面向對象的無人機遙感影像亞田塊邊界提?。?/h1>
2022-02-15 12:16:38邱春霞李存軍周靜平淮賀舉王佳宇張清燕
科技與創新 2022年3期
鄭 茜，邱春霞，李存軍，周靜平，淮賀舉，王佳宇，張清燕
（1.西安科技大學測繪科學與技術學院，陜西 西安710054；2.北京農業信息技術研究中心，北京100097）
近些年，中國農業朝著規模化、精準化、現代化方向發展[1]，全國各地涌現出大批的家庭農場、農業合作社、農業社會化服務組織等[2]。亞田塊邊界信息是規模化現代農業發展必須掌握的基礎信息[3-4]，隨著空天遙感技術的快速發展，高空間分辨率遙感影像能夠更加精細地反映地物的空間分布特征，給田塊邊界和亞田塊邊界的提取提供了有效的數據支撐。本文以無人機高空間分辨率影像為數據，運用面向對象方法來進行亞田塊邊界的提取。
1 材料與方法
1.1 研究區數據
本研究區位于河北省滄州市泊頭市西辛店鄉，地處河北省中南部，東臨渤海，背靠京津，地屬海河沖積平原。研究區地勢平坦，土地資源豐富，是京津冀的主要糧食生產基地。所在區域主要以小麥和玉米農作物為主，采用秋收玉米冬種小麥輪作耕種方式。田塊形狀一般為規則矩形，方便農業機械的統一管理。本研究區對于耕地邊界的提取具有一定的代表性。于2020-11末獲取的無人機RGB影像，此時正值小麥越冬分蘗期，地塊邊界比較清晰。
1.2 亞田塊邊界提取方法
1.2.1 圖像分割
多尺度分割是面向對象中最常用的分割算法，是一種從單像素對象開始的自下而上的區域合并技術，根據均質性與異質性標準將像素在空間聚類為影像對象，使得異質性權重最小化，異質性標準主要包括光譜異質性標準與形狀異質性標準，計算公式如下。
光譜異質性hcolor：
形狀異質性hshape：
式（1）～（4）中：wc為各層的權重；n為對象的大??；merge表示合并后的影像對象；obj1與obj2分別表示2個用來合并的影像對象；σc為光譜值得標準差；wcompact為用戶規定的緊致度參數；l為對象的周長；b為對象外切矩形的周長。
1.2.2 閾值分類與亞田塊邊界提取
本文基于面向對象開展亞田塊邊界提取，利用eCognition軟件中提供的強大的特征庫，但并不是特征越多分類精度越高，特征過多將會產生信息冗余，過少將得不到高精度的分類結果。本文使用eCognition軟件提供的“FeatureSpaceOptimization”工具，對光譜特征、紋理特征、空間特征以及自定義植被指數特征進行基于分離度的特征優選，評價指標為最佳分離距離度量，公式為：
式（5）中：fi為特征空間的第i個特征；vfi(s)、vfi(o)分別代表訓練樣本s、o在特征i上的特征值；Qfi為特征空間內所有影像地塊特征fi的標準差。
由于研究區無人機影像波段僅有RGB三通道，所以借鑒一些有利于分類的可見光植被指數較少，針對這個缺點，有些學者提出一些自定義特征，如表1所示。
表1 可見光波段植被指數
對表1中可見光植被指數進行定量與定性分析，將篩選出的植被指數來參與規則集的構建，主要篩選指標包括像元統計均值和變動絕對差值，其公式為：
式（6）（7）中：Dij為第i類地物中的第j個像元值；n為第i個地物類中的像元個數。
將選取的特征規則集用閾值分類法進行分類，閾值分類法是“真”和“假”邏輯判定的一種硬分類器，如果某個對象符合某類的閾值條件，則為“真”，若相反，則為“假”。閾值分類后的圖像進行合并以及去除一些小圖斑的影響，最終提取農田邊界。
2 結果與分析
2.1 最優空間分辨率選取
通過采樣得出在不同空間分辨率下，影像分割結果有很大差別，空間分辨率越高，地物的光譜特征與紋理特征越清晰，過分割現象越明顯（4cm、6cm）；相反，空間分辨率越低，越容易產生欠分割現象（30cm、60cm），并且在一些其他情況下（8cm、15cm）也會產生錯分現象。因此，需平衡過分割現象與欠分割現象，選擇適宜的空間分辨率，使得地塊邊界提取的精度更高，本文選取研究區地塊的最優空間分辨率為10cm。根據實地調研，田埂寬度一般為40cm左右，恰好說明10cm空間分辨率能有效提取農田。
2.2 邊界提取
2.2.1 可見光植被指數計算與篩選
