面向農(nóng)業(yè)應(yīng)用的無(wú)人機(jī)遙感影像地塊邊界提取

吳晗 林曉龍 李曦嶸 徐新

摘 要：針對(duì)無(wú)人機(jī)（UAV）影像農(nóng)田場(chǎng)景地塊邊界提取過(guò)程中由于大幅面、高分辨率和地塊尺寸大小不一致等帶來(lái)的過(guò)分割問(wèn)題，提出了一種基于多尺度分割的地塊邊界自動(dòng)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(guò)對(duì)比實(shí)驗(yàn)研究并選取最佳地面采樣距離和分析邊界提取準(zhǔn)確率關(guān)于尺度變化曲線選擇最優(yōu)分割尺度，進(jìn)而實(shí)現(xiàn)了地塊邊界自動(dòng)提取。以湖北省仙桃市為數(shù)據(jù)源進(jìn)行的實(shí)驗(yàn)結(jié)果表明：面向地塊邊界提取的最佳地面采樣距離為30cm，最優(yōu)分割尺度為[0.2，0.4]，整場(chǎng)景總體地塊邊界提取準(zhǔn)確率可達(dá)90%以上。該方法不僅能準(zhǔn)確提取大幅面的農(nóng)業(yè)地塊邊界，也可為后期農(nóng)業(yè)無(wú)人機(jī)航拍規(guī)劃提供參考依據(jù)。

關(guān)鍵詞：無(wú)人機(jī)影像;分割;邊界提取;地面采樣距離;農(nóng)業(yè)應(yīng)用

中圖分類號(hào)： TP79

文獻(xiàn)標(biāo)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(shù)正被廣泛用于地物分類[1]、災(zāi)害監(jiān)測(cè)[2]及土地利用規(guī)劃[3]等方面，在全國(guó)第三次土地調(diào)查的大背景下，無(wú)人機(jī)遙感系統(tǒng)因具有機(jī)動(dòng)靈活、低成本、高效獲取高分辨率影像等優(yōu)點(diǎn)，在農(nóng)業(yè)大面積遙感影像數(shù)據(jù)獲取方面具有獨(dú)特優(yōu)勢(shì)[4-6]。在農(nóng)業(yè)應(yīng)用方面，準(zhǔn)確提取地塊邊界在作物分類、生產(chǎn)狀況監(jiān)測(cè)、營(yíng)養(yǎng)診斷等信息獲取中發(fā)揮著重要作用[7-10]，但無(wú)人機(jī)遙感影像的高分辨率卻給地塊邊界提取帶來(lái)了挑戰(zhàn)[11-12]。目前使用無(wú)人機(jī)遙感影像提取地塊邊界的主要問(wèn)題有：1）對(duì)大面積農(nóng)作物數(shù)據(jù)，農(nóng)業(yè)無(wú)人機(jī)影像需拼接而成，無(wú)法直接處理大尺寸影像且自動(dòng)提取地塊邊界精度低;2）高分辨率無(wú)人機(jī)遙感影像由于細(xì)節(jié)豐富、地塊尺寸大小不一致等原因，存在大量過(guò)分割現(xiàn)象。

