張宏鳴　胡　勇　楊勤科　楊江濤　王美麗　張　炯

(1.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100； 2.西北大學(xué)城市與環(huán)境學(xué)院， 西安 710069；3.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100；4.南加州大學(xué)神經(jīng)影像學(xué)和信息學(xué)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(tái)式或波浪式斷面的田地。梯田的修筑在很大程度上開發(fā)了坡耕地的農(nóng)業(yè)生長(zhǎng)潛力，具有蓄水、保土作用[1]。我國(guó)梯田廣泛分布在北方黃土高原區(qū)和南方低山丘陵區(qū)。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(shù)據(jù)較難獲得，因此，前人的研究多集中在如何構(gòu)建適合的梯田數(shù)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(guó)土壤侵蝕方程中的E(水土保持措施)因子[4]，當(dāng)將這些模型應(yīng)用到區(qū)域尺度時(shí)，僅僅用一個(gè)系數(shù)作為參考是不夠精確的。因此，為了對(duì)梯田地形特征進(jìn)行更加精確的分析，有效而準(zhǔn)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(duì)溝緣線的提取[5-7]、對(duì)坡溝系統(tǒng)的提取[8]；基于遙感影像對(duì)道路信息的提取[6,9]、對(duì)地形特征的增強(qiáng)[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(dá)到對(duì)梯田田塊進(jìn)行提取的要求。

圖1　研究區(qū)Fig.1　Study area

DIAZ-VARELA等[13]采用面向?qū)ο蟮姆椒▽?duì)大范圍的梯田區(qū)和非梯田區(qū)進(jìn)行了分類。MEKURIAW等[14]基于谷歌影像進(jìn)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(cè)方法，對(duì)梯田進(jìn)行分割，但數(shù)據(jù)精度不高，梯田邊緣斷點(diǎn)較明顯，不夠連續(xù)。ZHANG等[16]通過(guò)模板匹配算法對(duì)梯田區(qū)進(jìn)行提取，但由于受梯田田面干擾較大，以及影像數(shù)據(jù)分辨率較低，不能精確地對(duì)梯田田塊進(jìn)行提取。ZHAO等[17]基于面向?qū)ο蠓?，結(jié)合DEM數(shù)據(jù)和影像數(shù)據(jù)對(duì)大面積梯田區(qū)域進(jìn)行了提取。目前，對(duì)梯田田塊分割與提取的研究報(bào)道較少。

本文在無(wú)人機(jī)技術(shù)研究基礎(chǔ)上[18-19]，通過(guò)無(wú)人機(jī)航空攝影測(cè)量獲取大面積、高精度梯田正射影像?；诟倪M(jìn)的邊緣檢測(cè)方法，對(duì)正射影像和坡度數(shù)據(jù)進(jìn)行粗提取、去除偽邊緣和噪聲、邊緣精細(xì)提取、梯田分割。

1　研究區(qū)域和數(shù)據(jù)基礎(chǔ)

1.1　研究區(qū)域

黃土高原地區(qū)坡面水土流失嚴(yán)重，為減少坡面水土流失和增加農(nóng)作物產(chǎn)量，各類山坡坡面上修建了梯田和魚鱗坑等人工工程設(shè)施[20]。甘肅省榆中縣從20世紀(jì)90年代起開始逐漸大面積修建梯田，縣區(qū)內(nèi)梯田面積較大，范圍清晰。本文選取榆中縣龍泉鄉(xiāng)附近的常見(jiàn)旱梯田為研究區(qū)，該研究區(qū)的地理位置為東經(jīng)104°10′58″～104°19′51″，北緯35°34′4″～35°40′56″，該研究區(qū)中內(nèi)梯田形態(tài)具有一定的典型性。圖1a是該研究區(qū)DEM數(shù)據(jù)及其所在地理位置。根據(jù)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(shù)據(jù)基礎(chǔ)

