吴晗 林晓龙 李曦嵘 徐新

摘 要：针对无人机（UAV）影像农田场景地块边界提取过程中由于大幅面、高分辨率和地块尺寸大小不一致等带来的过分割问题，提出了一种基于多尺度分割的地块边界自动化提取流程。该流程采用分块分割策略，在多尺度组合聚合（MCG）分割方法框架下，通过对比实验研究并选取最佳地面采样距离和分析边界提取准确率关于尺度变化曲线选择最优分割尺度，进而实现了地块边界自动提取。以湖北省仙桃市为数据源进行的实验结果表明：面向地块边界提取的最佳地面采样距离为30cm，最优分割尺度为[0.2，0.4]，整场景总体地块边界提取准确率可达90%以上。该方法不仅能准确提取大幅面的农业地块边界，也可为后期农业无人机航拍规划提供参考依据。

关键词：无人机影像;分割;边界提取;地面采样距离;农业应用

中图分类号： TP79

文献标志码：A

Abstract： Aiming at the over-segmentation problem caused by inconsistency of large-format， high-resolution and inconsistency of parcel size in extraction of Unmanned Aerial Vehicle （UAV） remote sensing image of farmland scene， an automatic extraction process for land boundary based on multi-scale segmentation was proposed. In this process， the block segmentation strategy was adopted under the framework of Multi-scale Combinatorial Grouping （MCG） segmentation method. The optimal ground sampling distance was selected by comparing experimental research and optimal segmentation scale was selected by analyzing the variation curve of boundary extraction accuracy with scale， therefore automatic extraction process of parcel boundaries was achieved. Experiments were conducted on the data collected from Xiantao City， Hubei Province. The experimental results show that the most suitable ground sampling distance for extracting land parcel boundary is about 30cm and the optimal segmentation scale is [0.2，0.4]. The accuracy of land parcel boundary extraction can be more than 90%. In addition， the proposed method can accurately extract large-scale agricultural parcel boundary and also can provide a reference for later aerial program of agriculture UAV.

Key words： Unmanned Aerial Vehicle （UAV） image; segmentation; boundary extraction; Ground Sampling Distance （GSD）; agricultural application

0 引言

遙感技术正被广泛用于地物分类[1]、灾害监测[2]及土地利用规划[3]等方面，在全国第三次土地调查的大背景下，无人机遥感系统因具有机动灵活、低成本、高效获取高分辨率影像等优点，在农业大面积遥感影像数据获取方面具有独特优势[4-6]。在农业应用方面，准确提取地块边界在作物分类、生产状况监测、营养诊断等信息获取中发挥着重要作用[7-10]，但无人机遥感影像的高分辨率却给地块边界提取带来了挑战[11-12]。目前使用无人机遥感影像提取地块边界的主要问题有：1）对大面积农作物数据，农业无人机影像需拼接而成，无法直接处理大尺寸影像且自动提取地块边界精度低;2）高分辨率无人机遥感影像由于细节丰富、地块尺寸大小不一致等原因，存在大量过分割现象。

