM,etal.ComputerVision-ECCV2002.LectureNotesinComputerScience.BerlinHeidelberg:Springer,2002,2352:408-422.

[4]田野.面向?qū)ο蟮倪b感影像多尺度自適應(yīng)分割技術(shù)[D].上海:上海交通大學,2009.

TianY.Object-orientedMulti-scaleSegmentationofHighResolutionRemoteSensingImage[D].Shanghai:ShanghaiJiaoTongUniversity,2009.

[5]FelzenszwalbPF,HuttenlocherrDP.Efficientgraph-basedimagesegmentation[J].InternationalJournalofComputerVision,2004,59(2):167-181.

[6]楊風暴.紅外物理與技術(shù)[M].北京:電子工業(yè)出版社,2014:180-245.

YangFB.InfraredPhysicsandTechnology[M].Beijing:PublishingHouseofElectronicsIndustry,2014:180-245.

[7]譚玉敏,槐建柱,唐中實.一種邊界引導(dǎo)的多尺度高分辨率遙感圖像分割方法[J].紅外與毫米波學報,2010,29(4):312-315.

TanYM,HuaiJZ,TangZS.Edge-guidedsegmentationmethodformultiscaleandhighresolutionremotesensingimage[J].JournalofInfraredandMillimeterWaves,2010,29(4):312-315.

[8]羅忠亮.基于改進SUSAN算子的圖像邊緣檢測算法[J].重慶工學院學報:自然科學,2009,23(5):102-106.

LuoZL.ImageedgedetectionalgorithmbasedonimprovedSUSANoperator[J].JournalofChongqingInstituteofTechnology:NaturalScience,2009,23(5):102-106.

[9]蘇騰飛,李洪玉,屈忠義.高分辨率遙感圖像道路分割算法[J].國土資源遙感,2015,27(3):1-6.doi:10.6046/gtzyyg.2015.03.01.

SuTF,LIHY,QuZY.Astudyofroadsegmentationfromthehighresolutionremotesensingimage[J].RemoteSensingforLandandResources,2015,27(3):1-6.doi:10.6046/gtzyyg.2015.03.01.

[10]黃亮,左小清,馮沖,等.基于Canny算法的面向?qū)ο笥跋穹指頪J].國土資源遙感,2011,23(4):26-30.doi:10.6046/gtzyyg.2011.04.05.

HuangL,ZuoXQ,FengC,etal.Object-orientedimagesegmentationbasedoncannyalgorithm[J].RemoteSensingforLandandResources,2011,23(4):26-30.doi:10.6046/gtzyyg.2011.04.05.

[11]SziranyiT,ShadaydehM.ImprovedsegmentationofaseriesofremotesensingimagesbyusingafusionMRFmodel[C]//Proceedingsofthe11thInternationalWorkshoponContent-BasedMultimediaIndexing(CBMI).Veszprem,Hungary:IEEE,2013:137-142.

[12]王雷光,劉國英,梅天燦,等.一種光譜與紋理特征加權(quán)的高分辨率遙感紋理分割算法[J].光學學報,2009,29(11):3010-3017.

WangLG,LiuGY,MeiTC,etal.Asegmentationalgorithmforhigh-resolutionremotesensingtexturebasedonspectralandtextureinformationweighting[J].ActaOpticaSinica,29(11):3010-3017.

[13]李華勝,黃平平,蘇瑩.一種提取遙感影像中道路信息的方法[J].國土資源遙感,2015,27(2):56-62.doi:10.6046/gtzyyg.2015.02.09.

LiHS,HuangPP,SuY.Amethodforroadextractionfromremotesensingimagery[J].RemoteSensingforLandandResources,2015,27(2):56-62.doi:10.6046/gtzyyg.2015.02.09.

[14]BencherifMA,BaziY,GuessoumA,etal.Fusionofextremelearningmachineandgraph-basedoptimizationmethodsforactiveclassificationofremotesensingimages[J].IEEEGeoscienceandRemoteSensingLetters,2015,12(3):527-531.