研究區(qū)圖像于2016年3月拍攝，風(fēng)力小于4級(jí)，天氣晴朗，能見(jiàn)度高。全程總計(jì)耗時(shí)約24 h。采用安翔動(dòng)力開發(fā)的AF1000型無(wú)人機(jī)，翼展2.7 m，質(zhì)量14 kg，航時(shí)3 h，有效載荷2 kg，航高90 m左右，搭載SONY A5100型相機(jī)，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(qū)范圍共布設(shè)83個(gè)地面控制點(diǎn)，主要分布在梯田邊緣、道路交叉口中心，使用RTK進(jìn)行測(cè)量，可用于空間運(yùn)算和精度檢測(cè)。同時(shí)用這些點(diǎn)來(lái)檢測(cè)影像集合定位精度，保證校正影像在侵蝕檢測(cè)中的基本應(yīng)用需求。數(shù)據(jù)處理采用Agisoftphotoscan軟件，導(dǎo)入影像、POS數(shù)據(jù)及控制點(diǎn)數(shù)據(jù)，將整個(gè)區(qū)域分成25個(gè)區(qū)塊進(jìn)行處理，每塊圖像平均5 000幅左右，對(duì)每塊逐一進(jìn)行點(diǎn)云提取和立體模型建立，最后進(jìn)行合并、紋理提取，獲得數(shù)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(qū)在該時(shí)間段幾乎沒(méi)有植被覆蓋，建筑用地較少，可通過(guò)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類，分為地面點(diǎn)和非地面點(diǎn)兩類，將非地面點(diǎn)作為噪聲處理，通過(guò)濾波后得到剔除非地面點(diǎn)的DEM數(shù)據(jù)，DEM分辨率為0.5 m。依據(jù)無(wú)人機(jī)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(cè)量?jī)?nèi)業(yè)規(guī)范》對(duì)1∶500平地、丘陵的成圖要求。

圖2　DEM圖像及坡度數(shù)據(jù)圖像Fig.2　Digital elevation model image and slope data image

由于DEM數(shù)據(jù)在梯田邊緣處的變化沒(méi)有坡度數(shù)據(jù)明顯(圖2紅色邊框區(qū)域)，本文通過(guò)ArcGIS計(jì)算DEM坡度，生成坡度數(shù)據(jù)，分別使用無(wú)人機(jī)正射影像、坡度及兩種數(shù)據(jù)結(jié)合對(duì)3塊區(qū)域進(jìn)行梯田提取。實(shí)驗(yàn)樣區(qū)1梯田主要特征是田面光譜復(fù)雜，但邊緣特征較明顯，形狀規(guī)則(圖1b)。實(shí)驗(yàn)樣區(qū)2主要特點(diǎn)是田面紋理復(fù)雜，梯田形狀不規(guī)則，邊緣彎曲度較大(圖1c)。實(shí)驗(yàn)樣區(qū)3為大尺度的梯田區(qū)范圍，含有各種復(fù)雜地物(圖1d),其中紅線標(biāo)注的區(qū)域是居民區(qū)。

為提高梯田的提取精度，本文在對(duì)研究區(qū)現(xiàn)場(chǎng)進(jìn)行勘察后，按多種特征對(duì)研究區(qū)地物進(jìn)行了描述：①梯田邊緣：梯田田塊邊界，長(zhǎng)度較長(zhǎng)，坡度較大，坡度變化較小。②非梯田丘陵：形狀不規(guī)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(qū)：區(qū)域形狀規(guī)則面積較小，屋面高程相同，邊緣處坡度較大且不存在側(cè)坡。④道路：形狀不規(guī)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(jù)對(duì)研究區(qū)的特征分析，本文結(jié)合坡度數(shù)據(jù)和無(wú)人機(jī)正射影像，建立梯田區(qū)地物特征規(guī)則(表1)，作為邊緣檢測(cè)規(guī)則。