使用图像分割方法提取地块边界是一种常见手段，许多学者也利用分割方法开展了农田地区边界提取的研究。庞新华等[13]以QuickBird影像数据为研究对象，借助边缘提取和数学形态学的图像分割方法进行耕地地块边界的提取。陈伊哲等[14]指出微分算子虽然能够有效识别农田地块的边缘，但是对噪声有放大作用，而利用基于区域分割中的阈值法可以有效消除农田地块图像的噪声影响。陈杰等[15]利用各向异性扩散算子在Sobel得到的梯度图上生成多尺度梯度影像，通过信息熵差异分析得到有效尺度范围，结合标记分水岭算法实现丘陵农田地块边界提取。张萍等[16]基于机器学习的方法，采用基于支持向量机（Support Vector Machine， SVM）分类方法进行边缘提取。王小娟等[17]通过将RGB影像转换到HIS空间，基于I分量的阈值分割法提取山区田间道路边界。Garcia-Pedrero等[18]结合超像素和监督分类方法，优化区域合并，将分割问题转化为机器学习问题，实现农业场景中的高分辨率遥感影像边界提取。Wassie等[19]基于WorldView-2卫星图像，在QGIS请补充QGIS的英文全称。回复：QGIS是一个软件的名称，这个不需要写全称的，通用描述，就类似MATLAB，python这样的软件一样。平台中使用均值漂移分割方法半自动提取农业场景地籍边界。Vetrivel等[20]使用几何及3D点云特征，通过区域增长方法实现无人机遥感影像分割及边界提取。尽管上述研究在农田地区边界提取上取得了一定进展，但受灌溉方式、地形起伏等因素影响，不同地区的农田在形状和大小上存在较大差异，大部分算法只适用于特定的小面积农田区域，且算法计算复杂度高，难以实现自动化。针对江汉平原地区的大面积范围水稻的遥感监测，无人机所拍摄的农业影像幅面大，影像分辨率高，如何快速、准确地自动提取地块边界在整个遥感监测中具有极其重要的作用。多尺度组合分割根据英文全称的表达，是否应该为“多尺度组合分组”？请明确（Multiscale Combinatorial Grouping， MCG）多尺度组合聚合（Multi-scale Combinatorial Grouping， MCG） 分割算法[21]是一种在自然影像数据集中进行图像轮廓检测和分割的开源算法。该算法能够有效降低时间复杂度，同时还能实现对影像不同细节程度的分割，适用于农业中地块边界提取的应用需求。

在无人机遥感影像分割过程中，影像空间分辨率和分割尺度是影响分割效果和边界提取的两个重要因素。虽然高分辨率影像能够清楚地显示地物细节信息，但空间分辨率的提高并不能保证地块边界准确率的提高，黄慧萍等[22]的研究表明关键在于找到与地物尺度相匹配的空间分辨率。地面采样距离（Ground Sampling Distance， GSD）是衡量影像空间分辨率的重要指标，根据所选择的GSD，利用相机的焦距等信息，可计算得到相对应航高[23]。合适的地面采样距离能够有效加快地块分割进程，同时对指导无人机的飞行高度具有重要意义，可有效降低人力资源和设备成本。面向对象解译在高分辨率影像信息提取中得到了广泛应用，但影像分割的基础问题仍严重制约其自动化水平，尤其是分割参数选择[24-25]。由于实际地物尺度不一样，分割尺度太大则分割区域面积大，过分割现象严重;分割尺度太小则分割区域面积小，欠分割现象严重。分割尺度的选择直接决定了分割对象的大小[26]及边界提取精度，如何选择合适的分割尺度是准确提取地块边界的关键。

针对上述问题，本文以湖北省仙桃市为研究区，提出了一种基于MCG分割的地块边界自动化提取流程。主要目的是结合MCG分割方法，通过实验研究并选取最佳地面采样距离和最优分割尺度，进而实现地块边界自动提取;同时该流程采用分块分割策略，以提高地块边界提取的速度，提高实用性。最后通过对比实验验证了该流程在农业地块边界提取过程中的优势及实用性。

1 地块边界自动化提取流程

1.1 总体流程

根据农业中无人机遥感影像地块边界提取的应用需求及地块边界提取过程中的两个重要因素，设计地块边界自动化提取流程如图1所示。地块边界自动化提取流程主要包括：影像预处理、MCG分割和二值化。通过对影像预处理，采用分块分割策略解决大幅面影像下难以自动提取地块边界问题，同时通过对比实验选取最适宜提取农业地块边界的地面采样距离。采用MCG分割后，通过分析边界提取准确率关于尺度变化曲线选择最优分割尺度，从而实现自动化。

1.2 分块准则

对农业遥感数据，高分辨率无人机影像由单张影像拼接而成，幅面大，难以直接处理，因此，该流程采用分块分割策略，在MCG分割方法框架下，通过实验研究并选取最佳地面采样距离，既能克服大幅面下无人机影像难以直接分割的难点，又能提高实用性。

