一種面向農業無人機影像分割的尺度參數自動確定方法

石雅嬌，陳鵬飛

一種面向農業無人機影像分割的尺度參數自動確定方法

石雅嬌1,2，陳鵬飛1,3

（1中國科學院地理科學與資源研究所/資源與環境信息系統國家重點實驗室，北京 100101；2中國科學院大學，北京 100049；3江蘇省地理信息資源開發與利用協同創新中心，南京 210023）

【】自動提取影像中作物種植區域信息，對于推動無人機高分辨率影像在精準農業中的應用具有重要意義。本研究針對分割評價函數中加權局部方差法（weighted local variance，WLV）的缺陷，面向農業無人機影像高精度自動分割的需求，提出改進方法并基于不同作物田間試驗數據進行對比驗證。針對沒有充分考慮分割對象內部同質性的問題，本研究在的基礎上增加對象間同質性的計算，提出了改進加權局部方差法（improved weighted local variance，IWLV）。設計玉米氮肥試驗和小麥水肥試驗，獲取不同作物不同時期及長勢下的無人機影像?；讷@取的無人機影像，設置不同情景，分別耦合主流分割算法與、法開展影像分割，將它們的分割結果與人機交互分割結果進行對比，并基于單尺度對象精度（single-scale object accuracy，SOA）法進行評價?；诜ㄟx擇的最優分割尺度往往偏大，分割影像時會存在欠分割現象，而基于法選擇的分割尺度進行分割的結果與人機交互分割結果更為接近。對于所有設定的分割情景，法獲得了更高的值。與法相比，本研究提出的法可以更準確實現無人機影像分割中尺度參數的自動確定。

尺度參數；圖像分割；無人機影像；改進加權局部方差法

0 引言

【研究意義】相對于其他遙感平臺，無人機遙感具有機動靈活的特點，容易獲取高時間、空間分辨率影像，對于精準農業管理具有重要意義[1]。高空間分辨率的影像為準確區分作物植株與土壤等背景提供了數據支撐。長期以來，學者們一直在設計各種光譜指數來去除土壤等背景的干擾[2-4]。如果基于高空間分辨率的無人機影像直接把土壤等背景去除掉，那對于提高作物生理生化參數反演精度具有重要意義。已有學者的研究表明，基于高分辨率無人機影像剔除土壤背景可提高作物水分、植株氮濃度等參數的反演精度[5-6]。另外，準確提取田間作物，對于識別雜草、監測苗情等都非常重要?；谶b感影像區分作物與土壤背景，實際是對影像進行分類。對影像進行分類的方法包括人工目視解譯法、基于像元的自動分類法和基于對象的自動分類。目前，已有研究在提取田間作物時，多采用目視解譯法或基于像元分類法[6-7]。目視解譯法工作量大，而像元法往往“椒鹽現象”嚴重[8-9]。對于無人機超高空間分辨率影像來說，面向對象的分類方法往往能取得較好的結果[10-11]。面向對象分類法的基本流程是通過圖像分割獲得對象，然后對分割對象進行分類以達到識別目標地物的目的。因此，圖像分割是面向對象遙感影像處理中的重要環節[12-13]。在分割對象時，需要設定尺度參數，它與對象大小密切相關。目前，研究人員多基于經驗多次人工嘗試獲得，大大限制了其推廣應用[14]。因此，針對無人機影像高精度自動分割需求，開展尺度參數自動確定方法研究，對精準農業管理具有重要意義。【前人研究進展】對于影像的自動分割，目前基于無人機影像的研究還較少，已有研究多基于高分辨率衛星影像數據開展[15-18]。但這些研究工作為開展無人機影像方面的相關應用提供了參考。根據“對象內部有較好的同質性，對象間有較好的異質性”的原則來構建評價函數，根據評價函數值變化的趨勢，選擇“變化速率最大”或“拐點”位置處的尺度參數值作為最優值，是已有尺度參數自動確定方法的核心思想[19-22]。構建對象內平均光譜角作為評價函數，Yang等[23]認為平均光譜角變化速率最快時所對應的尺度參數值為最優值。隨后，針對平均光譜角只考慮對象內同質性的問題，Yang等[24]引入對象間光譜角作為對象間異質性來對前期研究進行改進。張俊等[25]在分割影像時，采用了與鄰域絕對均值差分方差比作為評價分割尺度的指標，認為其局部峰值所對應的尺度為某一地物的最佳分割尺度，來實現尺度參數的自動確定；以局部方差（Local Variance，LV）[26]為切入點，王志華等[27]提出加權局部方差（weighted local variance，WLV）作為評價函數，根據評價函數“拐點”來自動確定分割尺度參數的方法?！颈狙芯壳腥朦c】法計算簡單，較易實現，但其在分割時只考慮了對象間異質性，缺乏對同質性的考慮，可能會導致分割結果欠準確?！緮M解決的關鍵問題】本研究提出了一種改進的分割尺度參數自動確定方法，并依托不同水、肥條件下獲取的玉米、小麥多生育期、不同長勢下無人機影像對改進前后的方法進行對比分析，為農業無人機影像自動分割提供新的技術支撐。