表1　梯田區(qū)地物特征規(guī)則Tab.1　Terraced area features rule

2　研究方法

無(wú)人機(jī)正射影像的梯田內(nèi)部紋理和形狀等細(xì)節(jié)較復(fù)雜，本文將坡度數(shù)據(jù)和無(wú)人機(jī)正射影像數(shù)據(jù)結(jié)合，利用一種改進(jìn)的邊緣分割方法，對(duì)梯田區(qū)的田塊進(jìn)行分割。主要步驟為：①數(shù)據(jù)預(yù)處理。②基于邊緣檢測(cè)算法對(duì)梯田的粗邊緣分割。③通過(guò)區(qū)域生長(zhǎng)算法，去除梯田邊緣圖中的偽邊緣。④對(duì)正射影像和坡度圖進(jìn)行疊加和邊緣連接，實(shí)現(xiàn)邊緣精細(xì)提取。⑤基于區(qū)域填充算法，對(duì)梯田田塊分割。最終提取結(jié)果與手工標(biāo)注方法進(jìn)行對(duì)比及精度評(píng)價(jià)。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(shù)據(jù)預(yù)處理

無(wú)人機(jī)正射影像受田面堆積物和種植物的干擾，田面上存在復(fù)雜的細(xì)節(jié)條紋和點(diǎn)狀干擾(圖4a)，不利于梯田分割。為降低圖像中田面復(fù)雜的細(xì)節(jié)干擾又不使田面主要的邊緣結(jié)構(gòu)模糊，本文通過(guò)灰度圖像轉(zhuǎn)換(圖4b)和數(shù)據(jù)平滑(圖4c)進(jìn)行預(yù)處理。彩色正射影像轉(zhuǎn)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(diǎn)(i，j)處轉(zhuǎn)換后的灰度

F(i,j)r——點(diǎn)(i，j)處的彩色圖像紅色分量

F(i,j)g——點(diǎn)(i，j)處的彩色圖像綠色分量

F(i,j)b——點(diǎn)(i，j)處的彩色圖像藍(lán)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(jìn)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(diǎn)(i，j)處的灰度

經(jīng)過(guò)平滑后田面內(nèi)部細(xì)節(jié)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(xù)梯田邊緣的檢測(cè)。

2.2　梯田提取算法

2.2.1改進(jìn)Canny邊緣檢測(cè)算子提取梯田邊緣

圖4　圖像平滑處理對(duì)比Fig.4　Comparison of smooth processing diagrams

Canny邊緣檢測(cè)算子[24]主要包括高斯濾波平滑圖像、計(jì)算梯度的幅值和方向、對(duì)梯度幅值進(jìn)行非極大值抑制、雙閾值方法檢測(cè)和連接邊緣4部分[25]。與Sobel、 Roberts等邊緣檢測(cè)算子相比[26]，Canny算子具有定位準(zhǔn)確、單邊緣響應(yīng)和信噪比高等優(yōu)點(diǎn)，目前應(yīng)用較廣。但由于梯田田面存在大量復(fù)雜紋理特征，容易檢測(cè)出虛假邊緣，需要對(duì)Canny算子進(jìn)行改進(jìn)。本文根據(jù)表1的邊緣檢測(cè)規(guī)則剔除坡度和梯田影像數(shù)據(jù)的偽邊緣，再對(duì)該數(shù)據(jù)進(jìn)行疊加、膨脹處理。算法分為3步：

(1)對(duì)平滑后的梯田影像數(shù)據(jù)和坡度數(shù)據(jù)中的像素點(diǎn)(m,n)，使用一階微分算子H1、H2進(jìn)行卷積計(jì)算，得到該點(diǎn)的梯度和方向，即

(3)

(4)

(5)

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

G(m,n)、θg(m,n)——像素點(diǎn)(m,n)處的梯度、方向

f(m,n)——像素點(diǎn)(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(duì)非極大值梯度的2個(gè)閾值th1和th2進(jìn)行抑制，兩者關(guān)系為th1=0.5th2，進(jìn)而得到梯田提取的候選邊緣。

