基于影像與坡度數據融合的梯田田塊分割方法

張宏鳴　胡　勇　楊勤科　楊江濤　王美麗　張　炯

(1.西北農林科技大學信息工程學院， 陜西楊凌 712100； 2.西北大學城市與環境學院， 西安 710069；3.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100；4.南加州大學神經影像學和信息學研究所， 洛杉磯 CA 90033)

0　引言

梯田是在丘陵山坡地上沿等高線方向修筑的條狀階臺式或波浪式斷面的田地。梯田的修筑在很大程度上開發了坡耕地的農業生長潛力，具有蓄水、保土作用[1]。我國梯田廣泛分布在北方黃土高原區和南方低山丘陵區。梯田的修建，極大地改變了地表起伏程度，地形特征變化較大。由于高精度梯田數據較難獲得，因此，前人的研究多集中在如何構建適合的梯田數字高程模型(Digital elevation model，DEM)[1-2]上。盡管在侵蝕模型中，考慮到梯田的水土保持作用，如通用土壤流失方程的P(工程)因子[3]，中國土壤侵蝕方程中的E(水土保持措施)因子[4]，當將這些模型應用到區域尺度時，僅僅用一個系數作為參考是不夠精確的。因此，為了對梯田地形特征進行更加精確的分析，有效而準確地分割并提取梯田成為必需。

地形特征的提取方法眾多，如基于DEM對溝緣線的提取[5-7]、對坡溝系統的提取[8]；基于遙感影像對道路信息的提取[6,9]、對地形特征的增強[10]；基于圖像的海岸線[11]和湖岸線[12]提取等。由于梯田間距通常在幾米或幾十米之間，間距窄小，遙感影像或地形圖等分辨率較難達到對梯田田塊進行提取的要求。

圖1　研究區Fig.1　Study area

DIAZ-VARELA等[13]采用面向對象的方法對大范圍的梯田區和非梯田區進行了分類。MEKURIAW等[14]基于谷歌影像進行水土保持工程措施提取。但受空間分辨率影響，效果一般。ECKERT等[15]利用高分辨率遙感影像，采用邊緣檢測方法，對梯田進行分割，但數據精度不高，梯田邊緣斷點較明顯，不夠連續。ZHANG等[16]通過模板匹配算法對梯田區進行提取，但由于受梯田田面干擾較大，以及影像數據分辨率較低，不能精確地對梯田田塊進行提取。ZHAO等[17]基于面向對象法，結合DEM數據和影像數據對大面積梯田區域進行了提取。目前，對梯田田塊分割與提取的研究報道較少。

本文在無人機技術研究基礎上[18-19]，通過無人機航空攝影測量獲取大面積、高精度梯田正射影像?；诟倪M的邊緣檢測方法，對正射影像和坡度數據進行粗提取、去除偽邊緣和噪聲、邊緣精細提取、梯田分割。

1　研究區域和數據基礎

1.1　研究區域

黃土高原地區坡面水土流失嚴重，為減少坡面水土流失和增加農作物產量，各類山坡坡面上修建了梯田和魚鱗坑等人工工程設施[20]。甘肅省榆中縣從20世紀90年代起開始逐漸大面積修建梯田，縣區內梯田面積較大，范圍清晰。本文選取榆中縣龍泉鄉附近的常見旱梯田為研究區，該研究區的地理位置為東經104°10′58″～104°19′51″，北緯35°34′4″～35°40′56″，該研究區中內梯田形態具有一定的典型性。圖1a是該研究區DEM數據及其所在地理位置。根據田面坡度的不同，梯田一般分為水平梯田、坡式梯田、隔坡梯田和軟埝梯田[21]，本文所研究梯田主要是水平梯田。