1 材料與方法

1.1 田間試驗

為滿足實際應用需求，本研究構建了不同作物的田間試驗，以豐富試驗場景。

1.1.1 玉米氮肥梯度試驗 于2018年5月—10月在吉林省蔡家鎮（124°40′25″E，43°24′00″N）開展試驗。品種為“吉單558”。試驗設5個處理，3個重復，共15個小區，各小區面積為7.8 m×13 m。其中，5個氮肥處理分別為0、70、140、210、280 kg·hm-2。除氮肥外，各小區其他管理措施相同，試驗示意如圖1所示。

N5N4N2N1N3 N4N3N1N2N5 N2N1N5N4N3

1.1.2 冬小麥水、氮耦合試驗 試驗于2018年10月至2019年6月在中國科學院禹城站（116°34′13″E，36°50′00″N）內開展。品種為“維麥8號”。試驗設2個水分處理，5個氮肥處理，共32個小區，各小區面積為10 m×5 m。其中，水分處理分別為90 mm和60 mm灌溉量；氮肥處理分別為0、15 000 kg·hm-2廄肥、15 000 kg·hm-2廄肥+100 kg·hm-2氮肥、15 000 kg·hm-2廄肥+200 kg·hm-2氮肥、15 000 kg·hm-2廄肥+300 kg·hm-2氮肥。除氮肥外，各小區其他管理措施相同，試驗示意如圖2所示。

1.2 遙感數據

分別在玉米大喇叭口期和抽雄前期，冬小麥拔節期開展無人機飛行，基于3DR Solo無人機（3DR，加利福尼亞，美國）搭載RedEdge M多光譜傳感器（MicaSense，華盛頓，美國）獲取相關影像數據。其中，RedEdge M傳感器共有5個波段，中心波長分別為藍光波段（475 nm）、綠光波段（560 nm）、紅光波段（668 nm）、近紅外波段（840 nm）和紅邊波段（717 nm）。無人機作業時，其航向和旁向的重疊率均設為75%，并在飛行前拍攝白板以用于后期將影像的DN值轉換為反射率。其中，玉米試驗的無人機飛行高度為50 m，對應影像空間分辨率約為3.5 cm；小麥試驗的無人機飛行高度為30 m，對應影像空間分辨率約為2.0 cm。Pix4D ag軟件（Pix4D，洛桑，瑞士）用來進行無人機影像的拼接和反射率計算。另外，基于厘米級誤差差分GPS天寶GEO 7X（Trimble，加利福尼亞，美國）采集的高精度地面樣點數據對影像做幾何精校正。

N2W1N5W1N4W1N1W1N3W2N2W2N4W2N5W2 N1W1N4W1N3W1N5W1N2W2N5W2N1W2N4W2 N4W1N3W1N5W1N2W1N1W2N3W2N2W2N5W2 N1W1N5W1N2W1N3W1N4W2N1W2N5W2N3W2

1.3 改進的尺度參數自動確定方法

本研究在方法的基礎上，綜合考慮對象內同質性和對象間異質性提出改進方法。法借鑒了的理論，將對象及其相鄰對象作為該對象的鄰域對象集；計算各鄰域對象集的局部方差，然后將所有對象的鄰域對象集局部方差的算術均值作為值。其中，在計算鄰域對象集局部方差時，將相鄰對象的面積和中心對象與相鄰對象的公共邊長的乘積作為權重。的計算方法如公式（1）—（3）所示。可以看出，方法著重計算對象間異質性，沒有充分考慮對象內同質性。因此，本研究在的基礎上增加對象內同質性的計算，以標準差表示同質性，在公式（2）的基礎上減去對象內標準差。此外，為了避免過分割和欠分割現象，將1/()作為對象內同質性的權重，將1-1/()作為對象間異質性的權重。本研究將改進后的方法稱之為改進加權局部方差方法（improved weighted local variance，IWLV），計算如公式（4）和（5）所示。影像分割過程中，當分割對象與目標的尺寸相近時，對象間異質性最大，同質性最小，此時的值會大于在其他情況下分割結果的值，表現為最大。

