苏腾飞， 张圣微， 李洪玉

(内蒙古农业大学水利与土木建筑工程学院,呼和浩特 010018)

启发法优化的农田地区高分遥感影像分割

苏腾飞， 张圣微， 李洪玉

(内蒙古农业大学水利与土木建筑工程学院,呼和浩特 010018)

目前主流的高分遥感影像(high resolution remote sensing image,HRI)分割算法在区域合并顺序的确定中很少考虑区域自身的分割质量信息。针对该问题，提出了一种启发法优化的策略，以提高农田地区HRI的分割精度。首先,提出了区域内和区域间的“均一致模型”，前者是利用区域内光谱变化信息来建模的，后者则综合考虑了区域间多光谱与植被信息提取的边界强度； 其次，将区域内和区域间的均一致模型合并，构建启发法的执行标准； 最后，利用该标准使区域合并的搜索过程能够考虑待合并区域自身的分割质量，从而有效抑制过分割与亚分割错误。利用2景不同特点的农田地区HRI进行分割实验，并将所提出的启发法与2种新提出的分割算法进行对比分析。对分割结果的定量评价结果表明，启发法优化策略可以显著提高农田地区HRI的分割精度。

启发法； 优化； 农田地区； 高分遥感影像(HRI)

0 引言

近年来，高分遥感影像(high resolution remote sensing image，HRI)在农田地区的信息获取方面发挥着越来越重要的作用。不同于以往中、低空间分辨率遥感影像，HRI可以获取小面积农田的信息，以产生更为精确的地物类别数据。为了提升HRI在农田地区地物分类中的精度和效率，开发合适的解译手段是非常必要的。基于面向对象影像分析(object-based image analysis，OBIA)[1]是新近发展的一种HRI解译方式，很多学者利用OBIA开展了农田地区遥感分类的研究[2-5]。OBIA首先将影像分割为光谱均匀的“地块”，在此基础上提取地块特征(如光谱、形状、纹理以及地块之间的位置关系等)，以建立高级的分类规则或算法，从而提高地物种类的识别精度[1]。影像分割是OBIA的关键步骤[1-5]。虽然目前出现了较多有关遥感影像分割算法的研究，但该问题依然具有挑战性。Tilton等[6]在层次逐步优化算法的基础上发展了一套高效的遥感影像分割算法HSeg[7]，用于分割尺度较大的影像。相比于HSeg，分形网络演化算法(fractal net evolution approach，FNEA)[8]则更多出现于近年来的OBIA研究中。一些学者也在FNEA的基础上开展了HRI分割算法的研究。苏腾飞等[9]在FNEA的框架内，融合了局部最优与全局最优2种合并策略，以增强分割性能； 朱俊杰等[10]在FNEA的分割过程中加入了边界强度信息，试图提升分割结果与实际地物边界的符合程度； Zhong等[11]将Multi-agent算法与FNEA结合，以增强原始FNEA分割的智能性与准确度； Lassalle等[12]则发展了一种子块处理框架，并将其与FNEA结合，使FNEA能够并行地分割尺度巨大的遥感影像。尽管上述研究在HRI分割上取得了一定进展，但大部分算法主要考虑的是城市地区，而忽略了农田地区的特点。

不同地区的农田在HRI中具有不同的特征。受灌溉方式、地形起伏等因素影响，不同地区的农田在形状和大小上可能存在较大差异。例如，平原地区受河流灌溉的农田大多呈较为规则的矩形，而采用中心支轴式喷灌的农田则呈圆形或扇形。另外，因作物种类或长势的差异，同一农田的内部也可能存在较大的光谱变化。此外，将相邻农田相隔的较细道路或灌渠也会在HRI中以较弱边界的形式呈现。以上因素都会给农田地区HRI分割带来困难。可见，发展适用于农田地区的HRI分割算法是非常必要的。本文提出了一种基于优化启发法的HRI分割算法，以提高农田地区HRI的分割效果。首先，在考虑农田地区地物特点的同时，提出区域内和区域间的“均一致模型”； 然后，将2种均一致模型合并，构建启发法的执行标准，使区域合并的搜索过程能够考虑待合并区域自身的分割质量，以有效抑制过分割与亚分割错误； 最后，利用2景不同特点的农田地区HRI进行分割实验，并将所提出的算法与2种新提出的分割算法进行对比分析。