1.2　數據基礎

研究區圖像于2016年3月拍攝，風力小于4級，天氣晴朗，能見度高。全程總計耗時約24 h。采用安翔動力開發的AF1000型無人機，翼展2.7 m，質量14 kg，航時3 h，有效載荷2 kg，航高90 m左右，搭載SONY A5100型相機，單幅影像包含面積約340 m×500 m，影像分辨率0.05 m，基于精度要求，樣區范圍共布設83個地面控制點，主要分布在梯田邊緣、道路交叉口中心，使用RTK進行測量，可用于空間運算和精度檢測。同時用這些點來檢測影像集合定位精度，保證校正影像在侵蝕檢測中的基本應用需求。數據處理采用Agisoftphotoscan軟件，導入影像、POS數據及控制點數據，將整個區域分成25個區塊進行處理，每塊圖像平均5 000幅左右，對每塊逐一進行點云提取和立體模型建立，最后進行合并、紋理提取，獲得數字表面模型(Digital surface model，DSM)[22]，采用Xian 1980 3 Degree GK CM 108E投影。由于研究區在該時間段幾乎沒有植被覆蓋，建筑用地較少，可通過對點云數據進行分類，分為地面點和非地面點兩類，將非地面點作為噪聲處理，通過濾波后得到剔除非地面點的DEM數據，DEM分辨率為0.5 m。依據無人機影像制作的1∶500地形圖的平面和高程精度均滿足《1∶500 1∶1 000 1∶2 000 地形圖航空攝影測量內業規范》對1∶500平地、丘陵的成圖要求。

圖2　DEM圖像及坡度數據圖像Fig.2　Digital elevation model image and slope data image

由于DEM數據在梯田邊緣處的變化沒有坡度數據明顯(圖2紅色邊框區域)，本文通過ArcGIS計算DEM坡度，生成坡度數據，分別使用無人機正射影像、坡度及兩種數據結合對3塊區域進行梯田提取。實驗樣區1梯田主要特征是田面光譜復雜，但邊緣特征較明顯，形狀規則(圖1b)。實驗樣區2主要特點是田面紋理復雜，梯田形狀不規則，邊緣彎曲度較大(圖1c)。實驗樣區3為大尺度的梯田區范圍，含有各種復雜地物(圖1d),其中紅線標注的區域是居民區。

為提高梯田的提取精度，本文在對研究區現場進行勘察后，按多種特征對研究區地物進行了描述：①梯田邊緣：梯田田塊邊界，長度較長，坡度較大，坡度變化較小。②非梯田丘陵：形狀不規則面積較大，坡度較大，坡度變化較大，正射影像上呈暗黑色。③居民區：區域形狀規則面積較小，屋面高程相同，邊緣處坡度較大且不存在側坡。④道路：形狀不規則，面積較小，路面成條帶狀，邊緣處坡度較小，且坡度變化率較小。

根據對研究區的特征分析，本文結合坡度數據和無人機正射影像，建立梯田區地物特征規則(表1)，作為邊緣檢測規則。

表1　梯田區地物特征規則Tab.1　Terraced area features rule

2　研究方法

無人機正射影像的梯田內部紋理和形狀等細節較復雜，本文將坡度數據和無人機正射影像數據結合，利用一種改進的邊緣分割方法，對梯田區的田塊進行分割。主要步驟為：①數據預處理。②基于邊緣檢測算法對梯田的粗邊緣分割。③通過區域生長算法，去除梯田邊緣圖中的偽邊緣。④對正射影像和坡度圖進行疊加和邊緣連接，實現邊緣精細提取。⑤基于區域填充算法，對梯田田塊分割。最終提取結果與手工標注方法進行對比及精度評價。方法流程如圖3所示。

圖3　方法流程圖Fig.3　Flow chart of method

2.1　數據預處理

無人機正射影像受田面堆積物和種植物的干擾，田面上存在復雜的細節條紋和點狀干擾(圖4a)，不利于梯田分割。為降低圖像中田面復雜的細節干擾又不使田面主要的邊緣結構模糊，本文通過灰度圖像轉換(圖4b)和數據平滑(圖4c)進行預處理。彩色正射影像轉換成灰度圖像的公式為