一幅图像I尺寸大小为M*N，地面采样距离（GSD）为Rg，对其进行s倍下采样，则：下采样后图像I′大小为（M/s）*（N/s），地面采样距离Rg′=s*Rg。

当拍摄的农业场景范围较广，无人机影像幅面较大，将影像下采样到最佳地面采样距离时，影像仍然较大，难以直接进行分割，故需要进一步对影像进行分块。采用分块分割策略，既能提高地块边界提取的速度，又能提高实用性。假设切块后每小块影像的大小为W*H，则整景影像切块后的数量Num：

通过实验经验可得，每小块影像切分成大小为1000×1000像素最佳。

1.3 MCG分割算法

MCG是一种快速、有效的轮廓检测和图像分割算法。首先该方法基于结构森林边缘检测器[27]快速检测图像边缘，但此时边缘是非闭合的线段;然后通过频谱划分来考虑局部和全局图像尺度上的边缘，使用有向分水岭变换（Oriented Watershed Transform， OWT）将检测的边缘生成闭合区域，并消除纹理化区域中的无关边缘来识别最初的轮廓;最后通过全局化加权每个边界和区域，将每个像素的大小转换为边界概率，构建一个定义分层分割的超度量等高图（Ultrametric Contour Map， UCM），超度量等高图的值表示闭合区域的等级，分割效果如图2所示，UCM中亮度表示边界概率值的大小。

农业用地在高分辨率无人机遥感影像上呈现地块相对规整，地块尺寸大小不一，细节信息十分清楚。使用MCG算法进行轮廓检测，获得超度量等高图，不仅各地块间的边界清晰可见，且同一地块内部的细小边界也可见。由于超度量等高图的值表示这些区域的等级，取值范围为[0，1]，通过改变超度量等高图值的大小能够改变分割区域的大小，故将超度量等高图的值定义为尺度k，通过控制尺度k的大小将超度量等高图二值化形成边界图，去除细节信息，保留明显边界，解决由于地块尺寸大小不一致导致的过分割问题，提高地块边界提取的准确性。

2 研究区与数据源

2.1 研究区概况

本文研究区位于仙桃市，地处湖北省中南部，属于江汉平原地区。地形平坦开阔，土层深厚、土壤肥沃，属于北亚热带季风气候，历来是湖北省乃至我国重要的粮食生产基地。稻米作为主要糧食作物之一，中稻是其最主要部分，仙桃市常年中稻种植面积为5.5～6万公顷，主要生产期是4—9月[28]，因此为研究区域具有一定的代表性和适用性。

2.2 数据获取

本文采用精灵4 Pro无人机系统作为数据采集平台，记录中稻在幼苗期、分蘖期、孕穗期、抽穗期、乳熟期及成熟期的无人机遥感影像。拍摄航高为110m，影像地面采样距离约为3cm，为RGB影像。无人机拍摄后的单景数据通过Pix4d UAV软件进行影像拼接，整个工作流程由软件自动完成。

本文使用数据为2017年7月6日在湖北省仙桃市沙湖镇红军坝村拍摄的无人机遥感影像，如图3所示，此时正值中稻分蘖期。影像1（图3（a））大小为16619×18428像素，影像2（图3（b））大小为17110×18895像素。影像红色白色图片为黑白印刷，无法体现彩色，请针对灰度图像对此描述进行调整;又或将文中的图片框线改为不同类型的虚线来表达，这样更为准确些。本文的图3～12均存在这样的情况，且红线非常不容易区分出来，请用白色方框来重新制作。框内为两块区域内感兴趣的农作物中稻种植区域，如图4所示，大小均为10000×10000像素，其中红色白色线条为根据地面人工调查标注的地块边界（为防止边界定位不准确，对边界进行了形态学膨胀）。水稻种植区域在高分辨率遥感影像中呈现地块相对规整，边界大多呈直线状，但地块所占面积大小不一，平均面积偏小，地块数量多，且部分地块边界不清晰，易产生过分割。

3 实验结果与分析

3.1 评价指标

实验结果评价包括基于专业知识的定性评价和通过计算相应客观评价指标的定量评价。定性评价针对影像分割后的边界提取结果图，定量评价针对真实边缘的检出率（简称实检率）、实检边缘中真实边缘的比率（简称真检率）、错分误差及漏分误差，计算公式如下。