1 算法原理

1.1 现有算法分析

目前，较主流的HRI分割算法，如HSeg[7]，FNEA[8]与Mean-Shift[13]分割算法，都是在区域生长/合并算法的基础上建立的。区域合并大多采用自底向上的策略，即描述某个地物的区域是通过若干个“小区域”合并形成的。这些小区域在分割初始阶段可以是像元，也可以是由过分割算法生成的超像元。

影响区域生长分割精度的关键因素是区域合并顺序。引导区域合并顺序的策略被称为启发法[8]。在HSeg和FNEA的相关研究中，主要采用的启发法仅考虑了待合并区域的相似度。例如，HSeg优先合并光谱最为相似的区域，该方法也被称为全局最适合(global best fit，GBF)[6]的标准； 而FNEA在其启发法中包含了局部相互最适合(local mutual best fit，LMBF)[8]的方案。实际上，待合并区域本身的质量也会对分割精度产生较大影响。例如，若2个相邻区域的相似度较高，但其本身可能已经出现亚分割错误(即同一区域包含了不同种类的地物)，则这2个区域的合并就不能得到准确的分割结果。

鉴于以上问题，本文提出了一种启发法优化的HRI分割算法，在综合考虑农田地区特点的同时，构建了区域内和区域间的均一致模型，以模拟区域本身的质量； 然后利用构建的区域均一致作为启发法的执行标准，以提高分割精度和效率。

1.2 区域合并算法

1.2.1 优化启发法影像分割

本文对影像分割算法中启发法的优化，主要指对启发法执行标准的优化。为了充分利用区域自身的分割质量信息，综合考虑了区域内和区域间均一致模型，将其作为引导区域合并顺序(即启发法)的执行标准H，即

H(i)=αHintra(i)+(1-α)Hinter(i)，

(1)

式中α为调节系数，其范围是(0,1)，用于平衡区域内均一致Hintra(i)和区域间均一致Hinter(i)对合并顺序的影响。

对于某一区域i，其Hintra(i)与Hinter(i)的值越小，说明区域i越适合被合并，即该区域被合并后产生错误的概率越低。基于此，提出基于启发法优化的HRI分割算法流程(图1)。

图1基于启发法优化的HRI分割算法流程

Fig.1FlowchartofheuristicsoptimizedHRIsegmentationalgrithm

图1中S为按H由小到大排序的区域序列；Rs为H最低的区域；Rt为在Rs邻域中最适合合并的区域；Ro为在Rt邻域中最适合合并的区域；λ为尺度阈值；Rn为Rs与Ro合并结果；Nm为合并次数。进行简单线性迭代聚类(simple linear iterative clustering，SLIC)[14]过分割计算的原因主要有2个： 一是过分割的目的是为了更好地对各个区域的Hintra初始化，假如不进行过分割，则在算法初始阶段HRI的每个像元就会被当做单独的区域，此时所有区域的Hintra为0，这样，区域内部均一致对引导合并顺序没有作用，不利于提高算法精度； 二是过分割可极大减少初始阶段的区域数目，从而简化序列S的构建，提高计算效率。目前存在很多较为成熟的过分割算法，都可用来实现过分割，本文选用SLIC的原因是： ①已有研究证明，SLIC的精度优于大部分主流过分割算法[14-15]； ②SLIC的实现较为简单，计算效率高； ③SLIC仅需1个输入参数(即初始聚类中心数目)，便于使用。另外，图1中虚线方框范围的步骤是LMBF的方案[8]，用于搜索最适合合并的一对区域,已在FNEA中得到成功应用。λ可用于控制分割结果中区域的平均大小，该阈值的引入使本文算法具有多尺度分割的特性。

1.2.2 区域内均一致模型

一般而言，HRI中属于同一地物的像元具有较为相近的光谱特征。尽管HRI中同一片农田的作物可能因生长情况不同而存在一定的光谱差异，但是农田内部的光谱差异一般要小于不同农田之间的光谱差异。为了定量描述区域光谱值的均一致，本文提出了基于光谱信息的区域内均一致模型，即