式中，()為分割結果的加權局部方差；#為波段數；為波段集合；為波段集合中的一個波段（為了消除不同波段的量級差異，對各波段做歸一化處理）；為分割結果中的一個對象；()為對象的權重，在此設置為1，表示每個對象的在計算時同等重要；(,)為對象在波段上的加權局部方差，計算如公式（2）所示。

式中，()為對象的鄰域對象集，包含本身；為()中的一個對象；()為的權重，由對象的面積和對象、公共邊長的乘積計算而來；m()為對象在波段上的均值；m(())為對象的鄰域對象集在波段上的加權均值，計算見公式（3）。

式中，()為分割結果的改進加權局部方差；(,)表示對象在波段上的改進加權局部方差，計算見公式（5）。

式中，STD()為對象在波段上的內部標準差，()為與對象相鄰的對象個數。

數據模型優點在與對數據的轉化能力，其可以資本成本決策工作人員輸入的數據，自動的將數據具體化，通過與CAD圖紙設計的有效結合，將數據轉化為具體的模型，如圖一所示，這樣通過技術來實現數據模型的建立，很大程度的解決了上文提出的設計圖紙精準度較低的問題。這樣實現了對造價數據的有效轉換，可以幫助資本成本決策工作人員對造價數據進行有效的分析，同時也縮短了工作時間，在提高資本成本決策工作效率的同時，達到了提高圖紙精準度的目的。

1.4 數據分析方法

為驗證方法，本研究將法與其進行比較。比較時，選擇目前的主流影像分割方法之一均值漂移算法作為分割算法，并基于獲取的玉米、小麥數據設計不同的比較情景。其中，玉米按2個生育期、5個氮肥處理分為10種分割場景（大喇叭口期不同氮肥處理用NS1表示，抽雄前期不同氮肥處理用NS2表示，表示數字1到5，對應圖1所示不同施肥量）；小麥按2個水分處理、5個氮肥處理也分為10種分割場景，分別用NW表示（表示數字1到5，表示數字1到2，分別對應圖2所示不同施肥量和灌溉量）。需要說明的是每種情景所涉各重復小區作為一個整體參與分割。數據處理中，分別對不同場景進行分割尺度的選擇和分割結果的驗證。此外，根據解譯經驗，綜合考慮影像分辨率和目標大小，本研究將尺度參數范圍設置為5—90之間，并以5為步長遞增，來計算評價函數值。

針對每種場景，首先分別計算不同尺度參數下的和值，得到各場景下和隨尺度變化圖；其次，分別以、最大值所對應的尺度參數值作為影像分割的最優尺度，獲取對應分割結果；最后，在情景所涉各小區內分別隨機布設1 m×2 m的矩形，在矩形內采用人機交互方式進行分割，用于評價和的精度。精度評價，采用單尺度對象精度（single-scale object accuracy，SOA）[28]作為評價指標。是計算分割結果和真實結果相似程度的指標，取值范圍在0—1之間，具體計算如公式（6）—（7）所示。其中，越小，表明分割結果欠分割或過分割現象越嚴重；越大，說明分割結果和真實結果越接近。另外，人機交互分割時，以和方法獲得的最優分割尺度參數取平均來分割影像，并采用人工目視解譯的方法對分割結果進行修正。

式中，R表示參考分割影像中的對象；P表示待評價分割影像中的對象；#表示待評價分割影像中對象的個數。

2 結果

2.1 影像基本情況

不同作物的冠層結構不同，玉米和小麥的結構差異較大，因此通過低空無人機獲取的影像也具有較大差異。從圖3—4可以看出，本研究獲取的小麥影像比玉米影像紋理上顯得更為細膩，不同處理小區間顏色對比度也大。這是由于玉米個體較大，在高分辨率無人機影像中個體信息體現得比較明顯，影像紋理上也顯得更為粗糙；在不同的水、肥處理下，各小區小麥展現出明顯的長勢差異，整體上隨水、肥的增加長勢更優。另外，對比圖3-b和圖3-c，可以看出處于玉米抽雄前期的植株比大喇叭口期的植株更加茂密?？傮w來說，本研究獲取的數據具有較復雜的場景，能為方法間的對比提供很好的支撐。

