啟發法優化的農田地區高分遙感影像分割

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)

啟發法優化的農田地區高分遙感影像分割

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)

目前主流的高分遙感影像(high resolution remote sensing image,HRI)分割算法在區域合并順序的確定中很少考慮區域自身的分割質量信息。針對該問題，提出了一種啟發法優化的策略，以提高農田地區HRI的分割精度。首先,提出了區域內和區域間的“均一致模型”，前者是利用區域內光譜變化信息來建模的，后者則綜合考慮了區域間多光譜與植被信息提取的邊界強度； 其次，將區域內和區域間的均一致模型合并，構建啟發法的執行標準； 最后，利用該標準使區域合并的搜索過程能夠考慮待合并區域自身的分割質量，從而有效抑制過分割與亞分割錯誤。利用2景不同特點的農田地區HRI進行分割實驗，并將所提出的啟發法與2種新提出的分割算法進行對比分析。對分割結果的定量評價結果表明，啟發法優化策略可以顯著提高農田地區HRI的分割精度。

啟發法； 優化； 農田地區； 高分遙感影像(HRI)

0 引言

近年來，高分遙感影像(high resolution remote sensing image，HRI)在農田地區的信息獲取方面發揮著越來越重要的作用。不同于以往中、低空間分辨率遙感影像，HRI可以獲取小面積農田的信息，以產生更為精確的地物類別數據。為了提升HRI在農田地區地物分類中的精度和效率，開發合適的解譯手段是非常必要的。基于面向對象影像分析(object-based image analysis，OBIA)[1]是新近發展的一種HRI解譯方式，很多學者利用OBIA開展了農田地區遙感分類的研究[2-5]。OBIA首先將影像分割為光譜均勻的“地塊”，在此基礎上提取地塊特征(如光譜、形狀、紋理以及地塊之間的位置關系等)，以建立高級的分類規則或算法，從而提高地物種類的識別精度[1]。影像分割是OBIA的關鍵步驟[1-5]。雖然目前出現了較多有關遙感影像分割算法的研究，但該問題依然具有挑戰性。Tilton等[6]在層次逐步優化算法的基礎上發展了一套高效的遙感影像分割算法HSeg[7]，用于分割尺度較大的影像。相比于HSeg，分形網絡演化算法(fractal net evolution approach，FNEA)[8]則更多出現于近年來的OBIA研究中。一些學者也在FNEA的基礎上開展了HRI分割算法的研究。蘇騰飛等[9]在FNEA的框架內，融合了局部最優與全局最優2種合并策略，以增強分割性能； 朱俊杰等[10]在FNEA的分割過程中加入了邊界強度信息，試圖提升分割結果與實際地物邊界的符合程度； Zhong等[11]將Multi-agent算法與FNEA結合，以增強原始FNEA分割的智能性與準確度； Lassalle等[12]則發展了一種子塊處理框架，并將其與FNEA結合，使FNEA能夠并行地分割尺度巨大的遙感影像。盡管上述研究在HRI分割上取得了一定進展，但大部分算法主要考慮的是城市地區，而忽略了農田地區的特點。

不同地區的農田在HRI中具有不同的特征。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可能存在較大差異。例如，平原地區受河流灌溉的農田大多呈較為規則的矩形，而采用中心支軸式噴灌的農田則呈圓形或扇形。另外，因作物種類或長勢的差異，同一農田的內部也可能存在較大的光譜變化。此外，將相鄰農田相隔的較細道路或灌渠也會在HRI中以較弱邊界的形式呈現。以上因素都會給農田地區HRI分割帶來困難。可見，發展適用于農田地區的HRI分割算法是非常必要的。本文提出了一種基于優化啟發法的HRI分割算法，以提高農田地區HRI的分割效果。首先，在考慮農田地區地物特點的同時，提出區域內和區域間的“均一致模型”； 然后，將2種均一致模型合并，構建啟發法的執行標準，使區域合并的搜索過程能夠考慮待合并區域自身的分割質量，以有效抑制過分割與亞分割錯誤； 最后，利用2景不同特點的農田地區HRI進行分割實驗，并將所提出的算法與2種新提出的分割算法進行對比分析。

