基于改進Mean Shift的無人機農業應用遙感影像地塊邊界提取

鄭明雪，羅治情，陳娉婷，官 波，馬海榮

（湖北省農業科學院農業經濟技術研究所/湖北省農業科技創新中心農業經濟技術研究分中心/湖北省鄉村振興研究院，武漢 430064）

目前中國農業正向集約化、精準化方向發展。隨著這種生產模式的轉變，對快速準確獲取大范圍農作物空間信息在農業生產應用過程中占據越來越重要的位置。及時了解農作物空間分布信息，對于實現農田科學管理、作物面積監測和作物產量預測等具有重要意義［1-3］。因獲取高分辨率遙感影像的成本低、效率高，且設備靈活便于攜帶，無人機遙感系統在農業大面積遙感影像數據獲取方面具有獨特優勢［4-6］。地塊是農戶生產經營的最小單位，對地塊邊界提取的研究是準確把握農田作物變化的前提。本研究在對農作物遙感處理的精度和效率兩方面都有很大優勢，為探索大規模農作物空間信息提供了更直接的證據［7，8］。

當前基于無人機遙感影像的農田地塊邊界提取技術主要包括矢量化和影像分割［9-12］。前者獲取地塊邊界的精度高，但對工作人員的地圖解譯能力要求高，人力物力成本很大，不適合應用于大范圍的地塊邊界獲取。后者是依據減小類間距離，增大類內距離原則來獲取地塊邊界，很好地提高了地塊邊界獲取的效率，但該類方法僅考慮農作物的常見農學特征，沒有從農作物本身及其所處地理環境兩個角度聯合考慮，且精確率大多差于人工解譯結果。并且，對于分辨率要求高、細節豐富的無人機遙感影像，這兩種技術都容易造成過分割現象。Mean Shift［13，14］作為一種非參數的密度估計方法，不需要假設樣本的分布模型，也不需要實現確定類別數目，可同時考慮影像的位置空間和值域空間信息，正廣泛用于遙感影像分割。Mean Shift 對帶寬設置的要求較大，需靈活調整寬帶值便于獲取影像的局部特征。基于此，本研究提出了一種基于改進Mean Shift的無人機農業應用遙感影像地塊邊界自動化提取流程，既充分考慮地塊的位置信息以及地塊內農作物的顏色特性，又根據農作物空間分布特點自適應地確定帶寬大小。然后，使用超像素技術根據像素對的連接關系對分割結果構造連通域。對于試驗過程中產生的過分割現象，考慮了3 種區域合并方法來合并分割后區域，得到最終的分割結果。

1 試驗區和影像數據

試驗區位于湖北省荊州市江陵縣郝穴鎮顏閘村，地形為平原，其中心地點位于東經112°，北緯30°附近，轄區面積3.7 km2。使用數據為2020 年采用無人機拍攝的無人機遙感影像，如圖1 所示。圖1紅色框內為農田地塊邊緣提取試驗的感興趣區域。從影像中可看到農田區域的地塊相對規整，邊界大多呈直線狀，但區域面積大小不一，地塊形狀也不統一，且同一地塊內作物分布不均，易產生過分割。

圖1 試驗區中感興趣區域

2 地塊邊界自動化提取流程

本研究提出一種基于改進Mean Shift的無人機農業應用遙感影像地塊邊界自動化提取流程，如圖2 所示，主要包括影像預處理、改進的MS 分割、后處理和區域合并。

圖2 地塊邊界自動化提取流程

2.1 預處理

由于UAV 遙感影像覆蓋范圍較大，在進行試驗之前通常需要將其裁剪成小樣本影像，使得試驗數據滿足計算機的運行上限。

2.2 改進的MS 算法

2.2.1 傳統的MS 算法 傳統Mean Shift 是一種非參數密度梯度估計過程，基本原理表述為：給定d維空間Rd中的n個樣本點xi，i=1，…，n，在x點的Mean Shift向量的基本形式定義為式（1）。