F(i,j)=0.299F(i,j)r+0.299F(i,j)g+
0.299F(i,j)b

(1)

式中F(i,j)——像素點(i，j)處轉換后的灰度

F(i,j)r——點(i，j)處的彩色圖像紅色分量

F(i,j)g——點(i，j)處的彩色圖像綠色分量

F(i,j)b——點(i，j)處的彩色圖像藍色分量

平滑方法采用高斯平滑[23]，即采用3×3的窗口，均值為零、方差為1的高斯核進行高斯平滑處理，公式為

(2)

其中

δ=1m=3n=3

式中f(i,j)——像素點(i，j)處的灰度

經過平滑后田面內部細節紋理變模糊，但尖銳的邊緣信息得以保留(圖4c紅色邊框部分)，將更有利于后續梯田邊緣的檢測。

2.2　梯田提取算法

2.2.1改進Canny邊緣檢測算子提取梯田邊緣

圖4　圖像平滑處理對比Fig.4　Comparison of smooth processing diagrams

Canny邊緣檢測算子[24]主要包括高斯濾波平滑圖像、計算梯度的幅值和方向、對梯度幅值進行非極大值抑制、雙閾值方法檢測和連接邊緣4部分[25]。與Sobel、 Roberts等邊緣檢測算子相比[26]，Canny算子具有定位準確、單邊緣響應和信噪比高等優點，目前應用較廣。但由于梯田田面存在大量復雜紋理特征，容易檢測出虛假邊緣，需要對Canny算子進行改進。本文根據表1的邊緣檢測規則剔除坡度和梯田影像數據的偽邊緣，再對該數據進行疊加、膨脹處理。算法分為3步：

(1)對平滑后的梯田影像數據和坡度數據中的像素點(m,n)，使用一階微分算子H1、H2進行卷積計算，得到該點的梯度和方向，即

(3)

(4)

(5)

式中Gx(m,n)、Gy(m,n)——像素點(m,n)處的x方向梯度、y方向梯度

G(m,n)、θg(m,n)——像素點(m,n)處的梯度、方向

f(m,n)——像素點(m,n)處的灰度

全局梯度并不能確定邊緣，為確定梯田邊緣必須保留局部最大值，并對非極大值梯度的2個閾值th1和th2進行抑制，兩者關系為th1=0.5th2，進而得到梯田提取的候選邊緣。

(2)根據表1中描述的梯田中地物特征規則，對提取的候選邊緣進行遍歷判斷，步驟如下：①對圖像順序掃描找到第1個沒有歸屬且滿足梯田邊緣規則的像素點，設該像素點為(x0,y0)，將其壓入棧內。②以(x0,y0)為中心, 考慮(x0,y0)的8鄰域沒有歸屬的像素點(x,y)，如果(x,y)滿足梯田邊緣規則, 將(x,y)與(x0,y0)合并(在同一區域內), 同時將(x,y)壓入堆棧。③從堆棧中取出一個像素點,把它當作(x0,y0)返回到步驟②。④當堆棧為空時判斷合并的區域像素個數是否滿足梯田邊緣規則中的邊緣長度，若滿足則將該區域標記為梯田邊緣并返回到步驟①;如不滿足，則將該區域剔除并返回到步驟①。⑤重復步驟①～④直到圖像中的每個點都有歸屬時結束。

(3)梯田正射影像數據在進行邊緣提取后，梯田邊緣處的梯度較強，但田面受紋理干擾存在偽邊緣。坡度數據中，梯田田面梯度幾乎為零，但梯田邊緣處梯度也相對較弱。因此通過設置有效疊加公式

(6)