使用圖像分割方法提取地塊邊界是一種常見(jiàn)手段，許多學(xué)者也利用分割方法開(kāi)展了農(nóng)田地區(qū)邊界提取的研究。龐新華等[13]以QuickBird影像數(shù)據(jù)為研究對(duì)象，借助邊緣提取和數(shù)學(xué)形態(tài)學(xué)的圖像分割方法進(jìn)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(shí)別農(nóng)田地塊的邊緣，但是對(duì)噪聲有放大作用，而利用基于區(qū)域分割中的閾值法可以有效消除農(nóng)田地塊圖像的噪聲影響。陳杰等[15]利用各向異性擴(kuò)散算子在Sobel得到的梯度圖上生成多尺度梯度影像，通過(guò)信息熵差異分析得到有效尺度范圍，結(jié)合標(biāo)記分水嶺算法實(shí)現(xiàn)丘陵農(nóng)田地塊邊界提取。張萍等[16]基于機(jī)器學(xué)習(xí)的方法，采用基于支持向量機(jī)（Support Vector Machine， SVM）分類方法進(jìn)行邊緣提取。王小娟等[17]通過(guò)將RGB影像轉(zhuǎn)換到HIS空間，基于I分量的閾值分割法提取山區(qū)田間道路邊界。Garcia-Pedrero等[18]結(jié)合超像素和監(jiān)督分類方法，優(yōu)化區(qū)域合并，將分割問(wèn)題轉(zhuǎn)化為機(jī)器學(xué)習(xí)問(wèn)題，實(shí)現(xiàn)農(nóng)業(yè)場(chǎng)景中的高分辨率遙感影像邊界提取。Wassie等[19]基于WorldView-2衛(wèi)星圖像，在QGIS請(qǐng)補(bǔ)充QGIS的英文全稱。回復(fù)：QGIS是一個(gè)軟件的名稱，這個(gè)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(tái)中使用均值漂移分割方法半自動(dòng)提取農(nóng)業(yè)場(chǎng)景地籍邊界。Vetrivel等[20]使用幾何及3D點(diǎn)云特征，通過(guò)區(qū)域增長(zhǎng)方法實(shí)現(xiàn)無(wú)人機(jī)遙感影像分割及邊界提取。盡管上述研究在農(nóng)田地區(qū)邊界提取上取得了一定進(jìn)展，但受灌溉方式、地形起伏等因素影響，不同地區(qū)的農(nóng)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(nóng)田區(qū)域，且算法計(jì)算復(fù)雜度高，難以實(shí)現(xiàn)自動(dòng)化。針對(duì)江漢平原地區(qū)的大面積范圍水稻的遙感監(jiān)測(cè)，無(wú)人機(jī)所拍攝的農(nóng)業(yè)影像幅面大，影像分辨率高，如何快速、準(zhǔn)確地自動(dòng)提取地塊邊界在整個(gè)遙感監(jiān)測(cè)中具有極其重要的作用。多尺度組合分割根據(jù)英文全稱的表達(dá)，是否應(yīng)該為“多尺度組合分組”？請(qǐng)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(shù)據(jù)集中進(jìn)行圖像輪廓檢測(cè)和分割的開(kāi)源算法。該算法能夠有效降低時(shí)間復(fù)雜度，同時(shí)還能實(shí)現(xiàn)對(duì)影像不同細(xì)節(jié)程度的分割，適用于農(nóng)業(yè)中地塊邊界提取的應(yīng)用需求。

在無(wú)人機(jī)遙感影像分割過(guò)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(gè)重要因素。雖然高分辨率影像能夠清楚地顯示地物細(xì)節(jié)信息，但空間分辨率的提高并不能保證地塊邊界準(zhǔn)確率的提高，黃慧萍等[22]的研究表明關(guān)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(biāo)，根據(jù)所選擇的GSD，利用相機(jī)的焦距等信息，可計(jì)算得到相對(duì)應(yīng)航高[23]。合適的地面采樣距離能夠有效加快地塊分割進(jìn)程，同時(shí)對(duì)指導(dǎo)無(wú)人機(jī)的飛行高度具有重要意義，可有效降低人力資源和設(shè)備成本。面向?qū)ο蠼庾g在高分辨率影像信息提取中得到了廣泛應(yīng)用，但影像分割的基礎(chǔ)問(wèn)題仍嚴(yán)重制約其自動(dòng)化水平，尤其是分割參數(shù)選擇[24-25]。由于實(shí)際地物尺度不一樣，分割尺度太大則分割區(qū)域面積大，過(guò)分割現(xiàn)象嚴(yán)重;分割尺度太小則分割區(qū)域面積小，欠分割現(xiàn)象嚴(yán)重。分割尺度的選擇直接決定了分割對(duì)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(zhǔn)確提取地塊邊界的關(guān)鍵。

