石雅嬌，陳鵬飛

一種面向農(nóng)業(yè)無(wú)人機(jī)影像分割的尺度參數(shù)自動(dòng)確定方法

石雅嬌1,2，陳鵬飛1,3

（1中國(guó)科學(xué)院地理科學(xué)與資源研究所/資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101；2中國(guó)科學(xué)院大學(xué)，北京 100049；3江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，南京 210023）

【】自動(dòng)提取影像中作物種植區(qū)域信息，對(duì)于推動(dòng)無(wú)人機(jī)高分辨率影像在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用具有重要意義。本研究針對(duì)分割評(píng)價(jià)函數(shù)中加權(quán)局部方差法（weighted local variance，WLV）的缺陷，面向農(nóng)業(yè)無(wú)人機(jī)影像高精度自動(dòng)分割的需求，提出改進(jìn)方法并基于不同作物田間試驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證。針對(duì)沒有充分考慮分割對(duì)象內(nèi)部同質(zhì)性的問題，本研究在的基礎(chǔ)上增加對(duì)象間同質(zhì)性的計(jì)算，提出了改進(jìn)加權(quán)局部方差法（improved weighted local variance，IWLV）。設(shè)計(jì)玉米氮肥試驗(yàn)和小麥水肥試驗(yàn)，獲取不同作物不同時(shí)期及長(zhǎng)勢(shì)下的無(wú)人機(jī)影像?；讷@取的無(wú)人機(jī)影像，設(shè)置不同情景，分別耦合主流分割算法與、法開展影像分割，將它們的分割結(jié)果與人機(jī)交互分割結(jié)果進(jìn)行對(duì)比，并基于單尺度對(duì)象精度（single-scale object accuracy，SOA）法進(jìn)行評(píng)價(jià)?；诜ㄟx擇的最優(yōu)分割尺度往往偏大，分割影像時(shí)會(huì)存在欠分割現(xiàn)象，而基于法選擇的分割尺度進(jìn)行分割的結(jié)果與人機(jī)交互分割結(jié)果更為接近。對(duì)于所有設(shè)定的分割情景，法獲得了更高的值。與法相比，本研究提出的法可以更準(zhǔn)確實(shí)現(xiàn)無(wú)人機(jī)影像分割中尺度參數(shù)的自動(dòng)確定。

