劉東 歐陽(yáng)安 陳聰 李亦白

摘要：農(nóng)田邊界識(shí)別對(duì)智能農(nóng)機(jī)裝備作業(yè)具有重要的指導(dǎo)性作用，為實(shí)現(xiàn)農(nóng)田邊界的精準(zhǔn)識(shí)別，提出一種基于歸一化植被指數(shù)的農(nóng)田識(shí)別方法。由于農(nóng)田圖像地物信息復(fù)雜，普通RGB圖像處理結(jié)果受環(huán)境影響較大，模型魯棒性差，為解決這一問(wèn)題，通過(guò)測(cè)繪無(wú)人機(jī)獲取農(nóng)田多光譜數(shù)據(jù)，基于不同區(qū)域歸一化植被指數(shù)（NDVI）的差異，利用大津閾值分割法實(shí)現(xiàn)農(nóng)田的有效分割。針對(duì)雜草和樹(shù)木等過(guò)分割問(wèn)題，通過(guò)計(jì)算聯(lián)通區(qū)域的大小與長(zhǎng)寬比的方法，在保證農(nóng)田識(shí)別精度的情況下，減少其他因素干擾，最后通過(guò)Canny邊緣檢測(cè)算法提取農(nóng)田邊界。通過(guò)驗(yàn)證，本研究方法對(duì)農(nóng)田的識(shí)別準(zhǔn)確率達(dá)95%以上，可以為智能農(nóng)機(jī)裝備提供作業(yè)環(huán)境數(shù)據(jù)。

關(guān)鍵詞：農(nóng)田;邊界識(shí)別;植被指數(shù);NDVI;聯(lián)通區(qū)域

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2022）11-0196-06

收稿日期：2022-03-29

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2017YFD0700601-2）;中國(guó)農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程[編號(hào)：農(nóng)科院辦（2014）216號(hào)]。

作者簡(jiǎn)介：劉 東（1996—），男，山東聊城人，碩士，研究方向?yàn)檗r(nóng)業(yè)機(jī)械化工程與農(nóng)業(yè)信息管理。E-mail：liudong_96@ 163.com。

通信作者：歐陽(yáng)安，博士，助理研究員，研究方向?yàn)檗r(nóng)業(yè)機(jī)械化及農(nóng)機(jī)裝備、智能制造等產(chǎn)業(yè)發(fā)展和政策。E-mail：oyangann@foxmail.com。

隨著智能農(nóng)機(jī)裝備的快速發(fā)展，精細(xì)化作業(yè)、智能化作業(yè)要求的不斷提高，無(wú)論是自動(dòng)駕駛的智能農(nóng)機(jī)裝備還是智慧農(nóng)業(yè)、無(wú)人農(nóng)場(chǎng)，作業(yè)環(huán)境的感知與獲取都是前提與基礎(chǔ)，尤其是農(nóng)田邊界、障礙物等作業(yè)環(huán)境信息，不僅影響作業(yè)范圍的確定，對(duì)作業(yè)方式和作業(yè)路徑都有較大的影響。以植保無(wú)人機(jī)為例，目標(biāo)地塊的農(nóng)田邊界需要通過(guò)人工打點(diǎn)標(biāo)記或飛機(jī)打點(diǎn)標(biāo)記的方式確定，不僅消耗人力物力，還嚴(yán)重制約了作業(yè)效率。因此迫切需要一種能夠自動(dòng)、快速識(shí)別農(nóng)田的方法，為智能農(nóng)機(jī)作業(yè)提供數(shù)據(jù)支撐。目前遙感技術(shù)已經(jīng)被廣泛應(yīng)用在土地利用、地質(zhì)災(zāi)害、環(huán)境監(jiān)測(cè)、測(cè)繪等多個(gè)研究領(lǐng)域，尤其是遙感技術(shù)與無(wú)人機(jī)相結(jié)合形成的無(wú)人機(jī)遙感技術(shù)，不僅操作簡(jiǎn)單靈活可用于多種場(chǎng)合且獲取的遙感數(shù)據(jù)分辨率也比較高，因此利用無(wú)人機(jī)遙感影像實(shí)現(xiàn)農(nóng)田道路的識(shí)別與信息提取得到了越來(lái)越多學(xué)者的關(guān)注。

