面向農業應用的無人機遙感影像地塊邊界提取

吳晗 林曉龍 李曦嶸 徐新

摘 要：針對無人機（UAV）影像農田場景地塊邊界提取過程中由于大幅面、高分辨率和地塊尺寸大小不一致等帶來的過分割問題，提出了一種基于多尺度分割的地塊邊界自動化提取流程。該流程采用分塊分割策略，在多尺度組合聚合（MCG）分割方法框架下，通過對比實驗研究并選取最佳地面采樣距離和分析邊界提取準確率關于尺度變化曲線選擇最優分割尺度，進而實現了地塊邊界自動提取。以湖北省仙桃市為數據源進行的實驗結果表明：面向地塊邊界提取的最佳地面采樣距離為30cm，最優分割尺度為[0.2，0.4]，整場景總體地塊邊界提取準確率可達90%以上。該方法不僅能準確提取大幅面的農業地塊邊界，也可為后期農業無人機航拍規劃提供參考依據。

關鍵詞：無人機影像;分割;邊界提取;地面采樣距離;農業應用

中圖分類號： TP79

文獻標志碼：A

Abstract： Aiming at the over-segmentation problem caused by inconsistency of large-format， high-resolution and inconsistency of parcel size in extraction of Unmanned Aerial Vehicle （UAV） remote sensing image of farmland scene， an automatic extraction process for land boundary based on multi-scale segmentation was proposed. In this process， the block segmentation strategy was adopted under the framework of Multi-scale Combinatorial Grouping （MCG） segmentation method. The optimal ground sampling distance was selected by comparing experimental research and optimal segmentation scale was selected by analyzing the variation curve of boundary extraction accuracy with scale， therefore automatic extraction process of parcel boundaries was achieved. Experiments were conducted on the data collected from Xiantao City， Hubei Province. The experimental results show that the most suitable ground sampling distance for extracting land parcel boundary is about 30cm and the optimal segmentation scale is [0.2，0.4]. The accuracy of land parcel boundary extraction can be more than 90%. In addition， the proposed method can accurately extract large-scale agricultural parcel boundary and also can provide a reference for later aerial program of agriculture UAV.

Key words： Unmanned Aerial Vehicle （UAV） image; segmentation; boundary extraction; Ground Sampling Distance （GSD）; agricultural application

0 引言

遙感技術正被廣泛用于地物分類[1]、災害監測[2]及土地利用規劃[3]等方面，在全國第三次土地調查的大背景下，無人機遙感系統因具有機動靈活、低成本、高效獲取高分辨率影像等優點，在農業大面積遙感影像數據獲取方面具有獨特優勢[4-6]。在農業應用方面，準確提取地塊邊界在作物分類、生產狀況監測、營養診斷等信息獲取中發揮著重要作用[7-10]，但無人機遙感影像的高分辨率卻給地塊邊界提取帶來了挑戰[11-12]。目前使用無人機遙感影像提取地塊邊界的主要問題有：1）對大面積農作物數據，農業無人機影像需拼接而成，無法直接處理大尺寸影像且自動提取地塊邊界精度低;2）高分辨率無人機遙感影像由于細節豐富、地塊尺寸大小不一致等原因，存在大量過分割現象。