N1—N5分別表示0、70、140、210、280 kg·hm-2氮肥處理

W1：90 mm灌溉量；W2：60 mm灌溉量；N1：不施肥；N2：15 000 kg·hm-2廄肥；N3：15 000 kg·hm-2廄肥+100 kg·hm-2氮肥；N4：15 000 kg·hm-2廄肥+200 kg·hm-2氮肥；N5：15 000 kg·hm-2廄肥+300 kg·hm-2氮肥

2.2 玉米影像分割結果

2.2.1 最優尺度參數選擇 各種場景下、隨尺度參數值變化情況如圖5所示?？梢钥闯?，相對于，隨尺度參數增大，先上升后下降的趨勢更加明顯。這表明增加考慮對象內部同質性后，法比法對分割尺度變化引起的分割差異更加敏感。另外，各場景基于法和法選定的最優尺度參數值如表1所示。從表中可以看出，各分割場景基于所選的尺度參數值都比法所選的尺度參數值小，說明法相對于法傾向把影像分割得更細。此外，對比不同生育期的分割結果，可以發現玉米抽雄前期各場景下的最佳尺度參數值普遍比大喇叭口期的相應尺度參數值小。這主要是因為隨著植株生長，葉片相互交織，原本大塊的裸露土壤由于被覆蓋形成零碎的裸露土壤斑塊，識別這些小土壤斑塊需要更小的尺度參數。對比各生育期不同處理的分割結果，各處理最優分割尺度值未體現出規律性變化。

2.2.2 分割精度評價 如前所述，在各分割場景下所涉每個小區中隨機布設一個1 m×2 m的矩形，在矩形中采用人機交互方式進行分割，將結果用以評價法和法在其選擇的尺度下分割結果的精度。圖6展示了各矩形分布情況，各場景下計算的法和法的值如表2所示。可以看出，各情景下基于法的值要比法高。另外，圖7展示部分影像人機交互分割結果和分別基于法和法選擇尺度下的分割結果。其中，展示樣區位置如圖6所示。從圖中可以看出，所選尺度對應的分割結果與參考分割結果更接近，而所選尺度對應的分割結果則存在較為明顯的欠分割。以上結果說明，基于玉米各場景影像，方法分割的結果精度更高。

表1 基于玉米影像WLV法和IWLV法在各情景選擇的最優尺度值

表2 基于玉米影像WLV法和IWLV法在各情景選擇尺度下分割結果的SOA值

2.3 冬小麥影像分割結果

2.3.1 最優尺度參數選擇 各種場景下、隨尺度參數值變化情況如圖8所示。與玉米結果類似，在各分割場景中，隨著尺度參數增大，雖有波動但先上升后下降的趨勢比方法更加明顯。另外，在部分場景中，隨尺度參數增大，呈先上升后平穩甚至上升的趨勢，導致所選尺度參數值偏大。以上結果表明，相對于法，本研究提出的法在小麥不同場景下均能取得較穩健的結果?；诜ê头ㄟx定的各場景尺度值如表3所示。從表中可以看出，2種方法除N1W1所選的尺度參數相同外，在其他各分割場景中，基于所選的尺度都比所選的尺度小，同樣說明相對于傾向把影像分割得更細。此外，可以發現隨著施氮量的增加，選定的最優分割尺度整體呈增大趨勢。其主要原因是施氮量小時，小麥群體長勢較弱，相對于施氮量大時，小麥群體長勢旺盛的影像需要設置相對小的尺度來識別。不同水分處理，小麥長勢差異不顯著，因此，選定的最優分割尺度沒有趨勢性變化。

圖a—e分別對應N1S1—N5S1，圖f—j分別對應N1S2—N5S2

人機交互分割結果（a：N1S1場景；d：N3S2場景）；基于IWLV法選擇尺度分割結果（b：N1S1場景；e：N3S2場景）；基于WLV法選擇尺度分割結果（c：N1S1場景；f：N3S2場景）