式中E——疊加后邊緣梯度T——閾值

E1——坡度數據邊緣梯度

E2——正射影像數據邊緣梯度

對坡度數據的邊緣梯度E1和正射影像數據的邊緣梯度E2進行疊加，并設置閾值T將影像邊緣圖和坡度邊緣圖進行有效合并，得到更加精確的梯田邊緣數據。

圖6　實驗樣區2梯田邊緣提取對比圖Fig.6　Example 2 terraced edge extraction comparison images

經過以上邊緣疊加后，為保證田面的邊緣連續不斷裂，采用膨脹算法[27]對疊加合并邊緣操作，讓斷裂的邊緣連接在一起，為后續梯田區田塊填充提供基礎。

2.2.2梯田區田塊填充和統計

在梯田邊緣提取的基礎上，本文利用區域生長算法[28]對梯田區域內的每塊非邊緣區域進行區域合并，并設置計數器Index來統計合并的區域個數以及各區域含有的像素數。步驟如下：①順序掃描找到第1個未合并的種子像素作為生長的起點，將種子像素周圍鄰域非邊緣像素點合并到種子像素所在的區域中。②新的像素繼續作為種子向四周生長，直到沒有滿足條件的非邊緣點像素可以包括進來，并記下區域像素個數。③重復步驟①、②直到圖像中每個像素都完成計數。算法流程如圖5所示。

圖5　填充算法流程Fig.5　Flow chart of fill algorithm

2.3　方法對比與精度驗證

2.3.1方法對比

本文用面向對象[29]的方法與改進的邊緣檢測方法完成梯田邊緣的提取，并進行對比。利用較好的坡度邊緣提取結果與無人機正射影像邊緣疊加(圖6)，可以看到本文方法在剔除偽邊緣干擾(紅色部分)的同時又較好地保留了藍色框中的梯田邊緣，而面向對象方法受干擾嚴重。

2.3.2精度驗證

依據梯田田塊提取結果與目視解譯數據的吻合程度可以判斷出本文方法的效果。參考對象一致性誤差(OCE)分割評價準則[30]，本文建立梯田田塊提取評價標準為

(7)

(8)

式中S——算法精度

Ni——第i塊梯田中像素點個數

Mi——第i塊梯田中目視解譯的像素個數真值

AC——田塊的提取正確率

ACi——第i塊梯田田塊的提取正確率

AC越小表示提取出的單塊梯田和目視解譯相比重合度越小，算法正確率越小，AC越大，表示算法提取出的梯田田塊與目視解譯相比重合度比較大，因此正確率比較高。另外，S越大表示該算法在梯田區提取田塊的整體正確率越高。

3　結果與討論

3.1　梯田田塊提取的效果

(1)實驗樣區1

從該區域的本文算法提取田塊和目視解譯梯田田塊對比來看，梯田田塊提取基本一致，但是梯田田塊提取也出現過分割情況，本文算法在分割提取塊號13的梯田后將其分裂成2塊，如圖7b、7c中1號藍色框所示。出現這種現象的原因主要是在實際環境中此處有一條道路，對分割產生了影響。同時本文算法在分割過程中也存在漏分割情況，如圖7b、7c中2號藍色區域所示。兩塊梯田經提取后合并成一塊梯田，出現這種情況是由于實際影像數據和坡度數據在梯田田塊邊緣處特征不明顯，如圖7a中的2號區域所示。

(2)實驗樣區2

從梯田田塊提取的結果對比來看，本文算法也存在2處漏分割現象，在圖8c的1號框中出現田塊提取漏分割的主要原因為實際梯田田坎處有斷裂，導致提取的邊緣不封閉。在圖8c的2號框中出現的提取漏分割主要是因為此處的坡度和影像數據特征不明顯。

(3)實驗樣區3

分割結果如圖9所示，從分割結果來看，在大區域中，由于圖像特征復雜(含有房屋、丘陵等)，或體型特征變化不明顯(窄小的田塊、田坎不突出)，導致分割出現了漏分割和誤分割情況，在圖9b的1號框中，主要因為房屋的干擾導致誤分割，在圖9b的2號框中，主要是因為田坎特征變化不明顯導致漏分割的出現。圖9c為手工去除居民區部分的梯田分割結果。