1 算法原理

1.1 現有算法分析

目前，較主流的HRI分割算法，如HSeg[7]，FNEA[8]與Mean-Shift[13]分割算法，都是在區域生長/合并算法的基礎上建立的。區域合并大多采用自底向上的策略，即描述某個地物的區域是通過若干個“小區域”合并形成的。這些小區域在分割初始階段可以是像元，也可以是由過分割算法生成的超像元。

影響區域生長分割精度的關鍵因素是區域合并順序。引導區域合并順序的策略被稱為啟發法[8]。在HSeg和FNEA的相關研究中，主要采用的啟發法僅考慮了待合并區域的相似度。例如，HSeg優先合并光譜最為相似的區域，該方法也被稱為全局最適合(global best fit，GBF)[6]的標準； 而FNEA在其啟發法中包含了局部相互最適合(local mutual best fit，LMBF)[8]的方案。實際上，待合并區域本身的質量也會對分割精度產生較大影響。例如，若2個相鄰區域的相似度較高，但其本身可能已經出現亞分割錯誤(即同一區域包含了不同種類的地物)，則這2個區域的合并就不能得到準確的分割結果。

鑒于以上問題，本文提出了一種啟發法優化的HRI分割算法，在綜合考慮農田地區特點的同時，構建了區域內和區域間的均一致模型，以模擬區域本身的質量； 然后利用構建的區域均一致作為啟發法的執行標準，以提高分割精度和效率。

1.2 區域合并算法

1.2.1 優化啟發法影像分割

本文對影像分割算法中啟發法的優化，主要指對啟發法執行標準的優化。為了充分利用區域自身的分割質量信息，綜合考慮了區域內和區域間均一致模型，將其作為引導區域合并順序(即啟發法)的執行標準H，即

H(i)=αHintra(i)+(1-α)Hinter(i)，

(1)

式中α為調節系數，其范圍是(0,1)，用于平衡區域內均一致Hintra(i)和區域間均一致Hinter(i)對合并順序的影響。

對于某一區域i，其Hintra(i)與Hinter(i)的值越小，說明區域i越適合被合并，即該區域被合并后產生錯誤的概率越低。基于此，提出基于啟發法優化的HRI分割算法流程(圖1)。

圖1基于啟發法優化的HRI分割算法流程

Fig.1FlowchartofheuristicsoptimizedHRIsegmentationalgrithm

圖1中S為按H由小到大排序的區域序列；Rs為H最低的區域；Rt為在Rs鄰域中最適合合并的區域；Ro為在Rt鄰域中最適合合并的區域；λ為尺度閾值；Rn為Rs與Ro合并結果；Nm為合并次數。進行簡單線性迭代聚類(simple linear iterative clustering，SLIC)[14]過分割計算的原因主要有2個： 一是過分割的目的是為了更好地對各個區域的Hintra初始化，假如不進行過分割，則在算法初始階段HRI的每個像元就會被當做單獨的區域，此時所有區域的Hintra為0，這樣，區域內部均一致對引導合并順序沒有作用，不利于提高算法精度； 二是過分割可極大減少初始階段的區域數目，從而簡化序列S的構建，提高計算效率。目前存在很多較為成熟的過分割算法，都可用來實現過分割，本文選用SLIC的原因是： ①已有研究證明，SLIC的精度優于大部分主流過分割算法[14-15]； ②SLIC的實現較為簡單，計算效率高； ③SLIC僅需1個輸入參數(即初始聚類中心數目)，便于使用。另外，圖1中虛線方框范圍的步驟是LMBF的方案[8]，用于搜索最適合合并的一對區域,已在FNEA中得到成功應用。λ可用于控制分割結果中區域的平均大小，該閾值的引入使本文算法具有多尺度分割的特性。

1.2.2 區域內均一致模型

一般而言，HRI中屬于同一地物的像元具有較為相近的光譜特征。盡管HRI中同一片農田的作物可能因生長情況不同而存在一定的光譜差異，但是農田內部的光譜差異一般要小于不同農田之間的光譜差異。為了定量描述區域光譜值的均一致，本文提出了基于光譜信息的區域內均一致模型，即

