一种类矩形引导的玉米田遥感图像分割算法

梁若飞， 杨风暴， 王毅敏， 孟颖晨， 卫红

(1.中北大学信息与通信工程学院,太原　030051； 2.山西省农业遥感中心,太原　030051；3.英国雷丁大学系统工程学院,ReadingRG6 6AU,UK)



一种类矩形引导的玉米田遥感图像分割算法

梁若飞1， 杨风暴1， 王毅敏2， 孟颖晨2， 卫红3

(1.中北大学信息与通信工程学院,太原030051； 2.山西省农业遥感中心,太原030051；3.英国雷丁大学系统工程学院,ReadingRG6 6AU,UK)

摘要：在覆盖玉米田的遥感图像中，玉米地块边缘区域存在大量的同物异谱现象，利用传统分割方法进行玉米地块分割时，会造成边缘出现许多非玉米小块区域，因而导致玉米种植面积统计错误。根据大面积玉米种植区域的形状分布特点，提出一种类矩形引导的玉米田种植区分割方法。首先采用最小核值相似区(smallestunivalesegmentassimilatingnucleus,SUSAN)边缘检测算子对融合后的高分一号(GF-1)卫星遥感图像进行边缘提取，然后根据闭合区域与外接类矩形的关系构建类矩形引导的相关函数，最后将类矩形阈值函数引入基于图的分割算法中实现特定形状的地块分割。将分割结果分别与基于图的分割方法、分水岭分割方法和人工解译样本进行实验比较，结果表明： 本文方法能有效地分割出玉米田目标，减少了同物异谱带来的影响，分割结果更加符合玉米田实际分布特征和实际统计面积。

关键词：遥感图像； 地块分割； 边缘提取； 类矩形引导

0引言

随着遥感技术的发展和卫星图像空间分辨率的提高，遥感技术已成为农作物生产管理的重要科技手段，而农田信息提取是遥感技术在农作物应用研究中的关键技术。在对农田信息进行提取时，采用面向对象的图像处理方法，能有效地利用图像的光谱特征、结构信息和几何信息等[1]。图像分割是面向对象的遥感信息提取的基础，分割出的区域是图像信息分析的初始对象，分割结果的好坏直接影响到后续的对象识别、分类和解译等。只有有效地利用高分辨率遥感数据中丰富的空间信息和地物几何结构等获得较好的分割结果，才能更准确地统计玉米种植面积。

玉米田是一种比较特殊的植物类型。它不仅具有植被的光谱特征，而且存在较严重的同物异谱现象，即同样是玉米田，当其所处状态(如对太阳光相对角度、密度、含水量等)不同时，会呈现不同的波谱特征，在图像中出现光谱差异； 玉米田还具有以田埂为边界的结构特征，多数形状为规则的类矩形。若能有效利用玉米田的不同特征，获得较好的分割结果，将有助于对玉米田的面积统计工作。在现有的分割方法中，如彭兴邦等[2]提出的基于亮度均衡的图像分割方法，仅考虑了地物的光谱特征，忽略了地块的特殊几何信息和以田埂为边界的结构特征，给图像分割处理带来较大的误差； 若能够引入地块类矩形田埂这种边缘信息，将有利于目标地块的提取。传统的利用边缘特征或边缘引导的分割方法应用于灰度不均、边缘信息弱的玉米田遥感图像时，边缘会出现许多非封闭区域的现象，故不能满足玉米地块面积统计的需求。将边缘检测算法和区域分割算法有效地结合，可得到封闭的区域边界，如Freixenet等[3]依据边缘和区域特征结合时机的不同，提出嵌入式结合分割方法和后处理结合分割方法，有效地形成了闭合区域； 但该方法对光谱丰富的区域会造成错分现象。加权聚合算法[4]能较好地改善过分割现象，对内容不太复杂的图像有较好的分割效果； 但对于同物异谱现象较严重的玉米田，仍无法得到较好的分割效果。Felzenszwalb等[5]提出的基于图的图像分割方法，适用于分辨率高、目标特征丰富的遥感数据，可根据全局特性对图像进行多尺度分割，并可在忽略高度变化区域细节特征的同时，保留可变化程度低的区域的细节特征； 但将其应用到高分一号(GF-1)卫星玉米田遥感图像分割时，还是不能很好地减少同物异谱所带来的过分割现象； 也由于未考虑玉米地块的类矩形特点，对玉米种植面积的统计仍无法满足需求。