使用圖像分割方法提取地塊邊界是一種常見手段，許多學者也利用分割方法開展了農田地區邊界提取的研究。龐新華等[13]以QuickBird影像數據為研究對象，借助邊緣提取和數學形態學的圖像分割方法進行耕地地塊邊界的提取。陳伊哲等[14]指出微分算子雖然能夠有效識別農田地塊的邊緣，但是對噪聲有放大作用，而利用基于區域分割中的閾值法可以有效消除農田地塊圖像的噪聲影響。陳杰等[15]利用各向異性擴散算子在Sobel得到的梯度圖上生成多尺度梯度影像，通過信息熵差異分析得到有效尺度范圍，結合標記分水嶺算法實現丘陵農田地塊邊界提取。張萍等[16]基于機器學習的方法，采用基于支持向量機（Support Vector Machine， SVM）分類方法進行邊緣提取。王小娟等[17]通過將RGB影像轉換到HIS空間，基于I分量的閾值分割法提取山區田間道路邊界。Garcia-Pedrero等[18]結合超像素和監督分類方法，優化區域合并，將分割問題轉化為機器學習問題，實現農業場景中的高分辨率遙感影像邊界提取。Wassie等[19]基于WorldView-2衛星圖像，在QGIS請補充QGIS的英文全稱?；貜停篞GIS是一個軟件的名稱，這個不需要寫全稱的，通用描述，就類似MATLAB，python這樣的軟件一樣。平臺中使用均值漂移分割方法半自動提取農業場景地籍邊界。Vetrivel等[20]使用幾何及3D點云特征，通過區域增長方法實現無人機遙感影像分割及邊界提取。盡管上述研究在農田地區邊界提取上取得了一定進展，但受灌溉方式、地形起伏等因素影響，不同地區的農田在形狀和大小上存在較大差異，大部分算法只適用于特定的小面積農田區域，且算法計算復雜度高，難以實現自動化。針對江漢平原地區的大面積范圍水稻的遙感監測，無人機所拍攝的農業影像幅面大，影像分辨率高，如何快速、準確地自動提取地塊邊界在整個遙感監測中具有極其重要的作用。多尺度組合分割根據英文全稱的表達，是否應該為“多尺度組合分組”？請明確（Multiscale Combinatorial Grouping， MCG）多尺度組合聚合（Multi-scale Combinatorial Grouping， MCG） 分割算法[21]是一種在自然影像數據集中進行圖像輪廓檢測和分割的開源算法。該算法能夠有效降低時間復雜度，同時還能實現對影像不同細節程度的分割，適用于農業中地塊邊界提取的應用需求。

在無人機遙感影像分割過程中，影像空間分辨率和分割尺度是影響分割效果和邊界提取的兩個重要因素。雖然高分辨率影像能夠清楚地顯示地物細節信息，但空間分辨率的提高并不能保證地塊邊界準確率的提高，黃慧萍等[22]的研究表明關鍵在于找到與地物尺度相匹配的空間分辨率。地面采樣距離（Ground Sampling Distance， GSD）是衡量影像空間分辨率的重要指標，根據所選擇的GSD，利用相機的焦距等信息，可計算得到相對應航高[23]。合適的地面采樣距離能夠有效加快地塊分割進程，同時對指導無人機的飛行高度具有重要意義，可有效降低人力資源和設備成本。面向對象解譯在高分辨率影像信息提取中得到了廣泛應用，但影像分割的基礎問題仍嚴重制約其自動化水平，尤其是分割參數選擇[24-25]。由于實際地物尺度不一樣，分割尺度太大則分割區域面積大，過分割現象嚴重;分割尺度太小則分割區域面積小，欠分割現象嚴重。分割尺度的選擇直接決定了分割對象的大小[26]及邊界提取精度，如何選擇合適的分割尺度是準確提取地塊邊界的關鍵。

針對上述問題，本文以湖北省仙桃市為研究區，提出了一種基于MCG分割的地塊邊界自動化提取流程。主要目的是結合MCG分割方法，通過實驗研究并選取最佳地面采樣距離和最優分割尺度，進而實現地塊邊界自動提取;同時該流程采用分塊分割策略，以提高地塊邊界提取的速度，提高實用性。最后通過對比實驗驗證了該流程在農業地塊邊界提取過程中的優勢及實用性。

1 地塊邊界自動化提取流程

1.1 總體流程

根據農業中無人機遙感影像地塊邊界提取的應用需求及地塊邊界提取過程中的兩個重要因素，設計地塊邊界自動化提取流程如圖1所示。地塊邊界自動化提取流程主要包括：影像預處理、MCG分割和二值化。通過對影像預處理，采用分塊分割策略解決大幅面影像下難以自動提取地塊邊界問題，同時通過對比實驗選取最適宜提取農業地塊邊界的地面采樣距離。采用MCG分割后，通過分析邊界提取準確率關于尺度變化曲線選擇最優分割尺度，從而實現自動化。

1.2 分塊準則

對農業遙感數據，高分辨率無人機影像由單張影像拼接而成，幅面大，難以直接處理，因此，該流程采用分塊分割策略，在MCG分割方法框架下，通過實驗研究并選取最佳地面采樣距離，既能克服大幅面下無人機影像難以直接分割的難點，又能提高實用性。