圖7　實驗樣區1田塊提取結果Fig.7　Example 1 terraced extraction results

圖8　實驗樣區2田塊提取結果Fig.8　Example 2 terraced area extraction results

圖9　實驗樣區3分割結果Fig.9　Example 3 terraced partition results

3.2　梯田田塊提取精度

通過精度計算公式，對梯田分割、填充后的梯田田塊進行正確率對比，實驗樣區1中的梯田田塊提取正確率結果如表2所示。梯田提取正確率在田塊面積較小的區域正確率比較小，如第3號梯田田塊，像素點254個，其提取的正確率只能達到26%，效果較差。在面積較大的田塊區域，提取正確率較高，如第4、5、9號梯田田塊，其正確率可達90%以上，效果較好，這主要因為該樣區干擾因素較少，大面積田塊容易區分。本文算法在實驗樣區1總精度達86.9%，與實驗樣區1類似。在實驗樣區2，盡管有房屋的干擾但房屋較集中，且小塊梯田少，因此效果比實驗樣區1的正確率高，總精度達89%。在實驗樣區3中，圖像特征復雜(含有房屋、道路、沖溝、山地等)，或體型特征變化不明顯導致梯田分割效果較差，提取的總梯田像素個數為2 388 248個，錯提取像素個數為1 257 932個，總精度65.5%。而通過手工去除居民區后，提取的總梯田像素個數為2 880 482個，錯提取像素個數為765 698個，總精度達79%。3個樣區的平均精度可達84.9%。

4　結論

(1)無人機航空攝影測量方法獲取的正射影像數據可用于梯田分割，但原始數據中地表雜物對分割有一定影響，結合解譯的坡度后，能夠過濾掉部分梯田干擾信息。

表2　本文算法提取實驗樣區1田塊的正確率Tab.2　Accuracy of example 1 terraces field extracted by proposed algorithm

(2)區域生長算法可快速生成較為閉合的梯田田塊邊緣，能夠有效解決梯田邊緣檢測中邊緣不連續的問題，提取精度較面向對象方法要高，是梯田分割方法的一次有效探索。

(3)梯田區的道路、山丘、沖溝等對梯田田塊的準確分割影響較大，尤其在大范圍梯田提取時，該方法還略有不足。通過深度學習等方法對不同地物特征進行學習、訓練，有望在大尺度數據提取方面獲取更好的結果。

1張宏鳴, 宋澤魯, 楊江濤, 等. DEM超分辨率重構對梯田坡度提取的影響研究[J/OL]. 農業機械學報, 2017,48(1): 112-118，138. http:∥www.jcsam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170115&flag=1.DOI：10.6041/j.issn.1000-1298.2017.01.015.

ZHANG Hongming,SONG Zelu,YANG Jiangtao, et al. Influence of DEM super-resolution reconstruction on terraced field slope extraction[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(1):112-118，138.(in Chinese)

2祝士杰, 湯國安, 張維, 等. 梯田DEM快速構建方法研究[J]. 測繪通報, 2011(4): 68-70,82.

ZHU Shijie, TANG Guoan, ZHANG Wei, et al. Rapid modeling method for terrace digital elevation model [J]. Bulletin of Surveying and Mapping, 2011(4): 68-70,82. (in Chinese)

3ZHANG H, WEI J, YANG Q, et al. An improved method for calculating slope length (λ) and the LS parameters of the revised universal soil loss equation for large watersheds[J]. Geoderma,2017, 308: 36-45.

4LIUB Y, ZHANG K L, XIE Y.An empirical soil loss equation[C]∥Proceedings of 12th International Soil Conservation Organization Conference, 2002：21-25.

5劉瑋, 李發源, 熊禮陽, 等.基于區域生長的黃土地貌溝沿線提取方法與實驗[J]. 地球信息科學學報, 2016, 18(2): 220-226.