尺度參數(shù)；圖像分割；無(wú)人機(jī)影像；改進(jìn)加權(quán)局部方差法

0 引言

【研究意義】相對(duì)于其他遙感平臺(tái)，無(wú)人機(jī)遙感具有機(jī)動(dòng)靈活的特點(diǎn)，容易獲取高時(shí)間、空間分辨率影像，對(duì)于精準(zhǔn)農(nóng)業(yè)管理具有重要意義[1]。高空間分辨率的影像為準(zhǔn)確區(qū)分作物植株與土壤等背景提供了數(shù)據(jù)支撐。長(zhǎng)期以來(lái)，學(xué)者們一直在設(shè)計(jì)各種光譜指數(shù)來(lái)去除土壤等背景的干擾[2-4]。如果基于高空間分辨率的無(wú)人機(jī)影像直接把土壤等背景去除掉，那對(duì)于提高作物生理生化參數(shù)反演精度具有重要意義。已有學(xué)者的研究表明，基于高分辨率無(wú)人機(jī)影像剔除土壤背景可提高作物水分、植株氮濃度等參數(shù)的反演精度[5-6]。另外，準(zhǔn)確提取田間作物，對(duì)于識(shí)別雜草、監(jiān)測(cè)苗情等都非常重要。基于遙感影像區(qū)分作物與土壤背景，實(shí)際是對(duì)影像進(jìn)行分類。對(duì)影像進(jìn)行分類的方法包括人工目視解譯法、基于像元的自動(dòng)分類法和基于對(duì)象的自動(dòng)分類。目前，已有研究在提取田間作物時(shí)，多采用目視解譯法或基于像元分類法[6-7]。目視解譯法工作量大，而像元法往往“椒鹽現(xiàn)象”嚴(yán)重[8-9]。對(duì)于無(wú)人機(jī)超高空間分辨率影像來(lái)說，面向?qū)ο蟮姆诸惙椒ㄍ苋〉幂^好的結(jié)果[10-11]。面向?qū)ο蠓诸惙ǖ幕玖鞒淌峭ㄟ^圖像分割獲得對(duì)象，然后對(duì)分割對(duì)象進(jìn)行分類以達(dá)到識(shí)別目標(biāo)地物的目的。因此，圖像分割是面向?qū)ο筮b感影像處理中的重要環(huán)節(jié)[12-13]。在分割對(duì)象時(shí)，需要設(shè)定尺度參數(shù)，它與對(duì)象大小密切相關(guān)。目前，研究人員多基于經(jīng)驗(yàn)多次人工嘗試獲得，大大限制了其推廣應(yīng)用[14]。因此，針對(duì)無(wú)人機(jī)影像高精度自動(dòng)分割需求，開展尺度參數(shù)自動(dòng)確定方法研究，對(duì)精準(zhǔn)農(nóng)業(yè)管理具有重要意義?！厩叭搜芯窟M(jìn)展】對(duì)于影像的自動(dòng)分割，目前基于無(wú)人機(jī)影像的研究還較少，已有研究多基于高分辨率衛(wèi)星影像數(shù)據(jù)開展[15-18]。但這些研究工作為開展無(wú)人機(jī)影像方面的相關(guān)應(yīng)用提供了參考。根據(jù)“對(duì)象內(nèi)部有較好的同質(zhì)性，對(duì)象間有較好的異質(zhì)性”的原則來(lái)構(gòu)建評(píng)價(jià)函數(shù)，根據(jù)評(píng)價(jià)函數(shù)值變化的趨勢(shì)，選擇“變化速率最大”或“拐點(diǎn)”位置處的尺度參數(shù)值作為最優(yōu)值，是已有尺度參數(shù)自動(dòng)確定方法的核心思想[19-22]。構(gòu)建對(duì)象內(nèi)平均光譜角作為評(píng)價(jià)函數(shù)，Yang等[23]認(rèn)為平均光譜角變化速率最快時(shí)所對(duì)應(yīng)的尺度參數(shù)值為最優(yōu)值。隨后，針對(duì)平均光譜角只考慮對(duì)象內(nèi)同質(zhì)性的問題，Yang等[24]引入對(duì)象間光譜角作為對(duì)象間異質(zhì)性來(lái)對(duì)前期研究進(jìn)行改進(jìn)。張俊等[25]在分割影像時(shí)，采用了與鄰域絕對(duì)均值差分方差比作為評(píng)價(jià)分割尺度的指標(biāo)，認(rèn)為其局部峰值所對(duì)應(yīng)的尺度為某一地物的最佳分割尺度，來(lái)實(shí)現(xiàn)尺度參數(shù)的自動(dòng)確定；以局部方差（Local Variance，LV）[26]為切入點(diǎn)，王志華等[27]提出加權(quán)局部方差（weighted local variance，WLV）作為評(píng)價(jià)函數(shù)，根據(jù)評(píng)價(jià)函數(shù)“拐點(diǎn)”來(lái)自動(dòng)確定分割尺度參數(shù)的方法。【本研究切入點(diǎn)】法計(jì)算簡(jiǎn)單，較易實(shí)現(xiàn)，但其在分割時(shí)只考慮了對(duì)象間異質(zhì)性，缺乏對(duì)同質(zhì)性的考慮，可能會(huì)導(dǎo)致分割結(jié)果欠準(zhǔn)確。【擬解決的關(guān)鍵問題】本研究提出了一種改進(jìn)的分割尺度參數(shù)自動(dòng)確定方法，并依托不同水、肥條件下獲取的玉米、小麥多生育期、不同長(zhǎng)勢(shì)下無(wú)人機(jī)影像對(duì)改進(jìn)前后的方法進(jìn)行對(duì)比分析，為農(nóng)業(yè)無(wú)人機(jī)影像自動(dòng)分割提供新的技術(shù)支撐。

1 材料與方法

1.1 田間試驗(yàn)

為滿足實(shí)際應(yīng)用需求，本研究構(gòu)建了不同作物的田間試驗(yàn)，以豐富試驗(yàn)場(chǎng)景。

1.1.1 玉米氮肥梯度試驗(yàn) 于2018年5月—10月在吉林省蔡家鎮(zhèn)（124°40′25″E，43°24′00″N）開展試驗(yàn)。品種為“吉單558”。試驗(yàn)設(shè)5個(gè)處理，3個(gè)重復(fù)，共15個(gè)小區(qū)，各小區(qū)面積為7.8 m×13 m。其中，5個(gè)氮肥處理分別為0、70、140、210、280 kg·hm-2。除氮肥外，各小區(qū)其他管理措施相同，試驗(yàn)示意如圖1所示。

N5N4N2N1N3 N4N3N1N2N5 N2N1N5N4N3

1.1.2 冬小麥水、氮耦合試驗(yàn) 試驗(yàn)于2018年10月至2019年6月在中國(guó)科學(xué)院禹城站（116°34′13″E，36°50′00″N）內(nèi)開展。品種為“維麥8號(hào)”。試驗(yàn)設(shè)2個(gè)水分處理，5個(gè)氮肥處理，共32個(gè)小區(qū)，各小區(qū)面積為10 m×5 m。其中，水分處理分別為90 mm和60 mm灌溉量；氮肥處理分別為0、15 000 kg·hm-2廄肥、15 000 kg·hm-2廄肥+100 kg·hm-2氮肥、15 000 kg·hm-2廄肥+200 kg·hm-2氮肥、15 000 kg·hm-2廄肥+300 kg·hm-2氮肥。除氮肥外，各小區(qū)其他管理措施相同，試驗(yàn)示意如圖2所示。

1.2 遙感數(shù)據(jù)

