EN中文

地球信息科学学报 >

2018 , Vol. 20 >Issue 7: 1014 - 1025

DOI: https://doi.org/10.12082/dqxxkx.2018.180076

遥感科学与应用技术

结合影像分区与尺度估计的耕地提取方法研究

  • 周文 ,
  • 明冬萍 , * ,
  • 闫鹏飞
展开
  • 中国地质大学（北京）信息工程学院,北京 100083
*通讯作者：明冬萍（1976-）,女,博士,副教授,主要从事遥感信息提取及地学尺度研究。E-mail: mingdp@cugb.edu.cn

作者简介：周 文（1993-）,女,硕士生,主要从事高空间分辨率遥感影像信息提取。E-mail:

收稿日期: 2018-01-09

  要求修回日期: 2018-04-09

  网络出版日期: 2018-07-13

基金资助

国家自然科学基金项目(41371347、41671369）;二十一世纪空间技术应用股份有限公司2016年开放基金（21AT-2016-07）;中央高校基本科研业务费专项资金

收起

Cultivated Land Extraction Based on Image Region Division and Scale Estimation

  • ZHOU Wen ,
  • MING Dongping , * ,
  • YAN Pengfei
Expand
  • School of Information Engineering, China University of Geosciences (Beijing), Beijing 100083, China
*Corresponding author: MING Dongping, E-mail:

Received date: 2018-01-09

  Request revised date: 2018-04-09

  Online published: 2018-07-13

Supported by

National Natural Science Foundation of China, No.41371347, 41671369;Open Fund of Twenty First Century Areospace Technology Company Limitied. No.21AT-2016-07;Fundamental Research Funds for Central Universities

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

尺度效应的存在使得不同地物的空间及属性尺度存在差异,不存在适合于影像中所有地物的唯一尺度。但通过影像分区,然后针对不同区域设置最优分割参数,可以有效地提高影像整体的分割精度。耕地地块分割中,对分割边界的要求较高,需要保证地块边界清晰连续,鉴于此,本文提出了一种结合影像分区及尺度估计的耕地地块提取方法。本文利用不同地物的温度反演影像来实现区域划分,根据温度数据将影像划分为不同地物类型、作物类型或作物长势不同的多个区域。接下来,分别对不同的区域影像进行分割,由于不同类型地物的固有空间空间尺度不同,所以不同区域影像的最佳分割参数也随之不同。空间统计的平均局部方差法可以用来预估各区域影像的分割参数,与分割参数优选的方法相比,该方法可快速准确定位,且效率较高。因此本文利用该方法进行参数估计,采用边缘约束分水岭分割算法进行耕地地块分割。此外,本文对现有影像分割评价指标进行了改进。实验结果显示,本文提出的耕地地块提取方法可针对影像的不同区域,快速准确地设置分割参数,且与其他分割方法相比,地块边界更清晰连续、多边界问题得到了极大改善。

关键词： 影像区域划分; 分割参数估计; 边缘约束分水岭; 耕地地块分割; 温度反演

本文引用格式

周文 , 明冬萍 , 闫鹏飞 . 结合影像分区与尺度估计的耕地提取方法研究[J]. 地球信息科学学报, 2018 , 20(7) : 1014 -1025 . DOI: 10.12082/dqxxkx.2018.180076

Abstract

Influenced by scale effect, different objects have different spatial and attribute scales, so there is no one set of segmentation parameters can suit all objects in the same image. However, classifying similar objects into same region, and then setting optimal segmentation parameters for different regions can improve the overall segmentation accuracy of the images effectively. In cultivated land extraction, it is critical to have clear and continuous boundary for the segmented plots. This paper presents a cultivated land extraction method combining image region division and segmentation parameters estimation. Temperature inversion was used to divide the image into different regions, of which the types of covered objects are different or the growths of crops are different. Next, regional image segmentation is performed for different regions. Since different object's inherent spatial scales are different, so different regional images' optimal segmentation parameters are also different. The optimal segmentation parameters of the image can be estimated to a certain level by analyzing the characteristics of the image space quantitatively. Compared with other segmentation parameter optimization selection methods, this method can be accurately and quickly positioned, and has a higher efficiency. Next, estimated segmentation parameters were used in the process of cultivated land segmentation by using edge restraint watershed segmentation algorithm. Edge restraint watershed segmentation algorithm uses the canny operator for the post-processing of the watershed segmentation algorithm. The boundary of the canny operator is used to constrain the consolidation process. The experimental result shows that the method proposed in this paper can set segmentation parameters for different regions quickly and accurately. Compared with other segmentation methods, this propose method has a quite clearer and more continuous block boundaries and the boundary fragmentation problem is greatly relieved.

Key words： image region division; segmentation parameter estimation; edge constraint watershed; cultivated land plots segmentation; temperature inversion

1 引言

耕地地块是指四周有明显自然边界（如道路、比较宽的田埂）包围、在一段时间内相对稳定的耕地,它在宗地管理、耕地面积抽样调查、基于地块的社会经济数据统计等方面具有重要作用[1,2]。在耕地地块提取方面,在遥感底图上进行人工数字化的方法需要绘制人员有一定的经验积累,且其效率较低,费时费力。数字图像处理领域的图像分割可一定程度地解决上述问题。
图像分割是耕地地块提取中重要的技术手段之一,耕地地块的边界大多较为平直,且相邻地块间仅存在唯一边界,地块提取中对地块的边界准确性要求较高。目前主流影像分割算法受算法本身原理及尺度效应的影响,存在地块边界不够清晰、连续,相邻地块未能有效分割的现象,需要对分割结果进行人工整饬。基于此,部分学者通过处理边缘检测结果进行耕地地块提取[3],但该方法仅适用于划分大地块,对于光谱相近且地块间边界细长的相邻地块,该方法无法有效划分。分水岭分割定位准确、分割速度较快,可得到封闭的单像素宽度的区域边界,是一种比较理想的自动化提取地块方法。但其对噪声敏感,容易产生过分割,不能满足地块提取要求。因此部分学者对分水岭算法进行改进,将其与小波变换、Canny算子相结合用于地块提取[3],并取得了一定的进展。但该方法对于面积较小或者内部信息不均匀的地块并不适用,且该方法仅针对单波段遥感信息,未能充分应用遥感影像的丰富的光谱信息。
由于尺度效应的影响,在影像分割中,分割尺度参数设置过大容易造成欠分割,而设置过小则容易造成过分割。影像区域划分一定程度上保证了区域内地物空间尺度相近,针对该区域的同一套分割参数基本可满足该区域中大部分地物的空间尺度。遥感影像最佳分割尺度参数的设置,目前最常见的分割参数选择是基于试错法来进行的,通过使用非监督分割评价模型[4,5]或监督分割评价模型[6,7,8]对一系列不同尺度的分割结果对比分析,来辅助选择最优分割尺度。上述方法需要进行大量的分割实验,并计算每次分割后的对象特征,时间消耗较大。
基于遥感影像的尺度特性、耕地地块提取的特点及现有地块提取方法的优缺点,本文提出了一种结合区域划分、尺度估计的耕地地块提取方法。该方法包括耕地区域划分,区域影像尺度估计,及区域影像分割。其中影像分割环节利用Canny算子进行边缘约束的分水岭分割实现,并通过设置对象的斑块大小及相邻对象间的光谱差异情况对分水岭分割的结果进行后处理。该方法有效降低了尺度效应对分割结果的影响,且通过尺度估计可快速、准确地设置分割参数,所得地块边界清晰、连续,光谱相近的地块亦得到了有效划分。

