閆　利，江維薇

武漢大學測繪學院，湖北 武漢 430079

?

一種利用結(jié)構(gòu)特征的高分辨率遙感影像種植園自動提取方法

閆利，江維薇

武漢大學測繪學院，湖北 武漢 430079

衛(wèi)星遙感在土地監(jiān)測中發(fā)揮了重要作用，而數(shù)據(jù)處理技術(shù)應(yīng)具有良好的適用性和較高的精度水平以滿足應(yīng)用需求。針對目前種植園提取算法適用性較差、數(shù)據(jù)依賴性高、自動化程度低、算法復(fù)雜及特征冗余等問題，本文提出了一種新型種植園結(jié)構(gòu)特征，多尺度多方向結(jié)構(gòu)指數(shù)，通過對其進行閾值化并結(jié)合形態(tài)學處理實現(xiàn)了種植園的自動提取。對多種植模式、背景植被化程度和結(jié)構(gòu)復(fù)雜度各不相同的全色和多光譜種植園影像分別設(shè)計了3組試驗，結(jié)果證明，與傳統(tǒng)方法相比，本文方法適用性更強，對多方向、多尺度、基元變形、種植線變形、種植模式規(guī)律性差、背景高度植被化等諸多復(fù)雜的種植園等均能進行有效提取，整體精度達到90%以上。此外，試驗結(jié)果中，全色影像與多光譜影像精度相當，表明本文方法具有較低的光譜依賴性，因此在數(shù)據(jù)選擇和應(yīng)用上具有更大的靈活性。

高分辨率;多尺度多方向;結(jié)構(gòu)特征;種植園;自動提取

遙感已然成為土地監(jiān)測的重要手段[1-4]，利用遙感影像進行人工種植園提取對于農(nóng)作物估產(chǎn)、林業(yè)調(diào)查、土地評估等具有十分重要的意義[5]。人工種植園的提取主要依據(jù)有兩點：一是物候?qū)W特征，不同植被類型在不同的生長發(fā)育階段表現(xiàn)出迥然不同的形態(tài)；二是利用不同植被類型表現(xiàn)出的細微光譜反射差異。因此現(xiàn)階段人工種植園的提取主要依靠多時相數(shù)據(jù)和高光譜數(shù)據(jù)。由于不同類型的植被往往難以用寬波段遙感影像分開，因此對于寬波段遙感影像數(shù)據(jù)，種植園的提取需要融合光譜外更多的信息。文獻[6]基于面向?qū)ο笏枷?，對各分割對象計?2個特征，其中包括光譜、紋理以及多種地形輔助數(shù)據(jù)，并采用歷史航空影像解譯結(jié)果、GPS輔助數(shù)據(jù)以及野外調(diào)查目視解譯結(jié)果3種方法獲取樣本進行分層分類，初步實現(xiàn)了植被的精細化分類。由于自然植被對于環(huán)境的依賴性，因此地形環(huán)境的輔助數(shù)據(jù)在分類中起到了重要作用。目前，種植園的提取對數(shù)據(jù)源具有較強的依賴，在特征上主要采用以植被指數(shù)為代表的光譜特征以及灰度共生矩陣等微紋理，對于其排列結(jié)構(gòu)的規(guī)律性模式并未得到足夠的重視。

結(jié)構(gòu)紋理作為大尺度宏紋理，通常用來提取紋理基元及其排列模式。例如，文獻[7]基于灰度差分統(tǒng)計來檢測各向異性、對稱性、規(guī)律性。文獻[8]基于二值圖像計算多方向和尺度的灰度共生矩陣，利用其中幾個特征的最大值來提取網(wǎng)格結(jié)構(gòu)的位移矢量。文獻[9]基于自相關(guān)函數(shù)提取規(guī)則紋理的紋理基元和周期。文獻[10]利用傅里葉譜的兩個基頻來鑒別形成網(wǎng)格結(jié)構(gòu)的紋理基元。這些結(jié)構(gòu)方法要求紋理單一且具有嚴格的排列規(guī)律，對于植被等復(fù)雜多變的自然地物適用性較弱。文獻[11]通過對單株樹木的檢測，計算樹冠半徑、鄰域樹距離等格網(wǎng)測量模式及樹冠色調(diào)飽和度、NDVI均值方差等多維特征，融合多分類器實現(xiàn)了柑橘園85%自動分類和15%目視解譯。但是該方法對于有雜草和高度植被化的土地背景，單株樹木的檢測及其與背景的分離十分困難。