分別在玉米大喇叭口期和抽雄前期，冬小麥拔節(jié)期開展無(wú)人機(jī)飛行，基于3DR Solo無(wú)人機(jī)（3DR，加利福尼亞，美國(guó)）搭載RedEdge M多光譜傳感器（MicaSense，華盛頓，美國(guó)）獲取相關(guān)影像數(shù)據(jù)。其中，RedEdge M傳感器共有5個(gè)波段，中心波長(zhǎng)分別為藍(lán)光波段（475 nm）、綠光波段（560 nm）、紅光波段（668 nm）、近紅外波段（840 nm）和紅邊波段（717 nm）。無(wú)人機(jī)作業(yè)時(shí)，其航向和旁向的重疊率均設(shè)為75%，并在飛行前拍攝白板以用于后期將影像的DN值轉(zhuǎn)換為反射率。其中，玉米試驗(yàn)的無(wú)人機(jī)飛行高度為50 m，對(duì)應(yīng)影像空間分辨率約為3.5 cm；小麥試驗(yàn)的無(wú)人機(jī)飛行高度為30 m，對(duì)應(yīng)影像空間分辨率約為2.0 cm。Pix4D ag軟件（Pix4D，洛桑，瑞士）用來(lái)進(jìn)行無(wú)人機(jī)影像的拼接和反射率計(jì)算。另外，基于厘米級(jí)誤差差分GPS天寶GEO 7X（Trimble，加利福尼亞，美國(guó)）采集的高精度地面樣點(diǎn)數(shù)據(jù)對(duì)影像做幾何精校正。

N2W1N5W1N4W1N1W1N3W2N2W2N4W2N5W2 N1W1N4W1N3W1N5W1N2W2N5W2N1W2N4W2 N4W1N3W1N5W1N2W1N1W2N3W2N2W2N5W2 N1W1N5W1N2W1N3W1N4W2N1W2N5W2N3W2

1.3 改進(jìn)的尺度參數(shù)自動(dòng)確定方法

本研究在方法的基礎(chǔ)上，綜合考慮對(duì)象內(nèi)同質(zhì)性和對(duì)象間異質(zhì)性提出改進(jìn)方法。法借鑒了的理論，將對(duì)象及其相鄰對(duì)象作為該對(duì)象的鄰域?qū)ο蠹?；?jì)算各鄰域?qū)ο蠹木植糠讲睿缓髮⑺袑?duì)象的鄰域?qū)ο蠹植糠讲畹乃阈g(shù)均值作為值。其中，在計(jì)算鄰域?qū)ο蠹植糠讲顣r(shí)，將相鄰對(duì)象的面積和中心對(duì)象與相鄰對(duì)象的公共邊長(zhǎng)的乘積作為權(quán)重。的計(jì)算方法如公式（1）—（3）所示?？梢钥闯?，方法著重計(jì)算對(duì)象間異質(zhì)性，沒有充分考慮對(duì)象內(nèi)同質(zhì)性。因此，本研究在的基礎(chǔ)上增加對(duì)象內(nèi)同質(zhì)性的計(jì)算，以標(biāo)準(zhǔn)差表示同質(zhì)性，在公式（2）的基礎(chǔ)上減去對(duì)象內(nèi)標(biāo)準(zhǔn)差。此外，為了避免過分割和欠分割現(xiàn)象，將1/()作為對(duì)象內(nèi)同質(zhì)性的權(quán)重，將1-1/()作為對(duì)象間異質(zhì)性的權(quán)重。本研究將改進(jìn)后的方法稱之為改進(jìn)加權(quán)局部方差方法（improved weighted local variance，IWLV），計(jì)算如公式（4）和（5）所示。影像分割過程中，當(dāng)分割對(duì)象與目標(biāo)的尺寸相近時(shí)，對(duì)象間異質(zhì)性最大，同質(zhì)性最小，此時(shí)的值會(huì)大于在其他情況下分割結(jié)果的值，表現(xiàn)為最大。

式中，()為分割結(jié)果的加權(quán)局部方差；#為波段數(shù)；為波段集合；為波段集合中的一個(gè)波段（為了消除不同波段的量級(jí)差異，對(duì)各波段做歸一化處理）；為分割結(jié)果中的一個(gè)對(duì)象；()為對(duì)象的權(quán)重，在此設(shè)置為1，表示每個(gè)對(duì)象的在計(jì)算時(shí)同等重要；(,)為對(duì)象在波段上的加權(quán)局部方差，計(jì)算如公式（2）所示。

式中，()為對(duì)象的鄰域?qū)ο蠹?，包含本身；?)中的一個(gè)對(duì)象；()為的權(quán)重，由對(duì)象的面積和對(duì)象、公共邊長(zhǎng)的乘積計(jì)算而來(lái)；m()為對(duì)象在波段上的均值；m(())為對(duì)象的鄰域?qū)ο蠹诓ǘ紊系募訖?quán)均值，計(jì)算見公式（3）。

式中，()為分割結(jié)果的改進(jìn)加權(quán)局部方差；(,)表示對(duì)象在波段上的改進(jìn)加權(quán)局部方差，計(jì)算見公式（5）。