根據表1所述公式分別計算6種可見光植被指數，得到各可見光植被指數的空間分布影像區域，得出除了VEG植被指數的空間分布為色調越亮植被指數值越小，其余植被指數的空間分布為色調越亮植被指數值越大，色調越暗植被指數值越小。其中，RGBVI、MRGVI、EGRBDI和GLI植被指數中小麥與裸地灰度值差異較大，小麥顯示為亮白色，裸地顯示為灰黑色和黑色，并且小麥區域的邊界清晰，從整體看小麥提取效果較好。而NGBDI和VEG植被指數中小麥稀疏區域與裸地的灰度值相差較小，小麥區域邊界較為模糊，不利于小麥邊界的提取。
上述植被指數的空間分布只能定性地根據目視方法來評價，為了更好地比較和分析這幾種植被指數，本文選取各典型地物的ROI，統計各典型地物在各植被指數中的像元均值和變動絕對差值，統計結果如表2所示。
由表2可知，各植被指數的像元均值在小麥與裸地地物之間無交叉現象，并且VEG、MGRVI和GLI植被指數在小麥與裸地之間像元均值差異較大，NGBDI、GLI和EGRBDI植被指數的變動絕對差值最小，均為0.1，因此選擇GLI植被指數參與小麥地塊的提取。
2.2.2 多尺度分割
結合本實驗地塊的特點，并根據一些公認特征，地塊為規則矩形或者長條帶狀時，則可以考慮形狀特征和范圍特征，比如形狀指數（ShapeIndex）、長寬比（Length/Width）特征，并且結合光譜特征、紋理特征以及自定義植被指數特征（GLI）進行特征優選，篩選出進行閾值分類的最優特征，當維數為5時分離距離最大，表明適合提取亞田塊邊界的特征有5種，相對應的規則集參數如表3所示。
根據上述構建的規則集，首先結合光譜特征和紋理特征對影像進行閾值分類第一步，然后針對未分類出的田埂利用形狀因子、長寬比和GLI植被指數對影像進行再分類，最后得出精確的分類結果，將分類后的影像進行后處理，后處理主要對影像進行合并，并去除一些小圖斑的影響，最終得到亞田塊邊界，如圖1（a）所示。
為了更好地分析本文方法在田塊提取方面的優劣性，本文結合ENVI軟件中FeatureExtraction模塊進行對比，FeatureExtraction模塊是提取田塊當前比較主流的方法，在提取耕地時，將地物主要分為小麥與裸地2類，主要設置的參數為分割尺度、合并尺度以及分類方法的選擇，針對本文田塊的特點，經過多次實驗，最終確定分割尺度為60，合并尺度為80，分類算法選擇支持向量機（SVM）算法，最終提取結果如圖1（b）所示。
2.3 亞田塊邊界提取精度
通過目視對比1（a）和1（b）可知，本文方法比支持向量機方法的耕地誤提取較少，這是由于本文方法構建的規則集可以很好地區分耕地與非耕地，而用支持向量機提取的耕地誤提取與漏提取較多，將一些長勢不好的小麥誤分為耕地。綜上分析可知，本文方法提取亞田塊邊界較好。
為了使評價結果更加客觀，以人工目視解譯邊界為參考，將本文方法與支持向量機方法提取的耕地進行定量評價，如圖1（c）所示。本文方法提取耕地總體精度較支持向量機方法高12.8%以上，用多尺度分割和構建規則集來進行分類，比支持向量機手動選擇樣本效果更好，在一定程度上說明本文方法提取亞田塊是可行的。
圖1 不同算法的亞田塊邊界提取結果
3 小結
總體來說，本文方法在亞田塊邊界提取中取得較好效果，特別是在華北平原地區劃定亞田塊邊界具有很大的潛力。本文研究區選取小麥越冬分蘗期進行實驗，分蘗時期小麥長勢弱以及不均勻，田塊間小麥不能夠完全覆蓋裸土，使得漏分現象較明顯，田塊邊界提取較難。在接下來的研究中，需結合多時相影像進行實驗，使亞田塊邊界的提取更加精確。本文僅局限于泊頭市西辛店鄉進行實驗，在后續實驗中，應選取多個試驗區進行適宜性分析。
猜你喜歡
分類算一算數學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56 如何表達“特征”瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28 不忠誠的四個特征當代陜西(2019年10期)2019-06-03 10:12:04 分類討論求坐標中學生數理化·七年級數學人教版(2019年4期)2019-05-20 10:06:32 數據分析中的分類討論中學生數理化·七年級數學人教版(2018年6期)2018-06-26 08:36:06 教你一招：數的分類初中生世界·七年級(2017年9期)2017-10-13 22:27:46 抓住特征巧觀察數學小靈通·3-4年級(2017年9期)2017-10-13 08:10:54 用對方法才能瘦Coco薇(2016年2期)2016-03-22 02:42:52 四大方法 教你不再“坐以待病”！Coco薇(2015年1期)2015-08-13 02:47:34 捕魚小雪花·成長指南(2015年4期)2015-05-19 14:47:56