表3 基于小麥影像WLV和IWLV法所選的各情景下最優尺度值

圖a—e分別對應N1W1—N5W1，圖f—j分別對應N1W2—N5W2 figure a-e denotes N1W1-N5W1 respectively, and figure f-j denotes N1W2-N5W2 respectively

圖9 小麥影像驗證區域分布圖

表4 基于小麥影像WLV法和IWLV法在各情景選擇尺度下分割結果的SOA值

人機交互分割結果（a：N2W1場景；d：N3W2場景）；基于IWLV法選擇尺度分割結果（b：N2W1場景；e：N3W2場景）；基于WLV法選擇尺度分割結果（c：N2W1場景；f：N3W2場景）

3 討論

相比于方法，本研究提出的方法既考慮了對象內部同質性，又考慮了對象間異質性，并用相鄰對象個數作為權重參數，對同質性和間異質性賦予不同的權重，最終表明方法能較好解決方法欠分割的問題，在各分割場景下都取得了更好的分割效果。此外，在基于和等方法進行影像自動分割時，若分割尺度參數范圍設置過大，則隨著尺度的增大，分割對象從包含部分目標地物到包含1個、2個或者更多目標地物的過程中，計算的、值會有波動現象。因此，自動分割過程中，設定合適的尺度范圍非常重要[29]，先驗知識是確定最優尺度參數值的重要輔助因素。

分割尺度與對象大小密切相關。同一分辨率影像下，對象越小其最優分割尺度越小。如玉米影像中，由于玉米在大喇叭口期、抽雄前期冠層基本覆蓋壟間空隙，葉片與土壤交織形成的土壤斑塊大小成為限定影像分割尺度的主要因素，所以隨著玉米生長，抽雄前期的土壤斑塊要比大喇叭口期的土壤斑塊更為細碎，其需要的分割尺度也小于大喇叭口期的分割尺度；小麥影像中，由于拔節期小麥未封壟，壟間存在大片裸露地表，小麥冠層成為限定影像分割尺度的主要因素，所以長勢越好，小麥整體冠層越大，其分割尺度越大。

此外，相對分辨率（影像分辨率與目標地物大小的比值）與分割精度密切相關。對比不同作物，可以看出玉米的分割精度整體高于冬小麥的分割精度。這是因為雖然小麥影像的分辨率（2.0 cm）高于玉米影像的分辨率（3.5 cm），但是小麥葉片長度約3—10 cm、寬度1 cm左右，玉米葉片長度在40—80 cm、寬度5 cm左右，分別對應2.0 cm和3.5 cm分辨率影像來說，小麥影像的相對分辨率要低于玉米影像的相對分辨率。所以，小麥分割結果的精度值（值）要小于玉米分割結果。

本研究只是基于小麥、玉米數據對法和方法進行對比評價，今后要進一步驗證它們在其他作物上的應用效果。

4 結論

通過引入對象間同質性的計算，本研究對法進行改進，提出法以支撐農業無人機影像的自動分割。利用玉米和小麥不同生育期、不同長勢條件下無人機影像，通過設計不同影像場景，對法和法的精度進行評價，結果表明，法經改進為法后，可有效抑制其欠分割現象。所有場景下，與人機交互方法獲得的分割結果相比，基于法自動選擇分割尺度的分割結果比基于法自動選擇分割尺度的分割結果獲得了更高的值，取得更好的分割效果。因此，改進方法提高了已有方法的精度，可以有效支撐農業無人機影像的自動分割，為精準農業管理提供技術支撐。

致謝：感謝徐志濤、劉金然、賈丹和曹慶軍在田間試驗過程中給予的支持和幫助；感謝李靜老師為本研究工作的開展提供小麥試驗基地。

[1] 陳鵬飛. 無人機在農業中的應用現狀與展望. 浙江大學學報：農業與生命科學版, 2018, 44(4): 399-406.

CHEN P F. Applications and trends of unmanned aerial vehicle in agriculture., 2018, 44(4): 399-406. (in Chinese)

[2] Huete A R. A soil-adjusted vegetation index (SAVI)., 1998, 25(3): 295-309.

[3] QI J, CHEHBOUNI A, HUETE A R, KERR Y H, SOROOSHIAN S. A modified soil adjusted vegetation index., 1994, 48(2): 119-126.