一幅圖像I尺寸大小為M*N，地面采樣距離（GSD）為Rg，對其進行s倍下采樣，則：下采樣后圖像I′大小為（M/s）*（N/s），地面采樣距離Rg′=s*Rg。

當拍攝的農業場景范圍較廣，無人機影像幅面較大，將影像下采樣到最佳地面采樣距離時，影像仍然較大，難以直接進行分割，故需要進一步對影像進行分塊。采用分塊分割策略，既能提高地塊邊界提取的速度，又能提高實用性。假設切塊后每小塊影像的大小為W*H，則整景影像切塊后的數量Num：

通過實驗經驗可得，每小塊影像切分成大小為1000×1000像素最佳。

1.3 MCG分割算法

MCG是一種快速、有效的輪廓檢測和圖像分割算法。首先該方法基于結構森林邊緣檢測器[27]快速檢測圖像邊緣，但此時邊緣是非閉合的線段;然后通過頻譜劃分來考慮局部和全局圖像尺度上的邊緣，使用有向分水嶺變換（Oriented Watershed Transform， OWT）將檢測的邊緣生成閉合區域，并消除紋理化區域中的無關邊緣來識別最初的輪廓;最后通過全局化加權每個邊界和區域，將每個像素的大小轉換為邊界概率，構建一個定義分層分割的超度量等高圖（Ultrametric Contour Map， UCM），超度量等高圖的值表示閉合區域的等級，分割效果如圖2所示，UCM中亮度表示邊界概率值的大小。

農業用地在高分辨率無人機遙感影像上呈現地塊相對規整，地塊尺寸大小不一，細節信息十分清楚。使用MCG算法進行輪廓檢測，獲得超度量等高圖，不僅各地塊間的邊界清晰可見，且同一地塊內部的細小邊界也可見。由于超度量等高圖的值表示這些區域的等級，取值范圍為[0，1]，通過改變超度量等高圖值的大小能夠改變分割區域的大小，故將超度量等高圖的值定義為尺度k，通過控制尺度k的大小將超度量等高圖二值化形成邊界圖，去除細節信息，保留明顯邊界，解決由于地塊尺寸大小不一致導致的過分割問題，提高地塊邊界提取的準確性。

2 研究區與數據源

2.1 研究區概況

本文研究區位于仙桃市，地處湖北省中南部，屬于江漢平原地區。地形平坦開闊，土層深厚、土壤肥沃，屬于北亞熱帶季風氣候，歷來是湖北省乃至我國重要的糧食生產基地。稻米作為主要糧食作物之一，中稻是其最主要部分，仙桃市常年中稻種植面積為5.5～6萬公頃，主要生產期是4—9月[28]，因此為研究區域具有一定的代表性和適用性。

2.2 數據獲取

本文采用精靈4 Pro無人機系統作為數據采集平臺，記錄中稻在幼苗期、分蘗期、孕穗期、抽穗期、乳熟期及成熟期的無人機遙感影像。拍攝航高為110m，影像地面采樣距離約為3cm，為RGB影像。無人機拍攝后的單景數據通過Pix4d UAV軟件進行影像拼接，整個工作流程由軟件自動完成。

本文使用數據為2017年7月6日在湖北省仙桃市沙湖鎮紅軍壩村拍攝的無人機遙感影像，如圖3所示，此時正值中稻分蘗期。影像1（圖3（a））大小為16619×18428像素，影像2（圖3（b））大小為17110×18895像素。影像紅色白色圖片為黑白印刷，無法體現彩色，請針對灰度圖像對此描述進行調整;又或將文中的圖片框線改為不同類型的虛線來表達，這樣更為準確些。本文的圖3～12均存在這樣的情況，且紅線非常不容易區分出來，請用白色方框來重新制作?？騼葹閮蓧K區域內感興趣的農作物中稻種植區域，如圖4所示，大小均為10000×10000像素，其中紅色白色線條為根據地面人工調查標注的地塊邊界（為防止邊界定位不準確，對邊界進行了形態學膨脹）。水稻種植區域在高分辨率遙感影像中呈現地塊相對規整，邊界大多呈直線狀，但地塊所占面積大小不一，平均面積偏小，地塊數量多，且部分地塊邊界不清晰，易產生過分割。

3 實驗結果與分析

3.1 評價指標

實驗結果評價包括基于專業知識的定性評價和通過計算相應客觀評價指標的定量評價。定性評價針對影像分割后的邊界提取結果圖，定量評價針對真實邊緣的檢出率（簡稱實檢率）、實檢邊緣中真實邊緣的比率（簡稱真檢率）、錯分誤差及漏分誤差，計算公式如下。