[15]蔡紅玥,姚國清.基于分水嶺算法的高分遙感圖像道路提取優(yōu)化方法[J].國土資源遙感,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

CaiHY,YaoGQ.Optimizedmethodforroadextractionfromhighresolutionremotesensingimagebasedonwatershedalgorithm[J].RemoteSensingforLandandResources,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

[16]周紹光,孫金彥,凡莉,等.高分辨率遙感影像的建筑物輪廓信息提取方法[J].國土資源遙感,2015,27(3):52-58.doi:10.6046/gtzyyg.2015.03.10.

ZhouSG,SunJY,FanL,etal.Extractionofbuildingcontourfromhighresolutionimages[J].RemoteSensingforLandandResources,2015,27(3):52-58.doi:10.6046/gtzyyg.2015.03.10.

(責任編輯： 劉心季)

A near-rectangle guided segmentation method for remotesensingimagesofcornfieldareas

LIANG Ruofei1， YANG Fengbao1， WANG Yimin2， MENG Yingchen2， WEI Hong3

(1. Information and Communication Engineering College， North University of China， Taiyuan 030051， China； 2. Remote Sensing Center of Agriculture, Shanxi Province， Taiyuan 030051， China； 3. School of Systems Engineering， University of Reading， Reading RG6 6AU， UK)

Abstract:Cornfieldremotesensingimageshaveamassofendmemberspectralvariabilityamongmarginallandarea.Whentraditionalmethodisusedforcornblocksegmentation,itwillproduceanumberofsmallcornplotareasattheedgeandresultinstatisticalerrorsoftheplantingarea.Accordingtothedistributioncharacteristicsoflargecornplantingarea,annear-rectangleguidedsegmentationmethodforremotesensingimagesincornfieldareasisproposed.First,theSUSAN(smallestunivalesegmentassimilatingnucleus)operatorisusedforedgedetectionfromGF-1fusionimages.Then,accordingtotherelationshipbetweenclosedareaandexternalnearrectangular,thenearrectangle-guidedcorrelationfunctionisbuilt.Atlast,thenear-rectangleguidedthresholdfunctionisintroducedintothegraph-basedsegmentationalgorithmtoimplementthefieldparcelsegmentationofaspecificshape.Theresultswerecomparedwiththegraph-basedsegmentationalgorithm,thewatershedalgorithmandtheartificialinterpretationsample.Itisshownthatthemethodproposedinthispaperiseffectiveindistinguishingdifferentfeatures,andthenegativeimpactresultingfromtheendmemberspectralvariabilitycanbereduced.Thesegmentationresultsaremoreinlinewiththeactualcharacteristicsofcorndistribution,conformingwiththeactualstatisticsofthecornfieldarea.

Keywords:remotesensingimage；fieldparcelsegmentation；edgedetection；near-rectangleguided

doi:10.6046/gtzyyg.2016.03.09

收稿日期：2015-04-17；

修訂日期：2015-06-04

基金項目：國家自然科學基金項目“雙色中波紅外成像差異特性及圖像融合方法研究”(編號： 61171057)和山西省研究生教育創(chuàng)新項目“LiDAR數(shù)據(jù)快速地物分類的精度提高方法研究”(編號： 2015SY61)共同資助。

中圖法分類號：TP751.1

文獻標志碼：A

文章編號：1001-070X(2016)03-0053-07

第一作者簡介：梁若飛(1989-),男,碩士研究生,主要研究方向為遙感圖像地物分類。Email：liangruofeinuc@163.com。

引用格式： 梁若飛,楊風暴,王毅敏,等.一種類矩形引導(dǎo)的玉米田遙感圖像分割算法[J].國土資源遙感,2016,28(3)：53-59.(LiangRF,YangFB,WangYM,etal.Anear-rectangleguidedsegmentationmethodforremotesensingimagesofcornfieldareas[J].RemoteSensingforLandandResources,2016,28(3)：53-59.)