鄭 茜，邱春霞，李存軍，周靜平，淮賀舉，王佳宇，張清燕
（1.西安科技大學測繪科學與技術學院，陜西 西安710054；2.北京農業信息技術研究中心，北京100097）
近些年，中國農業朝著規模化、精準化、現代化方向發展[1]，全國各地涌現出大批的家庭農場、農業合作社、農業社會化服務組織等[2]。亞田塊邊界信息是規模化現代農業發展必須掌握的基礎信息[3-4]，隨著空天遙感技術的快速發展，高空間分辨率遙感影像能夠更加精細地反映地物的空間分布特征，給田塊邊界和亞田塊邊界的提取提供了有效的數據支撐。本文以無人機高空間分辨率影像為數據，運用面向對象方法來進行亞田塊邊界的提取。
1 材料與方法
1.1 研究區數據
本研究區位于河北省滄州市泊頭市西辛店鄉，地處河北省中南部，東臨渤海，背靠京津，地屬海河沖積平原。研究區地勢平坦，土地資源豐富，是京津冀的主要糧食生產基地。所在區域主要以小麥和玉米農作物為主，采用秋收玉米冬種小麥輪作耕種方式。田塊形狀一般為規則矩形，方便農業機械的統一管理。本研究區對于耕地邊界的提取具有一定的代表性。于2020-11末獲取的無人機RGB影像，此時正值小麥越冬分蘗期，地塊邊界比較清晰。
1.2 亞田塊邊界提取方法
1.2.1 圖像分割
多尺度分割是面向對象中最常用的分割算法，是一種從單像素對象開始的自下而上的區域合并技術，根據均質性與異質性標準將像素在空間聚類為影像對象，使得異質性權重最小化，異質性標準主要包括光譜異質性標準與形狀異質性標準，計算公式如下。
光譜異質性hcolor：
形狀異質性hshape：
式（1）～（4）中：wc為各層的權重；n為對象的大??；merge表示合并后的影像對象；obj1與obj2分別表示2個用來合并的影像對象；σc為光譜值得標準差；wcompact為用戶規定的緊致度參數；l為對象的周長；b為對象外切矩形的周長。
1.2.2 閾值分類與亞田塊邊界提取
本文基于面向對象開展亞田塊邊界提取，利用eCognition軟件中提供的強大的特征庫，但并不是特征越多分類精度越高，特征過多將會產生信息冗余，過少將得不到高精度的分類結果。本文使用eCognition軟件提供的“FeatureSpaceOptimization”工具，對光譜特征、紋理特征、空間特征以及自定義植被指數特征進行基于分離度的特征優選，評價指標為最佳分離距離度量，公式為：
式（5）中：fi為特征空間的第i個特征；vfi(s)、vfi(o)分別代表訓練樣本s、o在特征i上的特征值；Qfi為特征空間內所有影像地塊特征fi的標準差。
由于研究區無人機影像波段僅有RGB三通道，所以借鑒一些有利于分類的可見光植被指數較少，針對這個缺點，有些學者提出一些自定義特征，如表1所示。
表1 可見光波段植被指數
對表1中可見光植被指數進行定量與定性分析，將篩選出的植被指數來參與規則集的構建，主要篩選指標包括像元統計均值和變動絕對差值，其公式為：
式（6）（7）中：Dij為第i類地物中的第j個像元值；n為第i個地物類中的像元個數。
將選取的特征規則集用閾值分類法進行分類，閾值分類法是“真”和“假”邏輯判定的一種硬分類器，如果某個對象符合某類的閾值條件，則為“真”，若相反，則為“假”。閾值分類后的圖像進行合并以及去除一些小圖斑的影響，最終提取農田邊界。
2 結果與分析
2.1 最優空間分辨率選取
通過采樣得出在不同空間分辨率下，影像分割結果有很大差別，空間分辨率越高，地物的光譜特征與紋理特征越清晰，過分割現象越明顯（4cm、6cm）；相反，空間分辨率越低，越容易產生欠分割現象（30cm、60cm），并且在一些其他情況下（8cm、15cm）也會產生錯分現象。因此，需平衡過分割現象與欠分割現象，選擇適宜的空間分辨率，使得地塊邊界提取的精度更高，本文選取研究區地塊的最優空間分辨率為10cm。根據實地調研，田埂寬度一般為40cm左右，恰好說明10cm空間分辨率能有效提取農田。
2.2 邊界提取
2.2.1 可見光植被指數計算與篩選