3.2 最佳地面采樣距離選擇

通過雙線性插值法對無人機影像進行下采樣，對不同地面采樣距離下的地塊邊界提取結果進行對比分析，以實驗方法確定最適宜提取農業耕地地塊邊界的地面采樣距離;同時為最大限度地實現自動化和提高實用性，將下采樣后的影像切分成1000×1000像素大小的塊進行處理，影像大小與GSD對應關系及分塊數如表1所示。

根據自動化流程，對采樣后的影像分別切塊后進行MCG分割，將分割后的邊界提取結果以同樣的方式合并，在同一分割尺度下二值化獲取地塊邊界提取結果。區域1和區域2在不同GSD下地塊邊界提取結果如圖5和圖6所示，定量分析結果如表2所示。

由圖5可得：在不同GSD下，地塊邊界提取結果有明顯區別;在地塊邊界較弱區域邊界漏分現象明顯（圖5（f）），在裸土較多區域邊界錯分現象明顯（圖5（a））;影像進行切片后，部分規則種植水稻區域處內部區域邊界都被檢測出來，造成邊界錯分（圖5（d））。由表2可得：地塊邊界提取準確率與影像地面采樣距離有關，對影像進行下采樣后，隨著GSD的增加，影像空間分辨率降低，實檢率P和真檢率R呈現先增加后減小的趨勢，總體精度F也呈現先增加后減小的趨勢，時間復雜度逐漸降低;在GSD為30cm時兩者的準確率都能達到90%以上，總體地塊邊界提取結果最優。

對圖6目視分析和表2定量分析結果與區域1結果類似，不同之處在于隨著GSD的增加，影像空間分辨率降低，實檢率P呈現逐漸增加趨勢，真檢率R和總體精度F也呈現先增加后減小的趨勢，GSD為30cm時，總體精度F取值最大。表明隨著GSD增加，檢測到的邊界都是真實地物的邊界，但此時漏分誤差增長較快，漏檢邊界較多（圖6（f））。

綜合分析上述目視結果和定量結果的原因可得：1）通過對影像進行下采樣后，影像GSD越小，空間分辨率越高，因此細節信息越突出，容易造成邊界錯分，而GSD越大時，影像空間分辨率越低，影像的輪廓信息越明顯，細節越容易去除，容易在邊界較弱區域產生邊界漏分;2）由于影像進行切分后單個切片影像中明顯邊界與非明顯邊界形成了對比，導致不明顯邊界處像素邊界的概率值變小，從而產生邊界漏分。實際應用中應平衡兩者，將錯分誤差和漏分誤差盡量降到最低。實驗結果表明：無人機遙感影像的高分辨率給地塊邊界提取帶來了困難，空間分辨率的提高并不能保證地塊邊界準確率的提高，因此關鍵在于找到與地塊邊界相匹配的空間分辨率。在農業無人機遙感影像應用中，面向地塊邊界提取的最佳地面采樣距離為30cm。

3.3 最優分割尺度選擇

影像分割是將圖像分割成若干個互不重疊的區域，尺度的選擇決定了分割對象的大小并影響了地塊邊界的提取精度。由于尺度k的取值范圍為[0，1]，為選擇最優分割尺度，本文通過分析邊界提取準確率關于尺度k的變化曲線，最終獲得一個經驗性結論。實驗采用最佳地面采樣距離，對采樣后的影像進行MCG分割，以梯度0.05逐漸遞增k，獲取在不同尺度k下二值化獲取地塊邊界提取結果。區域1進行MCG分割后產生的UCM分割結果及在不同尺度k下地塊邊界提取結果如圖7所示，邊界提取準確率關于尺度k變化曲線如圖8所示。區域2進行MCG分割后產生的UCM分割結果及在不同尺度k下地塊邊界提取結果如圖9所示，邊界提取準確率關于尺度k變化曲線如圖10所示。