本文利用GF-1遥感图像，结合陕西地区玉米种植面积本底调查，进行针对大面积玉米田的遥感图像分割研究。首先采用最小核值相似区(smallestunivalesegmentassimilatingnucleus,SUSAN)边缘检测算子提取边缘信息，然后利用基于图的图像分割理论，结合玉米地块的形状特点，在分割规则中加入类矩形阈值函数，提出一种类矩形引导的玉米遥感图像分割算法。经实验分析，本文方法在进行大面积玉米种植区的分割时，不仅能有效地区分不同地物，减少同物异谱现象带来的同质区域过分割现象，而且能有效结合玉米地块几何形状信息，使分割结果更加符合玉米田的实际分布特征。

1分割算法

1.1算法流程

类矩形引导的玉米遥感图像分割方法基本流程如图1所示。

图1　方法流程示意图

原始GF-1数据经过Gram-Schmidt(GS)算法[6](一种光谱锐化高保真的正交化图像融合算法)融合处理得到融合图像； 利用SUSAN算子对融合图像进行边缘提取，SUSAN模板的灰度差阈值通过迭代的方式自适应地确定； 利用类矩形引导的分割方法进行图像分割，通过反馈确定分割规则； 最后对分割结果进行实验对比分析。

1.2图像边缘提取

本文处理的图像是使用GS算法对原始GF-1的多光谱和全色数据融合得到的，然后利用SUSAN算子对融合图像进行边缘提取。本文在SUSAN算子的基础上加入一种自适应选取阈值的方法，以减少原算法中人为选取灰度差阈值对处理效果的影响。SUSAN算子能够在拐角处得到较为连续的边界，而且不涉及梯度运算，因此对光谱复杂图像的边缘检测效果优于传统的边缘检测算法； 另外，处理结果与所用模板的尺寸和颜色、对比度参数选取的相关性不大，能较好地保持图像的特征结构细节信息，获得比较光滑的边缘图像，这是在边缘提取时选用SUSAN方法的主要原因[7]。具体步骤如下：

1)设置一个5像元×5像元的方形检测模板，以融合图像中的每一个像元为模板中心在图像中移动； 对于每个模板，通过计算模板内每个像元与中心像元的灰度差得到该模板的灰度差直方图； 最后根据灰度差直方图通过迭代法确定该模板的阈值，使不同对比度的图像都能够自适应地计算出每个模板内合适的t值。由于每个模板的阈值是根据模板内像元的灰度差值确定的，因此能很好地检测到不同对比度下的灰度变化，使对吸收核同值区(univaluesegmentassimilatingnucleus,USAN)的判断更加准确。

首先计算模板中每个像元I(x,y)与中心像元I(xc,yc)的灰度差值，取其均值作为迭代初始值t0，即

(1)

然后根据迭代初始值将灰度差直方图分成2部分，计算下一个迭代值ti+1，即

(2)

式中： m为模板中像元点和与中心像元点的灰度差值； h(m)为模板中具有该灰度差值的点的数量； Cmax为灰度差值的最大值。每进行一次迭代后进行判断，若|ti+1-ti|=0，则迭代停止，取ti+1作为USAN模板的最后灰度差阈值。因为每个模板的阈值t是根据模板内的灰度差值确定的，因此能很好地检测到不同灰度对比度下的灰度变化，使对USAN区的判断更加准确。

2)比较模板内部每个像元的灰度值和模板中心像元的灰度值，若模板内某个像元的灰度与模板中心像元(核)灰度的差值小于阈值t，则认为该像元与核具有相同(或相近)的灰度。满足这一条件的像元组成的区域称为USAN区。根据亮度比较函数计算模板中的USAN区域，即

(3)

式中： I(x,y)和I(xc,yc)分别为模板中心像元与模板中其他像元的灰度值； c(x,y)为属于USAN区的像元； xc和yc分别为模板中心像元的横、纵坐标； x和y分别为模板中除中心像元外的其他像元的横、纵坐标； t为确定相似程度的阈值。

3)以最大USAN区域的像元个数的3/4为全局USAN固定阈值，查找小于该固定阈值的像元，得到融合图像在SUSAN算子中的边缘响应值，形成边缘图像。

计算出以每个像元为核心的USAN区域的像元个数，即

(4)

式中n(x0,y0)为每个模板中属于USAN区的面积。

4)在求得每个像元的USAN区后，通过n(x0,y0)与某个固定阈值g比较得到边缘响应R(x0,y0)，即

(5)