本文研究目的是探索種植園的紋理結(jié)構(gòu)，提出一種結(jié)構(gòu)指數(shù)特征，能夠滿足多尺度多方向種植模式，允許紋理基元和格網(wǎng)種植線的變形，降低對數(shù)據(jù)源的要求，并且具有高分離能力，從而減少特征冗余，簡化提取過程，實現(xiàn)依靠單一或者少數(shù)特征的種植園自動提取。

1　種植園特性分析

光譜特征、時相特征和空間特征是遙感地物提取的3大基本特征。與其他綠色植被一樣，種植園具有典型的植被光譜反射特性曲線，在藍光和紅光波段有兩個吸收帶，在綠光波段有一個明顯的反射峰，至近紅外波段范圍內(nèi)反射率達到高峰。因此，近紅外影像常常用來進行植被提取。而對于種植園與其他植被的區(qū)分，單純依靠寬波段遙感影像的光譜特征往往難以取得理想效果，需借助高光譜影像對不同植被類型的光譜細微差異進行更深入的分析。種植園的時相特征主要表現(xiàn)為種植園一般具有特定的生長規(guī)律和物候特征，因此可以利用多時相影像數(shù)據(jù)進行種植園提取。但是，無論高光譜影像還是多時相影像，數(shù)據(jù)獲取成本均較高。其中，高光譜影像往往空間分辨率不高且易出現(xiàn)“維數(shù)災(zāi)難”現(xiàn)象[12]，多時相影像重訪周期長，受云雨天氣影響，往往難以獲得“最佳物候期”的圖像數(shù)據(jù)[13]，且多時相遙感影像必須進行精確的幾何配準，研究表明，即便是微小的配準誤差，也會大大降低結(jié)果的精度[14-15]。此外，對于影像中大量存在的同物異譜和異物同譜現(xiàn)象，單純依靠光譜特征和時相特征往往難以有效解決。種植園空間特征的有效提取能夠極大地抑制同物異譜和異物同譜問題，降低對數(shù)據(jù)的依賴，以同時滿足低成本、高時效的種植園提取。

株距和行距是普遍的種植園空間布局模式。無論什么類型的種植園，為了保證種植園CO2濃度、溫度、濕度、太陽有效輻射和凈輻射等以利于種植物生長，種植園的布局往往是保留一定的株距和行距，且同一片種植園的株距和行距一般較固定。與其他地物相比，這種近乎等間隔的空間布局構(gòu)成種植園獨有的標志性特征。在此理論基礎(chǔ)上，本文提出一種多尺度多方向結(jié)構(gòu)指數(shù)對種植園空間布局進行數(shù)學描述，通過構(gòu)造多尺度多方向窗口垂直投影，獲取地物窗口投影曲線，種植園由于具有近乎等間隔的排列結(jié)構(gòu)，因而其投影曲線具有較規(guī)律的波形，波峰和波谷分別對應(yīng)植株和株距中心，二者在橫軸上的位置間隔較穩(wěn)定，因此通過相鄰波峰波谷之間距離的歸一化二次差分來進行度量，并結(jié)合形態(tài)學后處理實現(xiàn)種植園提取。

