基于可變尺度Mean-Shift的農田高分遙感影像分割算法

蘇騰飛， 張圣微， 李洪玉

(內蒙古農業大學水利與土木建筑工程學院,呼和浩特 010018)

基于可變尺度Mean-Shift的農田高分遙感影像分割算法

蘇騰飛， 張圣微， 李洪玉

(內蒙古農業大學水利與土木建筑工程學院,呼和浩特 010018)

為了提升農田高分遙感影像(high spatial resolution remote sensing image,HRI)的信息提取效果，提出了一種新的農田HRI分割算法。傳統的Mean-Shift(MS)HRI分割算法僅利用全局或單一的尺度參數； 而常規可變尺度MS算法在尺度參數估算中也只考慮光譜信息。這些都導致其分割結果難以完整地展現不同尺度的農田區域。針對該問題，在MS算法的基礎上進行了改進： 第一，提出了一種局部可變尺度參數的估計方法； 第二，提出了利用局部可變尺度進行MS濾波的模型函數。該改進算法主要包含3步： ①為了全面考慮不同波段的響應變化，在MS濾波核函數中采用了對角化的尺度參數矩陣，并將其與采樣點密度估計模型相結合，導出了一種可變尺度MS濾波的迭代函數； ②為了提高算法的自動化程度，利用局部光譜變化與邊界強度信息，提出了一種新的局部尺度參數估算方法； ③將MS濾波結果輸入到基于分形網絡演化方法(fractal net evolution approach,FNEA)的空間聚類算法中，得到最終的分割結果。利用RapidEye與OrbView3的2景HRI進行了算法驗證。實驗結果表明，所提出的改進算法能夠優化農田HRI分割的精度。

可變尺度； Mean-Shift； 農田分割； 高分遙感影像

0 引言

近年來，一種新興的遙感影像解譯方式——面向地理對象的影像分析(geographical object based image analysis,GEOBIA)[1]在農田遙感分類研究中逐漸增多[2-4]，這主要歸因于2個方面： ①農田遙感監測需要高空間分辨率遙感影像(high spatial resolution remote sensing image,HRI)，以準確提取作物信息。很多地區(如中國)的農田面積較小[5]，導致中低空間分辨率的遙感影像易產生混合像素光譜，HRI可有效地解決這一問題，很多研究都表明GEOBIA適用于HRI的解譯[1-2]； ②在GEOBIA中，除農田的光譜特征外，形狀和背景特征也能被有機地融合到作物種類判別算法中，從而顯著提高了作物識別精度。例如一些地區使用了圈形噴灌機，使農田呈規則的圓形或扇形，這可被GEOBIA用來區分農田和其他地物。可見，利用GEOBIA和HRI開展農田分類研究具有重要意義。

GEOBIA首先就是影像分割，其目的是獲取地物的原始圖斑； 然后通過特征選擇和影像分類，賦予原始圖斑以真實地物的語義信息。不準確的分割結果會導致后續分類的嚴重誤判，因此影像分割是GEOBIA的關鍵步驟。雖然目前已有大量的影像分割模型與軟件，但如何提高農田HRI的分割精度依然是具有挑戰性的課題。這是因為： ①HRI中的農田區域內部經常出現較大的光譜變化； ②在同一地區，不同農田的形狀、大小存在很大的差異； ③一些相鄰農田的邊界十分模糊。以上因素都給傳統的影像分割帶來了一定困難。

本文在Mean-Shift(MS)遙感影像分割算法的基礎上進行了改進，使之更好地適用于農田HRI的分割。之所以選用MS算法，主要有2個原因： ①MS在GEOBIA中應用廣泛[6]，具有抗噪性好[7]、能處理較大尺度影像[8]等優點； ②基于MS的HRI分割算法可分為2步，第一步是邊界保持平滑濾波[9]； 第二步是空間聚類。其中第一步可以在不使邊界模糊的前提下有效地平滑農田內部的光譜值，從而提高農田HRI的分割精度。眾多學者對基于MS的遙感影像分割算法進行了較為深入的研究。Wang等[10]將一種監督學習的邊界提取算法與MS濾波相結合，以優化較大尺度HRI的分割效果。Ponti[11]利用MS算法處理從遙感影像中提取的植被指數，實現了MS在農田遙感影像分割中的應用。Lang等[7]提出了一種可變尺度參數的MS濾波算法，并將其用于抑制極化SAR影像的斑點噪聲。Banerjee等[12]利用k最近鄰(k-nearest neighbor,kNN)算法自動估計MS的尺度參數，以提高MS分割算法的自動化程度。Huang等[13]發展了一套自適應尺度參數選擇的MS分割算法，用以分割高光譜影像。Comaniciu等[14]提出了一種數據驅動的可變尺度MS分割算法。Ming等[6]則利用空間統計方法來估計可變尺度MS分割算法中的尺度參數。縱觀上述研究可以發現，大多MS分割算法僅采用了全局或單一的尺度參數； 一些可變尺度的MS算法在其尺度參數估計中也僅考慮了光譜變化信息，而忽略了邊界等空間結構信息。在實際農田的HRI中，不同農田的面積和田間光譜變化具有較大差異，這都會給常規MS分割策略帶來困難。