(2)根據(jù)表1中描述的梯田中地物特征規(guī)則，對(duì)提取的候選邊緣進(jìn)行遍歷判斷，步驟如下：①對(duì)圖像順序掃描找到第1個(gè)沒(méi)有歸屬且滿足梯田邊緣規(guī)則的像素點(diǎn)，設(shè)該像素點(diǎn)為(x0,y0)，將其壓入棧內(nèi)。②以(x0,y0)為中心, 考慮(x0,y0)的8鄰域沒(méi)有歸屬的像素點(diǎn)(x,y)，如果(x,y)滿足梯田邊緣規(guī)則, 將(x,y)與(x0,y0)合并(在同一區(qū)域內(nèi)), 同時(shí)將(x,y)壓入堆棧。③從堆棧中取出一個(gè)像素點(diǎn),把它當(dāng)作(x0,y0)返回到步驟②。④當(dāng)堆棧為空時(shí)判斷合并的區(qū)域像素個(gè)數(shù)是否滿足梯田邊緣規(guī)則中的邊緣長(zhǎng)度，若滿足則將該區(qū)域標(biāo)記為梯田邊緣并返回到步驟①;如不滿足，則將該區(qū)域剔除并返回到步驟①。⑤重復(fù)步驟①～④直到圖像中的每個(gè)點(diǎn)都有歸屬時(shí)結(jié)束。

(3)梯田正射影像數(shù)據(jù)在進(jìn)行邊緣提取后，梯田邊緣處的梯度較強(qiáng)，但田面受紋理干擾存在偽邊緣。坡度數(shù)據(jù)中，梯田田面梯度幾乎為零，但梯田邊緣處梯度也相對(duì)較弱。因此通過(guò)設(shè)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(shù)據(jù)邊緣梯度

E2——正射影像數(shù)據(jù)邊緣梯度

對(duì)坡度數(shù)據(jù)的邊緣梯度E1和正射影像數(shù)據(jù)的邊緣梯度E2進(jìn)行疊加，并設(shè)置閾值T將影像邊緣圖和坡度邊緣圖進(jìn)行有效合并，得到更加精確的梯田邊緣數(shù)據(jù)。

圖6　實(shí)驗(yàn)樣區(qū)2梯田邊緣提取對(duì)比圖Fig.6　Example 2 terraced edge extraction comparison images

經(jīng)過(guò)以上邊緣疊加后，為保證田面的邊緣連續(xù)不斷裂，采用膨脹算法[27]對(duì)疊加合并邊緣操作，讓斷裂的邊緣連接在一起，為后續(xù)梯田區(qū)田塊填充提供基礎(chǔ)。

2.2.2梯田區(qū)田塊填充和統(tǒng)計(jì)

在梯田邊緣提取的基礎(chǔ)上，本文利用區(qū)域生長(zhǎng)算法[28]對(duì)梯田區(qū)域內(nèi)的每塊非邊緣區(qū)域進(jìn)行區(qū)域合并，并設(shè)置計(jì)數(shù)器Index來(lái)統(tǒng)計(jì)合并的區(qū)域個(gè)數(shù)以及各區(qū)域含有的像素?cái)?shù)。步驟如下：①順序掃描找到第1個(gè)未合并的種子像素作為生長(zhǎng)的起點(diǎn)，將種子像素周圍鄰域非邊緣像素點(diǎn)合并到種子像素所在的區(qū)域中。②新的像素繼續(xù)作為種子向四周生長(zhǎng)，直到?jīng)]有滿足條件的非邊緣點(diǎn)像素可以包括進(jìn)來(lái)，并記下區(qū)域像素個(gè)數(shù)。③重復(fù)步驟①、②直到圖像中每個(gè)像素都完成計(jì)數(shù)。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(duì)比與精度驗(yàn)證

2.3.1方法對(duì)比

本文用面向?qū)ο骩29]的方法與改進(jìn)的邊緣檢測(cè)方法完成梯田邊緣的提取，并進(jìn)行對(duì)比。利用較好的坡度邊緣提取結(jié)果與無(wú)人機(jī)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(shí)又較好地保留了藍(lán)色框中的梯田邊緣，而面向?qū)ο蠓椒ㄊ芨蓴_嚴(yán)重。