式中： R(x0,y0)为边缘的响应，最终目标边缘图像中USAN区的面积越小，边缘的响应将越大； g为固定阈值，本文设置g=3nmax/4，nmax为n(x0,y0)中的极大值。

利用改进的SUSAN算子对图像进行边缘提取。自适应地选取灰度差阈值的方法可以提高算法的鲁棒性，使算法更好地保持图像的结构细节特征信息，得到较为光滑的边缘图像，同时具有一定的噪声抑制能力。

1.3类矩形引导的图像分割

本文在Felzenszwalb等[5]提出的基于图的图像分割理论基础上，通过测量区域间的差异来计算边界的最小权值，对区域之间有较低权值的2个区域进行合并。该方法基于区域间间距和区域内间距2个特征来判断2个区域是否应该合并： 若2个区域的区域间间距明显大于其中任意1个区域的区域内间距，则认为这2个区域之间存在明显的界限(即不可以合并)[5]。

定义区域间的间距为

(6)

式中： C1和C2分别为2个区域； υi,υj分别为不同分割区域映射在无向图中的节点； ω为权重。在分别属于2个区域C1和C2且有边连接的所有点对中，寻找权重最小的那对(若2个区域内的点没有边相连，则定义间距为正无穷大)，即2个区域之间连接边的最小长度。

定义区域内间距为

(7)

式中MST(C,E)为区域C的最小生成树，这里定义为区域内部的最大连接边长。当其中1个区域很小时，Int(C)并不能很好地反映其区域内间距(极端的情况是当C只含一个节点时，Int(C)=0)。可引入一个考虑区域面积的函数来补偿，即

τ补(C)=k/|C| ,

(8)

式中： k为常数，当k越大时，可以区分2个区域的界限就越明显； |C|为区域C的面积[7]。

根据目标区域特点(农业玉米种植区土地多数为矩形的地块)，为了将图像分割成特定形状的区域，将τ定义为类矩形引导的相关函数，即

(9)

通过比较区域内间距和区域间间距之间的关系，可以得到区域合并的判据，即

(10)

其中MInt(C1,C2)=min[Int(C1)+τ(C1),

Int(C2)+τ(C2)] 。

(11)

图像分割算法既不能单一使用像元强度值的变化作为分割依据，也不能使用单一的分割阈值来决定分割与否。这里以图像中的每个区域表示图上的一个节点，每一条连接节点的无向边都具有一个权重，以衡量其连接的2个节点之间的不相似度。根据相邻区域在特征值上变化速度的大小，动态调整分割阈值，对经过边缘提取处理的图像进行分割。假设输入是1个有n个节点和m条边的图G，那么输出是一系列区域。具体步骤如下：

1)将边按照权重值以非递减方式排序。

2)最初的分割记为S(0)，即每个节点属于一个区域。

3)按照以下方式由S(q-1)构造S(q)。记第q条边连接的2个节点分别为Vi和Vj，若在S(q-1)中Vi和Vj分别属于2个区域并且第q条边的权重小于2个区域的区域内间距，则合并这2个区域； 否则令S(q) = S(q-1)。

4)从q=1到q=m，重复步骤2)。

5)返回S(m)，即为所求分割区域集合。

2实验

2.1实验数据

本文所使用的GF-1图像数据的获取时间为2013年7月30日，覆盖区域为陕西省蓝田县。该图像包括4个多光谱波段： 蓝(0.45～0.52μm)、绿(0.52～0.59μm)、红(0.63～0.69μm)和近红外(0.77～0.89μm)波段，分辨率均为8m； 1个全色波段(0.45～0.90μm)，分辨率为2m。该地区属于玉米种植大区，地势较为平整，对研究玉米与水稻、建筑物等背景区域的分割比较适宜。所使用的GF-1数据已经过正射纠正、辐射定标和大气校正等预处理。图2(c)为利用GS算法对GF-1全色图像(图2(a))和多光谱图像(图2(b))融合后的图像。考虑到实验区玉米田的形状具有较强的区域性，有针对性地设计了类矩形的权重函数来引导分割。

(a)GF-1全色图像 (b)GF-1多光谱图像(c)GS融合图像 (d) 边界提取结果

图2GF-1融合图像及边界提取结果

Fig.2GF-1fusionimageandedgedetectionresult

2.2结果分析

图2(d)是图2(c)经过灰度差阈值自适应选取的SUSAN算子提取的边界结果图，该结果减少了人工设置参数所产生的干扰。从图2(d)中可以看出，自适应选取灰度差阈值的SUSAN算子能较好地检测出不同对比度下的灰度变化，没有出现边界大量丢失的现象； 检测出的边缘线细腻而光滑，有较好的连续性，有效地体现了玉米田地块的边缘特征，且定位精度较高。