2 研究方法

面向对象的影像分析技术[9,10,11]（OBIA）在有效利用遥感影像光谱信息的同时,可有效利用影像的空间信息如形状、纹理等特征[12]。影像分割是OBIA的基础,其结果对后续的分析工作有较大影响。遥感影像分割中,分割尺度参数设置过大容易造成欠分割,而设置过小则容易造成过分割,不存在一个适应于影像中全部地物的唯一尺度[13,14]。由于地物的聚集效应,某一类地物大多会聚集并形成一定区域,并在一定区域内占主导地位。而相同类型的地物其空间尺度相近,因此将影像划分为不同地物主导的各区域,再对各区域影像分别采用不同的特征尺度分割可有效地提高影像分割精度。
在分区的基础上,若要提高影像分割的整体效率,使得每一次分割的结果都尽可能接近地物的固有空间尺度,接近最佳分割结果,便需要进行分割参数的选择。分割参数的选择主要分为两大类型,① 基于对分割评价的尺度优选,该方法受评价指标的影响较大,且在评价指标合理的情况下,其所得的为众多分割结果的最优,不一定代表着影像的最佳分割尺度。② 分割前的尺度估计[15],该方法利用地统计学知识,通过计算寻找的为全局的最优,该最优也仅是指明影像实际的最佳分割尺度所在的大致范围。总体来讲,第2种方法仅对影像进行一次计算,较之第一种需要对分割结果进行多次分割评价,更为高效省时;且可围绕估计参数设置参数减少了参数设置的盲目性。因此本文将第2种方法用于耕地地块提取中的尺度参数设置。
耕地地块提取对边界要求较高,传统的分割方法在处理相邻地块时,容易产生分割破碎或者产生多条边界的现象。分水岭分割定位准确、分割速度较快,可得到封闭的单像素宽度的区域边界,是一种比较理想的自动化提取地块方法。但其对噪声敏感,容易产生过分割现象,不能满足地块提取要求。Canny算子具有较优的边界检测效果,因此可将其用做分水岭的堤坝,用于约束分水岭分割结果[16,17]。但在上述操作的基础上,仍会存在部分过分割的破碎对象,如同一地块由于作物长势不同而导致的过分割。因此可从分割对象的大小和相邻对象间的光谱差异这2个角度对分割对象进行后处理,合并破碎及光谱相似的对象。
本文具体的技术流程如图1所示。首先对影像进行分区处理,分别得到不同类型或长势的农作物覆被区、裸地主导区域、及城市区域等。在分区影像内部,运用空间统计学的方法,分别估计各耕地地块所在区域的最佳分割参数。围绕此分割参数利用边缘约束的分水岭分割方法,对各区域影像进行分割。通过此方法,可使得不同区域的分割结果与地物本身固有的空间尺度最大程度的相近,进而提高影像整体的分割效果。
Fig. 1 Flow chart of arable land plots segmentation technology

图1 耕地地块分割技术流程图

2.1 区域划分

高分辨率遥感影像分类中,由于尺度效应会导致影像分类精度受限,采用分区策略进行遥感影像分类[18,19,20,21,22,23,24],以减轻尺度效应对影像处理的影响的方法已有了较多尝试,并取得了良好的效果。但是针对遥感影像区域划分的研究并不多见,现有的手动区域划分[22,23]、利用单一特征指标如阴影、特征值或DEM[21,24]）进行区域划分等方法存在着效率较低、普适性不强、自动化程度较低等问题。不同类型的地物其光谱信息、辐射特征各不相同,其地表温度亦存在差异。由于热辐射传导的影响,不同地物类型主导的区域,其地表温度会受主导地物辐射特征影响,呈现不同的温度分布特征。此外,对于植被,不同物候期内,其光谱信息存在差异,进而地表温度亦随之不同。区域划分所用对象由原来的多波段影像变为了单波段的温度影像,处理对象更为简单,因此可根据温度反演数据,将影像划分为不同地物类型主导的区域。本文温度反演采用辐射传输方程法[25,26,27],流程如图2所示。
Fig. 2 Temperature inversion flow chart

图2 温度反演流程图

鉴于众多学者已对温度反演进行了深入的研究,故其详细的计算过程本文不再赘述。在此基础上,对地表温度影像进行较大尺度的多分辨率分割,通过目视判断,得到符合要求的区域划分结果。

2.2 影像分割

2.2.1 分割参数预估
分割参数的选择会影响到分割对象的大小,地物大小不一,决定了不同地物的最优分割尺度不尽相同。针对目标的不同,最优尺度的选择可以分为针对一种或几种地物类型的分割尺度估计和针对整副影像的分割尺度估计。由于地物的聚集效应,通过将整幅影像划分为不同地物主导的区域,并对不同的区域进行尺度估计可使得估计尺度最大可能的符合地物本身固有的空间尺度,最后将各区域分割结果进行集成,得到的分割结果便可最大限度地符合地物本身的固有尺度。尺度问题的本质是空间统计学上的空间相关性,而最优分割尺度实际上就是寻找地物空间相关性是否存在一个临界点,当到达临界点时就是最优分割尺度[28]。
本文所用的基于边缘约束的分水岭分割中涉及到2个参数,分别是属性分割参数hr和合并阈值参数M。M指的是分割后斑块是否进行合并的判断阈值,若是某斑块的像元个数小于该特定的阈值M,则该斑块融合至与该斑块相邻且最相近的斑块。当其过分割斑块像元个数大于M时,需根据其属性距离判断是否需要融合,消除相似斑块,属性分割参数hr指的是2个斑块间的属性距离,即斑块平均属性值之差的绝对值。对于某一斑块而言,先找出其相邻斑块的最小属性距离,然后与阈值hr进行判断,若小于hr则进行两斑块之间的融合,若大于hr则该斑块不需要进行融合。对于高分辨率的遥感影像,往往需要考虑多个波段的情况,本文采取多个波段求取其平均属性值的方法进行判断。进行尺度估计时,属性尺度分割参数及合并阈值参数由空间尺度分割参数计算而来。本文采用明冬萍等[15]提出的尺度估计方法,利用平均局部方差进行影像的空间尺度参数（hs）估计;并利用hs进行属性尺度参数hr及合并阈值M的估计。
2.2.2 基于边缘约束的影像分割
基于分水岭的分割方法总的来说,可分为分割前处理型分水岭分割（标记、小波变换、形态学开闭重构技术等）、分割后处理型分水岭分割（空间聚类和异质性最小原则合并等）,以及二者的结合。鉴于分水岭算法对噪声较为敏感,容易形成分割“孤岛”即分割破碎现象,故在分水岭分割前通过中值滤波对影像中的椒盐噪声做一定的处理,可以有效减少过分割。Canny算子在边缘检测领域具有较优的效果,但其在边缘转角处无法找到正确梯度方向,导致边缘不封闭。因此可将Canny算子所得的边界作为分水岭算法的堤坝,分割边界不能跨越Canny边缘,并由分水岭算法将Canny算子所得的未闭合的边缘补全[29]。为了解决分水岭的过分割及图斑不均衡问题,需对所得图斑进行合并,本文合并过程所用参数为斑块间属性差hr和斑块大小M。