針對(duì)上述問(wèn)題，本文以湖北省仙桃市為研究區(qū)，提出了一種基于MCG分割的地塊邊界自動(dòng)化提取流程。主要目的是結(jié)合MCG分割方法，通過(guò)實(shí)驗(yàn)研究并選取最佳地面采樣距離和最優(yōu)分割尺度，進(jìn)而實(shí)現(xiàn)地塊邊界自動(dòng)提取;同時(shí)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(shí)用性。最后通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了該流程在農(nóng)業(yè)地塊邊界提取過(guò)程中的優(yōu)勢(shì)及實(shí)用性。

1 地塊邊界自動(dòng)化提取流程

1.1 總體流程

根據(jù)農(nóng)業(yè)中無(wú)人機(jī)遙感影像地塊邊界提取的應(yīng)用需求及地塊邊界提取過(guò)程中的兩個(gè)重要因素，設(shè)計(jì)地塊邊界自動(dòng)化提取流程如圖1所示。地塊邊界自動(dòng)化提取流程主要包括：影像預(yù)處理、MCG分割和二值化。通過(guò)對(duì)影像預(yù)處理，采用分塊分割策略解決大幅面影像下難以自動(dòng)提取地塊邊界問(wèn)題，同時(shí)通過(guò)對(duì)比實(shí)驗(yàn)選取最適宜提取農(nóng)業(yè)地塊邊界的地面采樣距離。采用MCG分割后，通過(guò)分析邊界提取準(zhǔn)確率關(guān)于尺度變化曲線選擇最優(yōu)分割尺度，從而實(shí)現(xiàn)自動(dòng)化。

1.2 分塊準(zhǔn)則

對(duì)農(nóng)業(yè)遙感數(shù)據(jù)，高分辨率無(wú)人機(jī)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(guò)實(shí)驗(yàn)研究并選取最佳地面采樣距離，既能克服大幅面下無(wú)人機(jī)影像難以直接分割的難點(diǎn)，又能提高實(shí)用性。

一幅圖像I尺寸大小為M*N，地面采樣距離（GSD）為Rg，對(duì)其進(jìn)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(dāng)拍攝的農(nóng)業(yè)場(chǎng)景范圍較廣，無(wú)人機(jī)影像幅面較大，將影像下采樣到最佳地面采樣距離時(shí)，影像仍然較大，難以直接進(jìn)行分割，故需要進(jìn)一步對(duì)影像進(jìn)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(shí)用性。假設(shè)切塊后每小塊影像的大小為W*H，則整景影像切塊后的數(shù)量Num：

通過(guò)實(shí)驗(yàn)經(jīng)驗(yàn)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(cè)和圖像分割算法。首先該方法基于結(jié)構(gòu)森林邊緣檢測(cè)器[27]快速檢測(cè)圖像邊緣，但此時(shí)邊緣是非閉合的線段;然后通過(guò)頻譜劃分來(lái)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(cè)的邊緣生成閉合區(qū)域，并消除紋理化區(qū)域中的無(wú)關(guān)邊緣來(lái)識(shí)別最初的輪廓;最后通過(guò)全局化加權(quán)每個(gè)邊界和區(qū)域，將每個(gè)像素的大小轉(zhuǎn)換為邊界概率，構(gòu)建一個(gè)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(qū)域的等級(jí)，分割效果如圖2所示，UCM中亮度表示邊界概率值的大小。

農(nóng)業(yè)用地在高分辨率無(wú)人機(jī)遙感影像上呈現(xiàn)地塊相對(duì)規(guī)整，地塊尺寸大小不一，細(xì)節(jié)信息十分清楚。使用MCG算法進(jìn)行輪廓檢測(cè)，獲得超度量等高圖，不僅各地塊間的邊界清晰可見(jiàn)，且同一地塊內(nèi)部的細(xì)小邊界也可見(jiàn)。由于超度量等高圖的值表示這些區(qū)域的等級(jí)，取值范圍為[0，1]，通過(guò)改變超度量等高圖值的大小能夠改變分割區(qū)域的大小，故將超度量等高圖的值定義為尺度k，通過(guò)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(xì)節(jié)信息，保留明顯邊界，解決由于地塊尺寸大小不一致導(dǎo)致的過(guò)分割問(wèn)題，提高地塊邊界提取的準(zhǔn)確性。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)概況