在基于图的分割算法中，利用提取的边界区域构建无向图，采用本文的类矩形引导分割规则进行分割处理。根据算法中的规定，式(8)中的k是常数，k越大，界定的可以区分2个区域的界限就越明显(表1)。

表1　图像分割结果区域数目与k关系

从表1可以看出，随着k的增大，区域数目减少; 在k增大到 200以后，区域数目的减少变缓。考虑到经过融合后的GF-1图像的像元尺寸为2.4m×2.4m，为了能更好地显示图像中的小目标，同时避免因分割区域数量过大而导致的过分割现象，通常在[200,300]之间选取k值。本文选取k=250进行类矩形引导的分割。

图3―图6分别为本文分割方法结果图、基于图的分割结果图、分水岭分割结果图和人工解译玉米目标图。其中(a)都代表原图像整体分割结果，(c)和(b)分别为对应(a)中黑边框区域1和区域2的局部放大。

比较图3与图4分割结果图中局部放大区域可以看出，加入类矩形阈值函数的本文分割方法在有效区分不同地物的同时，减少了地块边缘的小块区域，凸显了玉米地块的类矩形的形状特点。

(a) 原图像整体分割结果 (b) 区域2放大图

(c) 区域1放大图

(a) 原图像整体分割结果 (b) 区域2放大图

(c) 区域1放大图

图5中分水岭分割方法在玉米种植区分割结果显得更零碎些，图像分割区域数目达到24 306个，产生严重的过分割现象。这主要是由玉米田严重的同物异谱特征导致的，特别是在地块边缘处产生了大量的小块区域。

(a) 原图像整体分割结果 (b) 区域2放大图

(c) 区域1放大图

与图4比较，本文的分割方法(图3)在有效分割不同光谱特征对象的同时，减少了同物异谱带来的过分割现象，保持了大面积玉米区的地块特征，为进一步的玉米种植面积统计提供了有效的数据支持。

为了检验类矩形引导的分割结果与实际玉米作物分布的符合情况，将本文方法的分割结果(图3)与人工解译的目标区域样本(图6)进行比较。人工解译样本是由专业人员结合影像目视解译与光谱特征分析获取的。通过解译获取本文的训练样本过程中，首先选取局部区域进行地理坐标绘制，投射到遥感图像上进行样本绘图； 再对整个图像区域进行人工解译； 最后对其进行野外调查和详细解译，得到相对准确的目标区域参考分割样本。经比较可以看出，本文提出的类矩形引导的分割结果比较符合玉米田的实际分布特征。

(a) 原图像整体分割结果(b) 区域2放大图

(c) 区域1放大图

图6人工解译玉米目标

Fig.6Artificialinterpretationsamplesofcornfields

对不同分割结果的统计面积与人工解译获得的参考标准面积的比较(表2)也可看出，本文方法的分割结果的统计面积更接近于玉米田的实际种植情况，优于其他2种分割方法。

表2　不同方法分割结果面积统计对比

3结论

本文提出的类矩形引导的玉米地块分割方法，在对目标有效分割的同时，结合了玉米田类矩形的形状特征，减少了玉米田因同物异谱导致的区域光谱差异带来的过分割结果，减少了边缘小块区域对玉米田面积统计的影响。通过类矩形的引导，增强了特定形状的分割，对含有大量类矩形地块的大面积玉米田遥感图像有很好的分割效果，为玉米面积统计提供了有效的帮助。得到如下结论：

1)利用SUSAN边缘检测算法对融合后的GF-1号卫星图像进行边缘提取，没有出现边界大量丢失的现象； 检测出的边缘细腻而光滑，有较好的连续性, 有效地体现了玉米田地块的边缘特征，且定位精度较高。

2)采用基于图的图像分割理论，能利用全局特性对图像进行多尺度分割。加入类矩形阈值函数后，能有效地利用玉米地块的几何形状特征，减少同物异谱所带来的过分割对象，分割结果更符合人们对目标的感知。

3)通过与分水岭方法分割结果和人工解译样本进行对比分析，证明本文方法在减少同物异谱所带来的过分割现象及保证玉米种植面积统计精度方面均有较明显的优势。

此外，尽管本文算法对大面积的玉米种植区分割有效，但仅研究了同物异谱现象对分割的影响，对玉米田遥感图像中同谱异物现象对分割的影响以及同物异谱和同谱异物现象共同的作用还有待进一步深入探讨。同时，为了提高本文算法的适用性，对分割对象形状规则还有待进一步优化，使其更加符合目标的实际特征。

志谢： 山西省农业遥感研究中心为本文提供了遥感图像，并在样本采集和人工解译方面给予了大力支持,在此表示衷心感谢！

参考文献(References)：

[1]陆昳丽.面向对象的农田目标遥感识别与提取研究[D].南京:南京大学,2011:9-20.