由圖7（a）和圖9（a）可得：由于地塊邊界的強弱不一致，經過MCG分割后，產生的UCM邊界值大小差異明顯，在圖中以不同顏色不同灰度值此處表述不當，因刊物是黑白印刷，無法體現顏色，請根據調整后的黑白圖片為準，重新進行語句調整表示。由于高分辨率無人機遙感影像地物細節信息豐富，部分非邊界區域會產生偽邊界，造成錯分現象，因此關鍵在于找到合適的分割尺度提取地塊邊界。由圖7和圖9地塊邊界提取結果圖可得：尺度k越小圖像過分割越嚴重，邊界錯分現象非常明顯（圖7（b）、9（b））;k越大圖像欠分割越嚴重，邊界漏分現象非常明顯（圖7（d）、9（d））。由圖8和圖10變化曲線可得：隨著尺度的增加，實檢率P呈現逐漸減小的趨勢，真檢率R呈現逐漸增加的趨勢，總體精度F呈現先增加后減小的趨勢，k取值范圍為[0.2，0.4]時，總體精度F取值最大。這是因為分割尺度k代表像素屬于邊界的概率，尺度越小細節越容易顯示，造成邊界錯分;尺度越大越容易抹掉細節，造成邊界漏分。實驗結果表明：合適的分割尺度使得影像對象能夠較好地與自然地塊邊界相匹配，通過多尺度分析可改善地塊尺寸大小不一致等帶來的過分割現象。低漏檢率往往伴隨著高錯檢率，面向農業無人機遙感影像耕地地塊邊界提取的最佳分割尺度為[0.2，0.4]。

3.4 MCG分割算法在農業中的適用性分析

針對農業中地塊邊界提取的應用需求，與經典的Sobel邊緣檢測分割算法和文獻[29]中采用的全局邊界概率（global Probability of boundary， gPb）算法及文獻[30]采用的統計區域合并（Statistical Region Merging， SRM）分割算法進行對比分析，進一步通過實驗驗證本文使用的MCG分割算法構建的地塊邊界自動化提取流程在農業無人機遙感影像中的優勢及實用性。區域1和區域2在不同分割方法下地塊邊界提取結果如圖11和圖12所示，定量分析結果如表3所示。

由圖11和圖12可得，地塊邊界較弱時，基于gPb算法和SRM算法分割結果有明顯的漏分現象（圖11（b）、12（b）、11（c）、12（c））;在裸土較多的地塊中，基于Sobel算子分割結果破碎化嚴重，且有明顯的邊界不連續現象，錯分現象嚴重（圖11（d）、12（d））。

由表3可知：在邊界提取準確率方面，基于MCG算法準確率最高，gPb算法和SRM算法次之，Sobel算子結果最差，但Sobel算子在邊界較弱區域更容易檢測出地塊邊界;在時間復雜度方面，Sobel算子時間復雜度最低，SRM算法次之，MCG算法相對較低，gPb算法最高。其原因在于Sobel邊緣檢測算子通過計算圖像亮度梯度來檢測邊界，優點在于檢測速度快，對局部亮度變化較為敏感，因此容易檢測出偽邊緣。SRM是一種統計區域合并算法，利用區域間紋理及光譜的差異性判斷其是否屬于同質區域，故其分割結果對顏色變化非常敏感，在無明顯顏色變化的弱邊界區域極易產生漏分現象。gPb算法考慮了不同方向上顏色、紋理及亮度等特征信息的變化進行邊緣檢測，故其時間復雜度高。MCG算法結合了結構森林邊緣檢測器快速有效檢測圖像邊緣，然后使用有向分水嶺變換將檢測的邊緣生成閉合區域，邊界值的大小代表該像素屬于邊界的概率，且時間復雜度相對較低。通過選擇合適的分割尺度使得影像對象能夠較好地與自然地塊邊界相匹配，故其地塊邊界提取效果較好。綜合上述分析，實驗結果表明：本文使用的MCG分割算法構建的地塊邊界自動化提取流程在農業無人機遙感影像中具有較強實用性，且邊界提取準確率高，時間復雜度低。

4 結語

本文針對農業場景中高分辨率無人機遙感影像地塊邊界提取的應用需求，引入計算機圖像處理方法，建立基于多尺度分割的地塊邊界自動化提取流程。無人機影像農田場景地塊邊界提取過程中由于大幅面、高分辨率和地塊尺度大小不一致等原因帶來的過分割現象，因此該流程采用分塊分割策略，在MCG分割方法框架下，通過實驗研究并選取最佳地面采樣距離和最優分割尺度。以湖北省仙桃市為數據源進行的實驗結果表明：面向地塊邊界提取的最佳地面采樣距離為30cm，最優分割尺度為[0.2，0.4]，整場景總體地塊邊界提取準確率可達90%以上。結合無人機拍攝系統，該方法也可為后期農業無人機航拍規劃提供依據。雖然本文的框架能夠產生一個自動化、適用于農田場景的地塊邊界提取工具，但仍然存在一些不足。例如，在地塊邊界較弱區域會產生邊界漏檢現象，這也是本文下一步要解決的問題。