2.3.2精度驗(yàn)證

依據(jù)梯田田塊提取結(jié)果與目視解譯數(shù)據(jù)的吻合程度可以判斷出本文方法的效果。參考對(duì)象一致性誤差(OCE)分割評(píng)價(jià)準(zhǔn)則[30]，本文建立梯田田塊提取評(píng)價(jià)標(biāo)準(zhǔn)為

(7)

(8)

式中S——算法精度

Ni——第i塊梯田中像素點(diǎn)個(gè)數(shù)

Mi——第i塊梯田中目視解譯的像素個(gè)數(shù)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(qū)提取田塊的整體正確率越高。

3　結(jié)果與討論

3.1　梯田田塊提取的效果

(1)實(shí)驗(yàn)樣區(qū)1

從該區(qū)域的本文算法提取田塊和目視解譯梯田田塊對(duì)比來(lái)看，梯田田塊提取基本一致，但是梯田田塊提取也出現(xiàn)過(guò)分割情況，本文算法在分割提取塊號(hào)13的梯田后將其分裂成2塊，如圖7b、7c中1號(hào)藍(lán)色框所示。出現(xiàn)這種現(xiàn)象的原因主要是在實(shí)際環(huán)境中此處有一條道路，對(duì)分割產(chǎn)生了影響。同時(shí)本文算法在分割過(guò)程中也存在漏分割情況，如圖7b、7c中2號(hào)藍(lán)色區(qū)域所示。兩塊梯田經(jīng)提取后合并成一塊梯田，出現(xiàn)這種情況是由于實(shí)際影像數(shù)據(jù)和坡度數(shù)據(jù)在梯田田塊邊緣處特征不明顯，如圖7a中的2號(hào)區(qū)域所示。

(2)實(shí)驗(yàn)樣區(qū)2

從梯田田塊提取的結(jié)果對(duì)比來(lái)看，本文算法也存在2處漏分割現(xiàn)象，在圖8c的1號(hào)框中出現(xiàn)田塊提取漏分割的主要原因?yàn)閷?shí)際梯田田坎處有斷裂，導(dǎo)致提取的邊緣不封閉。在圖8c的2號(hào)框中出現(xiàn)的提取漏分割主要是因?yàn)榇颂幍钠露群陀跋駭?shù)據(jù)特征不明顯。

(3)實(shí)驗(yàn)樣區(qū)3

分割結(jié)果如圖9所示，從分割結(jié)果來(lái)看，在大區(qū)域中，由于圖像特征復(fù)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(dǎo)致分割出現(xiàn)了漏分割和誤分割情況，在圖9b的1號(hào)框中，主要因?yàn)榉课莸母蓴_導(dǎo)致誤分割，在圖9b的2號(hào)框中，主要是因?yàn)樘锟蔡卣髯兓幻黠@導(dǎo)致漏分割的出現(xiàn)。圖9c為手工去除居民區(qū)部分的梯田分割結(jié)果。

圖7　實(shí)驗(yàn)樣區(qū)1田塊提取結(jié)果Fig.7　Example 1 terraced extraction results

圖8　實(shí)驗(yàn)樣區(qū)2田塊提取結(jié)果Fig.8　Example 2 terraced area extraction results