LuYL.Object-basedFarmlandRecognitionandExtractionfromHighResolutionRemotelySensedImagery[D].Nanjing:NanjingUniversity,2011:9-20.

[2]彭兴邦,蒋建国.一种基于亮度均衡的图像阈值分割技[J].计算机技术与发展,2006,16(11):10-12.

PengXB,JiangJG.Animagesegmentationthresholdingmethodbasedonluminanceproportion[J].ComputerTechnologyandDevelopment,2006,16(11):10-12.

[3]FreixenetJ,MunozX,RabaD,etal.Yetanothersurveyonimagesegmentation:Regionandboundaryinformationintegration[M]//HeydenA,SparrG,NielsenM,etal.ComputerVision-ECCV2002.LectureNotesinComputerScience.BerlinHeidelberg:Springer,2002,2352:408-422.

[4]田野.面向对象的遥感影像多尺度自适应分割技术[D].上海:上海交通大学,2009.

TianY.Object-orientedMulti-scaleSegmentationofHighResolutionRemoteSensingImage[D].Shanghai:ShanghaiJiaoTongUniversity,2009.

[5]FelzenszwalbPF,HuttenlocherrDP.Efficientgraph-basedimagesegmentation[J].InternationalJournalofComputerVision,2004,59(2):167-181.

[6]杨风暴.红外物理与技术[M].北京:电子工业出版社,2014:180-245.

YangFB.InfraredPhysicsandTechnology[M].Beijing:PublishingHouseofElectronicsIndustry,2014:180-245.

[7]谭玉敏,槐建柱,唐中实.一种边界引导的多尺度高分辨率遥感图像分割方法[J].红外与毫米波学报,2010,29(4):312-315.

TanYM,HuaiJZ,TangZS.Edge-guidedsegmentationmethodformultiscaleandhighresolutionremotesensingimage[J].JournalofInfraredandMillimeterWaves,2010,29(4):312-315.

[8]罗忠亮.基于改进SUSAN算子的图像边缘检测算法[J].重庆工学院学报:自然科学,2009,23(5):102-106.

LuoZL.ImageedgedetectionalgorithmbasedonimprovedSUSANoperator[J].JournalofChongqingInstituteofTechnology:NaturalScience,2009,23(5):102-106.

[9]苏腾飞,李洪玉,屈忠义.高分辨率遥感图像道路分割算法[J].国土资源遥感,2015,27(3):1-6.doi:10.6046/gtzyyg.2015.03.01.

SuTF,LIHY,QuZY.Astudyofroadsegmentationfromthehighresolutionremotesensingimage[J].RemoteSensingforLandandResources,2015,27(3):1-6.doi:10.6046/gtzyyg.2015.03.01.

[10]黄亮,左小清,冯冲,等.基于Canny算法的面向对象影像分割[J].国土资源遥感,2011,23(4):26-30.doi:10.6046/gtzyyg.2011.04.05.

HuangL,ZuoXQ,FengC,etal.Object-orientedimagesegmentationbasedoncannyalgorithm[J].RemoteSensingforLandandResources,2011,23(4):26-30.doi:10.6046/gtzyyg.2011.04.05.

[11]SziranyiT,ShadaydehM.ImprovedsegmentationofaseriesofremotesensingimagesbyusingafusionMRFmodel[C]//Proceedingsofthe11thInternationalWorkshoponContent-BasedMultimediaIndexing(CBMI).Veszprem,Hungary:IEEE,2013:137-142.

[12]王雷光,刘国英,梅天灿,等.一种光谱与纹理特征加权的高分辨率遥感纹理分割算法[J].光学学报,2009,29(11):3010-3017.

WangLG,LiuGY,MeiTC,etal.Asegmentationalgorithmforhigh-resolutionremotesensingtexturebasedonspectralandtextureinformationweighting[J].ActaOpticaSinica,29(11):3010-3017.