3.2 最佳地面采样距离选择

通过双线性插值法对无人机影像进行下采样，对不同地面采样距离下的地块边界提取结果进行对比分析，以实验方法确定最适宜提取农业耕地地块边界的地面采样距离;同时为最大限度地实现自动化和提高实用性，将下采样后的影像切分成1000×1000像素大小的块进行处理，影像大小与GSD对应关系及分块数如表1所示。

根据自动化流程，对采样后的影像分别切块后进行MCG分割，将分割后的边界提取结果以同样的方式合并，在同一分割尺度下二值化获取地块边界提取结果。区域1和区域2在不同GSD下地块边界提取结果如图5和图6所示，定量分析结果如表2所示。

由图5可得：在不同GSD下，地块边界提取结果有明显区别;在地块边界较弱区域边界漏分现象明显（图5（f）），在裸土较多区域边界错分现象明显（图5（a））;影像进行切片后，部分规则种植水稻区域处内部区域边界都被检测出来，造成边界错分（图5（d））。由表2可得：地块边界提取准确率与影像地面采样距离有关，对影像进行下采样后，随着GSD的增加，影像空间分辨率降低，实检率P和真检率R呈现先增加后减小的趋势，总体精度F也呈现先增加后减小的趋势，时间复杂度逐渐降低;在GSD为30cm时两者的准确率都能达到90%以上，总体地块边界提取结果最优。

对图6目视分析和表2定量分析结果与区域1结果类似，不同之处在于随着GSD的增加，影像空间分辨率降低，实检率P呈现逐渐增加趋势，真检率R和总体精度F也呈现先增加后减小的趋势，GSD为30cm时，总体精度F取值最大。表明随着GSD增加，检测到的边界都是真实地物的边界，但此时漏分误差增长较快，漏检边界较多（图6（f））。

综合分析上述目视结果和定量结果的原因可得：1）通过对影像进行下采样后，影像GSD越小，空间分辨率越高，因此细节信息越突出，容易造成边界错分，而GSD越大时，影像空间分辨率越低，影像的轮廓信息越明显，细节越容易去除，容易在边界较弱区域产生边界漏分;2）由于影像进行切分后单个切片影像中明显边界与非明显边界形成了对比，导致不明显边界处像素边界的概率值变小，从而产生边界漏分。实际应用中应平衡两者，将错分误差和漏分误差尽量降到最低。实验结果表明：无人机遥感影像的高分辨率给地块边界提取带来了困难，空间分辨率的提高并不能保证地块边界准确率的提高，因此关键在于找到与地块边界相匹配的空间分辨率。在农业无人机遥感影像应用中，面向地块边界提取的最佳地面采样距离为30cm。

3.3 最优分割尺度选择

影像分割是将图像分割成若干个互不重叠的区域，尺度的选择决定了分割对象的大小并影响了地块边界的提取精度。由于尺度k的取值范围为[0，1]，为选择最优分割尺度，本文通过分析边界提取准确率关于尺度k的变化曲线，最终获得一个经验性结论。实验采用最佳地面采样距离，对采样后的影像进行MCG分割，以梯度0.05逐渐递增k，获取在不同尺度k下二值化获取地块边界提取结果。区域1进行MCG分割后产生的UCM分割结果及在不同尺度k下地块边界提取结果如图7所示，边界提取准确率关于尺度k变化曲线如图8所示。区域2进行MCG分割后产生的UCM分割结果及在不同尺度k下地块边界提取结果如图9所示，边界提取准确率关于尺度k变化曲线如图10所示。