為了提高MS分割算法在農田HRI分割中的性能，本文提出了一種可變尺度的MS分割算法，其過程主要分為3步： ①將對角化的尺度參數矩陣與采樣點密度估計模型相結合，導出可變尺度MS濾波的迭代函數； ②利用局部光譜變化信息與矢量梯度邊界強度，提出一種新的局部尺度參數估算方法； ③將MS濾波結果輸入到基于分形網絡演化方法(fractal net evolution approach,FNEA)[15]的區域生長算法中，得到農田HRI的分割結果。并利用中國和美國的2景HRI進行算法驗證，以證明該算法可顯著優化農田HRI的分割精度。

1 算法原理

1.1 可變尺度MS濾波

MS最早由Fukunaga等[16]提出，用于多變量特征空間的密度中心估計。Comaniciu等[9]將MS運用到影像特征空間分析中，發展了基于MS的影像分割算法。該算法主要包含 MS濾波和基于空間聚類的影像分割2個步驟。其中第一步的目的是獲取每個像素點的“mode”[9]，即像素點所屬類塊的密度中心。這實際上是對原始影像進行了平滑濾波，但又與普通的低通平滑濾波不同——由于采用了基于核函數的密度梯度估計，MS濾波可以有效地保持區域邊界信息，因此該方法也被稱為“邊界保持平滑濾波”，該步驟對提高分割精度非常關鍵。

MS濾波的一般步驟是： ①對于影像中任意一個像素x初始化，選代次數j=1并且y1=x； ②當jt，則第j+1次迭代濾波結果為

(1)

式中：t為收斂條件閾值(1個很小的正數)；N()為濾波窗口內的像素集合；KH()為核函數(多采用高斯函數形式)；H為KH()的尺度參數(亦稱其為“帶寬參數”)； ③得到濾波結果zi=yi,j+1。

通常，尺度參數有2種表達形式，其中最簡單的形式[9]為

H1=h2I,

(2)

h=hs=hr，

(3)

式中hs和hr分別為空間和光譜尺度參數。這一形式的優點是只需給出1個尺度參數h，即可完成濾波計算。在實際計算中，hs與hr可以不相等，此時的核函數為

(4)

式中：k()為核函數K()的輪廓函數[9]；C1為歸一化常數。

對于多光譜遙感影像，固定的hr很難適用于大多數實際情況，因為不同波段對同一地物的響應可能會有較大差別。所以第二種尺度參數的形式[9]更接近實際情況，即

(5)

式中：p為波段數； diag()表示對角矩陣。為了簡便，將式(5)寫成向量形式，即

(6)

然后在式(6)的基礎上，進而提出改變了的核函數形式，即

(7)

式中：C2為歸一化常數；hr，b為波段b的尺度參數。將式(7)帶入式(1)，可得基于H2的MS濾波迭代函數，即

(8)

雖然式(8)考慮了不同波段尺度參數的差異，但仍難以滿足實際情況的要求。在HRI成像過程中，由于氣候條件和人為干擾等因素，同一波段對不同地點的同種地物會存在光譜響應上的差異。因此，需要在H2的基礎上考慮局部尺度參數。1.2節將詳細敘述提出的局部尺度參數估計方法，此處只給出局部尺度參數(即可變尺度的濾波迭代函數)。