式中，STD()為對(duì)象在波段上的內(nèi)部標(biāo)準(zhǔn)差，()為與對(duì)象相鄰的對(duì)象個(gè)數(shù)。

數(shù)據(jù)模型優(yōu)點(diǎn)在與對(duì)數(shù)據(jù)的轉(zhuǎn)化能力，其可以資本成本決策工作人員輸入的數(shù)據(jù)，自動(dòng)的將數(shù)據(jù)具體化，通過與CAD圖紙?jiān)O(shè)計(jì)的有效結(jié)合，將數(shù)據(jù)轉(zhuǎn)化為具體的模型，如圖一所示，這樣通過技術(shù)來(lái)實(shí)現(xiàn)數(shù)據(jù)模型的建立，很大程度的解決了上文提出的設(shè)計(jì)圖紙精準(zhǔn)度較低的問題。這樣實(shí)現(xiàn)了對(duì)造價(jià)數(shù)據(jù)的有效轉(zhuǎn)換，可以幫助資本成本決策工作人員對(duì)造價(jià)數(shù)據(jù)進(jìn)行有效的分析，同時(shí)也縮短了工作時(shí)間，在提高資本成本決策工作效率的同時(shí)，達(dá)到了提高圖紙精準(zhǔn)度的目的。

1.4 數(shù)據(jù)分析方法

為驗(yàn)證方法，本研究將法與其進(jìn)行比較。比較時(shí)，選擇目前的主流影像分割方法之一均值漂移算法作為分割算法，并基于獲取的玉米、小麥數(shù)據(jù)設(shè)計(jì)不同的比較情景。其中，玉米按2個(gè)生育期、5個(gè)氮肥處理分為10種分割場(chǎng)景（大喇叭口期不同氮肥處理用NS1表示，抽雄前期不同氮肥處理用NS2表示，表示數(shù)字1到5，對(duì)應(yīng)圖1所示不同施肥量）；小麥按2個(gè)水分處理、5個(gè)氮肥處理也分為10種分割場(chǎng)景，分別用NW表示（表示數(shù)字1到5，表示數(shù)字1到2，分別對(duì)應(yīng)圖2所示不同施肥量和灌溉量）。需要說明的是每種情景所涉各重復(fù)小區(qū)作為一個(gè)整體參與分割。數(shù)據(jù)處理中，分別對(duì)不同場(chǎng)景進(jìn)行分割尺度的選擇和分割結(jié)果的驗(yàn)證。此外，根據(jù)解譯經(jīng)驗(yàn)，綜合考慮影像分辨率和目標(biāo)大小，本研究將尺度參數(shù)范圍設(shè)置為5—90之間，并以5為步長(zhǎng)遞增，來(lái)計(jì)算評(píng)價(jià)函數(shù)值。

針對(duì)每種場(chǎng)景，首先分別計(jì)算不同尺度參數(shù)下的和值，得到各場(chǎng)景下和隨尺度變化圖；其次，分別以、最大值所對(duì)應(yīng)的尺度參數(shù)值作為影像分割的最優(yōu)尺度，獲取對(duì)應(yīng)分割結(jié)果；最后，在情景所涉各小區(qū)內(nèi)分別隨機(jī)布設(shè)1 m×2 m的矩形，在矩形內(nèi)采用人機(jī)交互方式進(jìn)行分割，用于評(píng)價(jià)和的精度。精度評(píng)價(jià)，采用單尺度對(duì)象精度（single-scale object accuracy，SOA）[28]作為評(píng)價(jià)指標(biāo)。是計(jì)算分割結(jié)果和真實(shí)結(jié)果相似程度的指標(biāo)，取值范圍在0—1之間，具體計(jì)算如公式（6）—（7）所示。其中，越小，表明分割結(jié)果欠分割或過分割現(xiàn)象越嚴(yán)重；越大，說明分割結(jié)果和真實(shí)結(jié)果越接近。另外，人機(jī)交互分割時(shí)，以和方法獲得的最優(yōu)分割尺度參數(shù)取平均來(lái)分割影像，并采用人工目視解譯的方法對(duì)分割結(jié)果進(jìn)行修正。

式中，R表示參考分割影像中的對(duì)象；P表示待評(píng)價(jià)分割影像中的對(duì)象；#表示待評(píng)價(jià)分割影像中對(duì)象的個(gè)數(shù)。

2 結(jié)果

2.1 影像基本情況

不同作物的冠層結(jié)構(gòu)不同，玉米和小麥的結(jié)構(gòu)差異較大，因此通過低空無(wú)人機(jī)獲取的影像也具有較大差異。從圖3—4可以看出，本研究獲取的小麥影像比玉米影像紋理上顯得更為細(xì)膩，不同處理小區(qū)間顏色對(duì)比度也大。這是由于玉米個(gè)體較大，在高分辨率無(wú)人機(jī)影像中個(gè)體信息體現(xiàn)得比較明顯，影像紋理上也顯得更為粗糙；在不同的水、肥處理下，各小區(qū)小麥展現(xiàn)出明顯的長(zhǎng)勢(shì)差異，整體上隨水、肥的增加長(zhǎng)勢(shì)更優(yōu)。另外，對(duì)比圖3-b和圖3-c，可以看出處于玉米抽雄前期的植株比大喇叭口期的植株更加茂密?？傮w來(lái)說，本研究獲取的數(shù)據(jù)具有較復(fù)雜的場(chǎng)景，能為方法間的對(duì)比提供很好的支撐。