2　多尺度多方向結(jié)構(gòu)指數(shù)及種植園自動提取算法

2.1LOG濾波預(yù)處理

為了凸顯種植園紋理基元，需要對影像進行預(yù)處理。由于單株種植物即紋理基元一般呈中心向四周發(fā)散狀，例如柑橘樹的樹冠在遙感影像上類似“圓形”，從中心散開。因此選擇對各個方向的反差均能敏感檢測的各向同性濾波器，高斯拉普拉斯函數(shù)(Laplace of Gaussian function, LOG)[16]，進行預(yù)處理。LOG算子源于文獻[16]中提出的邊緣提取思想，即首先對圖像進行最佳平滑，最大限度地抑制噪聲，然后求取邊緣。其定義如下

(1)

(2)

(3)

2.2窗口紋理結(jié)構(gòu)分析

假設(shè)種植園方向與窗口方向一致，如圖1(a)所示， LOG濾波后的窗口影像如圖1(b)所示。窗口紋理結(jié)構(gòu)分析步驟如下：

(1) 通過式(4)將窗口內(nèi)所有像素按列沿窗口垂直方向進行累加，獲取窗口投影曲線[17]，如圖1(c)所示，種植園波形較規(guī)律，而非種植園區(qū)域波形紊亂。式(4)計算公式如下

(4)

式中，xc為第c列的垂直投影值；width為窗口寬度；Gr為第c列第r行的灰度值；height為窗口高度。

(2) 窗口垂直投影曲線上，種植園區(qū)域的波峰和波谷分別對應(yīng)單株種植物中心和種植間距中心，為了準確獲取二者在橫軸上對應(yīng)位置和其距離值，通過計算局部極值對窗口垂直投影曲線進行波谷波峰分割，如圖1(d)所示，并獲取相鄰波谷波峰之間的距離disti(i=1,2,…,n)。

(5)

(6)

(7)

(4) 將曲線段規(guī)律性值yi(i=1,2,…,n)映射到對應(yīng)的窗口影像像素特征r，獲取結(jié)構(gòu)特征圖，如圖1(f)所示，除了少量孤立片段，對應(yīng)的種植園區(qū)域與非種植園區(qū)域反差明顯。通過形態(tài)學開運算進一步剔除小面積孤立片段，最終獲取窗口影像結(jié)構(gòu)特征，如圖1(g)所示。

2.3多尺度多方向結(jié)構(gòu)指數(shù)

為檢測種植園方向，并且考慮多尺度多方向種植園區(qū)，采用多尺度多方向投影窗口進行紋理結(jié)構(gòu)分析，具體步驟如下：

(1) 對影像進行多尺度LOG濾波，如2.1節(jié)所述，LOG濾波器中，高斯濾波尺度分別選取5×5、7×7、9×9，拉普拉斯濾波尺度固定為3×3。

(2) 構(gòu)造多方向搜索窗口，如圖2所示，窗口方向θ取0～180°，步長間隔1°，窗口高度height根據(jù)影像尺度自定義，過大容易造成誤提取，過小容易造成漏提取。

(3) 在各尺度各方向下，按照2.2節(jié)所述方法，逐一進行窗口紋理結(jié)構(gòu)分析，獲取對應(yīng)的像素特征值r[scale][angle],(scale∈[5,7,9],angle∈[0,180])。

(4) 利用式(8)對各像素特征值r[scale][angle]進行最大值濾波，獲取多尺度多方向結(jié)構(gòu)指數(shù)(multi-scale and multi-direction structure index，MMI)

MMI=max(r[scale][angle]),(scale∈[5,7,9],

angle∈[0,180])

(8)

圖1　窗口結(jié)構(gòu)紋理分析示意圖Fig.1　Window structure texture analysis

圖2　多方向投影窗口示意圖Fig.2　Multi-directional projection window

2.4種植園自動提取

在MMI特征圖上，種植園區(qū)域和非種植園區(qū)域的特征值分別逼近1和0，二者反差顯著。良好的可區(qū)分性使得MMI能夠憑借簡單的閾值實現(xiàn)對種植園的提取。具體算法為，通過對MMI設(shè)固定閾值0.8，即當像素的MMI特征值大于0.8時，對種植園進行標記提取。然后通過形態(tài)學后處理對孤立小面積的誤標記區(qū)域進行剔除。形態(tài)學腐蝕能夠快速有效剔除小面積非種植園區(qū)，但是同時會破壞提取的種植園區(qū)，因此在進行形態(tài)學腐蝕之后，利用原提取圖進行形態(tài)學重建，如式(9)所示，實現(xiàn)在保留正確提取基礎(chǔ)上的誤提取剔除

result=R(es,MMI)