3 实验结果与分析

3.1 实验数据及区域划分结果

本实验耕地地块划分所用影像为江苏省滁州市2016年6月18日北京二号高分数据,图3（a）为其假彩色合成结果。影像大小为37 488像元×35 990像元,处于一年两熟的平原地区,影像中主要地物有：城镇建筑、林地、裸地、农田、水体。温度反演需用到热红外波段,而北京二号影像仅有蓝、绿、红、近红外4个波段,故先用拥有热红外波段的Landsat影像进行温度反演。但该地点同时期的Landsat 8影像云雾遮挡现象严重,而其他年份种植作物种植情况可能与实验影像不同,因此选择与实验影像相同年份,且相近月份的2016年4月29日Landsat 8数据（图3（b））。两幅影像由于农作物种类不同及物候差异的存在,Landsat 8中的裸地在6月变为农作物区域;而Landsat中右侧的农作物区域在6月完成了收割,变为了裸地。在图3（a）的北京二号影像中,右上角的林地与其附近的农作物区域从色调上看差异较小,但由于物候差的存在,图4则可以一定程度上将林地划分出。
Fig. 3 Experimental data

图3 实验数据

Fig. 4 Temperature inversion data

图4 温度反演数据

对Landsat 8影像进行温度反演,并对得到的温度数据（图4）进行多分辨率分割得到如图5所示的区域划分结果。图5中的农作物主导区域对应着温度反演数据中温度较高的区域,该区域对应着Landsat影像中裸地主导区域,故温度相对较高, 2个月后该区域变为了图3（a）中的农作物主导区域。相反的,温度反演数据中右下方温度较低区域在两月后则变为了裸地。水体比热容较大,对光谱有着强吸收特性,其温度最低,故图4中最暗的区域对应着水体。而建筑物的强反射特征,导致在白天其表面温度比裸地更高,因此图4中温度最高的区域对应着建筑物所在区域。目视可得,除林地主导区域中混杂了部分农作物外,本文提出的利用温度反演数据进行区域划分的结果基本符合预期目标,不同区域之间的边界与目视判断基本一致。
Fig. 5 Region division result of Beijing No.2 satellite data image

图5 北京二号影像分区结果

3.2 分割尺度估计

鉴于耕地地块主要存在于图6所示的裸地主导区域及农作物主导区域。故接下来的分割尺度估计及基于边缘约束的分水岭所用影像为图6（a）（7372像元×6447像元）所示的农田主导区域及 图6（b）（5013像元×5818像元）所示的裸地主导区域。图6（a）、（b）为上述2个区域的近红外、红光、绿光波段的RGB合成结果。
Fig. 6 Regional experimental image

图6 区域试验影像

如图7、8所示,ALV为影像的平均局部方差,ROC-ALV是平均局部方差随计算窗口尺寸变化的一阶变化率;SCROC-ALV是ROC-ALV的变化,是其二阶变化率。计算得出,裸地影像的hs为30, hr约为20,M为200;农作物影像的hs为29,hr约为19,M为145。标准差直方图如图9、10所示。
Fig. 7 Mean local variance and its related parameters for bare land image

图7 裸地影像平均局部方差及其相关参数

Fig. 8 Mean local variance and its related parameters for crop land image

图8 农田影像平均局部方差及其相关参数

Fig. 9 Histogram of local variance of bare land image

图9 裸地影像局部标准差直方图

Fig. 10 Histogram of local variance of crop land image

图10 农田影像局部标准差直方图

3.3 分割评价

为了证明本文提出方法的有效性,本文除采用影像分割评价来对耕地地块划分的效果进行评价外,还引入了对照试验：对影像进行多分辨率分割,并取其最佳分割评价结果与基于边缘约束的分水岭分割对比。根据是否有主观因素的参与,可分为定性评价及定量评价。优度试验法作为定量评价方法中的一种,无需真实地表数据,且无需人工创建参考,从而提高了效率并降低了主观性的影响[30]。本文分割评价主要采用分割后斑块的区域内均质性,和分割后斑块的区域间异质性这2个评价测度。均质性指标反应的是对象内部的方差,异质性指标反应的为对象间的莫兰指数,均质性、异质性指标均与分割质量负相关。均质性的倒数越大代表影像的分割质量越佳。异质性的范围为[-1, 1],且其越接近1,分割对象间相关性越大;越接近-1,代表对象之间的负相关性越强,对象间的差异越大;当其接近0,代表对象随机分布。对于Ui其值越小代表影像均质性越佳,因此Umax-Ui值越大,则影像均质性越佳,而Ui-Umin越大则均质性越差,同理异质性指标也如此。因此本文对张仙等[30]的优度评价方法进行了改进,改进后的评价指标如式（1）所示。对于F（i）,该值恒大于0,理想情况下,在一系列参数中,当F（i）的绝对值为极大值且同时为最大值时所对应的尺度即为该影像在此系列中的最佳分割尺度。
F ( i ) = m × ( U max - U i ) U max - U min + ( 1 - m ) × ( V max - V i ) V max - V min （1）
式中：F（i）代表编号为i的尺度参数下的综合评价指数;Ui代表该尺度参数下的对象内部均质性;Vi代表该尺度参数下的对象之间异质性,Umax和Umin分别代表了研究范围内对象内部均值性的最大值和最小值。Vmax和Vmin分别代表研究范围内对象之间异质性的最大值和最小值。m代表对于内部均质性和区域间差异性的比较权重,二者都是后续分类的重要影响测度[25],本文中m值设置为0.5。
此处补充说明一点,2种分割方法的评价彼此独立,最佳评价结果仅为该方法一系列参数中的最优,不能通过直接比较两种方法的F（i）值来判断孰优孰劣。基于此本文采用式（2）对上述2种不同方法进行分割评价,A（i）为评价值,该值越大代表影像的分割效果越佳,其他符号的含义同上文,m值同样设置为0.5。
A ( i ) = m × 1 U i - ( 1 - m ) × V i （2）