本文研究區(qū)位于仙桃市，地處湖北省中南部，屬于江漢平原地區(qū)。地形平坦開(kāi)闊，土層深厚、土壤肥沃，屬于北亞熱帶季風(fēng)氣候，歷來(lái)是湖北省乃至我國(guó)重要的糧食生產(chǎn)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(wàn)公頃，主要生產(chǎn)期是4—9月[28]，因此為研究區(qū)域具有一定的代表性和適用性。

2.2 數(shù)據(jù)獲取

本文采用精靈4 Pro無(wú)人機(jī)系統(tǒng)作為數(shù)據(jù)采集平臺(tái)，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(wú)人機(jī)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(wú)人機(jī)拍攝后的單景數(shù)據(jù)通過(guò)Pix4d UAV軟件進(jìn)行影像拼接，整個(gè)工作流程由軟件自動(dòng)完成。

本文使用數(shù)據(jù)為2017年7月6日在湖北省仙桃市沙湖鎮(zhèn)紅軍壩村拍攝的無(wú)人機(jī)遙感影像，如圖3所示，此時(shí)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(wú)法體現(xiàn)彩色，請(qǐng)針對(duì)灰度圖像對(duì)此描述進(jìn)行調(diào)整;又或?qū)⑽闹械膱D片框線改為不同類型的虛線來(lái)表達(dá)，這樣更為準(zhǔn)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(qū)分出來(lái)，請(qǐng)用白色方框來(lái)重新制作?？騼?nèi)為兩塊區(qū)域內(nèi)感興趣的農(nóng)作物中稻種植區(qū)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(jù)地面人工調(diào)查標(biāo)注的地塊邊界（為防止邊界定位不準(zhǔn)確，對(duì)邊界進(jìn)行了形態(tài)學(xué)膨脹）。水稻種植區(qū)域在高分辨率遙感影像中呈現(xiàn)地塊相對(duì)規(guī)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(shù)量多，且部分地塊邊界不清晰，易產(chǎn)生過(guò)分割。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)結(jié)果評(píng)價(jià)包括基于專業(yè)知識(shí)的定性評(píng)價(jià)和通過(guò)計(jì)算相應(yīng)客觀評(píng)價(jià)指標(biāo)的定量評(píng)價(jià)。定性評(píng)價(jià)針對(duì)影像分割后的邊界提取結(jié)果圖，定量評(píng)價(jià)針對(duì)真實(shí)邊緣的檢出率（簡(jiǎn)稱實(shí)檢率）、實(shí)檢邊緣中真實(shí)邊緣的比率（簡(jiǎn)稱真檢率）、錯(cuò)分誤差及漏分誤差，計(jì)算公式如下。

3.2 最佳地面采樣距離選擇

通過(guò)雙線性插值法對(duì)無(wú)人機(jī)影像進(jìn)行下采樣，對(duì)不同地面采樣距離下的地塊邊界提取結(jié)果進(jìn)行對(duì)比分析，以實(shí)驗(yàn)方法確定最適宜提取農(nóng)業(yè)耕地地塊邊界的地面采樣距離;同時(shí)為最大限度地實(shí)現(xiàn)自動(dòng)化和提高實(shí)用性，將下采樣后的影像切分成1000×1000像素大小的塊進(jìn)行處理，影像大小與GSD對(duì)應(yīng)關(guān)系及分塊數(shù)如表1所示。

根據(jù)自動(dòng)化流程，對(duì)采樣后的影像分別切塊后進(jìn)行MCG分割，將分割后的邊界提取結(jié)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(jié)果。區(qū)域1和區(qū)域2在不同GSD下地塊邊界提取結(jié)果如圖5和圖6所示，定量分析結(jié)果如表2所示。

