面向对象的无人机遥感影像亚田块边界提取＊

郑 茜，邱春霞，李存军，周静平，淮贺举，王佳宇，张清燕

（1.西安科技大学测绘科学与技术学院，陕西 西安710054；2.北京农业信息技术研究中心，北京100097）

近些年，中国农业朝着规模化、精准化、现代化方向发展[1]，全国各地涌现出大批的家庭农场、农业合作社、农业社会化服务组织等[2]。亚田块边界信息是规模化现代农业发展必须掌握的基础信息[3-4]，随着空天遥感技术的快速发展，高空间分辨率遥感影像能够更加精细地反映地物的空间分布特征，给田块边界和亚田块边界的提取提供了有效的数据支撑。本文以无人机高空间分辨率影像为数据，运用面向对象方法来进行亚田块边界的提取。

1 材料与方法

1.1 研究区数据

本研究区位于河北省沧州市泊头市西辛店乡，地处河北省中南部，东临渤海，背靠京津，地属海河冲积平原。研究区地势平坦，土地资源丰富，是京津冀的主要粮食生产基地。所在区域主要以小麦和玉米农作物为主，采用秋收玉米冬种小麦轮作耕种方式。田块形状一般为规则矩形，方便农业机械的统一管理。本研究区对于耕地边界的提取具有一定的代表性。于2020-11末获取的无人机RGB影像，此时正值小麦越冬分蘖期，地块边界比较清晰。

1.2 亚田块边界提取方法

1.2.1 图像分割

多尺度分割是面向对象中最常用的分割算法，是一种从单像素对象开始的自下而上的区域合并技术，根据均质性与异质性标准将像素在空间聚类为影像对象，使得异质性权重最小化，异质性标准主要包括光谱异质性标准与形状异质性标准，计算公式如下。

光谱异质性hcolor：

形状异质性hshape：

式（1）～（4）中：wc为各层的权重；n为对象的大小；merge表示合并后的影像对象；obj1与obj2分别表示2个用来合并的影像对象；σc为光谱值得标准差；wcompact为用户规定的紧致度参数；l为对象的周长；b为对象外切矩形的周长。

1.2.2 阈值分类与亚田块边界提取

本文基于面向对象开展亚田块边界提取，利用eCognition软件中提供的强大的特征库，但并不是特征越多分类精度越高，特征过多将会产生信息冗余，过少将得不到高精度的分类结果。本文使用eCognition软件提供的“FeatureSpaceOptimization”工具，对光谱特征、纹理特征、空间特征以及自定义植被指数特征进行基于分离度的特征优选，评价指标为最佳分离距离度量，公式为：

式（5）中：fi为特征空间的第i个特征；vfi(s)、vfi(o)分别代表训练样本s、o在特征i上的特征值；Qfi为特征空间内所有影像地块特征fi的标准差。

由于研究区无人机影像波段仅有RGB三通道，所以借鉴一些有利于分类的可见光植被指数较少，针对这个缺点，有些学者提出一些自定义特征，如表1所示。

表1 可见光波段植被指数

对表1中可见光植被指数进行定量与定性分析，将筛选出的植被指数来参与规则集的构建，主要筛选指标包括像元统计均值和变动绝对差值，其公式为：

式（6）（7）中：Dij为第i类地物中的第j个像元值；n为第i个地物类中的像元个数。

将选取的特征规则集用阈值分类法进行分类，阈值分类法是“真”和“假”逻辑判定的一种硬分类器，如果某个对象符合某类的阈值条件，则为“真”，若相反，则为“假”。阈值分类后的图像进行合并以及去除一些小图斑的影响，最终提取农田边界。

2 结果与分析

2.1 最优空间分辨率选取

通过采样得出在不同空间分辨率下，影像分割结果有很大差别，空间分辨率越高，地物的光谱特征与纹理特征越清晰，过分割现象越明显（4cm、6cm）；相反，空间分辨率越低，越容易产生欠分割现象（30cm、60cm），并且在一些其他情况下（8cm、15cm）也会产生错分现象。因此，需平衡过分割现象与欠分割现象，选择适宜的空间分辨率，使得地块边界提取的精度更高，本文选取研究区地块的最优空间分辨率为10cm。根据实地调研，田埂宽度一般为40cm左右，恰好说明10cm空间分辨率能有效提取农田。