(2)

根據圖1可知，在本文的區域合并算法中，需要為合并后產生的區域重新計算其標準偏差σ，以便更新其Hintra。重新計算σ的直接方法是遍歷合并后區域內的所有像元，這無疑包含了較大的計算量。為了在不失準確的前提下提高計算效率，本文根據方差的統計特性提出了一種高效的σ計算方法，即

D(X)=E(X2)-E(X)2，

(3)

式中：X為區域內像元的光譜值；D(X)為隨機變量X的方差；E(X)和E(X2)分別為X和X2的期望。

為了高效計算σ，本文方法在實現區域合并時對每個區域賦予3個變量： ①像元光譜值之和v1=∑x； ②像元光譜值的平方和v2=∑x2； ③像元數n。如圖2所示,由于E(X)=∑x/n，E(X2)=∑x2/n，所以將區域Rs與Rt合并得到Rm，僅需更新Rm的v1,v2和n，即可計算出Rm的E(X)和E(X2)，進而根據式(3)求出其σ為

σ=D(X)1/2。

(4)

圖2 本文區域合并過程中區域信息的更新方法Fig.2 Updating method of regional information in proposed region merging process

因為Rm的v1m等于Rs與Rt的v1s與r1t之和；Rm的v2m等于Rs與Rt的v2s與v2t之和；Rm的nm等于Rs與Rt的ns與nt之和，所以在Rs與Rt合并后，Rm的3個變量更新僅需3次加法即可，省去了對Rm所有像元的訪問操作，從而提高了計算效率。

1.2.3 區域間均一致模型

相鄰區域之間的均一致主要由公共邊界信息來體現。若某一區域Rs本身具有較高的內部均一致(較低的Hintra值)，但Rs與其相鄰區域Rt具有很弱的邊界強度，則Rs與Rt很可能屬于同一地物，應該被合并。此時，本文定義Rs具有較弱的區域間均一致Hinter。與Hintra類似，對于低Hinter的區域，應該優先考慮其合并操作。

根據以上描述，HRI的邊界強度信息是Hinter建模的重要參量。HRI一般包含近紅外、紅光、綠光和藍光這4個波段，例如Planet Labs,QuickBird,OrbView以及中國的高分二號衛星影像等。因此，本文利用了一種適用于多光譜影像邊界提取的方法[16]。該方法需首先計算各個波段在2個正交方向(垂直和水平)的梯度影像，然后對每一個像元構建矢量E，即

(5)

式中：eVJ為波段J在垂直方向的梯度值；eHJ為波段J在水平方向的梯度值。隨后構建矩陣ET·E，計算其最大特征值λ，即為該像元點的邊界強度。一般還可以對該方法得到的邊界強度進行歸一化計算，即

(6)

式中λnorm為歸一化結果。

為了綜合利用多光譜和NDVI影像提取的邊界信息，計算Hinter的邊界強度值為

ρ=max(λSPEC,λNDVI)，

(7)

式中λSPEC與λNDVI分別是用多光譜和NDVI影像計算得到的歸一化邊界強度值，其范圍均為[0，1]。

基于式(7)，利用區域邊界像素處ρ的平均值進行Hinter建模，即

(8)

式中：x,y分別為像元在影像中的行、列號；i為區域標號；Bi為區域i邊界像元組成的集合； |·|為集合的基數。

由(8)式可知，Hinter(i)的數值范圍為[0，1]，其值越大說明區域i與其相鄰區域的異質性越大，此時應避免區域i與其鄰域合并。

1.2.4 區域合并標準

圖1中LMBF的實現需要指定區域之間的相似性度量計算方法，這對于分割精度是非常關鍵的。近年來，在HRI分割算法研究中，已存在較多的區域間相似性度量標準[8]。在本文的研究中，發現一種較為簡單的標準——波段總均方差(band sum mean squared error，BSMSE)[6,17]，非常適合用作相似性度量標準，即