實(shí)現(xiàn)作業(yè)環(huán)境信息的自動(dòng)提取，尤其是農(nóng)田地塊的有效識(shí)別，就是將圖形進(jìn)行分割，常見(jiàn)的圖像分割方法有基于閾值的分割方法、基于邊緣的分割方法、基于區(qū)域的分割方法、基于聚類分析的分割方法、基于數(shù)學(xué)形態(tài)學(xué)方法和基于人工神經(jīng)網(wǎng)絡(luò)的方法等。隨著深度學(xué)習(xí)理論和技術(shù)的成熟，圖像信息提取的效果和效率都得到了大幅度的提升，圖像分類、語(yǔ)義分割、全連接網(wǎng)絡(luò)等以深度學(xué)習(xí)為背景的圖像處理技術(shù)也得到了廣泛的應(yīng)用。楊亞男等設(shè)計(jì)了FCN-8s模型與DeseCRF模型相結(jié)合的梯田識(shí)別方法，該方法對(duì)山脊區(qū)梯田、密集區(qū)梯田和不規(guī)則梯田的識(shí)別精度可達(dá)86.85%，可用于無(wú)人機(jī)遙感梯田識(shí)別。在傳統(tǒng)圖像分割方法中，陳伊哲等分別利用基于邊界和基于區(qū)域的2種圖像分割方法對(duì)農(nóng)田地塊圖像進(jìn)行處理與試驗(yàn)，結(jié)果表明利用微分算子的圖像邊界分割算法雖然能夠有效識(shí)別出農(nóng)田地塊的邊緣，但是對(duì)噪聲有放大作用;而利用閾值法的圖像區(qū)域分割算法可以很好地消除農(nóng)田地塊圖像的噪聲影響。針對(duì)梯田邊緣識(shí)別，張宏鳴等將正射影像與梯田坡度數(shù)據(jù)融合，研究了基于Canny算子的粗邊緣提取方法和基于多尺度分割的精細(xì)邊緣提取方法，梯田提取精度可達(dá)84.9%。吳晗等在多尺度組合聚合（MCG）分割方法框架下，研究了影響邊界提取準(zhǔn)確性的最優(yōu)分割尺度選擇問(wèn)題，試驗(yàn)結(jié)果表明面向農(nóng)田邊界提取的最佳地面采樣距離為30 cm，最優(yōu)分割尺度為[0.2，0.4]，整場(chǎng)景總體地塊邊界識(shí)別準(zhǔn)確率可達(dá)90%以上。

上述研究雖然都是針對(duì)農(nóng)田識(shí)別，但處理對(duì)象都是RGB圖像，由于農(nóng)田環(huán)境信息復(fù)雜，無(wú)論是傳統(tǒng)圖像處理方法還是基于機(jī)器學(xué)習(xí)的方法，農(nóng)田識(shí)別精度均不高，尤其是雜草、樹(shù)木、田埂等，嚴(yán)重影響了識(shí)別效果。針對(duì)上述問(wèn)題，本研究使用無(wú)人機(jī)搭載多光譜相機(jī)獲取農(nóng)田多光譜影像，基于植被指數(shù)實(shí)現(xiàn)農(nóng)田的高效識(shí)別，通過(guò)判斷聯(lián)通大小與長(zhǎng)寬比的方法，減小樹(shù)木與雜草對(duì)識(shí)別效果的影響。