由图7（a）和图9（a）可得：由于地块边界的强弱不一致，经过MCG分割后，产生的UCM边界值大小差异明显，在图中以不同颜色不同灰度值此处表述不当，因刊物是黑白印刷，无法体现颜色，请根据调整后的黑白图片为准，重新进行语句调整表示。由于高分辨率无人机遥感影像地物细节信息丰富，部分非边界区域会产生伪边界，造成错分现象，因此关键在于找到合适的分割尺度提取地块边界。由图7和图9地块边界提取结果图可得：尺度k越小图像过分割越严重，边界错分现象非常明显（图7（b）、9（b））;k越大图像欠分割越严重，边界漏分现象非常明显（图7（d）、9（d））。由图8和图10变化曲线可得：随着尺度的增加，实检率P呈现逐渐减小的趋势，真检率R呈现逐渐增加的趋势，总体精度F呈现先增加后减小的趋势，k取值范围为[0.2，0.4]時，总体精度F取值最大。这是因为分割尺度k代表像素属于边界的概率，尺度越小细节越容易显示，造成边界错分;尺度越大越容易抹掉细节，造成边界漏分。实验结果表明：合适的分割尺度使得影像对象能够较好地与自然地块边界相匹配，通过多尺度分析可改善地块尺寸大小不一致等带来的过分割现象。低漏检率往往伴随着高错检率，面向农业无人机遥感影像耕地地块边界提取的最佳分割尺度为[0.2，0.4]。

3.4 MCG分割算法在农业中的适用性分析

针对农业中地块边界提取的应用需求，与经典的Sobel边缘检测分割算法和文献[29]中采用的全局边界概率（global Probability of boundary， gPb）算法及文献[30]采用的统计区域合并（Statistical Region Merging， SRM）分割算法进行对比分析，进一步通过实验验证本文使用的MCG分割算法构建的地块边界自动化提取流程在农业无人机遥感影像中的优势及实用性。区域1和区域2在不同分割方法下地块边界提取结果如图11和图12所示，定量分析结果如表3所示。

由图11和图12可得，地块边界较弱时，基于gPb算法和SRM算法分割结果有明显的漏分现象（图11（b）、12（b）、11（c）、12（c））;在裸土较多的地块中，基于Sobel算子分割结果破碎化严重，且有明显的边界不连续现象，错分现象严重（图11（d）、12（d））。

由表3可知：在边界提取准确率方面，基于MCG算法准确率最高，gPb算法和SRM算法次之，Sobel算子结果最差，但Sobel算子在边界较弱区域更容易检测出地块边界;在时间复杂度方面，Sobel算子时间复杂度最低，SRM算法次之，MCG算法相对较低，gPb算法最高。其原因在于Sobel边缘检测算子通过计算图像亮度梯度来检测边界，优点在于检测速度快，对局部亮度变化较为敏感，因此容易检测出伪边缘。SRM是一种统计区域合并算法，利用区域间纹理及光谱的差异性判断其是否属于同质区域，故其分割结果对颜色变化非常敏感，在无明显颜色变化的弱边界区域极易产生漏分现象。gPb算法考虑了不同方向上颜色、纹理及亮度等特征信息的变化进行边缘检测，故其时间复杂度高。MCG算法结合了结构森林边缘检测器快速有效检测图像边缘，然后使用有向分水岭变换将检测的边缘生成闭合区域，边界值的大小代表该像素属于边界的概率，且时间复杂度相对较低。通过选择合适的分割尺度使得影像对象能够较好地与自然地块边界相匹配，故其地块边界提取效果较好。综合上述分析，实验结果表明：本文使用的MCG分割算法构建的地块边界自动化提取流程在农业无人机遥感影像中具有较强实用性，且边界提取准确率高，时间复杂度低。

4 结语

本文针对农业场景中高分辨率无人机遥感影像地块边界提取的应用需求，引入计算机图像处理方法，建立基于多尺度分割的地块边界自动化提取流程。无人机影像农田场景地块边界提取过程中由于大幅面、高分辨率和地块尺度大小不一致等原因带来的过分割现象，因此该流程采用分块分割策略，在MCG分割方法框架下，通过实验研究并选取最佳地面采样距离和最优分割尺度。以湖北省仙桃市为数据源进行的实验结果表明：面向地块边界提取的最佳地面采样距离为30cm，最优分割尺度为[0.2，0.4]，整场景总体地块边界提取准确率可达90%以上。结合无人机拍摄系统，该方法也可为后期农业无人机航拍规划提供依据。虽然本文的框架能够产生一个自动化、适用于农田场景的地块边界提取工具，但仍然存在一些不足。例如，在地块边界较弱区域会产生边界漏检现象，这也是本文下一步要解决的问题。