(9)

式中：Rs與Rt表示相鄰的一對區域；μ為某區域在某波段的光譜均值。

CBSMSE的值越小，說明2個區域越適合合并。從圖1可以看出，僅當2個區域的CBSMSE<λ時，才允許合并。因此，與眾多主流的HRI分割算法類似，本文算法需要慎重選擇λ。所以，在實驗部分考察了本文算法分割效果與λ的關系。

2 實驗及分析

2.1 實驗數據與評價方法

為了充分驗證本文算法的性能，選用了2景具有不同特點的農田地區HRI，用于開展分割實驗。所用數據均是由OrbView3獲取的多光譜影像，包含近紅外、紅光、綠光和藍光波段，空間分辨率均為4 m。2景影像T1和T2如圖3所示，其基本信息見表1。

(a) T1(b) T2

圖3實驗用的2景OrbView3影像
Fig.3TwoscenesofOrbView3imagesusedforexperiment

表1 實驗數據基本信息Tab.1 Basic information of dataset used for experiment

由圖3可以看出，T1中農田的平均面積較小，且形狀基本上為規則矩形； 很多農田內部的光譜均一致較高，且村莊和農田的邊界較為清晰。T2則包含面積較大的農田，其內部光譜異質性較高； 該區農田形狀基本為圓形或扇形，這是由于當地采用了中心支軸式噴灌方法。可見，T1和T2適于全面驗證本文算法對不同特點農田區域的分割效果。

為了定量地分析本文算法的性能，采用一種監督的分割精度評價方法[18]。該方法通過將算法結果與基準分割進行對比，計算精確率p、召回率r及f度量。基準分割由專家手動提取。一般而言，p和r越高說明亞分割錯誤和過分割錯誤越少。f綜合考慮了p與r，因此f越高表示分割精度越好。p,r和f的范圍均為[0，1]。

在實驗中，還選用了另外2種新近提出的HRI分割算法，以便進行對比分析。這2種算法分別由蘇騰飛等[9]和Tilton等[6]提出，下文中分別簡稱為SU與HSeg。SU是一種2階段的區域生長算法，其啟發法整合了LMBF與GBF這2種策略； HSeg則采用全局逐步優化的啟發法。

本文算法是基于C++實現的。所有實驗的計算機配置為： CPU為Intel Core2 Q9500(2.83 GHz)； 內存4 GB； 操作系統Windows7(64 bit-version)。在實驗中，首先討論了本文算法性能與參數α和λ的關系，然后利用最優參數的分割結果與SU和HSeg算法進行對比分析。

2.2 實驗結果與分析

2.2.1 T1分割實驗

由于本文算法在計算Hinter時需計算邊界強度，因此首先給出了本文邊界計算方法(式(6))的結果及其中間過程(圖4)。

(a) 多光譜影像提取的邊界強度 (b) NDVI提取的邊界強度(c) 本文算法計算的邊界強度

圖4T1邊界強度提取結果

Fig.4EdgestrengthresultsextractedfromT1

圖4(a)中村莊和農田的邊界十分清晰，但農田之間的邊界較為模糊，例如左上角處的農田，其中的細長矩形農田之間具有較弱的邊界強度。相反，圖4(b)很好地反映了農田之間的邊界信息，例如左上角處的農田邊界被明顯地提取出來，可見NDVI對于農田地區邊界信息提取具有較好的效果； 然而，圖4 (b)未能反映非植被區域的邊界，例如左下方村莊區域的邊界。本文算法綜合了上述2種邊界強度信息的優勢，較為完全地展現了T1的邊界特征(圖4(c))，可見本文邊界提取算法對于T1是較為適用的。

利用圖4(c)的邊界信息對T1進行分割，并考察本文算法分割精度與參數α和λ的關系(圖5)。

圖5 本文算法對T1分割的精度與參數α和λ的關系Fig.5 Relationship between T1 segmentation accuracy by proposed algorithm and parameters of α and λ