[4] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices., 1996, 55(2): 95-107.

[5] 張智韜, 邊江, 韓文霆, 付秋萍, 陳碩博, 崔婷. 剔除土壤背景的棉花水分脅迫無人機熱紅外遙感診斷. 農業機械學報, 2018, 49(10):257-267.

Zhang z t, bian j, han w t, fu q p, chen s b, cui t. Diagnosis of cotton water stress using unmanned aerial vehicle thermal infrared remote sensing after removing soil background., 2018, 49(10): 257-267. (in Chinese)

[6] 陳鵬飛, 梁飛. 基于低空無人機影像光譜和紋理特征的棉花氮素營養診斷研究. 中國農業科學, 2019, 52(13): 2220-2229.

CHEN P F, LIANG F. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle., 2019, 52(13): 2220-2229. (in Chinese)

[7] 劉帥兵, 楊貴軍, 景海濤, 馮海寬, 李賀麗, 陳鵬, 楊文攀. 基于無人機數碼影像的冬小麥氮含量反演. 農業工程學報, 2019, 35(11): 75-85.

Liu S b, Yang G j, Jing H t, Feng H k, Li H l, Chen P, Yang W p. Retrieval of winter wheat nitrogen content based on UAV digital image., 2019, 35(11): 75-85. (in Chinese)

[8] Blaschke T, Hay G J, Kelly M, Kelly M, Lang S, Hofmann P, Addink E, Feitosa R Q, van der Meer F, van der Werff H, van Coillie F. Geographic object-based image analysis – Towards a new paradigm., 2014, 87(100): 180-191.

[9] Meneguzzo D M, Liknes G C, Nelson M D. Mapping trees outside forests using high-resolution aerial imagery: A comparison of pixel-based and object-based classification approaches., 2013, 185(8): 6261-6275.

[10] Torres-Sánchez J, López-Granados F, Pe?a J M. An automatic object-based method for optimal thresholding in UAV images: Application for vegetation detection in herbaceous crops., 2015, 114: 43-52.

[11] 韓文霆, 張立元, 張海鑫, 師志強, 苑夢嬋, 王紫軍. 基于無人機遙感與面向對象法的田間渠系分布信息提取. 農業機械學報, 2017, 48(3): 205-214.

HAN W T, ZHANG L Y, ZHANG H X, SHI Z Q, YUAN M C, WANG Z J. Extraction method of sublateral canal distribution information based on UAV remote sensing., 2017, 48(3): 205-214. (in Chinese)

[12] Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method., 2006, 102(1): 1-11.

[13] Baumgartner J, Gimenez J, Scavuzzo M, Pucheta J. A new approach to segmentation of multispectral remote sensing images based on MRF., 2015, 12(8): 1720-1724.

[14] Johnson B A, Bragais M, Endo I, Magcale-Macandog D B, Macandog P. Image segmentation parameter optimization considering within-and between-segment heterogeneity at multiple scale levels: Test case for mapping residential areas using landsat imagery., 2015, 4(4): 2292-2305.

[15] 殷瑞娟, 施潤和, 李鏡堯. 一種高分辨率遙感影像的最優分割尺度自動選取方法. 地球信息科學學報, 2013, 15(6): 902-910.

Yin R j, Shi R h, Li J y. Automatic selection of optimal segmentation scale of high-resolution remote sensing images., 2013, 15(6): 902-910. (in Chinese)

[16] KIM M, MADDEN M, WARNER T. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery//BLASCHKE T, LANG S, HAY G J.. Berlin, Germany: Springer Berlin Heidelberg, 2008: 291-307.

[17] DrǎguT L, Tiede D, Levick S R. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data., 2010, 24(6): 859-871.

[18] Dr?guT L, Csillik O, Eisank C, Tiede D. Automated parameterisation for multi-scale image segmentation on multiple layers., 2014, 88: 119-127.

[19] Johnson B, Xie Z. Unsupervised image segmentation evaluation and refinement using a multi-scale approach., 2011, 66(4): 473-483.

[20] Espindola G M, Camara G, Reis I A, Bins L S, Monteiro A M. Parameter selection for region‐growing image segmentation algorithms using spatial autocorrelation., 2006, 27(14): 3035-3040.

[21] Georganos S, Lennert M, Grippa T, Vanhuysse S, Johnson B, Wolff E. Normalization in unsupervised segmentation parameter optimization: A solution based on local regression trend analysis., 2018, 10(2): 222.