(2)

根据图1可知，在本文的区域合并算法中，需要为合并后产生的区域重新计算其标准偏差σ，以便更新其Hintra。重新计算σ的直接方法是遍历合并后区域内的所有像元，这无疑包含了较大的计算量。为了在不失准确的前提下提高计算效率，本文根据方差的统计特性提出了一种高效的σ计算方法，即

D(X)=E(X2)-E(X)2，

(3)

式中：X为区域内像元的光谱值；D(X)为随机变量X的方差；E(X)和E(X2)分别为X和X2的期望。

为了高效计算σ，本文方法在实现区域合并时对每个区域赋予3个变量： ①像元光谱值之和v1=∑x； ②像元光谱值的平方和v2=∑x2； ③像元数n。如图2所示,由于E(X)=∑x/n，E(X2)=∑x2/n，所以将区域Rs与Rt合并得到Rm，仅需更新Rm的v1,v2和n，即可计算出Rm的E(X)和E(X2)，进而根据式(3)求出其σ为

σ=D(X)1/2。

(4)

图2 本文区域合并过程中区域信息的更新方法Fig.2 Updating method of regional information in proposed region merging process

因为Rm的v1m等于Rs与Rt的v1s与r1t之和；Rm的v2m等于Rs与Rt的v2s与v2t之和；Rm的nm等于Rs与Rt的ns与nt之和，所以在Rs与Rt合并后，Rm的3个变量更新仅需3次加法即可，省去了对Rm所有像元的访问操作，从而提高了计算效率。

1.2.3 区域间均一致模型

相邻区域之间的均一致主要由公共边界信息来体现。若某一区域Rs本身具有较高的内部均一致(较低的Hintra值)，但Rs与其相邻区域Rt具有很弱的边界强度，则Rs与Rt很可能属于同一地物，应该被合并。此时，本文定义Rs具有较弱的区域间均一致Hinter。与Hintra类似，对于低Hinter的区域，应该优先考虑其合并操作。

根据以上描述，HRI的边界强度信息是Hinter建模的重要参量。HRI一般包含近红外、红光、绿光和蓝光这4个波段，例如Planet Labs,QuickBird,OrbView以及中国的高分二号卫星影像等。因此，本文利用了一种适用于多光谱影像边界提取的方法[16]。该方法需首先计算各个波段在2个正交方向(垂直和水平)的梯度影像，然后对每一个像元构建矢量E，即

(5)

式中：eVJ为波段J在垂直方向的梯度值；eHJ为波段J在水平方向的梯度值。随后构建矩阵ET·E，计算其最大特征值λ，即为该像元点的边界强度。一般还可以对该方法得到的边界强度进行归一化计算，即

(6)

式中λnorm为归一化结果。

为了综合利用多光谱和NDVI影像提取的边界信息，计算Hinter的边界强度值为

ρ=max(λSPEC,λNDVI)，

(7)

式中λSPEC与λNDVI分别是用多光谱和NDVI影像计算得到的归一化边界强度值，其范围均为[0，1]。

基于式(7)，利用区域边界像素处ρ的平均值进行Hinter建模，即

(8)

式中：x,y分别为像元在影像中的行、列号；i为区域标号；Bi为区域i边界像元组成的集合； |·|为集合的基数。

由(8)式可知，Hinter(i)的数值范围为[0，1]，其值越大说明区域i与其相邻区域的异质性越大，此时应避免区域i与其邻域合并。

1.2.4 区域合并标准

图1中LMBF的实现需要指定区域之间的相似性度量计算方法，这对于分割精度是非常关键的。近年来，在HRI分割算法研究中，已存在较多的区域间相似性度量标准[8]。在本文的研究中，发现一种较为简单的标准——波段总均方差(band sum mean squared error，BSMSE)[6,17]，非常适合用作相似性度量标准，即

(9)

式中：Rs与Rt表示相邻的一对区域；μ为某区域在某波段的光谱均值。

CBSMSE的值越小，说明2个区域越适合合并。从图1可以看出，仅当2个区域的CBSMSE<λ时，才允许合并。因此，与众多主流的HRI分割算法类似，本文算法需要慎重选择λ。所以，在实验部分考察了本文算法分割效果与λ的关系。