3.4 地块划分及实验验证

围绕裸地区域的预估参数（hs=30,hr=20, M =200）对裸地区域设置不同的分水岭分割参数,并对分割结果进行分割评价。对影像进行多分辨率分割,将形状指数及紧致度指数设置为0.5,改变scale参数从中择优,2种方法的分割评价结果见 图11。从图11（a）中可看出,当M为250,hr为7时,边缘约束的分水岭分割评价较高。上述结果显示分水岭分割的预估参数与最佳分割参数的吻合度极高,显示了尺度预估的良好精度,以及式（1）的有效性。多分辨率分割的最佳评估参数为：尺度80,形状参数0.6,紧致度参数0.5。
Fig. 11 Evaluation of segmentation results of bare land image

图11 裸地试验区分割评价

同样的,围绕预估参数（hs=29,hr=19,M=145）对农田影像进行边缘约束分水岭及多分辨率分割,得到图12所示的分割评价结果。图13、14分别为裸地及农田试验区的2种分割方法对比结果。图14（a）可知M为60,hr为10;M为40,hr为7及M为150,hr为30均是符合最佳分割参数条件的分割参数。对上述3个参数的分割结果通过目视评价,发现M为150,hr为30时的分割结果要优于其他2个,其他2个参数下的分割结果存在较严重的过分割现象,因此最佳分割评价参数为M：150,hr：30。M的估计值与最佳分割评价值非常接近,hr的估计参数与最佳分割评价结果也比较接近,因此本文所用的参数估计方法可以迅速有效地锁定最优分割参数。作为对照试验的多分辨率分割的最佳分割参数为：尺度40,形状比重0.4,紧致度0.5（图12（b））。
Fig. 12 Evaluation of segmentation results of crops image

图12 农田试验区边缘约束分水岭分割评价

Fig. 13 Comparison of edge-constrained watershed and multi-resolution segmentation result

图13 边缘约束的分水岭与多分辨率分割结果对比

Fig. 14 Comparison of edge-constrained watershed and multi-resolution segmentation result

图14 边缘约束的分水岭与多分辨率分割结果对比

本文从定量及定性2个角度对基于边缘约束的分水岭与多分辨率分割的最佳分割评价结果进行对比。表1、2为利用式（3）进行评价的结果。可看出,无论是裸地区域影像还是农田试验区影像,均是边缘约束的分水岭分割效果要优于多分辨率分割。
Tab. 1 Comparison of two segmentation methods in bare land image

表1 裸地影像2种分割方法对比

最佳评价结果 边缘约束分水岭分割 多分辨率分割
基元数 1900284 2388
Ui 2029.231 353.086
Vi -0.042009 0.119191
A(i) 0.021250899 -0.058179414
Tab. 2 Comparison of two segmentation methods in bare crops image

表2 农田试验区影像2种分割方法对比

最佳评价结果 边缘约束分水岭分割 多分辨率分割
基元数 1840250 9120
Ui 927.049 127.009
Vi -0.048007 0.000182
A(i) 0.024542846 0.003845729
为了更直观地比较二者的优劣,本文同样选取了2种方法的部分分割结果进行分析比较。耕地地块提取,侧重于耕地提取效果,而分割评价则是面向影像中所有对象,因此最佳的分割评价结果不一定代表着满足实际应用的最佳分割结果。因此同样选取了目视较佳的分割结果,将其也用于对两种方法的评价。图13、14还包括边缘约束分水岭分割的分割评价最佳结果、预估结果、多分辨率分割的分割评价最佳结果,及其他目视判读的其他较佳的分割结果,可以看出：
（1）边缘约束分水岭分割中地物边界定位更为准确清晰连续。如图13所示,相较于边缘约束分水岭的最佳分割评价结果,多分辨率分割结果中,地块边界弯曲,且部分边界未被有效识别。图14（a）、（b）第二幅影像中的湖中小岛,多分辨率分割中部分水体也被划分至小岛中,而分水岭分割的结果中小岛和水体则被清晰地划分开来。
（2）边缘约束分水岭分割中地块分割结果更为完整,内部过分割现象得到了极大改善,从图 14（a）、（c）的对比结果中可看到,多分辨率分割的水体边界处存在过分割现象,而边界约束的分水岭分割中,通过设置适合的属性合并参数hr,过分割现象得到了极大的改善。
（3）最佳的分割评价结果不一定是实际应用的最佳分割结果,因为全局影像的最佳分割评价结果并不一定是某一地物的最佳分割结果。如图14（d）的分割评价结果虽然总体上讲优于图14（a）,但从耕地地块的分割上,前者明显优于后者。
（4）区域划分可最大限度地获得最佳分割结果。如图13、14所示,不同区域的预估分割参数及分割评价的最佳参数均不相同,定量地说明了本文利用温度数据进行区域划分可有效减轻尺度效应对分割结果的影响,结合图6所示的分区结果,进一步说明了利用温度进行影像分区的有效性。因此将其分别进行分割处理,可使得分割结果尽可能地符合影像中地物固有的特征尺度。
（5）本文所用的尺度估计方法可有效地锁定最佳分割参数所在范围。两幅影像的估计参数与最佳分割评价参数非常接近,通过尺度估计可有效减少影像分割的工作量。
在实际应用中,地块提取更注重的是地块的边界是否清晰连续,不同地块之间是否被有效分割开。在影像分割中追求分割细节,通常会来带来分割结果的破碎化,但轻微程度的破碎对象可以通过后期的对象合并得到解决,如通过计算对象间属性差,合并同一地块内部对象。因此分割边界的优劣便显得更为重要,基于边缘约束的分水岭分割方法便更具优越性。

4 结论

本文提出的方法的总体流程为,利用温度反演数据进行区域划分,并在划分所得区域的基础上,对各个区域计算其最佳分割尺度,再针对耕地地块边界单一连续这一特点,利用Canny算子对传统的分水岭分割算法进行边界约束,利用此改进的基于边缘约束的分水岭分割算法进行耕地地块划分。区域划分一定程度上减少了尺度效应对影像分割结果的影响,是接下来获得更精确的适合某一区域内绝大部分地物的最佳尺度参数的基础。基于空间统计学的分割参数预估方法,则在区域划分的基础上,为各个区域锁定了最佳分割参数所在的一个大致范围。改进的基于边界约束的分水岭方法,可获得较精确的耕地地块边界,在耕地地块提取方面具有较大的优势。在区域划分及参数预估的基础上,围绕预估分割参数进行基于边缘约束分水岭分割,可使得各个区域获得较高的分割精度,进而提高影像整体的分割效果,提高耕地地块划分效果。实验结果表明：① 本文提出的区域划分方法是有效且必要的;② 本文采用的尺度估计方法可有效锁定最佳分割参数所在范围,减少分割过程的工作量;③ 从耕地地块提取的角度,本文采用的基于边缘约束的分割方法可获得更优分割边界,而这对耕地地块提取具有重要的意义。总体上讲,本文提出的结合影像分区与尺度估计的耕地地块提取方法可更高效快速地获得不同区域耕地地块的最佳分割结果,且鉴于其良好的分割边界,在耕地地块提取方面更具优势。但本文同样存在着不足,预估的分割参数与目视判读的最佳分割参数存在一定差异,边缘约束的分水岭算法所得分割结果中,无论分割参数设置的大或是小,都或多或少的存在破碎对象。因此寻找适合耕地地块提取的尺度估计方法及进一步优化边缘约束的分水岭分割方法是后续研究的重点。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
苏红旗,肖克炎.基于GIS的证据权重法矿产预测系(EWM)[J].地质与勘探,1999,35(1):44-46.The basic principle of evidence weight modeling, the main function of G IS and it s application to mineral deposits prediction are introduced. The EWM, a GIS-base d mineral deposits prediction system by using evidence weight modeling is establ ished under Windows95.