1 圖像獲取

農(nóng)田影像拍攝于2020年11月，拍攝地點(diǎn)為江蘇省南京市棲霞區(qū)太平村（32°02′651″N，118°52′301″E），圖片采集使用極飛M500 2019遙感無(wú)人機(jī)，機(jī)身質(zhì)量為10 kg，最大負(fù)載為6 kg，無(wú)人機(jī)飛行高度為 60 m，飛行速度為5 m/s，垂直拍攝，數(shù)據(jù)采集時(shí)間為12：00—14：00。無(wú)人機(jī)搭載極飛XCam農(nóng)田多光譜相機(jī)，該相機(jī)可捕捉4個(gè)波段的作物高清影像及高清RGB可見(jiàn)光影像，其中四光譜通道高感光CMOS傳感器可涵蓋的4個(gè)波段的波長(zhǎng)分別為550、660、735、790 nm，多光譜相機(jī)像素為 2 000 萬(wàn)pixel，圖像分辨率為3 863×3 648 pixel，相機(jī)質(zhì)量為 0.85 kg，圖1為拍攝的農(nóng)田影像。試驗(yàn)過(guò)程中，將50 cm×50 cm的標(biāo)準(zhǔn)白板放置在試驗(yàn)地塊之上，作為遙感數(shù)據(jù)的輻射校正數(shù)據(jù)，且通過(guò)預(yù)設(shè)相機(jī)的畸變矯正數(shù)據(jù)，保證采集圖像清晰，同時(shí)方便后期地圖的拼接處理。數(shù)據(jù)采集結(jié)束后，通過(guò)Xsation將采集的單張RGB照片拼接在一起，得到完整的農(nóng)田地塊圖像，如圖2所示。

2 研究方法

2.1 多光譜數(shù)據(jù)預(yù)處理與植被指數(shù)選擇

為消除和修正輻射誤差引起的圖像畸變，首先要對(duì)多光譜數(shù)據(jù)進(jìn)行輻射校正。本次試驗(yàn)所獲取影像的光譜分辨率為10 nm，圖形的空間分辨率為0.02 m×0.02 m，對(duì)白色校正區(qū)域的光譜數(shù)值取平均值，使用公式（1）對(duì)多光譜遙感數(shù)據(jù)進(jìn)行輻射校正。

R=I-BW-B。（1）

式中：I表示圖像某波段的平均光譜值;W表示該天該波段標(biāo)準(zhǔn)白色校正區(qū)域光譜均值;B表示該天將鏡頭蓋住時(shí)該波段的像素均值;R為經(jīng)過(guò)輻射校正后該天該波段的光譜反射率。

植被指數(shù)作為能夠度量地表植物狀況的一種指標(biāo)，被廣泛應(yīng)用在多個(gè)領(lǐng)域。常用的植被指數(shù)包括比值植被指數(shù)（RVI）、差值環(huán)境植被指數(shù)（DVIEVI）、增強(qiáng)型植被指數(shù)（EVI）、歸一化植被指數(shù)（NDVI）、綠度植被指數(shù)（GVI）、調(diào)整土壤亮度的植被指數(shù)（SAVI）、土壤調(diào)整型植被指數(shù)（MSAVI）等，可通過(guò)植被在近紅外、紅光、綠光和藍(lán)光波段的遙感反射率計(jì)算得到。各植被指數(shù)的具體應(yīng)用范圍見(jiàn)表1。

其中，歸一化植被指數(shù)對(duì)綠色植物敏感，與植物分布密度呈線性關(guān)系，是植物生長(zhǎng)狀況和空間分布密度的最佳指標(biāo)，常被用于植被監(jiān)測(cè)。NDVI主要是對(duì)2個(gè)波段的特征進(jìn)行對(duì)比，即紅光波段中葉綠素的色素吸收率和近紅外波段中植物體的高反射率，該指數(shù)的輸出值范圍為[-1，1]，當(dāng)NDVI值較低（≤0.1）時(shí)，表示巖石、沙石或雪覆蓋的貧瘠區(qū)域;當(dāng)NDVI值中等（0.2～0.3）時(shí)，表示灌木叢和草地;當(dāng)NDVI值較高（0.6～0.8）時(shí)，表示溫帶雨林或熱帶雨林。為更加高效的識(shí)別農(nóng)田地塊，本研究選擇歸一化植被指數(shù)，其計(jì)算公式為

NDVI=R-RR+R。（2）

式中：R代表光譜;下標(biāo)數(shù)字代表指定長(zhǎng)度（nm）的波段。

由于光譜儀器的光譜分辨誤差為±30 nm，因此R用790 nm波段代替，R用660 nm波段代替。圖3為計(jì)算后得到的NDVI圖像。從圖3中可以看出，圖像中帶有植被的地方，包括農(nóng)田與道路兩旁的樹(shù)木都呈現(xiàn)出綠色，NDVI取值范圍為[0.15，0.28]，而道路及池塘所在位置的NDVI取值范圍為[-0.31，-0.11]，所呈現(xiàn)的顏色也是與之對(duì)應(yīng)的橙色。利用植物與非植物的NDVI值不同這一特點(diǎn)，可以實(shí)現(xiàn)農(nóng)田地塊的識(shí)別提取。