圖9　實(shí)驗(yàn)樣區(qū)3分割結(jié)果Fig.9　Example 3 terraced partition results

3.2　梯田田塊提取精度

通過(guò)精度計(jì)算公式，對(duì)梯田分割、填充后的梯田田塊進(jìn)行正確率對(duì)比，實(shí)驗(yàn)樣區(qū)1中的梯田田塊提取正確率結(jié)果如表2所示。梯田提取正確率在田塊面積較小的區(qū)域正確率比較小，如第3號(hào)梯田田塊，像素點(diǎn)254個(gè)，其提取的正確率只能達(dá)到26%，效果較差。在面積較大的田塊區(qū)域，提取正確率較高，如第4、5、9號(hào)梯田田塊，其正確率可達(dá)90%以上，效果較好，這主要因?yàn)樵摌訁^(qū)干擾因素較少，大面積田塊容易區(qū)分。本文算法在實(shí)驗(yàn)樣區(qū)1總精度達(dá)86.9%，與實(shí)驗(yàn)樣區(qū)1類似。在實(shí)驗(yàn)樣區(qū)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(shí)驗(yàn)樣區(qū)1的正確率高，總精度達(dá)89%。在實(shí)驗(yàn)樣區(qū)3中，圖像特征復(fù)雜(含有房屋、道路、沖溝、山地等)，或體型特征變化不明顯導(dǎo)致梯田分割效果較差，提取的總梯田像素個(gè)數(shù)為2 388 248個(gè)，錯(cuò)提取像素個(gè)數(shù)為1 257 932個(gè)，總精度65.5%。而通過(guò)手工去除居民區(qū)后，提取的總梯田像素個(gè)數(shù)為2 880 482個(gè)，錯(cuò)提取像素個(gè)數(shù)為765 698個(gè)，總精度達(dá)79%。3個(gè)樣區(qū)的平均精度可達(dá)84.9%。

4　結(jié)論

(1)無(wú)人機(jī)航空攝影測(cè)量方法獲取的正射影像數(shù)據(jù)可用于梯田分割，但原始數(shù)據(jù)中地表雜物對(duì)分割有一定影響，結(jié)合解譯的坡度后，能夠過(guò)濾掉部分梯田干擾信息。

表2　本文算法提取實(shí)驗(yàn)樣區(qū)1田塊的正確率Tab.2　Accuracy of example 1 terraces field extracted by proposed algorithm

(2)區(qū)域生長(zhǎng)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(cè)中邊緣不連續(xù)的問(wèn)題，提取精度較面向?qū)ο蠓椒ㄒ?，是梯田分割方法的一次有效探索?/p>

(3)梯田區(qū)的道路、山丘、沖溝等對(duì)梯田田塊的準(zhǔn)確分割影響較大，尤其在大范圍梯田提取時(shí)，該方法還略有不足。通過(guò)深度學(xué)習(xí)等方法對(duì)不同地物特征進(jìn)行學(xué)習(xí)、訓(xùn)練，有望在大尺度數(shù)據(jù)提取方面獲取更好的結(jié)果。

1張宏鳴, 宋澤魯, 楊江濤, 等. DEM超分辨率重構(gòu)對(duì)梯田坡度提取的影響研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 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(guó)安, 張維, 等. 梯田DEM快速構(gòu)建方法研究[J]. 測(cè)繪通報(bào), 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(fā)源, 熊禮陽(yáng), 等.基于區(qū)域生長(zhǎng)的黃土地貌溝沿線提取方法與實(shí)驗(yàn)[J]. 地球信息科學(xué)學(xué)報(bào), 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(diǎn)云數(shù)據(jù)的黃土丘陵溝壑區(qū)溝沿線自動(dòng)提取方法[J]. 地球信息科學(xué)學(xué)報(bào), 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(bào), 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(shù)及其應(yīng)用[J]. 地理科學(xué)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(jìn) Sobel 算子的遙感圖像道路邊緣檢測(cè)方法[J]. 國(guó)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(qiáng), 趙牡丹, 高春留, 等. 基于遙感影像的DEM地形信息增強(qiáng)表達(dá)研究——以梯田DEM構(gòu)建為例[J]. 華中師范大學(xué)學(xué)報(bào): 自然科學(xué)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(tài)學(xué)報(bào), 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(shù)[J]. 第四紀(jì)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?cái)鄬?duì)分布式土壤侵蝕學(xué)坡長(zhǎng)提取的影響[J]. 水利學(xué)報(bào), 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(wèi)東, 湯國(guó)安, 徐媛, 等. 梯田地形形態(tài)特征及其綜合數(shù)字分類研究[J]. 水土保持通報(bào), 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(yīng)高斯平滑濾波器[J]. 計(jì)算機(jī)工程與應(yīng)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(guān)永. 基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)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(shù)研究[J]. 海洋測(cè)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(jì)算機(jī)工程與應(yīng)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(lè), 張文輝. 黃土丘陵溝壑區(qū)遙感影像信息面向?qū)ο蠓诸惙椒ㄌ崛J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 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.