2 实验及分析

2.1 实验数据与评价方法

为了充分验证本文算法的性能，选用了2景具有不同特点的农田地区HRI，用于开展分割实验。所用数据均是由OrbView3获取的多光谱影像，包含近红外、红光、绿光和蓝光波段，空间分辨率均为4 m。2景影像T1和T2如图3所示，其基本信息见表1。

(a) T1(b) T2

图3实验用的2景OrbView3影像
Fig.3TwoscenesofOrbView3imagesusedforexperiment

表1 实验数据基本信息Tab.1 Basic information of dataset used for experiment

由图3可以看出，T1中农田的平均面积较小，且形状基本上为规则矩形； 很多农田内部的光谱均一致较高，且村庄和农田的边界较为清晰。T2则包含面积较大的农田，其内部光谱异质性较高； 该区农田形状基本为圆形或扇形，这是由于当地采用了中心支轴式喷灌方法。可见，T1和T2适于全面验证本文算法对不同特点农田区域的分割效果。

为了定量地分析本文算法的性能，采用一种监督的分割精度评价方法[18]。该方法通过将算法结果与基准分割进行对比，计算精确率p、召回率r及f度量。基准分割由专家手动提取。一般而言，p和r越高说明亚分割错误和过分割错误越少。f综合考虑了p与r，因此f越高表示分割精度越好。p,r和f的范围均为[0，1]。

在实验中，还选用了另外2种新近提出的HRI分割算法，以便进行对比分析。这2种算法分别由苏腾飞等[9]和Tilton等[6]提出，下文中分别简称为SU与HSeg。SU是一种2阶段的区域生长算法，其启发法整合了LMBF与GBF这2种策略； HSeg则采用全局逐步优化的启发法。

本文算法是基于C++实现的。所有实验的计算机配置为： CPU为Intel Core2 Q9500(2.83 GHz)； 内存4 GB； 操作系统Windows7(64 bit-version)。在实验中，首先讨论了本文算法性能与参数α和λ的关系，然后利用最优参数的分割结果与SU和HSeg算法进行对比分析。

2.2 实验结果与分析

2.2.1 T1分割实验

由于本文算法在计算Hinter时需计算边界强度，因此首先给出了本文边界计算方法(式(6))的结果及其中间过程(图4)。

(a) 多光谱影像提取的边界强度 (b) NDVI提取的边界强度(c) 本文算法计算的边界强度

图4T1边界强度提取结果

Fig.4EdgestrengthresultsextractedfromT1

图4(a)中村庄和农田的边界十分清晰，但农田之间的边界较为模糊，例如左上角处的农田，其中的细长矩形农田之间具有较弱的边界强度。相反，图4(b)很好地反映了农田之间的边界信息，例如左上角处的农田边界被明显地提取出来，可见NDVI对于农田地区边界信息提取具有较好的效果； 然而，图4 (b)未能反映非植被区域的边界，例如左下方村庄区域的边界。本文算法综合了上述2种边界强度信息的优势，较为完全地展现了T1的边界特征(图4(c))，可见本文边界提取算法对于T1是较为适用的。

利用图4(c)的边界信息对T1进行分割，并考察本文算法分割精度与参数α和λ的关系(图5)。

图5 本文算法对T1分割的精度与参数α和λ的关系Fig.5 Relationship between T1 segmentation accuracy by proposed algorithm and parameters of α and λ