根據表1所述公式分別計算6種可見光植被指數，得到各可見光植被指數的空間分布影像區域，得出除了VEG植被指數的空間分布為色調越亮植被指數值越小，其余植被指數的空間分布為色調越亮植被指數值越大，色調越暗植被指數值越小。其中，RGBVI、MRGVI、EGRBDI和GLI植被指數中小麥與裸地灰度值差異較大，小麥顯示為亮白色，裸地顯示為灰黑色和黑色，并且小麥區域的邊界清晰，從整體看小麥提取效果較好。而NGBDI和VEG植被指數中小麥稀疏區域與裸地的灰度值相差較小，小麥區域邊界較為模糊，不利于小麥邊界的提取。
上述植被指數的空間分布只能定性地根據目視方法來評價，為了更好地比較和分析這幾種植被指數，本文選取各典型地物的ROI，統計各典型地物在各植被指數中的像元均值和變動絕對差值，統計結果如表2所示。
由表2可知，各植被指數的像元均值在小麥與裸地地物之間無交叉現象，并且VEG、MGRVI和GLI植被指數在小麥與裸地之間像元均值差異較大，NGBDI、GLI和EGRBDI植被指數的變動絕對差值最小，均為0.1，因此選擇GLI植被指數參與小麥地塊的提取。
2.2.2 多尺度分割
結合本實驗地塊的特點，并根據一些公認特征，地塊為規則矩形或者長條帶狀時，則可以考慮形狀特征和范圍特征，比如形狀指數（ShapeIndex）、長寬比（Length/Width）特征，并且結合光譜特征、紋理特征以及自定義植被指數特征（GLI）進行特征優選，篩選出進行閾值分類的最優特征，當維數為5時分離距離最大，表明適合提取亞田塊邊界的特征有5種，相對應的規則集參數如表3所示。
根據上述構建的規則集，首先結合光譜特征和紋理特征對影像進行閾值分類第一步，然后針對未分類出的田埂利用形狀因子、長寬比和GLI植被指數對影像進行再分類，最后得出精確的分類結果，將分類后的影像進行后處理，后處理主要對影像進行合并，并去除一些小圖斑的影響，最終得到亞田塊邊界，如圖1（a）所示。
為了更好地分析本文方法在田塊提取方面的優劣性，本文結合ENVI軟件中FeatureExtraction模塊進行對比，FeatureExtraction模塊是提取田塊當前比較主流的方法，在提取耕地時，將地物主要分為小麥與裸地2類，主要設置的參數為分割尺度、合并尺度以及分類方法的選擇，針對本文田塊的特點，經過多次實驗，最終確定分割尺度為60，合并尺度為80，分類算法選擇支持向量機（SVM）算法，最終提取結果如圖1（b）所示。
2.3 亞田塊邊界提取精度
通過目視對比1（a）和1（b）可知，本文方法比支持向量機方法的耕地誤提取較少，這是由于本文方法構建的規則集可以很好地區分耕地與非耕地，而用支持向量機提取的耕地誤提取與漏提取較多，將一些長勢不好的小麥誤分為耕地。綜上分析可知，本文方法提取亞田塊邊界較好。
為了使評價結果更加客觀，以人工目視解譯邊界為參考，將本文方法與支持向量機方法提取的耕地進行定量評價，如圖1（c）所示。本文方法提取耕地總體精度較支持向量機方法高12.8%以上，用多尺度分割和構建規則集來進行分類，比支持向量機手動選擇樣本效果更好，在一定程度上說明本文方法提取亞田塊是可行的。
圖1 不同算法的亞田塊邊界提取結果
3 小結
總體來說，本文方法在亞田塊邊界提取中取得較好效果，特別是在華北平原地區劃定亞田塊邊界具有很大的潛力。本文研究區選取小麥越冬分蘗期進行實驗，分蘗時期小麥長勢弱以及不均勻，田塊間小麥不能夠完全覆蓋裸土，使得漏分現象較明顯，田塊邊界提取較難。在接下來的研究中，需結合多時相影像進行實驗，使亞田塊邊界的提取更加精確。本文僅局限于泊頭市西辛店鄉進行實驗，在后續實驗中，應選取多個試驗區進行適宜性分析。
猜你喜歡
數學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56
瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28
當代陜西(2019年10期)2019-06-03 10:12:04
中學生數理化·七年級數學人教版(2019年4期)2019-05-20 10:06:32
中學生數理化·七年級數學人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(2017年9期)2017-10-13 22:27:46
數學小靈通·3-4年級(2017年9期)2017-10-13 08:10:54
Coco薇(2016年2期)2016-03-22 02:42:52
Coco薇(2015年1期)2015-08-13 02:47:34
小雪花·成長指南(2015年4期)2015-05-19 14:47:56