從圖5可以看出，當λ為10和20時，f較高，即分割精度較好。這主要是由于T1中的大部分農田面積較小，而λ與區域平均大小直接相關，因此較小的λ即可達到較好的分割效果。然而，隨著λ增大，f呈逐漸降低的趨勢。這是因為當λ較大時，很多小區域被錯誤地合并，從而導致亞分割錯誤。對圖5進一步的觀察發現，當λ=20時，f隨α的變化最大： 當α=0.9和α=0.925時，f達到最高； 而0.175<α<0.450時，f較低。由此可見，對于T1，較大的α可得到最好的f，所以Hintra對T1分割效果的影響高于Hinter。這也是由T1特點決定的，雖然T1中的農田平均面積較小，但是其中很多村莊、休耕地(圖3(a)中偏藍色的地物)等區域具有較大的光譜變化，因此區域合并順序需要被區域內部光譜信息引導，才能更有效地避免亞分割錯誤。根據圖5還可確定本文算法對于T1的最佳參數配置為λ=20，α=0.9。利用該參數配置，將本文算法結果與SU和HSeg算法進行了對比，更客觀地進行分割精度評價。圖6展示了3種算法的分割結果。值得一提的是，對于本文算法的SLIC過分割，其參數為400個聚類中心。這一參數可以達到較好的過分割效果(圖6(a))，幾乎所有區域的邊界都被成功地分割出來。

(a) SLIC過分割 (b) 本文算法 (c) SU算法(d) HSeg算法

圖63種算法的T1分割結果

Fig.6T1segmentationresultsbythreealgorithms

觀察圖6(b)可以看出，本文算法在過分割和亞分割錯誤的抑制上達到了不錯的效果，在保留大部分小面積農田區域的同時，還較為完整地分割出了大面積區域。例如在T1中央偏上部分，面積較大的紅色矩形農田區域被較為完全地分割出來，僅有個別小區域未被合并； 而SU(圖6(c))與HSeg算法(圖6(d))均過分割了該區域。另外，T1中央有很多面積較小的紅色農田，其光譜較為相近，因此極易被錯誤合并，在圖6(c)和(d)中該現象出現較多； 而在本文算法的分割結果(圖6(b))中，大多數小面積的紅色農田被保留下來，可見本文算法對于亞分割錯誤的抑制是較為有效的。

表2示出的定量評價結果與圖6的目視分析情況是非常一致的： 本文算法得到了最高的f與p，說明本文對啟發法的優化可以較為成功地抑制過分割錯誤； 雖然本文算法的r較低，但與另2種算法的差距不大。表2還列出了3種算法的運算時間，本文算法是4.2 s，雖然用時相對最長，但主要時間消耗在了SLIC算法上(4.0 s)，而其他部分計算僅占0.2 s，可見在SLIC過分割基礎上，本文啟發法的執行效率還是較高的。

表2 3種算法對T1分割結果的定量評價Tab.2 Quantitative evaluation for T1 segmentation results produced by three algorithms

2.2.2 T2分割實驗

與T1實驗類似，在T2實驗中首先計算出邊界強度影像。如圖7所示，本文算法(圖7(c))綜合了多光譜(圖7(a))與NDVI(圖7(b))提取邊界的優勢，可以較為完全地反映T2中各類地區的邊界特征。例如對于T2中央偏上扇形區域的弧形邊界，多光譜影像可將其提取出來； 而NDVI提取的邊界更好地反映了T2右下方圓形大面積農田內部的結構。

(a) 多光譜影像提取的邊界強度 (b) NDVI提取的邊界強度(c) 本文算法計算的邊界強度

圖7T2邊界提取結果

Fig.7EdgestrengthresultsextractedfromT2

由于T2的區域平均面積明顯大于T1，所以在考察本文算法分割精度與參數α和λ的關系時，選用的λ范圍較T1更大(20～120)。圖8顯示了本文算法對T2分割結果中α和λ的關系。從圖8可以看出，當λ較小或較大時，f均較低； 而λ=40,60和80時獲得了較好的f，且f隨α的變化相對最小。可見，當待分割地物的面積較大時，λ對分割精度的影響高于α。根據圖8還可確定本文算法對T2的最佳參數配置為λ=40，α=0.1。利用此參數配置，將本文算法的分割結果與SU和HSeg算法進行了對比，其結果見圖9。