参考文献 （References）

[1] 李平，徐新，董浩，等.利用可分性指数的极化SAR图像特征选择与多层SVM分类[J].计算机应用，2018，38（1）：132-136.（LI P， XU X， DONG H， et al. Polarimetric SAR image feature selection and multi-layer SVM classification using divisibility index [J]. Journal of Computer Applications， 2018， 38（1）： 132-136.）

[2] 刘栋，童敏明，路红蕊.无人机多机协作探索煤矿灾变环境算法[J].计算机应用，2017，37（8）：2401-2404.（LIU D， TONG M M， LU H R. Algorithm for exploring coal mine disaster environment by multi-UAV cooperation [J]. Journal of Computer Applications， 2017， 37（8）： 2401-2404.）

[3] 李宁，李刚，邓中亮.改进灰狼算法在土壤墒情监测预测系统中的应用[J].计算机应用，2017，37（4）：1202-1206.（LI N， LI G， DENG Z L. Application of improved grey wolf optimizer algorithm in soil moisture monitoring and forecasting system[J]. Journal of Computer Applications， 2017， 37（4）： 1202-1206.）

[4] 王利民，刘佳，杨玲波，等.基于无人机影像的农情遥感监测应用[J].农业工程学报，2013，29（18）：136-145.（WANG L M， LIU J， YANG L B， et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（18）： 136-145.）

[5] 張正健，李爱农，边金虎，等.基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究[J].遥感技术与应用，2016，31（1）：51-62.（ZHANG Z J， LI A N， BIAN J H， et al. Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehicle image[J]. Remote Sensing Technology and Application， 2016， 31（1）： 51-62.）

[6] BARNES G， VOLKMANN W. High-resolution mapping with unmanned aerial systems[J]. Surveying and Land Information Science， 2015， 74（1）： 5-13.

[7] YANG M D， HUANG K S， KUO Y H， et al. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery[J]. Remote Sensing， 2017， 9（6）： 583.

[8] LIU W， DONG J， XIANG K， et al. A sub-pixel method for estimating planting fraction of paddy rice in Northeast China[J]. Remote Sensing of Environment， 2018， 205： 305-314.

[9] CROMMELINCK S， BENNETT R， GERKE M， et al. Review of automatic feature extraction from high-resolution optical sensor data for UAV-based cadastral mapping[J]. Remote Sensing， 2016， 8（8）： 689.

[10] LUO X， BENNETT R M， KOEVA M， et al. Investigating semi-automated cadastral boundaries extraction from airborne laser scanned data[J]. Land， 2017， 6（3）： 60.

[11] 張超，乔敏，刘哲，等.基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选[J].农业工程学报，2017，33（17）：98-104.（ZHANG C， QIAO M， LIU Z， et.al. Texture scale analysis and identification of seed maize fields based on UAV and satellite remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（17）： 98 -104.）

[12] BRUZZONE L， CARLIN L. A multilevel context-based system for classification of very high spatial resolution images[J]. IEEE Transactions on Geoscience & Remote Sensing， 2006， 44（9）：2587-2600.

[13] 庞新华，朱文泉，潘耀忠，等.基于高分辨率遥感影像的耕地地块提取方法研究[J].测绘科学，2009，34（1）：48-49.（PANG X H， ZHU W Q， PAN Y Z， et al. Research on cultivated land parcel extraction based on high-resolution remote sensing image[J]. Science of Surveying and Mapping， 2009， 34（1）：48-49.）

[14] 陈伊哲，汤修映，彭彦昆，等.农田地块图像分割技术研究[J].农业机械学报，2010，41（s1）：253-256.（CHEN Y Z， TANG X Y， PENG Y K， et al. Image segmentation technology for field parcel[J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（s1）：253-256.）

[15] 陈杰，陈铁桥，梅小明，等.基于最优尺度选择的高分辨率遥感影像丘陵农田提取[J].农业工程学报，2014，30（5）：99-107.（CHEN J， CHEN T Q， MEI X M， et al. Hilly farmland extraction from high resolution remote sensing imagery based on optimal scale selection[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（5）： 99-107.）