[22] 何敏, 張文君, 王衛紅. 面向對象的最優分割尺度計算模型. 大地測量與地球動力學, 2009, 29(1): 106-109.

He M, Zhang W j, Wang W h. Optimal segmentation scale model based on object-oriented analysis method., 2009, 29: 106-109. (in Chinese)

[23] Yang J, Li P, He Y. A multi-band approach to unsupervised scale parameter selection for multi-scale image segmentation., 2014, 94: 13-24.

[24] Yang J, He Y, Weng Q. An automated method to parameterize segmentation scale by enhancing intrasegment homogeneity and intersegment heterogeneity., 2015, 12(6): 1282-1286.

[25] 張俊, 汪云甲, 李妍, 王行風. 一種面向對象的高分辨率影像最優分割尺度選擇算法. 科技導報, 2009, 27(21): 91-94.

ZHANG J, WANG Y J, LI Y, WANG X F. An object-oriented optimal scale choice method for high spatial resolution remote sensing image., 2009, 27(21): 91-94. (in Chinese)

[26] Woodcock C E, Strahler A H. The factor of scale in remote sensing., 1987, 21(3): 311-332.

[27] 王志華, 孟樊, 楊曉梅, 楊豐碩, 方豫. 高空間分辨率遙感影像分割尺度參數自動選擇研究. 地球信息科學學報, 2016, 18(5): 639-648.

Wang Z h, Meng F, Yang X m, Yang F s, Fang Y. Study on the automatic selection of segmentation scale parameters for high spatial resolution remote sensing images., 2016, 18(5): 639-648. (in Chinese)

[28] Zhang X, Xiao P, Feng X, Feng L, Ye N. Toward evaluating multiscale segmentations of high spatial resolution remote sensing images., 2015, 53(7): 3694-3706.

[29] B?ck S, Immitzer M, Atzberger C. On the objectivity of the objective function-problems with unsupervised segmentation evaluation based on global score and a possible remedy., 2017, 9(8): 769.

A Method for the Automatic Determination of Scale Parameter during Segmenting Agricultural Drone Images

SHI YaJiao1, 2, CHEN PengFei1, 3

(1Institute of Geographical Science and Natural Resources Research, Chinese Academy of Sciences/State Key Laboratory of Resources and Environment Information System, Beijing 100101;2University of Chinese Academy of Sciences, Beijing 100049;3Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023)

【】The automatic extraction of crop planting area in the image is of great significance for promoting the application of high-resolution drone images in precision agriculture. At present, the method based on designing segmentation evaluation function is most commonly used in the study of automatically determining segmentation scale parameters. In order to meet the needs of high-precision automatic segmentation of agricultural drone images, an improved evaluation function was proposed to solve the defects of the Weighted Local Variance () method in this study, and the proposed method was verified based on field experiments of different crops.【】With considering thatmethod does not consider the internal homogeneity of segmented objects, this study designed the Improved Weighted Local Variance () method with adding the calculation of inter-object homogeneity on the basis offormula. The nitrogen experiments of corn and water and nitrogen coupling experiment of wheat were designed. During corn and wheat growing season, drone images were obtained in different growth stages with crop in different vigor. Based on the obtained UAV images, different scenarios were set. The mainstream segmentation algorithm was combined withmethod andmethod to perform image segmentation, respectively. Their segmentation results were compared with human-machine interactive segmentation results, and evaluated based on Single-scale Object Accuracy ().【】The selected scale parameter by themethod tended too large, which resulted in under-segmentation during segmenting images. While, based on the selected scale parameter bymethod, the segmentation result was correspond well with human-machine interactive segmentation results. Themethod had highervalues for all designed scenarios.【】Compared with themethod, the proposedmethod in this study had higher accuracy when determining the segmentation scale parameter.

scale parameter; image segmentation; drone image; improved weighted local variance method

10.3864/j.issn.0578-1752.2020.17.007

2019-11-05；

2020-02-09

國家自然科學基金（41871344）、國家重點研發計劃（2017YFD02015，2017YFD0201501-05）

石雅嬌，E-mail：shiyj.17s@igsnrr.ac.cn。通信作者陳鵬飛，E-mail：pengfeichen@igsnrr.ac.cn

（責任編輯 楊鑫浩）