DOI

[ Su H Q, Xiao K Y.A GIS-base mineral deposits prediction system by using evidence weight modeling[J]. Geology and Prospecting, 1999,35(1):44-46. ]

[2]
唐宾. GIS支持下的金属矿产成矿预测简介[J].广西地质,2000,13(1):69-72.

[ Tang B.Ore-forming Prediction of metallic mineral under GIS[J]. Guangxi Geology, 2000,13(1):69-72. ]

[3]
胡潭高,朱文泉,阳小琼,等.高分辨率遥感图像耕地地块提取方法研究[J].光谱学与光谱分析,2009,29(10):2703-2707.利用高分辨率遥感图像的光谱信息提取耕地地块对于土地利用动态监测、精准农业等领域有着非常重要的意义，然而传统的结合GIS软件与手工数字化提取地块的方法费时费力，并且具有很大的主观性，因此利用计算机自动提取地块具有很强的现实意义。文章提出了一种基于小波变换和分水岭分割的高分辨率遥感图像耕地地块提取方法，首先结合高分辨率层遥感图像的光谱信息，利用图像分类结果对原始图像中典型地物的灰度值进行对比增强处理，然后进行小波变换和分水岭分割，通过改进的区域合并算法解决过度分割问题，最后利用Canny算子引入边缘信息，得到最终的耕地地块分割结果。通过对北京地区Quickbird数据的应用，准确快速的提取了耕地地块数据，证明该方法是一种有效、可行的高分辨率遥感图像耕地地块提取方法。

[ Hu T G, Zhu W Q, Yang X Q, et al.Farmland parcel extraction based on high resolution remote sensing image].[J]. Spectroscopy & Spectral Analysis, 2009,29(10):2703-2707. ]

[4]
Zhang H, Fritts J E, Goldman S A.Image segmentation evaluation: A survey of unsupervised methods[J]. Computer Vision and Image Understanding, 2008,110(2):260-280.

DOI

[5]
陈春雷,武刚.面向对象的遥感影像最优分割尺度评价[J].遥感技术与应用,2011,26(1):96-102.lt;p>遥感影像分割决定了后续分类的精度,鉴于目前分割技术评价的研究缺乏且局限于主观判断的现状,以定量方法确定最优分割尺度。利用Definiens平台面向对象的分割算法,将组成对象的像素灰度值的标准差作为衡量对象内同质性的标准,用与邻域的平均差分的绝对值作为对象间的异质性度量变量,同时考虑面积权重的影响；根据上述3个评价指标,在考虑多光谱影像的基础上,构造了平均分割评价指数；基于该评价指数,以优度实验法对QuickBird多光谱影像进行了研究,并确定了不同地物类型的最优分割尺度。最后,利用平均对象匹配指数对评价结果进行了验证,并对评价方法的可行性进行了探讨。</p>

[ Chen C L,Wu G.Evaluation of optimal segmentation scale with object-oriented method in remote sensing[J]. Remote Sensding Technology and Application, 2011,26(1):96-102. ]

[6]
Tong H, Maxwell T, Zhang Y, et al.A supervised and fuzzy-based approach to determine optimal multi-resolution image segmentation parameters[J]. Photogrammetric Engineering and Remote Sensing, 2012,78(10):1029-1044.Abstract Image segmentation is important for object-based classification. One of the most advanced image segmentation techniques is multi-resolution segmentation implemented by eCognition庐. Multi-resolution segmentation requires users to determine a set of proper segmentation parameters through a trial-and-error process. To achieve accurate segmentations of objects of different sizes, several sets of segmentation parameters are required: one for each level. However, the trial-and-error process is time consuming and operator dependent. To overcome these problems, this paper introduces a supervised and fuzzy-based approach to determine optimal segmentation parameters for eCognition . This approach is referred to as the Fuzzy-based Segmentation Parameter optimizer (FBSP optimizer) in this paper. It is based on the idea of discrepancy evaluation to control the merging of sub-segments to reach a target segment. Experiments demonstrate that the approach improves the segmentation accuracy by more than 16 percent, reduces the operation time from two hours to one-half hour, and is operator independent.

DOI

[7]
Liu Y, Bian L, Meng Y, et al.Discrepancy measures for selecting optimal combination of parameter values in object-based image analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012,68(1):144-156.Most object-based image analysis use parameters to control the size, shape, and homogeneity of segments. Because each parameter may take a range of possible values, different combinations of value between parameters may produce different segmentation results. Assessment of segmentation quality, such as the discrepancy between reference polygons and corresponding image segments, can be used to identify the optimal combination of parameter values. In this research, we (1) evaluate four existing indices that describe the discrepancy between reference polygons and corresponding segments, (2) propose three new indices to evaluate both geometric and arithmetic discrepancies, and (3) compare the effectiveness of the existing and proposed indices in identifying optimal combinations of parameter values for image segmentation through a case study. A Landsat 5 Thematic Mapper (TM) image and an ALOS image of arid Northwestern China were used in the case study. The four existing indices include Quality Rate (QR), Over-segmentation Rate (OR), Under-segmentation Rate (UR), and Euclidean Distance 1 (ED1). The three proposed discrepancy indices include Potential Segmentation Error (PSE), Number-of-Segments Ratio (NSR), and Euclidean Distance 2 (ED2). These indices measure overlap, over-segmentation, and under-segmentation between reference polygons and corresponding image segments. Results show that the three proposed indices PSE, NSR, and ED2 are more effective than the four existing indices QR, OR, UR, and ED1 in their ability to identify optimal combinations of parameter values. ED2 that represents both geometric (PSE) and arithmetic (NSR) discrepancies is most effective.