式中，k表示落在高維球區域內的樣本點的個數，Sh是一個半徑為h的高維球區域，滿足式（2）關系的y點的集合：

在式（1）中，（xi-x）可理解為樣本點xi相對于點x的偏移向量，式（1）中Mh(x)是對落入區域Sh中的k個樣本點相對于點x的偏移向量求和然后再平均。

設數據點x處的多變量核密度估計函數為式（3）。

式中，h為帶寬，d為空間維度，K(x)為核函數。取

其中ck,d為常量參數，則式（3）變為：

設該點x經過迭代收斂的過程中，依次經過的點為y0，y1，…，yk，…，yc，其中y0=x，收斂的點為yc，則

收斂停止的條件是‖yk+1-yk‖≤thr，其中thr是給定允許誤差（閾值）。

2.2.2 改進的MS 算法

1）帶寬的設置。帶寬設置影響著Mean Shift 分割結果的好壞。為了獲取影像的全局特征和局部特征，帶寬值必須靈活調整。空間帶寬決定了對點x的密度梯度估計矩形區域的大小。面向農業的各類地物的尺度各異，空間帶寬扮演著分割尺度的角色。如果選擇的空間帶寬與某類地物的分辨率大小一致，就可完整地將該類地物分割出來。否則容易造成過分割和欠分割。

本研究遵循空間帶寬決定了算法迭代過程中計算數據量的大小這一原則，靈活設置帶寬。空間帶寬大，參與迭代的數據量大，速度慢；反之，參與迭代的數據量小，速度快。

2）多維特征組合。本研究考慮了像素點位置信息和影像顏色信息兩類特征的組合。

Mean Shift 可同時考慮影像的位置空間和值域空間信息，因此針對本研究使用的面向農業應用的無人機遙感影像，式（5）中的x由二維位置向量xs和三維顏色向量xr組合而成，對應地塊的位置信息以及地塊內農作物的顏色特性。則式（5）變為：

式中，hs為二維位置空間的空間帶寬，hr為三維顏色空間的值域帶寬。

3）區域合并。區域合并用于處理過分割現象，主要考慮以下三方面。①區域重心最小距離法：設定區域內最小像素數閾值為N。當某區域的像素數小于該閾值時，計算該區域與其所有鄰近區域的重心點距離，將其合并到重心距離最短的區域中，如圖3 中的綠色區域。②區域包含法：若區域A 被區域B包含，則將區域A 內所有像素點全部賦予B，如圖4中的綠色區域A。③鄰域投票法：將以像素p 為中心的區域A 內次數出現最多的類別賦予像素p。圖5，區域中心p 類別為1，經統計其周邊8 個像素點位置的類別，將類別2 賦予像素p。

圖3 區域重心最小距離法

圖4 區域包含法

圖5 鄰域投票法

2.3 后處理

后處理主要包括二值化和尺寸合并。評價地塊邊界提取結果前，需對影像數據做二值化處理，將影像中所提取的邊界像素分離出來作為前景像素，非邊界像素部分作為背景像素。尺寸合并指將所有二值化子圖像合并成一張完整的二值化影像。

3 結果與分析

本研究試驗結果評價為定性評價，是針對基于改進MS的影像分割后邊界提取結果。試驗中，空間帶寬hs和值域帶寬hr均取值8，區域內最小像素數N閾值取500，鄰域是邊長為3 像素的矩形。圖6是試驗區域的地塊邊界提取結果。圖6a 為試驗區域原圖；經過改進的MS 算法分割，并利用區域重心最小距離法和區域包含法處理后，得到圖6b的第一次區域合并結果；經過鄰域投票法處理后，得到圖6c的第二次區域合并結果；最后，通過后處理得到圖6d的田塊邊界提取結果。從圖6 可以看出，該方法可以很好地將各田塊邊界提取出來。以序號1～9為例，序號3 顯示3 個小面積田塊的邊界被成功提取。序號7 表明該方法對形狀不規則地塊邊界的提取效果明顯。序號8 和9 表明形狀不規則且特征存在干擾時，該方法仍能取得較好結果。從圖6 也可以看出，部分田塊邊界未被成功提取，如序號-1 和-3 將多個田塊劃分為同一區域，而序號-2 提取的田塊區域缺失明顯。在后續工作中，將引入多時序多特征組合用于改進邊界提取效果。

圖6 地塊邊界提取結果

4 小結

以UAV 遙感影像作為數據源，提出了一種基于改進Mean Shift的無人機農業應用遙感影像地塊邊界自動化提取，試驗證明該方法可快速準確地提取地塊邊界，對形狀不規則和特征存在干擾的情形仍具有邊界提取優勢，可為其他學者開展農田地塊邊界研究提供支持和啟發。