可變尺度的MS濾波算法有2種模型，分別是氣球和采樣點估計函數，在文獻[14]中均有詳細介紹，此處不再贅述。因為文獻[16]指出第一種模式的效果較差，本文采用第二種模式。在文獻[14]中式(17)的基礎上，將本文修改的式(6)代入其中。由于本文是按照式(7)的假設來進行推導的，即認為空間信息與光譜信息是相互獨立的，因此在密度中心估計中像素的位置與各波段光譜信息是連乘的形式。仿照式(8)，將其中隨窗口中心變化的尺度參數替換為隨任意像素位置變化的尺度參數形式，可得到本文最終的MS迭代函數，即

(9)

1.2 局部尺度參數估計

在農田HRI中，要將各個農田完整地分割出來是較為困難的。一方面，由于灌溉條件和耕作習慣等因素，即便在同一片農田中作物之間的生長速率也存在差異，這在HRI中反映為農田內部的光譜變化，會導致同一片農田被錯誤地分為若干區域； 另一方面，農田之間經常被較窄的小道或灌渠分隔，在HRI中以模糊邊界的形式顯示出來，這可能會導致一些光譜特征相近的農田被分割為同一片區域。綜上可見，局部光譜變化和邊界強度信息對確定MS濾波參數是非常重要的。

前人在設計局部尺度參數的估計模型中，基本上只考慮了局部光譜變化信息[6,14]。從定性上來說，較大的尺度參數易引起過平滑(即邊界信息的丟失)； 反之，較小的尺度參數難以對光譜變化較大的農田區域進行較好的平滑。鑒于此，在提出的尺度估計模型中，對邊界強度較高的區域，其尺度參數的估計結果應適當偏小； 而對于變化較大的農田內部，其尺度估計結果應適當偏大。綜合考慮以上因素，局部尺度參數應與邊界強度成反比，而與農田內部的光譜變化成正比。為了避免因局部光譜變化較大而導致其被錯誤地當做邊界信息，在本文模型中，采取了單調遞減指數函數形式將邊界強度信息與局部光譜信息結合到一起，使其更適合農田HRI的分割。其計算公式為

hr,edge(x,y,b)=exp[-En(x,y)]hr(x,y,b) ,

(10)

式中：En(x,y)為像素(x,y)的歸一化邊界強度值；hr(x,y,b)為像素(x,y)在波段b的尺度參數，即

(11)

(12)

其中：v為像素的光譜強度值；W(x,y,b)為以像素(x,y)為中心的窗口所包含的波段b子影像；I(b)為波段b的整景影像；c為影像最大灰度差異常數； 10與ln 2為經驗常數，均通過大量實驗得出。由式(11)可以看出，對于變化較大的局部區域，其尺度參數較小，從而防止過度平滑。

HRI通常具有多個波段，因此采用了一種基于矢量梯度的邊界強度信息提取方法[17]。該方法需要首先計算出2個正交方向的梯度影像，本文采用高斯差分濾波來實現這一步驟，得到的梯度矢量為

(13)

式中?gh,1和?gv,1分別為波段1水平和豎直方向的梯度值。邊界強度值即為2×2矩陣VT·V的最大特征值λ。在實際計算中需要采用歸一化的邊界強度，即

(14)

從式(10)可以看出，對于影像中灰度變化較大或邊界強度較高的部位，所估計的局部尺度參數較小，這可以避免過大尺度可能導致的過度平滑。另外，對于內部灰度變化較大的區域，由于其邊界強度通常較小(農田內部的灰度變化通常較為平緩)，因此其估計的尺度參數不會特別小，這有利于區域內部的平滑。對于邊界較為模糊的部位，式(10)第一項依然可以使其局部尺度較低，從而降低過度平滑的概率。

1.3 基于FNEA的遙感影像分割

本文的主要目的是利用MS濾波算法提高農田HRI的分割效果，因此在空間濾波階段采用了一種主流的遙感影像分割算法——FNEA來實現整體尺度的HRI分割。FNEA是一種基于區域生長的空間聚類算法，在初始階段，各個像素被當作單獨的斑塊； 然后通過迭代合并相似的斑塊，使均一的區域被分割出來。FNEA利用均一性變化量來衡量2個圖斑適于合并的程度，而均一性變化量的計算則考慮了形狀和光譜信息[14]。在算法執行之前，FNEA需要設置形狀異質性權重fs、緊湊異質性權重fc與斑塊大小閾值fsize這3個參數； 前2個參數分別影響分割過程中光譜和形狀信息在均一性變化量計算中的比重，fsize則決定分割結果中圖斑的平均大小。一般而言，fs與fc分別被默認為0.1和0.5。由于本文主要考察MS濾波結果對農田HRI的分割效果，因此在實驗中FNEA的fs與fc均采用了默認設置。圖1示出了本文算法的流程。