(9)

式中，R表示形態(tài)學重建；e表示形態(tài)學腐蝕；s為結(jié)構(gòu)算子的大小；MMI為原提取特征圖。

3　試　驗

3.1試驗設(shè)計

試驗部分通過對3組不同種植模式、背景植被化程度、結(jié)構(gòu)復(fù)雜度的種植園進行試驗以分析本文算法的有效性和適用性。試驗數(shù)據(jù)為6幅分辨率0.5～0.65m的多光譜影像，為了驗證本文算法對數(shù)據(jù)的依賴性以及光譜相關(guān)性，將其中3幅多光譜影像去彩色處理獲取單通道灰度影像，每組試驗分別利用兩種影像，對本文算法和傳統(tǒng)算法進行分析比較。種植園提取結(jié)果用綠色進行標記。地面參考影像為分別對試驗影像中種植園(綠色標記)和非種植園(白色標記)進行隨機密集采樣所得，以統(tǒng)計種植園提取結(jié)果的誤分和漏分情況，漏分率為試驗結(jié)果對于采樣像素的漏分數(shù)量與總體采樣數(shù)量的比值，誤分率為試驗結(jié)果中誤分的像素數(shù)量與提取的植被像素總數(shù)的比值。

3.2試驗結(jié)果與分析

(1) 第1組試驗中多光譜影像(圖3(a))和灰度影像(圖3(d))，分辨率0.5m，圖中種植園總體結(jié)構(gòu)呈近似網(wǎng)格排列，種植線存在多方向，種植基元存在多尺度且具有明顯變形。多光譜影像的試驗參數(shù)設(shè)置為height=26、ρ=125、ε=6，灰度影像為height=26、ρ=125、ε=6。

針對網(wǎng)格結(jié)構(gòu)的種植園提取，傳統(tǒng)的方法存在的局限是假設(shè)圖中只存在單一紋理，且具有理想的紋理基元大小和嚴格的網(wǎng)格排列結(jié)構(gòu)[18-20]。而第1組試驗中存在多種類型種植物，呈多方向排列，且單株種植物的大小和植株間隔不固定，因此其紋理結(jié)構(gòu)具有多尺度多方向性，紋理基元存在明顯變形，網(wǎng)格結(jié)構(gòu)不規(guī)律。由圖3(b)和圖3(e)可見，本文方法突破了傳統(tǒng)方法的局限，對其能夠進行有效提取，分別基于地面參考影像圖3(c)和圖3(f)進行精度計算，多光譜影像提取結(jié)果漏分率1.91%，誤分率1.85%，整體精度98.12%，灰度影像提取結(jié)果漏分率2.34%，誤分率0.82%，整體精度98.42%。

(2) 第2組試驗中多光譜影像(圖4(a))和灰度影像(圖4(d))，分辨率0.5m，種植園成近似直線排列，種植緊密，背景高度植被化。多光譜影像試驗參數(shù)設(shè)置為height=30、ρ=130、ε=6，灰度影像參數(shù)設(shè)置為height=30、ρ=150、ε=6。

由于種植緊密且背景高度植被化，單株樹木與背景分離困難，加上單株種植物的長勢各異，因此傳統(tǒng)基于單株種植物檢測和測量的種植園提取方法[11]并不適用。由圖4(b)和4(e)可見，無論是多光譜影像還是僅僅具有單通道的灰度影像，本文方法對此能夠有效提取，分別基于圖4(c)和4(f)進行精度評價，多光譜影像提取結(jié)果漏分率3.89%，誤分率1.04%，整體精度97.54%，灰度影像漏分率3.85%，誤分率1.15%，整體精度97.5%。