圖8 本文算法對T2分割的精度與參數α和λ的關系Fig.8 Relationship between T2 segmentation accuracy by proposed algorithm and parameters of α and λ

需說明的是，T2的SLIC過分割采用了與T1實驗相同的參數設置，因為圖9(a)中幾乎全部地物的邊界都被準確分割出來。從圖9(b)可以看出，本文算法可以在T2中小面積地物完整分割的同時，得到大面積地物較為完整的分割。例如對于T2中央偏左下的較大的扇形綠色休耕農田區域，只有本文算法可以完整地將其分割出來； 而SU(圖9(c))與HSeg算法(圖9(d))都過分割了該區域。

(a) SLIC過分割 (b) 本文算法 (c) SU算法(d) HSeg算法

圖93種算法的T2分割結果

Fig.9T2segmentationresultsbythreealgorithms

在實驗過程中發現，如果SU與HSeg算法要將這一農田完整分割出來，則需要選用更大的尺度參數，此時一些小面積農田就會被錯誤地合并到其相鄰的區域中，導致亞分割錯誤，從而降低f。此外，對于T2左上方的紅色半圓形農田區域，雖然3種算法的分割結果都存在一定的過分割錯誤，但本文算法對該區域的過分割程度最低； 類似的現象還出現在T2中央右側綠色三角形區域。以上例子都有力地證明了本文算法的優勢。

表3列出了3種算法對于T2的最佳p,r和f，可見T2定量評價與圖9目視分析的結論是一致的。與T1不同的是，對于T2，本文算法相對于另2種算法的優勢更為明顯，這進一步說明本文提出的啟發法有助于提高農田地區HRI分割精度。

表3 3種算法對T2分割結果的定量評價Tab.3 Quantitative evaluation for T2 segmentation results produced by three algorithms

3 結論

本文發展了一種基于啟發法優化的影像分割算法，用于農田地區HRI的信息提取。利用所構建的區域內和區域間均一致模型，使區域合并啟發法的執行標準能夠考慮到區域的質量信息，以更好地抑制亞分割和過分割錯誤。通過實驗驗證，得出主要結論如下：

1)本文構建的區域內與區域間均一致模型，綜合考慮了農田地區的特點，并能較好地反映區域的分割質量； 相比于傳統的啟發法，本文算法可以引導區域合并過程得到更為精確的分割結果。

2)本文算法主要包含α和λ這2個參數； 對于農田平均面積較小的地區，僅在λ較小時，α對分割精度才有較為明顯的影響； 對于平均面積較大的農田地區，在λ取不同數值時，α對分割精度的影響都較為明顯。

盡管實驗證明本文算法的分割精度優于SU與HSeg算法，但仍然可以發現本文算法的分割結果存在一些錯誤： 例如圖6(b)左上方的大面積紅色矩形農田依然未被完整地提取出來； 對于圖9(b)左上方的扇形區域，在其弧形邊界處同時存在亞分割與過分割錯誤。實際上，除了啟發法，區域合并標準對區域合并算法的分割精度也具有較大的影響[17]，而本文所采用的相似性度量標準計算方法并非最佳選擇。因此，在未來的工作中，可以考慮如何設計適用于農田地區HRI的合并標準，從而進一步提升分割精度。

[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.

[4] 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.

[5] 蘇騰飛,李瑞平.面向對象的農田信息遙感影像分割算法[J].測繪科學,2016,41(3):49-53.

Su T F,Li R P.An object-oriented segmentation method for RS imagery of cropland information[J].Science of Surveying and Mapping,2016,41(3):49-53.

[6] Tilton J C,Tarabalka Y,Montesano P,et al.Best merge region-growing segmentation with integrated nonadjacent region object aggregation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(11):4454-4467.

[7] Beaulieu J M,Goldberg M.Hierarchy in picture segmentation:A stepwise optimization approach[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1989,11(2):150-163.