由圖5可得：在不同GSD下，地塊邊界提取結(jié)果有明顯區(qū)別;在地塊邊界較弱區(qū)域邊界漏分現(xiàn)象明顯（圖5（f）），在裸土較多區(qū)域邊界錯(cuò)分現(xiàn)象明顯（圖5（a））;影像進(jìn)行切片后，部分規(guī)則種植水稻區(qū)域處內(nèi)部區(qū)域邊界都被檢測(cè)出來(lái)，造成邊界錯(cuò)分（圖5（d））。由表2可得：地塊邊界提取準(zhǔn)確率與影像地面采樣距離有關(guān)，對(duì)影像進(jìn)行下采樣后，隨著GSD的增加，影像空間分辨率降低，實(shí)檢率P和真檢率R呈現(xiàn)先增加后減小的趨勢(shì)，總體精度F也呈現(xiàn)先增加后減小的趨勢(shì)，時(shí)間復(fù)雜度逐漸降低;在GSD為30cm時(shí)兩者的準(zhǔn)確率都能達(dá)到90%以上，總體地塊邊界提取結(jié)果最優(yōu)。

對(duì)圖6目視分析和表2定量分析結(jié)果與區(qū)域1結(jié)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(shí)檢率P呈現(xiàn)逐漸增加趨勢(shì)，真檢率R和總體精度F也呈現(xiàn)先增加后減小的趨勢(shì)，GSD為30cm時(shí)，總體精度F取值最大。表明隨著GSD增加，檢測(cè)到的邊界都是真實(shí)地物的邊界，但此時(shí)漏分誤差增長(zhǎng)較快，漏檢邊界較多（圖6（f））。

綜合分析上述目視結(jié)果和定量結(jié)果的原因可得：1）通過(guò)對(duì)影像進(jìn)行下采樣后，影像GSD越小，空間分辨率越高，因此細(xì)節(jié)信息越突出，容易造成邊界錯(cuò)分，而GSD越大時(shí)，影像空間分辨率越低，影像的輪廓信息越明顯，細(xì)節(jié)越容易去除，容易在邊界較弱區(qū)域產(chǎn)生邊界漏分;2）由于影像進(jìn)行切分后單個(gè)切片影像中明顯邊界與非明顯邊界形成了對(duì)比，導(dǎo)致不明顯邊界處像素邊界的概率值變小，從而產(chǎn)生邊界漏分。實(shí)際應(yīng)用中應(yīng)平衡兩者，將錯(cuò)分誤差和漏分誤差盡量降到最低。實(shí)驗(yàn)結(jié)果表明：無(wú)人機(jī)遙感影像的高分辨率給地塊邊界提取帶來(lái)了困難，空間分辨率的提高并不能保證地塊邊界準(zhǔn)確率的提高，因此關(guān)鍵在于找到與地塊邊界相匹配的空間分辨率。在農(nóng)業(yè)無(wú)人機(jī)遙感影像應(yīng)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(yōu)分割尺度選擇

影像分割是將圖像分割成若干個(gè)互不重疊的區(qū)域，尺度的選擇決定了分割對(duì)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(yōu)分割尺度，本文通過(guò)分析邊界提取準(zhǔn)確率關(guān)于尺度k的變化曲線，最終獲得一個(gè)經(jīng)驗(yàn)性結(jié)論。實(shí)驗(yàn)采用最佳地面采樣距離，對(duì)采樣后的影像進(jìn)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(jié)果。區(qū)域1進(jìn)行MCG分割后產(chǎn)生的UCM分割結(jié)果及在不同尺度k下地塊邊界提取結(jié)果如圖7所示，邊界提取準(zhǔn)確率關(guān)于尺度k變化曲線如圖8所示。區(qū)域2進(jìn)行MCG分割后產(chǎn)生的UCM分割結(jié)果及在不同尺度k下地塊邊界提取結(jié)果如圖9所示，邊界提取準(zhǔn)確率關(guān)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(qiáng)弱不一致，經(jīng)過(guò)MCG分割后，產(chǎn)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(dāng)，因刊物是黑白印刷，無(wú)法體現(xiàn)顏色，請(qǐng)根據(jù)調(diào)整后的黑白圖片為準(zhǔn)，重新進(jìn)行語(yǔ)句調(diào)整表示。由于高分辨率無(wú)人機(jī)遙感影像地物細(xì)節(jié)信息豐富，部分非邊界區(qū)域會(huì)產(chǎn)生偽邊界，造成錯(cuò)分現(xiàn)象，因此關(guān)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(jié)果圖可得：尺度k越小圖像過(guò)分割越嚴(yán)重，邊界錯(cuò)分現(xiàn)象非常明顯（圖7（b）、9（b））;k越大圖像欠分割越嚴(yán)重，邊界漏分現(xiàn)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(shí)檢率P呈現(xiàn)逐漸減小的趨勢(shì)，真檢率R呈現(xiàn)逐漸增加的趨勢(shì)，總體精度F呈現(xiàn)先增加后減小的趨勢(shì)，k取值范圍為[0.2，0.4]時(shí)，總體精度F取值最大。這是因?yàn)榉指畛叨萲代表像素屬于邊界的概率，尺度越小細(xì)節(jié)越容易顯示，造成邊界錯(cuò)分;尺度越大越容易抹掉細(xì)節(jié)，造成邊界漏分。實(shí)驗(yàn)結(jié)果表明：合適的分割尺度使得影像對(duì)象能夠較好地與自然地塊邊界相匹配，通過(guò)多尺度分析可改善地塊尺寸大小不一致等帶來(lái)的過(guò)分割現(xiàn)象。低漏檢率往往伴隨著高錯(cuò)檢率，面向農(nóng)業(yè)無(wú)人機(jī)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(nóng)業(yè)中的適用性分析