(3) 第3組試驗中多光譜影像(圖5(a))和灰度影像(圖5(d))，分辨率0.6m。兩幅影像中種植園規(guī)律性較差，空間結(jié)構(gòu)無固定方向和形態(tài)，并且種植園比較破碎，背景高度植被化。多光譜影像的試驗參數(shù)設(shè)置為height=30、ρ=130、ε=6，灰度影像為height=30、ρ=130、ε=6。

這是極為復(fù)雜的一類種植園，從光譜上與背景分離困難，單株植被難以被檢測，從紋理結(jié)構(gòu)上，規(guī)律性差，方向和形態(tài)多變，缺乏整體性固定的排列模式，且較為破碎，圖5(a)中種植園更是呈零散分布，對種植園提取算法是一種相當大的挑戰(zhàn)。目前，對于這種種植園的提取，多是依靠人工目視解譯。本文提出的MMI能夠?qū)ζ鋸?fù)雜的空間結(jié)構(gòu)進行有效表征，并且作為唯一特征實現(xiàn)種植園自動提取，如圖5(b)和圖5(e)所示。根據(jù)隨機密集采樣獲取的地面參考影像(圖5(c)和圖5(f)),種植園提取結(jié)果精度評價分別為：多光譜影像提取結(jié)果漏分率15.28%，誤分率0.35%，整體精度92.19%，灰度影像提取結(jié)果漏分率10.74%，誤分率2.33%，整體精度93.47%，顯示了MMI對種植園紋理結(jié)構(gòu)特征描述的有效性和本文方法具有較強的適用性，對于極復(fù)雜的種植園也能進行提取，并達到90%以上整體精度。

圖3　種植園提取結(jié)果Fig.3　The extraction of plantation

圖5　種植園提取結(jié)果Fig.5　The extraction of plantation

4　結(jié)　論

本文提出了一種能夠有效描述種植園紋理結(jié)構(gòu)的特征，多尺度多方向結(jié)構(gòu)指數(shù)(MMI)，并且結(jié)合形態(tài)學后處理實現(xiàn)了種植園的自動提取。本文算法簡單、自動化程度高，3組試驗灰度影像提取結(jié)果精度與多光譜影像相當，說明MMI特征光譜相關(guān)性低，且僅依靠MMI單一特征實現(xiàn)提取，無需其他特征和輔助數(shù)據(jù)，從而降低了對數(shù)據(jù)的依賴。通過設(shè)計各種類型種植園提取試驗顯示，本文方法突破了傳統(tǒng)方法的限制，具有較強的適用性，對于多種復(fù)雜的種植園區(qū)域均能實現(xiàn)有效提取，總體精度達到90%以上。

本文的不足之處在于試驗參數(shù)的設(shè)置，包括窗口高度height，相鄰波峰波谷之間的距離上限ε和投影幅值差下限ρ，以及形態(tài)學后處理中結(jié)構(gòu)算子的設(shè)置，均為經(jīng)驗性值，與影像分辨率、種植園尺度等有關(guān)，但尚無可以計算的依據(jù)，需要進一步研究改進。

[1]溫奇, 李苓苓, 劉慶杰, 等. 基于視覺顯著性和圖分割的高分辨率遙感影像中人工目標區(qū)域提取[J]. 測繪學報, 2013, 42(6): 831-837.

WEN Qi, LI Lingling, LIU Qingjie, et al. A Man-made Object Area Extraction Method Based on Visual Saliency Detection and Graph-cut Segmentation for High Resolution Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(6): 831-837.