DOI

[8]
于欢,张树清,孔博,等.面向对象遥感影像分类的最优分割尺度选择研究[J].中国图象图形学报,2010,15(2):352-360.影像分割是面向对象遥感影像分类的基础步骤，而分割尺度又是影像分割的核心问题。研究针对面向对象遥感影像分类中的最优分割尺度选择问题，以分割后影像区域对象矢量边界线与欲分类目标对象真实矢量边界的吻合程度为标准，通过两者多向距离量化吻合程度，提出了一种最优分割尺度定量选择的新方法――矢量距离指数法。通过两种实验，同步验证了该方法的正确性与适用性，实验1将基于矢量距离指数法选择的最优分割尺度结果与较为成熟的人为试错法的选择结果比较，结果表明针对7种地类的矢量距离指数均可以正确反映最优分割尺度；实验2挖掘了矢量距离

DOI

[ Yu Huan, Zhang S Q, Kong B, et al.Optimal segmentation scale selection for object-oriented remote sensing image classification[J]. Journal of Image and Graphics, 2010,15(2):352-360. ]

[9]
T. Blaschke.Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010,65(1):2-16.Remote sensing imagery needs to be converted into tangible information which can be utilised in conjunction with other data sets, often within widely used Geographic Information Systems (GIS). As long as pixel sizes remained typically coarser than, or at the best, similar in size to the objects of interest, emphasis was placed on per-pixel analysis, or even sub-pixel analysis for this conversion, but with increasing spatial resolutions alternative paths have been followed, aimed at deriving objects that are made up of several pixels. This paper gives an overview of the development of object based methods, which aim to delineate readily usable objects from imagery while at the same time combining image processing and GIS functionalities in order to utilize spectral and contextual information in an integrative way. The most common approach used for building objects is image segmentation, which dates back to the 1970s. Around the year 2000 GIS and image processing started to grow together rapidly through object based image analysis (OBIA - or GEOBIA for geospatial object based image analysis). In contrast to typical Landsat resolutions, high resolution images support several scales within their images. Through a comprehensive literature review several thousand abstracts have been screened, and more than 820 OBIA-related articles comprising 145 journal papers, 84 book chapters and nearly 600 conference papers, are analysed in detail. It becomes evident that the first years of the OBIA/GEOBIA developments were characterised by the dominance of rey literature, but that the number of peer-reviewed journal articles has increased sharply over the last four to five years. The pixel paradigm is beginning to show cracks and the OBIA methods are making considerable progress towards a spatially explicit information extraction workflow, such as is required for spatial planning as well as for many monitoring programmes.

DOI

[10]
Bouziani M, Goita K, He D C.Rule-based classification of a very high resolution image in an urban environment using multispectral segmentation guided by cartographic data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010,48(8):3198-3211.Classification algorithms based on single-pixel analysis often do not give the desired result when applied to high-spatial-resolution remote-sensing data. In such cases, classification algorithms based on object-oriented image segmentation are needed. There are many segmentation algorithms in the literature, but few have been applied in urban studies to classify a high-spatial-resolution remote-sensing image. Furthermore, the user must specify the spectral and spatial parameters that are data dependent. In this paper, we propose an automatic multispectral segmentation algorithm inspired by the specific idea of guiding a classification process for a high-spatial-resolution remote-sensing image of an urban area using an existing digital map of the same area. The classification results could be used, for example, for high-scale database updating or change-detection studies. The algorithm developed uses digital maps and spectral data as inputs. It generates the segmentation parameters automatically. The algorithm is able to provide a segmented image with accuracy greater than 90%. The segmentation results are then used in a rule-based classification using spectral, geometric, textural, and contextual information. The classification accuracy of the proposed rule-based classification is at least 17% greater than the maximum-likelihood classification results. Results and future improvements will be discussed.

DOI

[11]
Inglada J, Michel J.Qualitative spatial reasoning for high-resolution remote sensing image analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(2):599-612.High-resolution (HR) remote-sensing images allow us to access new kinds of information. Classical techniques for image analysis, such as pixel-based classifications or region-based segmentations, do not allow to fully exploit the richness of this kind of images. Indeed, for many applications, we are interested in complex objects which can only be identified and analyzed by studying the relationships between the elementary objects which compose them. In this paper, the use of a spatial reasoning technique called region connection calculus for the analysis of HR remote-sensing images is presented. A graph-based representation of the spatial relationships between the regions of an image is used within a graph-matching procedure in order to implement an object detection algorithm.

DOI

[12]
Wu Z, Yi L, Zhang G.Uncertainty analysis of object location in multi-source remote sensing imagery classification[J]. International Journal of Remote Sensing, 2009,30(20):5473-5487.In object-oriented multi-source remote sensing imagery classification, it is an essential prerequisite to locate objects on different images. The spatial uncertainty of located object boundaries is unavoidable and may have a significant impact on the subsequent object feature calculation and classification. To seek the proper object location scheme, the image resampling and the transfer of object boundaries are studied by uncertainty impact analysis. Results indicate when images are resampled to high spatial resolution, the object statistical features and classification accuracy are little affected by the object boundary uncertainty; transfer of raster or vector object boundaries are both adoptable. Whereas when images are geo-registered without changing spatial resolution boundary uncertainty has a significant influence on the statistical value of texture feature and tends to induce the instability of classification results, the object locational uncertainty cannot be disregarded unless it is controlled in a certain limited range.

DOI

[13]
Bhandarkar K J, Suk M.Multiscale image segmentation using a hierarchical self-organizing map[J]. Neurocomputing, 1997,14(3):241-272.Multiscale structures and algorithms that unify the treatment of local and global scene information are of particular importance in image segmentation. Vector quantization, owing to its versatility, has proved to be an effective means of image segmentation. Although vector quantization can be achieved using self-organizing maps with competitive learning, self-organizing maps in their original single-layer structure, are inadequate for image segmentation. A hierarchical self-organizing neural network for image segmentation is presented. The Hierarchical Self-Organizing Map (HSOM) is an extension of the conventional (single-layer) Self-Organizing Map (SOM). The problem of image segmentation is formulated as one of vector quantization and mapped onto the HSOM. By combining the concepts of self-organization and topographic mapping with those of multiscale image segmentation the HSOM alleviates the shortcomings of the conventional SOM in the context of image segmentation.

DOI

[14]
Raffaele S G, P Giovanni. Hierarchical texture-based segmentation of multiresolution remote-sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(7):2129-2140.In this paper, we propose a new algorithm for the segmentation of multiresolution remote-sensing images, which fits into the general split-and-merge paradigm. The splitting phase singles out clusters of connected regions that share the same spatial and spectral characteristics. These clusters are then regarded as atomic elements of more complex structures, particularly textures, that are gradually retrieved during the merging phase. The whole process is based on a recently developed hierarchical model of the image, which accurately describes its textural properties. In order to reduce the computational burden and preserve contours at the highest spatial definition, the algorithm works on the high-resolution panchromatic data first, using low-resolution full spectral information only at a later stage to refine the segmentation. It is completely unsupervised, with just a few parameters set at the beginning, and its final product is not a single segmentation map but rather a sequence of nested maps which provide a hierarchical description of the image, at various scales of observations. The first experimental results, obtained on a remote-sensing Ikonos image, are very encouraging and confirm the algorithm potential.