2.2 边界提取

2.2.1 可见光植被指数计算与筛选

根据表1所述公式分别计算6种可见光植被指数，得到各可见光植被指数的空间分布影像区域，得出除了VEG植被指数的空间分布为色调越亮植被指数值越小，其余植被指数的空间分布为色调越亮植被指数值越大，色调越暗植被指数值越小。其中，RGBVI、MRGVI、EGRBDI和GLI植被指数中小麦与裸地灰度值差异较大，小麦显示为亮白色，裸地显示为灰黑色和黑色，并且小麦区域的边界清晰，从整体看小麦提取效果较好。而NGBDI和VEG植被指数中小麦稀疏区域与裸地的灰度值相差较小，小麦区域边界较为模糊，不利于小麦边界的提取。

上述植被指数的空间分布只能定性地根据目视方法来评价，为了更好地比较和分析这几种植被指数，本文选取各典型地物的ROI，统计各典型地物在各植被指数中的像元均值和变动绝对差值，统计结果如表2所示。

由表2可知，各植被指数的像元均值在小麦与裸地地物之间无交叉现象，并且VEG、MGRVI和GLI植被指数在小麦与裸地之间像元均值差异较大，NGBDI、GLI和EGRBDI植被指数的变动绝对差值最小，均为0.1，因此选择GLI植被指数参与小麦地块的提取。

2.2.2 多尺度分割

结合本实验地块的特点，并根据一些公认特征，地块为规则矩形或者长条带状时，则可以考虑形状特征和范围特征，比如形状指数（ShapeIndex）、长宽比（Length/Width）特征，并且结合光谱特征、纹理特征以及自定义植被指数特征（GLI）进行特征优选，筛选出进行阈值分类的最优特征，当维数为5时分离距离最大，表明适合提取亚田块边界的特征有5种，相对应的规则集参数如表3所示。

根据上述构建的规则集，首先结合光谱特征和纹理特征对影像进行阈值分类第一步，然后针对未分类出的田埂利用形状因子、长宽比和GLI植被指数对影像进行再分类，最后得出精确的分类结果，将分类后的影像进行后处理，后处理主要对影像进行合并，并去除一些小图斑的影响，最终得到亚田块边界，如图1（a）所示。

为了更好地分析本文方法在田块提取方面的优劣性，本文结合ENVI软件中FeatureExtraction模块进行对比，FeatureExtraction模块是提取田块当前比较主流的方法，在提取耕地时，将地物主要分为小麦与裸地2类，主要设置的参数为分割尺度、合并尺度以及分类方法的选择，针对本文田块的特点，经过多次实验，最终确定分割尺度为60，合并尺度为80，分类算法选择支持向量机（SVM）算法，最终提取结果如图1（b）所示。

2.3 亚田块边界提取精度

通过目视对比1（a）和1（b）可知，本文方法比支持向量机方法的耕地误提取较少，这是由于本文方法构建的规则集可以很好地区分耕地与非耕地，而用支持向量机提取的耕地误提取与漏提取较多，将一些长势不好的小麦误分为耕地。综上分析可知，本文方法提取亚田块边界较好。

为了使评价结果更加客观，以人工目视解译边界为参考，将本文方法与支持向量机方法提取的耕地进行定量评价，如图1（c）所示。本文方法提取耕地总体精度较支持向量机方法高12.8%以上，用多尺度分割和构建规则集来进行分类，比支持向量机手动选择样本效果更好，在一定程度上说明本文方法提取亚田块是可行的。

图1 不同算法的亚田块边界提取结果

3 小结

总体来说，本文方法在亚田块边界提取中取得较好效果，特别是在华北平原地区划定亚田块边界具有很大的潜力。本文研究区选取小麦越冬分蘖期进行实验，分蘖时期小麦长势弱以及不均匀，田块间小麦不能够完全覆盖裸土，使得漏分现象较明显，田块边界提取较难。在接下来的研究中，需结合多时相影像进行实验，使亚田块边界的提取更加精确。本文仅局限于泊头市西辛店乡进行实验，在后续实验中，应选取多个试验区进行适宜性分析。