[2]楊釗霞, 鄒崢嶸, 陶超, 等. 空-譜信息與稀疏表示相結(jié)合的高光譜遙感影像分類[J]. 測繪學報, 2015, 44(7): 775-781. DOI: 10.11947/j.AGCS.2015.20140207.YANG Zhaoxia, ZOU Zhengrong, TAO Chao, et al. Hyperspectral Image Classification Based on the Combination of Spatial-spectral Feature and Sparse Representation[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(7): 775-781. DOI: 10.11947/j.AGCS.2015.20140207.

[3]馮文卿, 張永軍. 利用多尺度融合進行面向?qū)ο蟮倪b感影像變化檢測[J]. 測繪學報, 2015, 44(10): 1142-1151. DOI: 10.11947/j.AGCS.2015.20140260.

FENG Wenqing, ZHANG Yongjun. Object-oriented Change Detection for Remote Sensing Images Based on Multi-scale Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(10): 1142-1151. DOI: 10.11947/j.AGCS.2015.20140260.

[4]王馨爽, 陳爾學, 李增元, 等. 多時相雙極化合成孔徑雷達干涉測量土地覆蓋分類方法[J]. 測繪學報, 2015, 44(5): 533-540. DOI: 10.11947/j.AGCS.2015.20130244.

WANG Xinshuang, CHEN Erxue, LI Zengyuan, et al. Multi-temporal and Dual-polarization Interferometric SAR for Land Cover Type Classification[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(5): 533-540. DOI: 10.11947/j.AGCS.2015.20130244.

[5]趙庚星, 余松烈. 冬小麥遙感估產(chǎn)研究進展[J]. 山東農(nóng)業(yè)大學學報(自然科學版), 2001, 32(1): 107-111.

ZHAO Gengxing, YU Songlie. Advance of Winter Wheat Yield Estimation by Remote Sensing[J]. Journal of Shandong Agricultural University (Natural Science), 2001, 32(1): 107-111.

[6]YU Qian, GONG Peng, CLINTON N, et al. Object-based Detailed Vegetation Classification with Airborne High Spatial Resolution Remote Sensing Imagery[J]. Photogrammetric Engineering & Remote Sensing, 2006, 72(7): 799-811.

[7]CHETVERIKOV D, HARALICK R M. Texture Anisotropy, Symmetry, Regularity: Recovering Structure and Orientation from Interaction Maps[C]∥Proceedings of the 1995 6th British Conference on Machine Vision. Surrey, UK: BMVA Press, 1995, 1: 57-66.

[8]STAROVOITOV V V, JEONG S Y, PARK R H. Texture Periodicity Detection: Features, Properties, and Comparisons[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 1998, 28(6): 839-849.

[9]LIN H C, WANG Lingling, YANG S N. Extracting Periodicity of a Regular Texture Based on Autocorrelation Functions[J]. Pattern Recognition Letters, 1997, 18(5): 433-443.

[10]CHARALAMPIDIS D. Texture Synthesis: Textons Revisited[J]. IEEE Transactions on Image Processing, 2006, 15(3): 777-787.

[12]孫偉偉. 基于流形學習的高光譜影像降維理論與方法研究[J]. 測繪學報, 2014, 43(4): 439. DOI: 10.13485/J.CNKI.11-2089.2014.0066.SUN Weiwei. Theory and Methods of Dimensionality Reduction Using Manifold Learning for Hyperspectral Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(4): 439. DOI: 10.13485/J.CNKI.11-2089.2014.0066.

[13]張喜旺, 秦耀辰, 秦奮. 綜合季相節(jié)律和特征光譜的冬小麥種植面積遙感估算[J]. 農(nóng)業(yè)工程學報, 2013, 29(8): 154-163.ZHANG Xiwang, QIN Yaochen, QIN Fen. Remote Sensing Estimation of Planting Area for Winter Wheat by Integrating Seasonal Rhythms and Spectral Characteristics[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(8): 154-163.

[14]DAI Xiaolong, KHORRAM S. The Effects of Image Misregistration on the Accuracy of Remotely Sensed Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(5): 1566-1577.