參考文獻 （References）

[1] 李平，徐新，董浩，等.利用可分性指數的極化SAR圖像特征選擇與多層SVM分類[J].計算機應用，2018，38（1）：132-136.（LI P， XU X， DONG H， et al. Polarimetric SAR image feature selection and multi-layer SVM classification using divisibility index [J]. Journal of Computer Applications， 2018， 38（1）： 132-136.）

[2] 劉棟，童敏明，路紅蕊.無人機多機協作探索煤礦災變環境算法[J].計算機應用，2017，37（8）：2401-2404.（LIU D， TONG M M， LU H R. Algorithm for exploring coal mine disaster environment by multi-UAV cooperation [J]. Journal of Computer Applications， 2017， 37（8）： 2401-2404.）

[3] 李寧，李剛，鄧中亮.改進灰狼算法在土壤墑情監測預測系統中的應用[J].計算機應用，2017，37（4）：1202-1206.（LI N， LI G， DENG Z L. Application of improved grey wolf optimizer algorithm in soil moisture monitoring and forecasting system[J]. Journal of Computer Applications， 2017， 37（4）： 1202-1206.）

[4] 王利民，劉佳，楊玲波，等.基于無人機影像的農情遙感監測應用[J].農業工程學報，2013，29（18）：136-145.（WANG L M， LIU J， YANG L B， et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（18）： 136-145.）

[5] 張正健，李愛農，邊金虎，等.基于無人機影像可見光植被指數的若爾蓋草地地上生物量估算研究[J].遙感技術與應用，2016，31（1）：51-62.（ZHANG Z J， LI A N， BIAN J H， et al. Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehicle image[J]. Remote Sensing Technology and Application， 2016， 31（1）： 51-62.）

[6] BARNES G， VOLKMANN W. High-resolution mapping with unmanned aerial systems[J]. Surveying and Land Information Science， 2015， 74（1）： 5-13.

[7] YANG M D， HUANG K S， KUO Y H， et al. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery[J]. Remote Sensing， 2017， 9（6）： 583.

[8] LIU W， DONG J， XIANG K， et al. A sub-pixel method for estimating planting fraction of paddy rice in Northeast China[J]. Remote Sensing of Environment， 2018， 205： 305-314.

[9] CROMMELINCK S， BENNETT R， GERKE M， et al. Review of automatic feature extraction from high-resolution optical sensor data for UAV-based cadastral mapping[J]. Remote Sensing， 2016， 8（8）： 689.

[10] LUO X， BENNETT R M， KOEVA M， et al. Investigating semi-automated cadastral boundaries extraction from airborne laser scanned data[J]. Land， 2017， 6（3）： 60.

[11] 張超，喬敏，劉哲，等.基于無人機和衛星遙感影像的制種玉米田識別紋理特征尺度優選[J].農業工程學報，2017，33（17）：98-104.（ZHANG C， QIAO M， LIU Z， et.al. Texture scale analysis and identification of seed maize fields based on UAV and satellite remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（17）： 98 -104.）

[12] BRUZZONE L， CARLIN L. A multilevel context-based system for classification of very high spatial resolution images[J]. IEEE Transactions on Geoscience & Remote Sensing， 2006， 44（9）：2587-2600.

[13] 龐新華，朱文泉，潘耀忠，等.基于高分辨率遙感影像的耕地地塊提取方法研究[J].測繪科學，2009，34（1）：48-49.（PANG X H， ZHU W Q， PAN Y Z， et al. Research on cultivated land parcel extraction based on high-resolution remote sensing image[J]. Science of Surveying and Mapping， 2009， 34（1）：48-49.）

[14] 陳伊哲，湯修映，彭彥昆，等.農田地塊圖像分割技術研究[J].農業機械學報，2010，41（s1）：253-256.（CHEN Y Z， TANG X Y， PENG Y K， et al. Image segmentation technology for field parcel[J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（s1）：253-256.）

[15] 陳杰，陳鐵橋，梅小明，等.基于最優尺度選擇的高分辨率遙感影像丘陵農田提取[J].農業工程學報，2014，30（5）：99-107.（CHEN J， CHEN T Q， MEI X M， et al. Hilly farmland extraction from high resolution remote sensing imagery based on optimal scale selection[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（5）： 99-107.）