LIU Wei, LI Fayuan, XIONG Liyang, et al. Shoulder line extraction in the Loess Plateau based on region growing algorithm [J]. Journal of Geo-Information Science, 2016, 18(2): 220-226.(in Chinese)

6李敏, 楊昕, 陳盼盼, 等. 面向點云數據的黃土丘陵溝壑區溝沿線自動提取方法[J]. 地球信息科學學報, 2016, 18(7): 869-877.

LI Min, YANG Xin, CHEN Panpan, et al. Method of automatic shoulder line extraction in the loess hilly area based on point cloud data [J]. Journal of Geo-Information Science, 2016, 18(7): 869-877. (in Chinese)

7李小曼, 王剛, 李銳. 基于DEM的溝緣線和坡腳線提取方法研究[J]. 水土保持通報, 2008, 28(1): 69-72.

LI Xiaoman, WANG Gang, LI Rui. A DEM based method for extraction of valley shoulder line and slope heel line [J]. Bulletin of Soil and Water Conservation, 2008, 28(1): 69-72. (in Chinese)

8徐靖宇, 邱麗靜. 基于GIS的湖南省山洪溝提取技術及其應用[J]. 地理科學研究, 2016, 5(2): 75-79.

XU Jingyu, QIU Lijing. Extraction and application of flash flood ditch in Hunan Province based on GIS [J]. Geographical Science Research,2016, 5(2): 75-79. (in Chinese)

9譚媛, 黃輝先, 徐建閩, 等. 基于改進 Sobel 算子的遙感圖像道路邊緣檢測方法[J]. 國土資源遙感, 2016, 28(3): 7-11.

TAN Yuan, HUANG Huixian, XU Jianmin,et al. Road edge detection from remote sensing image based on improved Sobel operator[J]. Remote Sensing for Land & Resources, 2016, 28(3): 7-11. (in Chinese)

10程德強, 趙牡丹, 高春留, 等. 基于遙感影像的DEM地形信息增強表達研究——以梯田DEM構建為例[J]. 華中師范大學學報: 自然科學版, 2016, 50(3): 464-470.

CHENG Deqiang, ZHAO Mudan, GAO Chunliu,et al. Research on the enhanced expression of DEM terrain information based on remote sensing image—taking terrace DEM construction as an example[J]. Journal of Huazhong Normal University: Natural Sciences Edition, 2016, 50(3): 464-470. (in Chinese)

11毋亭, 侯西勇.海岸線變化研究綜述[J]. 生態學報, 2016, 36(4): 1170-1182.

WU Ting, HOU Xiyong.Review of coastal changes [J].Acta Ecologica, 2016, 36(4):1170-1182.(in Chinese)

12顧智, 賈培宏, 李功成,等. 基于Canny算子的海南陵水雙潟湖岸線提取技術[J]. 第四紀研究, 2016, 36(1): 113-120.

GU Zhi, JIA Peihong, LI Gongcheng, et al. Research on a technique of extracting coastline shoreline information extraction using the Canny edge detection operator for two coastal lagoons in Lingshui, Hainan Province[J]. Quaternary Research, 2016, 36(1): 113-120. (in Chinese)

13DIAZ-VARELA R A, ZARCO-TEJADA P J, ANGILERI V, et al. Automatic identification of agricultural terraces through object-oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle[J]. Journal of Environmental Management, 2014, 134(1):117-126.

14MEKURIAW A, HEINIMANN A, ZELEKE G, et al. An automated method for mapping physical soil and water conservation structures on cultivated land using GIS and remote sensing techniques[J]. Journal of Geographical Sciences, 2017, 27(1): 79-94.

15ECKERT S, GHEBREMICAEL S T, HURNI H, et al. Identification and classification of structural soil conservation measures based on very high resolution stereo satellite data[J]. Journal of Environmental Management, 2017, 193(4):592-606.