从图5可以看出，当λ为10和20时，f较高，即分割精度较好。这主要是由于T1中的大部分农田面积较小，而λ与区域平均大小直接相关，因此较小的λ即可达到较好的分割效果。然而，随着λ增大，f呈逐渐降低的趋势。这是因为当λ较大时，很多小区域被错误地合并，从而导致亚分割错误。对图5进一步的观察发现，当λ=20时，f随α的变化最大： 当α=0.9和α=0.925时，f达到最高； 而0.175<α<0.450时，f较低。由此可见，对于T1，较大的α可得到最好的f，所以Hintra对T1分割效果的影响高于Hinter。这也是由T1特点决定的，虽然T1中的农田平均面积较小，但是其中很多村庄、休耕地(图3(a)中偏蓝色的地物)等区域具有较大的光谱变化，因此区域合并顺序需要被区域内部光谱信息引导，才能更有效地避免亚分割错误。根据图5还可确定本文算法对于T1的最佳参数配置为λ=20，α=0.9。利用该参数配置，将本文算法结果与SU和HSeg算法进行了对比，更客观地进行分割精度评价。图6展示了3种算法的分割结果。值得一提的是，对于本文算法的SLIC过分割，其参数为400个聚类中心。这一参数可以达到较好的过分割效果(图6(a))，几乎所有区域的边界都被成功地分割出来。

(a) SLIC过分割 (b) 本文算法 (c) SU算法(d) HSeg算法

图63种算法的T1分割结果

Fig.6T1segmentationresultsbythreealgorithms

观察图6(b)可以看出，本文算法在过分割和亚分割错误的抑制上达到了不错的效果，在保留大部分小面积农田区域的同时，还较为完整地分割出了大面积区域。例如在T1中央偏上部分，面积较大的红色矩形农田区域被较为完全地分割出来，仅有个别小区域未被合并； 而SU(图6(c))与HSeg算法(图6(d))均过分割了该区域。另外，T1中央有很多面积较小的红色农田，其光谱较为相近，因此极易被错误合并，在图6(c)和(d)中该现象出现较多； 而在本文算法的分割结果(图6(b))中，大多数小面积的红色农田被保留下来，可见本文算法对于亚分割错误的抑制是较为有效的。

表2示出的定量评价结果与图6的目视分析情况是非常一致的： 本文算法得到了最高的f与p，说明本文对启发法的优化可以较为成功地抑制过分割错误； 虽然本文算法的r较低，但与另2种算法的差距不大。表2还列出了3种算法的运算时间，本文算法是4.2 s，虽然用时相对最长，但主要时间消耗在了SLIC算法上(4.0 s)，而其他部分计算仅占0.2 s，可见在SLIC过分割基础上，本文启发法的执行效率还是较高的。

表2 3种算法对T1分割结果的定量评价Tab.2 Quantitative evaluation for T1 segmentation results produced by three algorithms

2.2.2 T2分割实验

与T1实验类似，在T2实验中首先计算出边界强度影像。如图7所示，本文算法(图7(c))综合了多光谱(图7(a))与NDVI(图7(b))提取边界的优势，可以较为完全地反映T2中各类地区的边界特征。例如对于T2中央偏上扇形区域的弧形边界，多光谱影像可将其提取出来； 而NDVI提取的边界更好地反映了T2右下方圆形大面积农田内部的结构。

(a) 多光谱影像提取的边界强度 (b) NDVI提取的边界强度(c) 本文算法计算的边界强度

图7T2边界提取结果

Fig.7EdgestrengthresultsextractedfromT2

由于T2的区域平均面积明显大于T1，所以在考察本文算法分割精度与参数α和λ的关系时，选用的λ范围较T1更大(20～120)。图8显示了本文算法对T2分割结果中α和λ的关系。从图8可以看出，当λ较小或较大时，f均较低； 而λ=40,60和80时获得了较好的f，且f随α的变化相对最小。可见，当待分割地物的面积较大时，λ对分割精度的影响高于α。根据图8还可确定本文算法对T2的最佳参数配置为λ=40，α=0.1。利用此参数配置，将本文算法的分割结果与SU和HSeg算法进行了对比，其结果见图9。

图8 本文算法对T2分割的精度与参数α和λ的关系Fig.8 Relationship between T2 segmentation accuracy by proposed algorithm and parameters of α and λ

需说明的是，T2的SLIC过分割采用了与T1实验相同的参数设置，因为图9(a)中几乎全部地物的边界都被准确分割出来。从图9(b)可以看出，本文算法可以在T2中小面积地物完整分割的同时，得到大面积地物较为完整的分割。例如对于T2中央偏左下的较大的扇形绿色休耕农田区域，只有本文算法可以完整地将其分割出来； 而SU(图9(c))与HSeg算法(图9(d))都过分割了该区域。