圖1 本文算法流程

FNEA的實現參考了文獻[18]，利用基于紅黑搜索樹的全局最優合并來實現快速、準確的HRI分割。本文算法基于C++語言完成，實驗平臺為Windows7操作系統，4Gb RAM，CPU為Intel Core I5-4200M。

2 算法實驗

2.1 實驗數據

本文實驗共采用了2景農田HRI，分別為RapidEye和OrbView3影像(以下簡稱為S1和S2)，其參數見表1。

表1 實驗數據信息

上述2種數據均包含藍光、綠光、紅光和近紅外波段，而RapidEye還提供紅邊波段(690～740 nm)。為便于對比分割效果，對S1和S2影像均采用了綠(Band2)、紅(Band3)、近紅外(Band4)波段組合。S1和S2影像Band4(R)Band3(G)Band2(B)假彩色合成結果如圖2所示。

(a) S1影像 (b) S2影像

圖2實驗用Band4(R)Band3(G)Band2(B)假彩色合成影像

Fig.2FalsecolorimagescomposedofBand4(R)Band3(G)Band2(B)adoptedforexperiment

局部影像的位置分別見圖2中的白色和藍色方框，下文中分別將S1中的白色和藍色方框內的局部影像簡稱為S1a和S1b，將S2中的白色和藍色方框內的局部影像簡稱為S2a和S2b。在圖2中，S1影像顯示了中國山東地區的農田，其田塊的平均面積較小，很多由田間小道和灌渠形成的邊界比較模糊，并且大多相鄰的田塊具有相似的光譜特征。相反，S2影像顯示了美國加利福尼亞地區的農田，其田塊平均面積較大，形狀大多為規則的矩形，而且許多田塊之間的光譜變化較大。以上因素都會為準確分割影像帶來一定的困難，因此，對S1和S2影像的分割實驗可較為全面地驗證本文算法對農田HRI分割的優化效果。

2.2 對比實驗與結果分析

2.2.1 實驗設置

為了驗證本文算法的性能，采用了與其他3種算法進行對比的實驗，包括基于可變尺度的MS分割算法[14](簡稱“VMS”)以及2種較新的MS分割算法。VMS采用的迭代濾波計算式與本文中的式(7)相同，其尺度參數的估計僅考慮了光譜信息。另2種較新的算法中，一種算法在文獻[12]中被提出，首先采用kNN進行全局最優光譜尺度參數hr的估計，然后利用估計的hr進行MS濾波； 另一種算法是邊界加權(edge weighted, EW)的MS濾波[10]。

VMS,kNN和EW算法與本文算法均需要給出空間尺度參數hs，該參數也被當作濾波窗口的尺度。經過多次實驗，將4種算法的hs均設置為5，一些相關研究[7-8,10]也都采用了相同的設置。除hs外，EW還需設置hr。在本文實驗中發現，EW采用kNN估計的hr可以得到滿意的效果。另外，EW的輸入還包括邊界強度影像，由1.2節中的矢量梯度方法提供。

為便于對比，對4種MS濾波算法均采用FNEA完成最終的HRI分割。而對于S1和S2影像，其fsize需要分別通過測試和調節給出最佳設置。經多次實驗，發現S1和S2影像的最優fsize分別為2 000和35 000。S2影像的參數更大的原因是因為S2影像中農田的平均尺度遠大于S1影像。

為了定量地給出4種算法對農田HRI分割的優化效果，采用了一種定量的遙感影像分割評價方法[18-20]。該方法首先給出分割結果的精確率(P)和召回率(R)，分別反映過分割和亞分割錯誤，并且數值范圍均為[0,1]。當P和R均接近1時，說明分割結果是精確的；P接近1而R接近0時，表明存在過分割錯誤； 反之，P接近0而R接近1時，說明存在亞分割錯誤。再利用該方法根據P和R計算出F，以全面地反映分割精度。同樣，F的范圍也是[0,1]，其值越接近1說明越精確。另外，為了更清晰地展現4種MS濾波算法對分割效果的提升，還與原始影像作為FNEA輸入時的分割結果進行了對比。

由于S1和S2影像的尺度較大，觀察全景影像的分割結果不便于進行細致、可靠的分割效果評價。因此，在S1和S2影像中分別選取了2個具有代表性的局部影像S1a,S1b和S2a,S2b進行更為詳細的分割結果評價。