[13]李华胜,黄平平,苏莹.一种提取遥感影像中道路信息的方法[J].国土资源遥感,2015,27(2):56-62.doi:10.6046/gtzyyg.2015.02.09.

LiHS,HuangPP,SuY.Amethodforroadextractionfromremotesensingimagery[J].RemoteSensingforLandandResources,2015,27(2):56-62.doi:10.6046/gtzyyg.2015.02.09.

[14]BencherifMA,BaziY,GuessoumA,etal.Fusionofextremelearningmachineandgraph-basedoptimizationmethodsforactiveclassificationofremotesensingimages[J].IEEEGeoscienceandRemoteSensingLetters,2015,12(3):527-531.

[15]蔡红玥,姚国清.基于分水岭算法的高分遥感图像道路提取优化方法[J].国土资源遥感,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

CaiHY,YaoGQ.Optimizedmethodforroadextractionfromhighresolutionremotesensingimagebasedonwatershedalgorithm[J].RemoteSensingforLandandResources,2013,25(3):25-29.doi:10.6046/gtzyyg.2013.03.05.

[16]周绍光,孙金彦,凡莉,等.高分辨率遥感影像的建筑物轮廓信息提取方法[J].国土资源遥感,2015,27(3):52-58.doi:10.6046/gtzyyg.2015.03.10.

ZhouSG,SunJY,FanL,etal.Extractionofbuildingcontourfromhighresolutionimages[J].RemoteSensingforLandandResources,2015,27(3):52-58.doi:10.6046/gtzyyg.2015.03.10.

(责任编辑： 刘心季)

A near-rectangle guided segmentation method for remotesensingimagesofcornfieldareas

LIANG Ruofei1， YANG Fengbao1， WANG Yimin2， MENG Yingchen2， WEI Hong3

(1. Information and Communication Engineering College， North University of China， Taiyuan 030051， China； 2. Remote Sensing Center of Agriculture, Shanxi Province， Taiyuan 030051， China； 3. School of Systems Engineering， University of Reading， Reading RG6 6AU， UK)

Abstract:Cornfieldremotesensingimageshaveamassofendmemberspectralvariabilityamongmarginallandarea.Whentraditionalmethodisusedforcornblocksegmentation,itwillproduceanumberofsmallcornplotareasattheedgeandresultinstatisticalerrorsoftheplantingarea.Accordingtothedistributioncharacteristicsoflargecornplantingarea,annear-rectangleguidedsegmentationmethodforremotesensingimagesincornfieldareasisproposed.First,theSUSAN(smallestunivalesegmentassimilatingnucleus)operatorisusedforedgedetectionfromGF-1fusionimages.Then,accordingtotherelationshipbetweenclosedareaandexternalnearrectangular,thenearrectangle-guidedcorrelationfunctionisbuilt.Atlast,thenear-rectangleguidedthresholdfunctionisintroducedintothegraph-basedsegmentationalgorithmtoimplementthefieldparcelsegmentationofaspecificshape.Theresultswerecomparedwiththegraph-basedsegmentationalgorithm,thewatershedalgorithmandtheartificialinterpretationsample.Itisshownthatthemethodproposedinthispaperiseffectiveindistinguishingdifferentfeatures,andthenegativeimpactresultingfromtheendmemberspectralvariabilitycanbereduced.Thesegmentationresultsaremoreinlinewiththeactualcharacteristicsofcorndistribution,conformingwiththeactualstatisticsofthecornfieldarea.

Keywords:remotesensingimage；fieldparcelsegmentation；edgedetection；near-rectangleguided

doi:10.6046/gtzyyg.2016.03.09

收稿日期：2015-04-17；

修订日期：2015-06-04

基金项目：国家自然科学基金项目“双色中波红外成像差异特性及图像融合方法研究”(编号： 61171057)和山西省研究生教育创新项目“LiDAR数据快速地物分类的精度提高方法研究”(编号： 2015SY61)共同资助。

中图法分类号：TP751.1

文献标志码：A

文章编号：1001-070X(2016)03-0053-07

第一作者简介：梁若飞(1989-),男,硕士研究生,主要研究方向为遥感图像地物分类。Email：liangruofeinuc@163.com。

引用格式： 梁若飞,杨风暴,王毅敏,等.一种类矩形引导的玉米田遥感图像分割算法[J].国土资源遥感,2016,28(3)：53-59.(LiangRF,YangFB,WangYM,etal.Anear-rectangleguidedsegmentationmethodforremotesensingimagesofcornfieldareas[J].RemoteSensingforLandandResources,2016,28(3)：53-59.)