(a) SLIC过分割 (b) 本文算法 (c) SU算法(d) HSeg算法

图93种算法的T2分割结果

Fig.9T2segmentationresultsbythreealgorithms

在实验过程中发现，如果SU与HSeg算法要将这一农田完整分割出来，则需要选用更大的尺度参数，此时一些小面积农田就会被错误地合并到其相邻的区域中，导致亚分割错误，从而降低f。此外，对于T2左上方的红色半圆形农田区域，虽然3种算法的分割结果都存在一定的过分割错误，但本文算法对该区域的过分割程度最低； 类似的现象还出现在T2中央右侧绿色三角形区域。以上例子都有力地证明了本文算法的优势。

表3列出了3种算法对于T2的最佳p,r和f，可见T2定量评价与图9目视分析的结论是一致的。与T1不同的是，对于T2，本文算法相对于另2种算法的优势更为明显，这进一步说明本文提出的启发法有助于提高农田地区HRI分割精度。

表3 3种算法对T2分割结果的定量评价Tab.3 Quantitative evaluation for T2 segmentation results produced by three algorithms

3 结论

本文发展了一种基于启发法优化的影像分割算法，用于农田地区HRI的信息提取。利用所构建的区域内和区域间均一致模型，使区域合并启发法的执行标准能够考虑到区域的质量信息，以更好地抑制亚分割和过分割错误。通过实验验证，得出主要结论如下：

1)本文构建的区域内与区域间均一致模型，综合考虑了农田地区的特点，并能较好地反映区域的分割质量； 相比于传统的启发法，本文算法可以引导区域合并过程得到更为精确的分割结果。

2)本文算法主要包含α和λ这2个参数； 对于农田平均面积较小的地区，仅在λ较小时，α对分割精度才有较为明显的影响； 对于平均面积较大的农田地区，在λ取不同数值时，α对分割精度的影响都较为明显。

尽管实验证明本文算法的分割精度优于SU与HSeg算法，但仍然可以发现本文算法的分割结果存在一些错误： 例如图6(b)左上方的大面积红色矩形农田依然未被完整地提取出来； 对于图9(b)左上方的扇形区域，在其弧形边界处同时存在亚分割与过分割错误。实际上，除了启发法，区域合并标准对区域合并算法的分割精度也具有较大的影响[17]，而本文所采用的相似性度量标准计算方法并非最佳选择。因此，在未来的工作中，可以考虑如何设计适用于农田地区HRI的合并标准，从而进一步提升分割精度。

[1] Blaschke T,Hay G J,Kelly M,et al.Geographic object-based image analysis：Towards a new paradigm[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,87:180-191.

[4] Kim H O,Yeom J M.Effect of red-edge and texture features for object-based paddy rice crop classification using RapidEye multi-spectral satellite image data[J].International Journal of Remote Sensing,2014,35(19):7046-7068.

[5] 苏腾飞,李瑞平.面向对象的农田信息遥感影像分割算法[J].测绘科学,2016,41(3):49-53.

Su T F,Li R P.An object-oriented segmentation method for RS imagery of cropland information[J].Science of Surveying and Mapping,2016,41(3):49-53.

[6] Tilton J C,Tarabalka Y,Montesano P,et al.Best merge region-growing segmentation with integrated nonadjacent region object aggregation[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(11):4454-4467.

[7] Beaulieu J M,Goldberg M.Hierarchy in picture segmentation:A stepwise optimization approach[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1989,11(2):150-163.

[8] Baatz M,Schäpe A.Multiresolution segmentation:An optimizing approach for high quality multi-scale segmentation[C]//Angewandte Geographich Informationsverarbeitung,XII.Germany:Wichmann,2000:12-23.

[9] 苏腾飞,李洪玉.一种两阶段区域生长的遥感图像分割算法[J].遥感技术与应用,2015,30(3):476-485.

Su T F,Li H Y.A two stage region growing method for remote sensing image segmentation[J].Remote Sensing Technology and Application,2015,30(3):476-485.