16ZHANG Y, SHI M, ZHAO X, et al. Methods for automatic identification and extraction of terraces from high spatial resolution satellite data (China-GF-1)[J]. International Soil and Water Conservation Research, 2017, 5(1): 17-25.

17ZHAO H, FANG X, DING H, et al. Extraction of terraces on the Loess Plateau from high-resolution DEMs and imagery utilizing object-based image analysis[J]. ISPRS International Journal of Geo-Information, 2017, 6(6): 157.

18ZHANG H, YANG Q, LI R, et al. Extension of a GIS procedure for calculating the RUSLE equation LS factor[J]. Computers & Geosciences, 2013, 52: 177-188.

19張宏鳴, 楊勤科, 王猛, 等. 溝道截斷對分布式土壤侵蝕學坡長提取的影響[J]. 水利學報, 2017, 48(5): 568-575.

ZHANG Hongming, YANG Qinke, WANG Meng, et al. Effect of channel networks cutoff on extraction of distributed erosion slope length[J]. Journal of Hydraulic Engineering, 2017, 48(5): 568-575.(in Chinese)

20趙衛東, 湯國安, 徐媛, 等. 梯田地形形態特征及其綜合數字分類研究[J]. 水土保持通報, 2013, 33(1): 295-300.

ZHAO Weidong, TANG Guoan, XU Yuan, et al. Terrace morphological characteristics and its comprehensive digital classification [J]. Bulletin of Soil and Water Conservation, 2013, 33(1): 295-300.(in Chinese)

21WEI W, CHEN D, WANG L, et al. Global synthesis of the classifications, distributions, benefits and issues of terracing[J]. Earth-Science Reviews，2016， 159: 388-403.

22ZHANG L. Automatic digital surface model (DSM) generation from linear array images[D]. Zurich: Institute of Geodesy & Photogrammetry, 2005.

23謝勤嵐. 圖像降噪的自適應高斯平滑濾波器[J]. 計算機工程與應用, 2009, 45(16): 182-184.

XIE Qinlan. Adaptive Gaussian smoothing filter for image denoising[J]. Computer Engineering and Applications, 2009, 45(16): 182-184. (in Chinese)

24CANNY J. A computational approach to edge detection[M]. IEEE Computer Society,1986.

25王小俊, 劉旭敏, 關永. 基于改進Canny算子的圖像邊緣檢測算法[J]. 計算機工程, 2012, 38(14): 196-198.

WANG Xiaojun, LIU Xumin, GUAN Yong. Image edge detection based on improved Canny operator [J]. Computer Engineering, 2012, 38(14): 196-198. (in Chinese)

26申家雙, 翟京生, 郭海濤. 海岸線提取技術研究[J]. 海洋測繪, 2009, 29(6): 74-77.

SHEN Jiashuang, ZHAI Jingsheng, GUO Haitao. Study on coastline extraction technology [J]. Hydrographic Surveying and Charting, 2009, 29(6): 74-77. (in Chinese)

27鄧仕超, 黃寅. 二值圖像膨脹腐蝕的快速算法[J]. 計算機工程與應用, 2017, 53(5): 207-211.

DENG Shichao, HUANG Yin. Fast algorithm of dilation and erosion for binary image[J]. Computer Engineering and Applications, 2017, 53(5): 207-211. (in Chinese)

28ADAMS R, BISCHOF L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 16(6): 641-647.

29買凱樂, 張文輝. 黃土丘陵溝壑區遙感影像信息面向對象分類方法提取[J]. 農業機械學報, 2011, 42(4): 153-158.

MAI Kaile, ZHANG Wenhui. Object-oriented classification approach for remote sensing imagery information extraction in loess hilly-gully region[J].Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(4): 153-158. (in Chinese)

30POLAK M, ZHANG H, PI M. An evaluation metric for image segmentation of multiple objects[J]. Image & Vision Computing, 2009, 27(8): 1223-1227.