2.2.2 實驗結果

圖3和圖4為本文算法的中間結果，其中圖3為矢量梯度方法提取的邊界強度。

(a) S1影像(b) S2影像

圖3矢量梯度邊界強度

Fig.3Vectorgradientedgestrength

由圖3可以看出，大部分明顯的邊界都被提取出來了。雖然一些較弱的邊界沒有被明顯地顯示出來，但其邊界強度值依然高于區域內部。圖4是各個波段的局部尺度影像。

(a) S1Band4影像 (b) S1Band3影像(c) S1Band2影像

(d) S2Band4影像 (e) S2Band3影像(f) S2Band2影像

圖4局部尺度參數估計結果

Fig.4Resultsoflocalscaleparameterestimation

從圖4可以看出，邊界位置基本具有較小的尺度參數； 而對于農田內部，尤其是灰度變化較小的區域，其尺度參數的數值較大。

對于濾波結果，kNN為S1和S2影像估計的最佳全局hr分別為6.27和28.65，前者小于后者主要是因為S1影像中田塊的平均面積較小。

圖5所示本文算法對S1和S2影像的最終分割結果。

(a) S1影像(b) S2影像

圖5本文算法整體分割結果

Fig.5Wholesegmentationresultsproducedbyproposedmethod

仔細觀察圖5可以看出，S1影像中主要的區域被較好地分割出來了； 而S2影像中較大的區域存在過分割現象。通過與S2影像原圖對比可以發現，S2影像中大部分被過分割的農田，其內部的灰度變化較大，且其中存在樹木和水塘等小尺度的地物，這些都是導致過分割的主要原因。因傳統MS，kNN與EW算法的最終分割結果與本文算法較為相似，為節省篇幅，未顯示其整景分割結果。

表2給出了對4種算法分割結果的定量評價。

表2 4種算法分割實驗結果定量評價

從表2可見，對于2景實驗影像，本文算法的F均最高，這說明本文算法對農田HRI分割優化的效果較為顯著。值得一提的是，4種算法的P,R和F相差并不懸殊，這在圖6和圖7局部影像的分割效果對比中也可以得到印證。

仔細觀察圖6第一行可發現，本文算法的濾波結果對較大農田內部的平滑效果最佳(例如圖6(a)右下部顏色較深的大塊田地)。對于S1a和S1b影像，本文算法都得到了較好的分割結果。例如，S1a影像右上部的幾塊農田之間有模糊的小道，在圖6第二行中，只有本文算法較好地區分了這些田地(圖6(e))； 其他算法在該區域普遍存在亞分割錯誤(即把相鄰的農田合并到了一起)。對于S1b影像，經目視對比可見，4種算法的分割結果差異較小。kNN在S1b影像的分割中得到了較好的效果，其中個別田塊(例如圖6(o)下部的矩形農田)被較為完整地分割出來。但在S1b影像右下部的細長農田分割中，本文算法將其中1個農田錯誤地分為2個小區域(圖6(m))； 除此以外，本文算法在S1b影像其他區域的分割中都取得了較為不錯的效果。

(a) S1a影像本文濾波結果(b) S1a影像VMS濾波結果(c) S1a影像kNN濾波結果(d) S1a影像EW濾波結果

(e) (a)的分割結果 (f) (b)的分割結果 (g) (c)的分割結果 (h) (d)的分割結果

(i) S1b影像本文濾波結果 (j) S1b影像VMS濾波結果(k) S1b影像kNN濾波結果(l) S1b影像EW濾波結果

(m) (i)的分割結果 (n) (j)的分割結果 (o) (k)的分割結果 (p) (l)的分割結果

圖6S1局部影像的實驗結果

Fig.6TestresultsofS1subsets

與圖6不同的是，圖7中的田塊具有更大的面積，但田塊內部的光譜變化也更為顯著。一些農田(特別是S2b影像中的田塊)具有較大的光譜變化，以至于4種算法都產生了過分割錯誤。在S2a影像的分割結果中，EW的過分割錯誤最為明顯； 在S2b影像中，4種算法均有明顯的過分割錯誤。