DOI

[15]
明冬萍,周文,汪闽.基于谱空间统计特征的高分辨率影像分割尺度估计[J].地球信息科学学报,2016,18(5):622-631.lt;p>多尺度分割是面向对象遥感影像分析的关键性基础步骤,影像分割过程中尺度参数的选择直接关系到面向对象影像分析的质量和精度。本文首先从理论层面将遥感影像分割的尺度界定为基于统计的原始影像全局或局部特征的一种定量化估计,并在算法层面上将多尺度分割算法的尺度参数概括为空间尺度分割参数（类别或斑块间的空间距离）、属性尺度分割参数（类别或斑块间的属性距离）和合并阈值参数（斑块大小或斑块像元数目）;接着,提出了基于谱空间统计的高分辨率影像分割尺度估计方法;最后,以均值漂移多尺度分割算法为例,采用高空间分辨率的Ikonos、Quickbird和航空影像数据,对本文提出的基于谱空间统计的高分辨率影像分割尺度估计方法进行了验证。结果表明,该方法在一定程度上不仅避免了高分辨率遥感影像分割尺度参数选择的主观性和盲目性,还提高了面向对象影像分析的自动化程度,具有可行性和有效性。</p>

DOI

[ Ming D P, Zhou W, Wang M.Scale parameter estimation based on the spatial and spectral statistics in high spatial resolution image segmentation[J]. Journal of Geo-information Science, 2016,18(5):622-63.]

[16]
林道庆,高智勇,陈心浩.基于改进分水岭算法和Canny算子的医学图像分割[J].中南民族大学学报(自然科学版),2007,26(3):66-70.

[ Lin D Q, Gao Z Y, Chen X H.Medical images segmentation based on Improved watershed algorithm and canny operator[J]. Journal of South-Central University for Nationalities (Natural Science Edition), 2007,26(3):66-70. ]

[17]
刘荣,侯志强,谭洪波.结合分水岭变换的彩色图像边缘检测算法[J].微计算机信息,2010,26(26):189-191.针对Cannv算子和分水岭算法各自的优缺点,提出一种结合二者 优点的彩色图像边缘检测算法.在Canny算子检测到目标的粗略轮廓的基础上,从基于标记的分水岭算法的过分割结果中根据最小距离准则搜索缺失的边缘段进 行边缘连接完成边缘检测.仿真结果表明,该方法能够提取到连续光滑的边缘并形成封闭的区域,具有更强的抗噪性能.

DOI

[ Liu R, Hou Z Q, Tan H B.Color image edge detection using watershed transform[J]. Microcomputer Information, 2010,26(26):189-191.]

[18]
张翊涛,陈洋,王润生.结合自动分区与分层分析的多光谱遥感图像地物分类方法[J].遥感技术与应用,2005(3):332-337.

[ Zhang Y T, Chen Y, Wang R S. Multispectral image classification based on subRegion and hierarchical theory[J]. Remote Sensing Technology and Application, 2005(3):332-337.]

[19]
竞霞,王锦地,王纪华,等.基于分区和多时相遥感数据的山区植被分类研究[J].遥感技术与应用,2008,23(4):394-397,360.lt;p>山区地形的特殊性导致了山区植被分类的复杂性。位于不同光照区域的同种植被,其光谱亮度值具有较大差异,分区使分类规则及阈值的设计更具针对性。多时相遥感数据能够充分利用不同植被类型间光谱特征时间效应。基于此提出了利用分区和多时相遥感数据进行山区植被的分类研究。研究表明,该方法在山区植被分类中具有明显的技术优势,分类总体精度和kappa系数分别为81.3%和0.72。</p>

[ Jing X, Wang J D, Wang J H, et al.Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images[J]. Remote Sensing Technology and Application, 2008,23(4):394-397,360. ]

[20]
师庆东,吕光辉,潘晓玲,等.遥感影像中分区分类法及在新疆北部植被分类中的应用[J].干旱区地理,2003(3): 264-268.对遥感影像提出了一种分区分类的思想 ,根据影像所包含的局部特征将整体影像化为几个局部的影像 ,然后根据局部影像的特点对图像进行分类 ,使得每一区域的种类数目相对于整体减少 ,种类的特点得以突出 ,分类更具有针对性 ,再加以高程、坡度等地貌信息 ,提高分类精度。该分类法在新疆北部的植被分类中得到了应用 ,从NOAA影像中提出的NDVI为数据源 ,根据该植被区域特点 ,将研究区的植被区域划分为四个区 ,即 :新疆阿勒泰草原区、昭苏区、西准噶尔区和东天山区。利用GIS软件将整个研究区的NDVI指数图像化分为四块子图 ,根据各个区域植被的特点 ,采用不同的分类标准 ,对四块子图分类。在此之后 ,再利用GIS软件将所有分类子图合并为整个区域的分类图。结果表明 ,该类方法可以大大提高NDVI指数的植被分类精度。

DOI

[ Shi Q D, Lu G H, Pan X L, et al.Vegetation classification method of divided area and DEM at North Xinjiang[J]. Arid Land Geography, 2003,(3):264-268. ]

[21]
于菲菲,曾永年,徐艳艳,等.基于植被分区的多特征遥感智能分类[J].国土资源遥感,2014,26(1):63-70.lt;p>为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息，以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区，研究基于蚁群智能优化算法（ant colony intelligent optimization algorithm，ACIOA）的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段；然后利用归一化植被指数NDVI对实验区数据进行植被分区；最后利用ACIOA算法进行分类规则挖掘，并依据分类规则进行土地利用/覆盖信息的提取。研究表明，基于植被分区的多特征蚁群智能分类的总体精度为88.85%，<em>Kappa</em>=0.86，优于传统的遥感图像分类方法，为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。</p>

DOI

[ Yu F F, Zeng Y N, Xu Y Y, et al.Intelligent remote sensing classification of multi - character data based on vegetation partition[J]. Remote Sensing for Land and Resources, 2014,26(1):63-70. ]

[22]
莫源富,周立新.分区分类法——针对山区遥感图象的一种有效的分类方法[J].中国岩溶,2000(4):70-75.

[ Mo Y F, Zhou L X. Sub-region classification methodUB: An new classification method to remote sensing in mountain areas[J]. Carsologica Sinca, 2000(4):70-75. ]

[23]
李文莉,杨泽元,李瑛,等.基于分区和纹理特征的伊犁河谷遥感影像土地利用分类[J].测绘与空间地理信息,2013(8):68-71.

[ Li W L, Yang Z Y, Li Y, et al. Ili valley land use classification of SPOT remote sensing image based on partition and texture information[J]. Geomatics ＆ Spatial Information Technology, 2013(8):68-71. ]

[24]
李石华,王金亮,陈姚.独龙江流域TM图像的分区分类方法探讨[J].遥感信息,2006(3):40-43,93.