[8] Baatz M,Sch?pe A.Multiresolution segmentation:An optimizing approach for high quality multi-scale segmentation[C]//Angewandte Geographich Informationsverarbeitung,XII.Germany:Wichmann,2000:12-23.

[9] 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.

[10] 朱俊杰,杜小平,范湘濤,等.一種改進的多尺度分形網絡演化分割方法[J].遙感技術與應用,2014,29(2):324-329.

Zhu J J,Du X P,Fan X T,et al.A advanced multi-scale fractal net evolution approach[J].Remote Sensing Technology and Application,2014,29(2):324-329.

[11] Zhong Y F,Zhao B,Zhang L P.Multiagent object-based classifier for high spatial resolution imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(2):841-857.

[12] Lassalle P,Inglada J,Michel J,et al.A scalable tile-based framework for region-merging segmentation[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(10):5473-5485.

[13] 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.

[14] Achanta R,Shaji A,Smith K,et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[15] 孫 巍,郭 敏.基于SLIC與條件隨機場的圖像分割算法[J].計算機應用研究,2015,32(12):3817-3820,3824.

Sun W,Guo M.Image segmentation based on SLIC and conditional random field[J].Application Research of Computers,2015,32(12):3817-3820,3824.

[16] Lee H C,Cok D R.Detecting boundaries in a vector field[J].IEEE Transactions on Signal Processing,2002,39(5):1181-1194.

[17] 蘇騰飛,李洪玉,屈忠義.高分辨率遙感圖像道路分割算法[J].國土資源遙感,2015,27(3):1-6.doi:10.6046/gtzyyg.2015.03.01.

Su T F,Li H Y,Qu Z Y.A study of road segmentation from the high resolution remote sensing image[J].Remote Sensing for Land and Resources,2015,27(3):1-6.doi:10.6046/gtzyyg.2015.03.01.

[18] Crevier D.Image segmentation algorithm development using ground truth image data sets[J].Computer Visual and Image Understanding,2008,112(2):143-159.

Heuristicsoptimizedsegmentationofagriculturalareaforhighresolutionremotesensingimage

SU Tengfei， ZHANG Shengwei， LI Hongyu

(CollegeofWaterConservancyandCivilEngineering，InnerMongoliaAgriculturalUniversity，Hohot010018，China)

Many mainstream segmentation algorithms for high resolution remote sensing image (HRI)rarely consider the segmentation quality in their region merging process. In order to solve this problem, this paper proposed a strategy to optimize heuristics with the purpose of enhancing segmentation accuracy of HRI captured over agricultural areas. Intra- and inter- region homogeneity models were firstly proposed, with the former constructed upon within-region spectral variance, and the latter considering edge strength extracted from multi-spectral and vegetation information. The criterion of the proposed heuristics was then constructed by combining the intra- and inter- region homogeneity. The new criterion enables the merging process to take into account the segmentation quality, thus constraining over- and under- segmentation errors effectively. Two scenes of HRI acquired over agricultural areas were utilized for validation experiment, and the performance of the proposed method was compared with other two newly proposed methods. By analyzing the quantitative evaluation of the segmentation results, it is found that the proposed method can remarkably improve the segmentation accuracy of HRI in agricultural landscape.

heuristics； optimization； agricultural area； high resolution remote sensing image(HRI)

10.6046/gtzyyg.2017.04.16

蘇騰飛,張圣微,李洪玉.啟發法優化的農田地區高分遙感影像分割[J].國土資源遙感,2017,29(4)：106-113.(Su T F,Zhang S W,Li H Y.Heuristics optimized segmentation of agricultural area for high resolution remote sensing image[J].Remote Sensing for Land and Resources,2017,29(4)：106-113.)

TP 751

A

1001-070X(2017)04-0106-08

2016-06-14；

2016-07-24

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)、“面向對象的河套灌區遙感作物分類算法研究”(編號： 61701265)、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,主要研究方向為面向地理對象影像分析的遙感數據處理算法的設計與實現。Email： stf1987@126.com。

張圣微(1979-),男,博士,教授,碩士生導師,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。

(責任編輯：張仙)