N1—N5分別表示0、70、140、210、280 kg·hm-2氮肥處理

W1：90 mm灌溉量；W2：60 mm灌溉量；N1：不施肥；N2：15 000 kg·hm-2廄肥；N3：15 000 kg·hm-2廄肥+100 kg·hm-2氮肥；N4：15 000 kg·hm-2廄肥+200 kg·hm-2氮肥；N5：15 000 kg·hm-2廄肥+300 kg·hm-2氮肥

2.2 玉米影像分割結(jié)果

2.2.1 最優(yōu)尺度參數(shù)選擇 各種場(chǎng)景下、隨尺度參數(shù)值變化情況如圖5所示?？梢钥闯觯鄬?duì)于，隨尺度參數(shù)增大，先上升后下降的趨勢(shì)更加明顯。這表明增加考慮對(duì)象內(nèi)部同質(zhì)性后，法比法對(duì)分割尺度變化引起的分割差異更加敏感。另外，各場(chǎng)景基于法和法選定的最優(yōu)尺度參數(shù)值如表1所示。從表中可以看出，各分割場(chǎng)景基于所選的尺度參數(shù)值都比法所選的尺度參數(shù)值小，說明法相對(duì)于法傾向把影像分割得更細(xì)。此外，對(duì)比不同生育期的分割結(jié)果，可以發(fā)現(xiàn)玉米抽雄前期各場(chǎng)景下的最佳尺度參數(shù)值普遍比大喇叭口期的相應(yīng)尺度參數(shù)值小。這主要是因?yàn)殡S著植株生長(zhǎng)，葉片相互交織，原本大塊的裸露土壤由于被覆蓋形成零碎的裸露土壤斑塊，識(shí)別這些小土壤斑塊需要更小的尺度參數(shù)。對(duì)比各生育期不同處理的分割結(jié)果，各處理最優(yōu)分割尺度值未體現(xiàn)出規(guī)律性變化。

2.2.2 分割精度評(píng)價(jià) 如前所述，在各分割場(chǎng)景下所涉每個(gè)小區(qū)中隨機(jī)布設(shè)一個(gè)1 m×2 m的矩形，在矩形中采用人機(jī)交互方式進(jìn)行分割，將結(jié)果用以評(píng)價(jià)法和法在其選擇的尺度下分割結(jié)果的精度。圖6展示了各矩形分布情況，各場(chǎng)景下計(jì)算的法和法的值如表2所示?？梢钥闯?，各情景下基于法的值要比法高。另外，圖7展示部分影像人機(jī)交互分割結(jié)果和分別基于法和法選擇尺度下的分割結(jié)果。其中，展示樣區(qū)位置如圖6所示。從圖中可以看出，所選尺度對(duì)應(yīng)的分割結(jié)果與參考分割結(jié)果更接近，而所選尺度對(duì)應(yīng)的分割結(jié)果則存在較為明顯的欠分割。以上結(jié)果說明，基于玉米各場(chǎng)景影像，方法分割的結(jié)果精度更高。

表1 基于玉米影像WLV法和IWLV法在各情景選擇的最優(yōu)尺度值

表2 基于玉米影像WLV法和IWLV法在各情景選擇尺度下分割結(jié)果的SOA值

2.3 冬小麥影像分割結(jié)果

2.3.1 最優(yōu)尺度參數(shù)選擇 各種場(chǎng)景下、隨尺度參數(shù)值變化情況如圖8所示。與玉米結(jié)果類似，在各分割場(chǎng)景中，隨著尺度參數(shù)增大，雖有波動(dòng)但先上升后下降的趨勢(shì)比方法更加明顯。另外，在部分場(chǎng)景中，隨尺度參數(shù)增大，呈先上升后平穩(wěn)甚至上升的趨勢(shì)，導(dǎo)致所選尺度參數(shù)值偏大。以上結(jié)果表明，相對(duì)于法，本研究提出的法在小麥不同場(chǎng)景下均能取得較穩(wěn)健的結(jié)果。基于法和法選定的各場(chǎng)景尺度值如表3所示。從表中可以看出，2種方法除N1W1所選的尺度參數(shù)相同外，在其他各分割場(chǎng)景中，基于所選的尺度都比所選的尺度小，同樣說明相對(duì)于傾向把影像分割得更細(xì)。此外，可以發(fā)現(xiàn)隨著施氮量的增加，選定的最優(yōu)分割尺度整體呈增大趨勢(shì)。其主要原因是施氮量小時(shí)，小麥群體長(zhǎng)勢(shì)較弱，相對(duì)于施氮量大時(shí)，小麥群體長(zhǎng)勢(shì)旺盛的影像需要設(shè)置相對(duì)小的尺度來(lái)識(shí)別。不同水分處理，小麥長(zhǎng)勢(shì)差異不顯著，因此，選定的最優(yōu)分割尺度沒有趨勢(shì)性變化。