[16] 張萍，王琳，游星.基于SVM分類的邊緣提取算法[J].成都理工大學學報（自然科學版），2017，44（2）：247-252.（ZHANG P， WANG L， YOU X. Edge extraction algorithm based on SVM classification[J]. Journal of Chengdu University of Technology （Science & Technology Edition）， 2017， 44（2）： 247-252.）

[17] 王小娟，李云伍，劉得雄，等.基于機器視覺的丘陵山區田間道路虛擬中線提取方法[J].西南大學學報（自然科學版），2018，40（4）：162-169.（WANG X J， LI Y W， LIU D X， et al. A machine vision-based method for detecting virtual midline of field roads in the hilly areas[J]. Journal of Southwest University （Natural Science Edition）， 2018， 40（4）： 162-169.）

[18] GARCIA-PEDRERO A， GONEZALO-MARTIN C， LILLO-SAAVEDRA M. A machine learning approach for agricultural parcel delineation through agglomerative segmentation[J]. International Journal of Remote Sensing， 2017， 38（7）： 1809-1819.

[19] WASSIE Y A， KEOVE M N， BENNETT R M， et al. A procedure for semi-automated cadastral boundary feature extraction from high-resolution satellite imagery[J]. Journal of Spatial Science， 2018， 63（1）： 75-92.

[20] VETRIVEL A， GERKE M， KERLE N， et al. Segmentation of UAV-based images incorporating 3D point cloud information[J]. The International Archives of Photogrammetry， Remote Sensing and Spatial Information Sciences， 2015， 40（3）： 261.

[21] ARBELAEZ P， PONT-TUSET J， BARRON J T， et al. Multiscale combinatorial grouping[C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 328-335.

[22] 黃慧萍，吳炳方.地物大小、對象尺度、影像分辨率的關系分析[J].遙感技術與應用，2006，21（3）：243-248.（HUANG H P， WU B F. Analysis to the relationship of feature size， objects scales， image resolution[J]. Remote Sensing Technology and Application， 2006， 21（3）： 243-248.）

[23] LOPEZ G F， TORRES S J， SERRAN P A， et al. Early season weed mapping in sunflower using UAV technology： variability of herbicide treatment maps against weed thresholds [J].Precision Agriculture， 2016， 17（2）： 183-199.

[24] 王志華，孟樊，楊曉梅，等.高空間分辨率遙感影像分割尺度參數自動選擇研究[J].地球信息科學學報，2016，18（5）：639-648.（WANG Z H， MENG F， YANG X M， et al. Study on the automatic selection of segmentation scale parameters for high spatial resolution remote sensing images [J]. Journal of Geo-Information Science， 2016，18（5）：639-648.）

[25] 張吉星，程效軍，郭王.一種高分辨率遙感影像最優分割尺度確定的方法[J].地礦測繪，2016，32（2）：12-14.（ZHANG J X， CHENG X J， GUO W. A method of determining optimal segmentation scale of high resolution remote sensing image [J]. Surveying and Mapping of Geology and Mineral Resources， 2016， 32（2）：12-14.）

[26] 王宏勝，李永樹，吳璽，等.結合空間分析的面向對象無人機影像土地利用分類[J].測繪工程，2018，27（2）：57-61.（WANG H S， LI Y S， WU X， et al. Object-oriented land use classification from UAV imagery with spatial analysis[J]. Engineering of Surveying and Mapping， 2018，27（2）：57-61.）

[27] DOLLAR P， ZITNICK C L. Fast edge detection using structured forests[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（8）： 1558-1570.

[28] 張祖潛，廖蕾艷，葉燕平.仙桃氣象條件對中稻產量的影響分析[J].農業與技術，2017，37（22）：216-217.（ZHANG Z Q， LIAO L Y， YE Y P. Analysis of the influence of the weather conditions of Xiantao on the yield of middle rice [J]. Agriculture & Technology， 2017，37（22）：216-217.）

[29] CROMMELINCK S， BENNETT R， GERKE M， et al. Contour detection for UAV-based cadastral mapping[J]. Remote Sensing， 2017， 9（2）： 171.

[30] CHENG J， LI L， LUO B， et al. High-resolution remote sensing image segmentation based on improved RIU-LBP and SRM[J]. EURASIP Journal on Wireless Communications & Networking， 2013， 2013（1）：263.