(a) S2a影像本文濾波結果 (b) S2a影像VMS濾波結果(c) S2a影像kNN濾波結果(d) S2a影像EW濾波結果

(e) (a)的分割結果 (f) (b)的分割結果 (g) (c)的分割結果 (h) (d)的分割結果

(i) S2b影像本文濾波結果 (j) S2b影像VMS濾波結果(k) S2b影像kNN濾波結果(l) S2b影像EW濾波結果

(m) (i)的分割結果 (n) (j)的分割結果 (o) (k)的分割結果 (p) (l)的分割結果

圖7S2局部影像的實驗結果

Fig.7TestresultsofS2subsets

對圖7進一步觀察可以看出，本文算法、VMS與kNN的分割結果相差較小。然而表2中的定量評價結果顯示，本文算法優于其他3種算法，這主要是因為圖7只顯示了一部分面積較小農田的分割結果，而表2中的定量評價結果是基于整景分割結果計算出來的。一些面積較大的田塊被傳統MS算法和kNN誤分割為若干區域，則是導致其F較低的主要原因。S2影像的分割實驗可以更可靠地說明，本文算法對農田HRI分割具有較好的優化效果。

3 結論

本文發展了一種基于可變尺度Mean-Shift(MS)的農田高分遙感影像(HRI)分割算法，其主要貢獻在于將局部灰度變化與邊界強度信息加入到了局部尺度參數估計中，從而較為顯著地提高了MS濾波的邊界保持能力與區域平滑效果。利用2景較大尺度的農田HRI進行了實驗驗證，結果表明本文算法具有如下優勢：

1)較高程度的自動化。由于本文提出的局部尺度參數估計方法不需要預先設置任何參數，因而大大方便了用戶的操作。

2)優越的邊界保持平滑濾波。實驗結果說明本文算法對農田HRI分割的優化效果要好于其他MS濾波算法。

本文算法的運算速度相對較慢，對RapidEye影像進行分割用時近2 min。在未來可以考慮通過優化編程代碼或簡化收斂條件來提升計算效率。在下一步工作中，也可以考慮本文算法在城市HRI或高分SAR影像分割中的應用。

[1] Blaschke T,Hay G J,Kelly M,et al.Geographic object-based image analysis-towards a new paradigm[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,87:180-191.

[2] Kim H O,Yeom J M.Effect of red-edge and texture features for object-based paddy rice crop classification using Rapideye multi-spectral satellite image data[J].International Journal of Remote Sensing,2014,35(19):7046-7068.

[3] Vieira A,Formaggio A R,Rennó C D,et al.Object based image analysis and data mining applied to a remotely sensed Landsat time-series to map sugarcane over large areas[J].Remote Sensing of Environment,2012,123:553-562.

[5] Liu M W,Ozdogan M,Zhu X J.Crop type classification by simultaneous use of satellite images of different resolutions[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(6):3637-3649.

[6] Ming D P,Li J,Wang J Y,et al.Scale parameter selection by spatial statistics for GEOBIA:Using mean-shift based multi-scale segmentation as an example[J].ISPRS Journal of Photogrammetry and Remote Sensing,2015,106:28-41.

[7] Lang F K,Yang J,Li D R,et al.Mean-shift-based speckle filtering of polarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(7):4440-4454.

[8] Michel J,Youssefi D,Grizonnet M.Stable mean-shift algorithm and its application to the segmentation of arbitrarily large remote sensing images[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(2):952-964.

[9] Comaniciu D,Meer P.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[10]Wang L G,Liu G Y,Dai Q L.Optimization of segmentation algorithms through mean-shift filtering preprocessing[J].IEEE Geoscience and Remote Sensing Letters,2014,11(3):622-626.

[11]Ponti M P.Segmentation of low-cost remote sensing images combining vegetation indices and mean shift[J].IEEE Geoscience and Remote Sensing Letters,2013,10(1):67-70.

[12]Banerjee B,Varma S,Buddhiraju K M,et al.Unsupervised multi-spectral satellite image segmentation combining modified mean-shift and a new minimum spanning tree based clustering technique[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(3):888-894.

[13]Huang X,Zhang L P.An adaptive mean-shift analysis approach for object extraction and classification from urban hyperspectral imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(12):4173-4185.

[14]Comaniciu D,Ramesh V,Meer P.The variable bandwidth mean shift and data-driven scale selection[C]//Proceedings of the 8th International Conference of Computer Vision.Vancouver:IEEE,2001:438-445.