[10] 朱俊杰,杜小平,范湘涛,等.一种改进的多尺度分形网络演化分割方法[J].遥感技术与应用,2014,29(2):324-329.

Zhu J J,Du X P,Fan X T,et al.A advanced multi-scale fractal net evolution approach[J].Remote Sensing Technology and Application,2014,29(2):324-329.

[11] Zhong Y F,Zhao B,Zhang L P.Multiagent object-based classifier for high spatial resolution imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(2):841-857.

[12] Lassalle P,Inglada J,Michel J,et al.A scalable tile-based framework for region-merging segmentation[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(10):5473-5485.

[13] Comaniciu D,Meer P.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[14] Achanta R,Shaji A,Smith K,et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[15] 孙 巍,郭 敏.基于SLIC与条件随机场的图像分割算法[J].计算机应用研究,2015,32(12):3817-3820,3824.

Sun W,Guo M.Image segmentation based on SLIC and conditional random field[J].Application Research of Computers,2015,32(12):3817-3820,3824.

[16] Lee H C,Cok D R.Detecting boundaries in a vector field[J].IEEE Transactions on Signal Processing,2002,39(5):1181-1194.

[17] 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.

Su T F,Li H Y,Qu Z Y.A study of road segmentation from the high resolution remote sensing image[J].Remote Sensing for Land and Resources,2015,27(3):1-6.doi:10.6046/gtzyyg.2015.03.01.

[18] Crevier D.Image segmentation algorithm development using ground truth image data sets[J].Computer Visual and Image Understanding,2008,112(2):143-159.

Heuristicsoptimizedsegmentationofagriculturalareaforhighresolutionremotesensingimage

SU Tengfei， ZHANG Shengwei， LI Hongyu

(CollegeofWaterConservancyandCivilEngineering，InnerMongoliaAgriculturalUniversity，Hohot010018，China)

Many mainstream segmentation algorithms for high resolution remote sensing image (HRI)rarely consider the segmentation quality in their region merging process. In order to solve this problem, this paper proposed a strategy to optimize heuristics with the purpose of enhancing segmentation accuracy of HRI captured over agricultural areas. Intra- and inter- region homogeneity models were firstly proposed, with the former constructed upon within-region spectral variance, and the latter considering edge strength extracted from multi-spectral and vegetation information. The criterion of the proposed heuristics was then constructed by combining the intra- and inter- region homogeneity. The new criterion enables the merging process to take into account the segmentation quality, thus constraining over- and under- segmentation errors effectively. Two scenes of HRI acquired over agricultural areas were utilized for validation experiment, and the performance of the proposed method was compared with other two newly proposed methods. By analyzing the quantitative evaluation of the segmentation results, it is found that the proposed method can remarkably improve the segmentation accuracy of HRI in agricultural landscape.

heuristics； optimization； agricultural area； high resolution remote sensing image(HRI)

10.6046/gtzyyg.2017.04.16

苏腾飞,张圣微,李洪玉.启发法优化的农田地区高分遥感影像分割[J].国土资源遥感,2017,29(4)：106-113.(Su T F,Zhang S W,Li H Y.Heuristics optimized segmentation of agricultural area for high resolution remote sensing image[J].Remote Sensing for Land and Resources,2017,29(4)：106-113.)

TP 751

A

1001-070X(2017)04-0106-08

2016-06-14；

2016-07-24

国家自然科学基金项目“科尔沁沙地典型生态系统水热通量传输机理及其与植被耦合关系试验和模拟研究”(编号： 51569017)、“面向对象的河套灌区遥感作物分类算法研究”(编号： 61701265)、内蒙古自然科学基金项目“半干旱区沙地典型生态系统水热通量传输机理研究”(编号： 2015MS0514)和中国博士后科学基金面上资助项目“西部地区博士后人才资助计划”(编号： 2015M572630XB)共同资助。

苏腾飞(1987-),男,硕士,实验师,主要研究方向为面向地理对象影像分析的遥感数据处理算法的设计与实现。Email： stf1987@126.com。

张圣微(1979-),男,博士,教授,硕士生导师,主要从事定量遥感、生态水文及气候变化等方面的研究。Email： zsw_imau@163.com。

(责任编辑：张仙)