[15]曹森, 潘耀忠, 張錦水, 等. 土地覆蓋圖斑多時相遙感影像自動配準[J]. 測繪學報, 2014, 43(3): 290-297. DOI: 10.13485/j.cnki.11-2089.2014.0042.

CAO Sen, PAN Yaozhong, ZHANG Jinshui, et al. Land Cover Patches Based Automatic Multi-temporal Remote Sensing Images Registration[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(3): 290-297. DOI: 10.13485/j.cnki.11-2089.2014.0042.

[16]MARR D, HILDRETH E. Theory of Edge Detection[J]. Proceedings of the Royal Society B: Biological Sciences, 1980, 207(1167): 187-217.

[17]YALNIZ I Z, AKSOY S. Unsupervised Detection and Localization of Structural Textures Using Projection Profiles[J]. Pattern Recognition, 2010, 43(10): 3324-3337.

[18]HAN Junwei, MCKENNA S J, WANG Ruixuan, Regular Texture Analysis as Statistical Model Selection[C]∥Proceedings of the 10th European Conference on Computer Vision. Berlin: Springer, 2008: 242-255.

[19]LIU Yanxi, COLLINS R T, TSIN Y. A Computational Model for Periodic Pattern Perception Based on Frieze and Wallpaper Groups[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(3): 354-371.

[20]RUIZ L A, RECIO J A, HERMOSILLA T. Methods for Automatic Extraction of Regularity Patterns and Its Application to Object-oriented Image Classification[C]∥Proceedings of Photogrammetric Image Analysis. Munich: [s.n.], 2007: 117-121.

(責任編輯：張艷玲)

A Structure Feature for Automatic Extraction of Plantation from High-resolution Remote Sensing Imagery

YAN Li, JIANG Weiwei

School of Geodesy and Geomatics, Wuhan University, Wuhan 430079,China

Satellite remote sensing is an invaluable tool to manage land resources. However, data analysis procedures should satisfy the good adaptability, wide application prospects and high accuracy levels demanded by users. This study presented a novel multi-scale and multi-direction structure index (MMI) to describe the structure feature of plantation caused by cultivation. Plantation are extracted by performing a threshold on the MMI feature map, and combined with morphological operators to refine the extraction results. We designed three groups of experiments to test our method, each group used panchromatic and multispectral imagery respectively with various cultivation mode, different vegetated background and structure complexity. The results show our method is much more adaptive on plantation extraction than traditional methods. It is efficient for various complex plantations, e.g. multi-direction, multi-scale, highly vegetated backgrounds, low regularity of planting mode with deformation of textons and planting lines, the accuracy results exceed 90%. And panchromatic images achieve accuracies as high as multispectral images, which indicate our method has low dependence on spectrum, thus it is more flexible for data selection and application.

high resolution; multi-scale and multi-direction; structure feature; plantation; automatic extraction

The National Key Technology Research and Development Program of the Ministry of Science and Technology of China (No. 2012BAJ23B03)

YAN Li(1966—)，male, doctor, professor, majors in photogrammetry, remote sensing imagery processing and application, 3D laser scanning imaging measurement technology.

JIANG Weiwei

閆利，江維薇.一種利用結(jié)構(gòu)特征的高分辨率遙感影像種植園自動提取方法[J].測繪學報，2016,45(9)：1065-1072.

10.11947/j.AGCS.2016.20150511.

YAN Li, JIANG Weiwei.A Structure Feature for Automatic Extraction of Plantation from High-resolution Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica,2016,45(9):1065-1072. DOI:10.11947/j.AGCS.2016.20150511.

P237

A

1001-1595(2016)09-1065-08

國家科技支撐計劃(2012BAJ23B03)

2015-10-16

閆利(1966—)，男，博士，教授，研究方向為攝影測量、遙感圖像處理和三維激光成像掃描測量技術(shù)的研究。

E-mail： lyan@sgg.whu.edu.cn

江維薇

E-mail： 626834986@qq.com

修回日期： 2016-06-12