[15]Baatz M,Sch?pe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[M]//Strobl J,Baschke T,Griesebner G.Angewandte Geographische Informations Verarbeitung XII.Karlsruhe:Wichmann Verlag,2000:12-23.

[16]Fukunaga K,Hostetler L.The estimation of the gradient of a density function,with applications in pattern recognition[J].IEEE Transactions on Information Theory,1975,21(1):32-40.

[17]Qin A K,Clausi D A.Multivariate image segmentation using semantic region growing with adaptive edge penalty[J].IEEE Transactions on Image Processing,2010,19(8):2157-2170.

[18]蘇騰飛,李洪玉.一種兩階段區域生長的遙感圖像分割算法[J].遙感技術與應用,2015,30(3):476-485. Su T F,Li H Y.A two stage region growing method for remote sensing image segmentation[J].Remote Sensing Technology and Application,2015,30(3):476-485.

[19]Jiang H B,Su Y Y,Jiao Q S,et al.Typical geologic disaster surveying in Wenchuan 8.0 earthquake zone using high resolution ground LiDAR and UAV remote sensing[C]//Proceedings of SPIE 9262,Lidar Remote Sensing for Environmental Monitoring XIV.Beijing,China:SPIE,2014:926219.

[20]Yi L N,Zhang G F,Wu Z C.A scale-synthesis method for high spatial resolution remote sensing image segmentation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):4062-4070.

(責任編輯：陳理)

VariablescaleMean-Shiftbasedmethodforcroplandsegmentationfromhighspatialresolutionremotesensingimages

SU Tengfei， ZHANG Shengwei， LI Hongyu

(CollegeofWaterConservancyandCivilEngineering，InnerMongolianAgriculturalUniversity，Hohhot010018，China)

In order to improve the effect of information extraction from high spatial resolution remote sensing images (HRI) of cropland, the authors put forward a new HRI segmentation algorithm. Due to the fact that the traditional Mean-Shift (MS) segmentation method only uses a global and single scale, and that some variable bandwidth MS only considers spectral information in their scale estimation process, and croplands with various sizes could be hardly extracted in one segmentation result, the authors improved a MS based approach to tackle this problem. The main consideration lies in two aspects: ① A local variable scale parameter estimation method is proposed; ② The model function for local variable scale is established for MS filtering. The proposed approach mainly consists of 3 parts: ① With the objective of comprehensively considering the response variation of different bands, the diagonal scale parameter matrix is adopted in the kernel function of MS filtering, and it is combined with sample point estimation model to derive the iterative function for variable scale MS filtering; ② For the purpose of increasing automation of the proposed method, local spectral variation and edge strength information are utilized to design a new local scale parameter estimation method; ③ For obtaining the final segmentation, the filtering result is used as input for the fractal net evolution approach (FNEA) which is a spatial clustering method. Two scenes of HRI acquired by RapidEye and OrbView3 were employed for experiment, and the results show that the proposed method can optimize the accuracy of cropland HRI segmentation.

variable scale； Mean-Shift； cropland segmentation； high spatial resolution remote sensing image

10.6046/gtzyyg.2017.03.06

蘇騰飛,張圣微,李洪玉.基于可變尺度Mean-Shift的農田高分遙感影像分割算法[J].國土資源遙感,2017,29(3)：41-50.(Su T F,Zhang S W,Li H Y.Variable scale Mean-Shift based method for cropland segmentation from high spatial resolution remote sensing images[J].Remote Sensing for Land and Resources,2017,29(3)：41-50.)

2015-08-17；

2015-10-21

國家自然科學基金項目“科爾沁沙地典型生態系統水熱通量傳輸機理及其與植被耦合關系試驗和模擬研究”(編號： 51569017)、“內蒙古典型草原水文過程及其擾動與觸發草地退化的水文臨界條件實驗與模擬研究”(編號： 51269014)、內蒙古自然科學基金項目“半干旱區沙地典型生態系統水熱通量傳輸機理研究”(編號： 2015MS0514)和中國博士后科學基金面上資助項目“西部地區博士后人才資助計劃”(編號： 2015M572630XB)共同資助。

蘇騰飛(1987-),男,碩士,實驗師,主要從事面向對象的遙感圖像分析算法方面的研究。Email： stf1987@126.com。

張圣微(1979-),男,博士,教授,主要從事定量遙感、生態水文及氣候變化等方面的研究。Email： zsw_imau@163.com。

TP 751.1

： A

： 1001-070X(2017)03-0041-10