針對(duì)農(nóng)業(yè)中地塊邊界提取的應(yīng)用需求，與經(jīng)典的Sobel邊緣檢測(cè)分割算法和文獻(xiàn)[29]中采用的全局邊界概率（global Probability of boundary， gPb）算法及文獻(xiàn)[30]采用的統(tǒng)計(jì)區(qū)域合并（Statistical Region Merging， SRM）分割算法進(jìn)行對(duì)比分析，進(jìn)一步通過(guò)實(shí)驗(yàn)驗(yàn)證本文使用的MCG分割算法構(gòu)建的地塊邊界自動(dòng)化提取流程在農(nóng)業(yè)無(wú)人機(jī)遙感影像中的優(yōu)勢(shì)及實(shí)用性。區(qū)域1和區(qū)域2在不同分割方法下地塊邊界提取結(jié)果如圖11和圖12所示，定量分析結(jié)果如表3所示。

由圖11和圖12可得，地塊邊界較弱時(shí)，基于gPb算法和SRM算法分割結(jié)果有明顯的漏分現(xiàn)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(jié)果破碎化嚴(yán)重，且有明顯的邊界不連續(xù)現(xiàn)象，錯(cuò)分現(xiàn)象嚴(yán)重（圖11（d）、12（d））。

由表3可知：在邊界提取準(zhǔn)確率方面，基于MCG算法準(zhǔn)確率最高，gPb算法和SRM算法次之，Sobel算子結(jié)果最差，但Sobel算子在邊界較弱區(qū)域更容易檢測(cè)出地塊邊界;在時(shí)間復(fù)雜度方面，Sobel算子時(shí)間復(fù)雜度最低，SRM算法次之，MCG算法相對(duì)較低，gPb算法最高。其原因在于Sobel邊緣檢測(cè)算子通過(guò)計(jì)算圖像亮度梯度來(lái)檢測(cè)邊界，優(yōu)點(diǎn)在于檢測(cè)速度快，對(duì)局部亮度變化較為敏感，因此容易檢測(cè)出偽邊緣。SRM是一種統(tǒng)計(jì)區(qū)域合并算法，利用區(qū)域間紋理及光譜的差異性判斷其是否屬于同質(zhì)區(qū)域，故其分割結(jié)果對(duì)顏色變化非常敏感，在無(wú)明顯顏色變化的弱邊界區(qū)域極易產(chǎn)生漏分現(xiàn)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(jìn)行邊緣檢測(cè)，故其時(shí)間復(fù)雜度高。MCG算法結(jié)合了結(jié)構(gòu)森林邊緣檢測(cè)器快速有效檢測(cè)圖像邊緣，然后使用有向分水嶺變換將檢測(cè)的邊緣生成閉合區(qū)域，邊界值的大小代表該像素屬于邊界的概率，且時(shí)間復(fù)雜度相對(duì)較低。通過(guò)選擇合適的分割尺度使得影像對(duì)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(shí)驗(yàn)結(jié)果表明：本文使用的MCG分割算法構(gòu)建的地塊邊界自動(dòng)化提取流程在農(nóng)業(yè)無(wú)人機(jī)遙感影像中具有較強(qiáng)實(shí)用性，且邊界提取準(zhǔn)確率高，時(shí)間復(fù)雜度低。