圖a—e分別對(duì)應(yīng)N1S1—N5S1，圖f—j分別對(duì)應(yīng)N1S2—N5S2

人機(jī)交互分割結(jié)果（a：N1S1場(chǎng)景；d：N3S2場(chǎng)景）；基于IWLV法選擇尺度分割結(jié)果（b：N1S1場(chǎng)景；e：N3S2場(chǎng)景）；基于WLV法選擇尺度分割結(jié)果（c：N1S1場(chǎng)景；f：N3S2場(chǎng)景）

表3 基于小麥影像WLV和IWLV法所選的各情景下最優(yōu)尺度值

圖a—e分別對(duì)應(yīng)N1W1—N5W1，圖f—j分別對(duì)應(yīng)N1W2—N5W2 figure a-e denotes N1W1-N5W1 respectively, and figure f-j denotes N1W2-N5W2 respectively

圖9 小麥影像驗(yàn)證區(qū)域分布圖

表4 基于小麥影像WLV法和IWLV法在各情景選擇尺度下分割結(jié)果的SOA值

人機(jī)交互分割結(jié)果（a：N2W1場(chǎng)景；d：N3W2場(chǎng)景）；基于IWLV法選擇尺度分割結(jié)果（b：N2W1場(chǎng)景；e：N3W2場(chǎng)景）；基于WLV法選擇尺度分割結(jié)果（c：N2W1場(chǎng)景；f：N3W2場(chǎng)景）

3 討論

相比于方法，本研究提出的方法既考慮了對(duì)象內(nèi)部同質(zhì)性，又考慮了對(duì)象間異質(zhì)性，并用相鄰對(duì)象個(gè)數(shù)作為權(quán)重參數(shù)，對(duì)同質(zhì)性和間異質(zhì)性賦予不同的權(quán)重，最終表明方法能較好解決方法欠分割的問題，在各分割場(chǎng)景下都取得了更好的分割效果。此外，在基于和等方法進(jìn)行影像自動(dòng)分割時(shí)，若分割尺度參數(shù)范圍設(shè)置過大，則隨著尺度的增大，分割對(duì)象從包含部分目標(biāo)地物到包含1個(gè)、2個(gè)或者更多目標(biāo)地物的過程中，計(jì)算的、值會(huì)有波動(dòng)現(xiàn)象。因此，自動(dòng)分割過程中，設(shè)定合適的尺度范圍非常重要[29]，先驗(yàn)知識(shí)是確定最優(yōu)尺度參數(shù)值的重要輔助因素。

分割尺度與對(duì)象大小密切相關(guān)。同一分辨率影像下，對(duì)象越小其最優(yōu)分割尺度越小。如玉米影像中，由于玉米在大喇叭口期、抽雄前期冠層基本覆蓋壟間空隙，葉片與土壤交織形成的土壤斑塊大小成為限定影像分割尺度的主要因素，所以隨著玉米生長(zhǎng)，抽雄前期的土壤斑塊要比大喇叭口期的土壤斑塊更為細(xì)碎，其需要的分割尺度也小于大喇叭口期的分割尺度；小麥影像中，由于拔節(jié)期小麥未封壟，壟間存在大片裸露地表，小麥冠層成為限定影像分割尺度的主要因素，所以長(zhǎng)勢(shì)越好，小麥整體冠層越大，其分割尺度越大。

此外，相對(duì)分辨率（影像分辨率與目標(biāo)地物大小的比值）與分割精度密切相關(guān)。對(duì)比不同作物，可以看出玉米的分割精度整體高于冬小麥的分割精度。這是因?yàn)殡m然小麥影像的分辨率（2.0 cm）高于玉米影像的分辨率（3.5 cm），但是小麥葉片長(zhǎng)度約3—10 cm、寬度1 cm左右，玉米葉片長(zhǎng)度在40—80 cm、寬度5 cm左右，分別對(duì)應(yīng)2.0 cm和3.5 cm分辨率影像來(lái)說，小麥影像的相對(duì)分辨率要低于玉米影像的相對(duì)分辨率。所以，小麥分割結(jié)果的精度值（值）要小于玉米分割結(jié)果。

本研究只是基于小麥、玉米數(shù)據(jù)對(duì)法和方法進(jìn)行對(duì)比評(píng)價(jià)，今后要進(jìn)一步驗(yàn)證它們?cè)谄渌魑锷系膽?yīng)用效果。

4 結(jié)論

通過引入對(duì)象間同質(zhì)性的計(jì)算，本研究對(duì)法進(jìn)行改進(jìn)，提出法以支撐農(nóng)業(yè)無(wú)人機(jī)影像的自動(dòng)分割。利用玉米和小麥不同生育期、不同長(zhǎng)勢(shì)條件下無(wú)人機(jī)影像，通過設(shè)計(jì)不同影像場(chǎng)景，對(duì)法和法的精度進(jìn)行評(píng)價(jià)，結(jié)果表明，法經(jīng)改進(jìn)為法后，可有效抑制其欠分割現(xiàn)象。所有場(chǎng)景下，與人機(jī)交互方法獲得的分割結(jié)果相比，基于法自動(dòng)選擇分割尺度的分割結(jié)果比基于法自動(dòng)選擇分割尺度的分割結(jié)果獲得了更高的值，取得更好的分割效果。因此，改進(jìn)方法提高了已有方法的精度，可以有效支撐農(nóng)業(yè)無(wú)人機(jī)影像的自動(dòng)分割，為精準(zhǔn)農(nóng)業(yè)管理提供技術(shù)支撐。

致謝：感謝徐志濤、劉金然、賈丹和曹慶軍在田間試驗(yàn)過程中給予的支持和幫助；感謝李靜老師為本研究工作的開展提供小麥試驗(yàn)基地。

[1] 陳鵬飛. 無(wú)人機(jī)在農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望. 浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版, 2018, 44(4): 399-406.