[16] 张萍，王琳，游星.基于SVM分类的边缘提取算法[J].成都理工大学学报（自然科学版），2017，44（2）：247-252.（ZHANG P， WANG L， YOU X. Edge extraction algorithm based on SVM classification[J]. Journal of Chengdu University of Technology （Science & Technology Edition）， 2017， 44（2）： 247-252.）

[17] 王小娟，李云伍，刘得雄，等.基于机器视觉的丘陵山区田间道路虚拟中线提取方法[J].西南大学学报（自然科学版），2018，40（4）：162-169.（WANG X J， LI Y W， LIU D X， et al. A machine vision-based method for detecting virtual midline of field roads in the hilly areas[J]. Journal of Southwest University （Natural Science Edition）， 2018， 40（4）： 162-169.）

[18] GARCIA-PEDRERO A， GONEZALO-MARTIN C， LILLO-SAAVEDRA M. A machine learning approach for agricultural parcel delineation through agglomerative segmentation[J]. International Journal of Remote Sensing， 2017， 38（7）： 1809-1819.

[19] WASSIE Y A， KEOVE M N， BENNETT R M， et al. A procedure for semi-automated cadastral boundary feature extraction from high-resolution satellite imagery[J]. Journal of Spatial Science， 2018， 63（1）： 75-92.

[20] VETRIVEL A， GERKE M， KERLE N， et al. Segmentation of UAV-based images incorporating 3D point cloud information[J]. The International Archives of Photogrammetry， Remote Sensing and Spatial Information Sciences， 2015， 40（3）： 261.

[21] ARBELAEZ P， PONT-TUSET J， BARRON J T， et al. Multiscale combinatorial grouping[C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 328-335.

[22] 黃慧萍，吴炳方.地物大小、对象尺度、影像分辨率的关系分析[J].遥感技术与应用，2006，21（3）：243-248.（HUANG H P， WU B F. Analysis to the relationship of feature size， objects scales， image resolution[J]. Remote Sensing Technology and Application， 2006， 21（3）： 243-248.）

[23] LOPEZ G F， TORRES S J， SERRAN P A， et al. Early season weed mapping in sunflower using UAV technology： variability of herbicide treatment maps against weed thresholds [J].Precision Agriculture， 2016， 17（2）： 183-199.

[24] 王志华，孟樊，杨晓梅，等.高空间分辨率遥感影像分割尺度参数自动选择研究[J].地球信息科学学报，2016，18（5）：639-648.（WANG Z H， MENG F， YANG X M， et al. Study on the automatic selection of segmentation scale parameters for high spatial resolution remote sensing images [J]. Journal of Geo-Information Science， 2016，18（5）：639-648.）

[25] 张吉星，程效军，郭王.一种高分辨率遥感影像最优分割尺度确定的方法[J].地矿测绘，2016，32（2）：12-14.（ZHANG J X， CHENG X J， GUO W. A method of determining optimal segmentation scale of high resolution remote sensing image [J]. Surveying and Mapping of Geology and Mineral Resources， 2016， 32（2）：12-14.）

[26] 王宏胜，李永树，吴玺，等.结合空间分析的面向对象无人机影像土地利用分类[J].测绘工程，2018，27（2）：57-61.（WANG H S， LI Y S， WU X， et al. Object-oriented land use classification from UAV imagery with spatial analysis[J]. Engineering of Surveying and Mapping， 2018，27（2）：57-61.）

[27] DOLLAR P， ZITNICK C L. Fast edge detection using structured forests[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（8）： 1558-1570.

[28] 张祖潜，廖蕾艳，叶燕平.仙桃气象条件对中稻产量的影响分析[J].农业与技术，2017，37（22）：216-217.（ZHANG Z Q， LIAO L Y， YE Y P. Analysis of the influence of the weather conditions of Xiantao on the yield of middle rice [J]. Agriculture & Technology， 2017，37（22）：216-217.）

[29] CROMMELINCK S， BENNETT R， GERKE M， et al. Contour detection for UAV-based cadastral mapping[J]. Remote Sensing， 2017， 9（2）： 171.

[30] CHENG J， LI L， LUO B， et al. High-resolution remote sensing image segmentation based on improved RIU-LBP and SRM[J]. EURASIP Journal on Wireless Communications & Networking， 2013， 2013（1）：263.