4 結(jié)語(yǔ)

本文針對(duì)農(nóng)業(yè)場(chǎng)景中高分辨率無(wú)人機(jī)遙感影像地塊邊界提取的應(yīng)用需求，引入計(jì)算機(jī)圖像處理方法，建立基于多尺度分割的地塊邊界自動(dòng)化提取流程。無(wú)人機(jī)影像農(nóng)田場(chǎng)景地塊邊界提取過(guò)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(lái)的過(guò)分割現(xiàn)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(guò)實(shí)驗(yàn)研究并選取最佳地面采樣距離和最優(yōu)分割尺度。以湖北省仙桃市為數(shù)據(jù)源進(jìn)行的實(shí)驗(yàn)結(jié)果表明：面向地塊邊界提取的最佳地面采樣距離為30cm，最優(yōu)分割尺度為[0.2，0.4]，整場(chǎng)景總體地塊邊界提取準(zhǔn)確率可達(dá)90%以上。結(jié)合無(wú)人機(jī)拍攝系統(tǒng)，該方法也可為后期農(nóng)業(yè)無(wú)人機(jī)航拍規(guī)劃提供依據(jù)。雖然本文的框架能夠產(chǎn)生一個(gè)自動(dòng)化、適用于農(nóng)田場(chǎng)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(qū)域會(huì)產(chǎn)生邊界漏檢現(xiàn)象，這也是本文下一步要解決的問(wèn)題。

參考文獻(xiàn) （References）

[1] 李平，徐新，董浩，等.利用可分性指數(shù)的極化SAR圖像特征選擇與多層SVM分類[J].計(jì)算機(jī)應(yīng)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(wú)人機(jī)多機(jī)協(xié)作探索煤礦災(zāi)變環(huán)境算法[J].計(jì)算機(jī)應(yīng)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(jìn)灰狼算法在土壤墑情監(jiān)測(cè)預(yù)測(cè)系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)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(wú)人機(jī)影像的農(nóng)情遙感監(jiān)測(cè)應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，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(ài)農(nóng)，邊金虎，等.基于無(wú)人機(jī)影像可見(jiàn)光植被指數(shù)的若爾蓋草地地上生物量估算研究[J].遙感技術(shù)與應(yīng)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(wú)人機(jī)和衛(wèi)星遙感影像的制種玉米田識(shí)別紋理特征尺度優(yōu)選[J].農(nóng)業(yè)工程學(xué)報(bào)，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(cè)繪科學(xué)，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(nóng)田地塊圖像分割技術(shù)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，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(yōu)尺度選擇的高分辨率遙感影像丘陵農(nóng)田提取[J].農(nóng)業(yè)工程學(xué)報(bào)，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(xué)學(xué)報(bào)（自然科學(xué)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(jī)器視覺(jué)的丘陵山區(qū)田間道路虛擬中線提取方法[J].西南大學(xué)學(xué)報(bào)（自然科學(xué)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(duì)象尺度、影像分辨率的關(guān)系分析[J].遙感技術(shù)與應(yīng)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(shù)自動(dòng)選擇研究[J].地球信息科學(xué)學(xué)報(bào)，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(yōu)分割尺度確定的方法[J].地礦測(cè)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(shù)，吳璽，等.結(jié)合空間分析的面向?qū)ο鬅o(wú)人機(jī)影像土地利用分類[J].測(cè)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(duì)中稻產(chǎn)量的影響分析[J].農(nóng)業(yè)與技術(shù)，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.