CHEN P F. Applications and trends of unmanned aerial vehicle in agriculture., 2018, 44(4): 399-406. (in Chinese)

[2] Huete A R. A soil-adjusted vegetation index (SAVI)., 1998, 25(3): 295-309.

[3] QI J, CHEHBOUNI A, HUETE A R, KERR Y H, SOROOSHIAN S. A modified soil adjusted vegetation index., 1994, 48(2): 119-126.

[4] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices., 1996, 55(2): 95-107.

[5] 張智韜, 邊江, 韓文霆, 付秋萍, 陳碩博, 崔婷. 剔除土壤背景的棉花水分脅迫無(wú)人機(jī)熱紅外遙感診斷. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(10):257-267.

Zhang z t, bian j, han w t, fu q p, chen s b, cui t. Diagnosis of cotton water stress using unmanned aerial vehicle thermal infrared remote sensing after removing soil background., 2018, 49(10): 257-267. (in Chinese)

[6] 陳鵬飛, 梁飛. 基于低空無(wú)人機(jī)影像光譜和紋理特征的棉花氮素營(yíng)養(yǎng)診斷研究. 中國(guó)農(nóng)業(yè)科學(xué), 2019, 52(13): 2220-2229.

CHEN P F, LIANG F. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle., 2019, 52(13): 2220-2229. (in Chinese)

[7] 劉帥兵, 楊貴軍, 景海濤, 馮海寬, 李賀麗, 陳鵬, 楊文攀. 基于無(wú)人機(jī)數(shù)碼影像的冬小麥氮含量反演. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(11): 75-85.

Liu S b, Yang G j, Jing H t, Feng H k, Li H l, Chen P, Yang W p. Retrieval of winter wheat nitrogen content based on UAV digital image., 2019, 35(11): 75-85. (in Chinese)

[8] Blaschke T, Hay G J, Kelly M, Kelly M, Lang S, Hofmann P, Addink E, Feitosa R Q, van der Meer F, van der Werff H, van Coillie F. Geographic object-based image analysis – Towards a new paradigm., 2014, 87(100): 180-191.

[9] Meneguzzo D M, Liknes G C, Nelson M D. Mapping trees outside forests using high-resolution aerial imagery: A comparison of pixel-based and object-based classification approaches., 2013, 185(8): 6261-6275.

[10] Torres-Sánchez J, López-Granados F, Pe?a J M. An automatic object-based method for optimal thresholding in UAV images: Application for vegetation detection in herbaceous crops., 2015, 114: 43-52.

[11] 韓文霆, 張立元, 張海鑫, 師志強(qiáng), 苑夢(mèng)嬋, 王紫軍. 基于無(wú)人機(jī)遙感與面向?qū)ο蠓ǖ奶镩g渠系分布信息提取. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(3): 205-214.

HAN W T, ZHANG L Y, ZHANG H X, SHI Z Q, YUAN M C, WANG Z J. Extraction method of sublateral canal distribution information based on UAV remote sensing., 2017, 48(3): 205-214. (in Chinese)

[12] Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method., 2006, 102(1): 1-11.

[13] Baumgartner J, Gimenez J, Scavuzzo M, Pucheta J. A new approach to segmentation of multispectral remote sensing images based on MRF., 2015, 12(8): 1720-1724.

[14] Johnson B A, Bragais M, Endo I, Magcale-Macandog D B, Macandog P. Image segmentation parameter optimization considering within-and between-segment heterogeneity at multiple scale levels: Test case for mapping residential areas using landsat imagery., 2015, 4(4): 2292-2305.

[15] 殷瑞娟, 施潤(rùn)和, 李鏡堯. 一種高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選取方法. 地球信息科學(xué)學(xué)報(bào), 2013, 15(6): 902-910.

Yin R j, Shi R h, Li J y. Automatic selection of optimal segmentation scale of high-resolution remote sensing images., 2013, 15(6): 902-910. (in Chinese)

[16] KIM M, MADDEN M, WARNER T. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery//BLASCHKE T, LANG S, HAY G J.. Berlin, Germany: Springer Berlin Heidelberg, 2008: 291-307.

[17] DrǎguT L, Tiede D, Levick S R. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data., 2010, 24(6): 859-871.

[18] Dr?guT L, Csillik O, Eisank C, Tiede D. Automated parameterisation for multi-scale image segmentation on multiple layers., 2014, 88: 119-127.