[ Li S H, Wang J L, Chen Y.An investigation on subr-egion classification method of TM image in Dulong River Basin[J]. Remote Sensing Information, 2006(3):40-43,93. ]

[25]
丁凤,徐涵秋.基于Landsat TM的3种地表温度反演算法比较分析[J]. 福建师大学报(自然科学版),2008,24(1):91-96.以福州市为研究区，使用Landsat TM数据，利用基于影像的反演算法（IB算法）、单窗算法（MW算法）和单通道算法（SC算法）对研究区进行地表温度反演，并将这3种算法的反演结果与研究区的亮度温度进行了比较，结果表明：（1）3种算法反演的结果总体趋势比较接近，其中尤以MW算法和IB算法较为接近，研究区整体平均温度二者仅相差约1．0℃；（2）3种算法反演的结果均比亮度温度高，其中IB算法高出约1．9℃，MW算法高出约2．9℃，而SC算法则要高出约5．3℃．

[ Ding F, Xu H Q.Comparison of three algorithms for retrieving land surface temperature from Landsat TM thermal infrared band[J]. Journal of Fujian Normal University, 2008,24(1):91-96. ]

[26]
徐涵秋. 新型Landsat8卫星影像的反射率和地表温度反演[J].地球物理学报,2015,58(3):741-747.Landsat 8卫星自2013年2月发射以来,其影像的定标参数经过了不断调整和完善,针对Landsat 8开发的各种算法也相继问世.本文采用最新的参数、算法和引入COST算法建立的大气校正模型,对Landsat 8多光谱和热红外波段进行了处理,反演出它们的反射率和地表温度,并与同日的Landsat 7数据和实测地表温度数据进行了对比.结果表明,现有Landsat 8多光谱数据的定标参数和大气顶部反射率反演算法已有很高的精度,本文引入COST算法建立的Landsat 8大气校正模型也与Landsat 7的COST模型所获得的结果几乎相同,相关系数可高达0.99.但是现有针对Landsat 8提出的地表温度反演算法仍不理想,已提出的劈窗算法误差都较大.鉴于TIRS 11热红外波段的定标参数仍不理想,因此在现阶段建议采用单通道算法单独反演TIRS 10波段来求算地表温度,但要注意根据大气水汽含量的情况选用正确的大气参数计算公式.

DOI

[ Xu H Q.Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite[J]. Chinese Journal of Geophysics, 2015,58(3):741-747. ]

[27]
宋挺,段峥,刘军志,等. Landsat 8数据地表温度反演算法对比[J].遥感学报,2015,19(3):451-464.随着卫星遥感技术的发展,利用遥感反演地表温度的方法不断出现,如劈窗法、双角度法和单通道算法等。Landsat系列卫星的遥感数据是地表温度反演的重要数据之一。本文选择无锡周边区域为研究区,利用Landsat 8卫星遥感数据,对两种劈窗算法(Juan C.Jiménez-Muoz劈窗算法和Offer Rozenstein劈窗算法)和两种单窗算法(Juan C.Jiménez-Muoz单通道算法和覃志豪单窗算法)的地表温度反演精度进行了对比和敏感性分析。采用太湖16个浮标站的实测数据来验证了4种算法的反演精度。结果表明:两种劈窗算法的精度较高且较为接近,误差为0.7 K左右;覃志豪单窗算法和Juan C.Jiménez-Muoz单通道算法精度较低,误差分别为1.3 K和1.4 K左右。Juan C.Jiménez-Muoz劈窗算法对参数的敏感性最低,Juan C.Jiménez-Muoz单通道算法次之,覃志豪单窗算法和Offer Rozenstein劈窗算法敏感性相对最高。其中Juan C.Jiménez-Muoz单通道算法只适用于一定的水汽含量范围,有一定的局限性。

DOI

[ Song T, Zheng D, Liu J, et al.Comparison of four algorithms to retrieve land surface temperature using Landsat 8 satellite[J]. Journal of Remote Sensing, 2015,19(3):1993-2002. ]

[28]
Ming D, Li J, Wang J, et al.Scale parameter selection by spatial statistics for GeOBIA: Using mean-shift based multi-scale segmentation as an example[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2015,106:28-41.Geo-Object-Based Image Analysis (GEOBIA) is becoming an increasingly important technology for information extraction from remote sensing images. Multi-scale image segmentation is a key procedure that partitions an image into homogeneous parcels (image objects) in GEOBIA. Hierarchical image objects also provide a better representation result than a single-scale representation. However, scale selection in multi-scale image segmentation is always difficult for high-performance GEOBIA. This paper first generalizes the commonly used segmentation scale parameters into three aspects: spatial bandwidth (spatial distance between classes), attribute bandwidth (difference between classes) and merging threshold. Next, taking mean-shift multi-scale segmentation as an example, this paper proposes a spatial and spectral statistics-based scale parameter selection method for object-based information extraction from high spatial resolution remote sensing images. The main idea of this proposed method is to use the ALV graph to replace the semivariogram to pre-estimate the optimal spatial bandwidth. Next, the selection of the optimal attribute bandwidth and the merging threshold are based on the ALV histogram and simple geometric computation, respectively. This study uses Ikonos, Quickbird and aerial panchromatic images as the experimental data to verify the validity of the proposed scale parameter selection method. Experiments based on quantitative multi-scale segmentation evaluation testify to the validity of this method. This pre-estimation-based scale parameter selection method is practically helpful and efficient in GEOBIA. The idea of this method can be further extended to other segmentation algorithms and other sensor data.

DOI

[29]
Wang M, Ye P.Remote sensing image segmentation method based on hard boundary constraint and two-stage combination:, CN 103208121 A[P]. 2013.

[30]
张仙,明冬萍.面向地学应用的遥感影像分割评价[J].测绘学报,2015,44(b12):108-116.影像分割是面向地理对象影像分析(GEOBIA)中的一个关键环节。分割评价有助于为影像选择合适的分割方法和最佳分割尺度。本文提出一种以遥感地学应用面向的对象为依据的分割方法分类及评价体系。首先将影像分割方法分为面向局部特征监测的典型目标识别和面向全局特征监测的面向GEOBIA的分割方法两组，进而针对这两组分割方法提出了两套分割评价测度指标及相应的综合评价方法。在面向典型目标识别的分割方法评价中，使用区域内部非均质度、区域间灰度对比度、区域间散度对比度、边界点梯度和单位像素运行时间作为评价测度，并针对由于评价测度间的相关性而无法直接确定各测度权重分配的问题，提出利用熵权法为各个评价测度分配权重以获得综合评价结果的分割评价方法，该评价方法可用于选择合适的分割方法。用于面向 GOEBIA 的分割方法中使用分割区域内均质性和区域间异质性作为评价测度，这种评价方法适用于选择最优分割尺度参数。本文通过定量试验论证了这两种评价方法的有效性，试验结果表明其在遥感应用中具有实际意义。最后本文分析了影像分割评价方法的不足及未来的发展方向。

DOI

[ Zhang X, Ming D P.Geo-application oriented evaluations of remote sensing image segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2015,44(b12):108-116. ]

Options
文章导航

/

〈 〉