[19] Johnson B, Xie Z. Unsupervised image segmentation evaluation and refinement using a multi-scale approach., 2011, 66(4): 473-483.

[20] Espindola G M, Camara G, Reis I A, Bins L S, Monteiro A M. Parameter selection for region‐growing image segmentation algorithms using spatial autocorrelation., 2006, 27(14): 3035-3040.

[21] Georganos S, Lennert M, Grippa T, Vanhuysse S, Johnson B, Wolff E. Normalization in unsupervised segmentation parameter optimization: A solution based on local regression trend analysis., 2018, 10(2): 222.

[22] 何敏, 張文君, 王衛(wèi)紅. 面向?qū)ο蟮淖顑?yōu)分割尺度計(jì)算模型. 大地測(cè)量與地球動(dòng)力學(xué), 2009, 29(1): 106-109.

He M, Zhang W j, Wang W h. Optimal segmentation scale model based on object-oriented analysis method., 2009, 29: 106-109. (in Chinese)

[23] Yang J, Li P, He Y. A multi-band approach to unsupervised scale parameter selection for multi-scale image segmentation., 2014, 94: 13-24.

[24] Yang J, He Y, Weng Q. An automated method to parameterize segmentation scale by enhancing intrasegment homogeneity and intersegment heterogeneity., 2015, 12(6): 1282-1286.

[25] 張俊, 汪云甲, 李妍, 王行風(fēng). 一種面向?qū)ο蟮母叻直媛视跋褡顑?yōu)分割尺度選擇算法. 科技導(dǎo)報(bào), 2009, 27(21): 91-94.

ZHANG J, WANG Y J, LI Y, WANG X F. An object-oriented optimal scale choice method for high spatial resolution remote sensing image., 2009, 27(21): 91-94. (in Chinese)

[26] Woodcock C E, Strahler A H. The factor of scale in remote sensing., 1987, 21(3): 311-332.

[27] 王志華, 孟樊, 楊曉梅, 楊豐碩, 方豫. 高空間分辨率遙感影像分割尺度參數(shù)自動(dòng)選擇研究. 地球信息科學(xué)學(xué)報(bào), 2016, 18(5): 639-648.

Wang Z h, Meng F, Yang X m, Yang F s, Fang Y. Study on the automatic selection of segmentation scale parameters for high spatial resolution remote sensing images., 2016, 18(5): 639-648. (in Chinese)

[28] Zhang X, Xiao P, Feng X, Feng L, Ye N. Toward evaluating multiscale segmentations of high spatial resolution remote sensing images., 2015, 53(7): 3694-3706.

[29] B?ck S, Immitzer M, Atzberger C. On the objectivity of the objective function-problems with unsupervised segmentation evaluation based on global score and a possible remedy., 2017, 9(8): 769.

A Method for the Automatic Determination of Scale Parameter during Segmenting Agricultural Drone Images

SHI YaJiao1, 2, CHEN PengFei1, 3

(1Institute of Geographical Science and Natural Resources Research, Chinese Academy of Sciences/State Key Laboratory of Resources and Environment Information System, Beijing 100101;2University of Chinese Academy of Sciences, Beijing 100049;3Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023)

【】The automatic extraction of crop planting area in the image is of great significance for promoting the application of high-resolution drone images in precision agriculture. At present, the method based on designing segmentation evaluation function is most commonly used in the study of automatically determining segmentation scale parameters. In order to meet the needs of high-precision automatic segmentation of agricultural drone images, an improved evaluation function was proposed to solve the defects of the Weighted Local Variance () method in this study, and the proposed method was verified based on field experiments of different crops.【】With considering thatmethod does not consider the internal homogeneity of segmented objects, this study designed the Improved Weighted Local Variance () method with adding the calculation of inter-object homogeneity on the basis offormula. The nitrogen experiments of corn and water and nitrogen coupling experiment of wheat were designed. During corn and wheat growing season, drone images were obtained in different growth stages with crop in different vigor. Based on the obtained UAV images, different scenarios were set. The mainstream segmentation algorithm was combined withmethod andmethod to perform image segmentation, respectively. Their segmentation results were compared with human-machine interactive segmentation results, and evaluated based on Single-scale Object Accuracy ().【】The selected scale parameter by themethod tended too large, which resulted in under-segmentation during segmenting images. While, based on the selected scale parameter bymethod, the segmentation result was correspond well with human-machine interactive segmentation results. Themethod had highervalues for all designed scenarios.【】Compared with themethod, the proposedmethod in this study had higher accuracy when determining the segmentation scale parameter.

scale parameter; image segmentation; drone image; improved weighted local variance method

10.3864/j.issn.0578-1752.2020.17.007

2019-11-05；

2020-02-09

國(guó)家自然科學(xué)基金（41871344）、國(guó)家重點(diǎn)研發(fā)計(jì)劃（2017YFD02015，2017YFD0201501-05）

石雅嬌，E-mail：shiyj.17s@igsnrr.ac.cn。通信作者陳鵬飛，E-mail：pengfeichen@igsnrr.ac.cn

（責(zé)任編輯 楊鑫浩）