2.2 農(nóng)田地塊特征提取

由于NDVI值可以較好地反映植被與非植被間的差距，因此可用于植被覆蓋時(shí)農(nóng)田地塊的識(shí)別，本研究基于圖像的NDVI值，通過(guò)閾值法提取農(nóng)田地塊信息。因?yàn)槊糠鶊D像的環(huán)境不同，所對(duì)應(yīng)的閾值也會(huì)有所不同，為實(shí)現(xiàn)農(nóng)田的自動(dòng)識(shí)別，需要用一種自動(dòng)程度高，可自動(dòng)選擇閾值的算法。大津法（OTSU）作為一種常用的確定圖像二值化分割閾值的算法，由日本學(xué)者大津于1979年提出，該方法又被稱為最大類間方差法，它計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度的影響，在圖像處理中得到了廣泛的應(yīng)用。大津閾值法通過(guò)計(jì)算圖像的灰度特性，將圖像分成背景和前景2類。方差作為衡量灰度分布均勻性的一種度量，背景和前景之間的類間方差越大，說(shuō)明構(gòu)成圖像的2個(gè)部分差別越大，當(dāng)部分前景錯(cuò)分為背景或部分背景錯(cuò)分為前景都會(huì)導(dǎo)致2個(gè)部分差別變小，因此方差最大也就意味著錯(cuò)分概率最小，分割效果也最好。但該方法對(duì)圖像噪聲敏感，只能針對(duì)單一目標(biāo)進(jìn)行分割，在本研究對(duì)象中，歸一化植被指數(shù)將圖像分為了植被區(qū)域和非植被區(qū)域2個(gè)部分，現(xiàn)只對(duì)植被區(qū)域進(jìn)行識(shí)別，因此不會(huì)影響分割效果，故本研究選擇最大類間方差法即大津閾值法作為圖像分割的方法。分割效果如圖4所示，大津閾值法可以較好地分割農(nóng)田區(qū)域，但是包含很多噪聲點(diǎn)和其他區(qū)域。

2.3 二值化圖像優(yōu)化

在提取的二值化圖像中，已經(jīng)較好地實(shí)現(xiàn)了農(nóng)田地塊的分割，其中以道路相隔的農(nóng)田與農(nóng)田分割效果明顯，農(nóng)田地塊的邊界都比較清晰;以田埂相隔的農(nóng)田分割效果整體來(lái)說(shuō)也比較明顯，但存在個(gè)別地塊之間分割不明顯，部分地塊面積缺失等現(xiàn)象。提取的二值化圖像中還存在以下3個(gè)問(wèn)題：（1）存在噪點(diǎn)干擾;（2）部分田塊內(nèi)存在孔洞，存在提取不完整等現(xiàn)象;（3）分割農(nóng)田地塊時(shí)，同樣分割到了道路兩旁的樹(shù)木。

為有效去除圖像經(jīng)大津閾值法分割后的噪聲點(diǎn)，對(duì)二值化圖像進(jìn)行去噪處理。常用的去噪算法包括基于空間域的中值濾波、基于小波域的小波閾值去噪和形態(tài)學(xué)濾波。在本試驗(yàn)中若直接使用形態(tài)學(xué)濾波處理方法，雖然可以去除噪點(diǎn)，但對(duì)提取的農(nóng)田地塊的邊界范圍也有較大的影響，所以不宜直接使用形態(tài)學(xué)濾波處理方法。為保證既不損害農(nóng)田邊界，又能去除噪聲，本研究采用刪除較小聯(lián)通區(qū)域的方法，使用區(qū)域連接函數(shù)bwlabeln標(biāo)記二值化圖像的聯(lián)通區(qū)域，大聯(lián)通區(qū)域?qū)?yīng)的是農(nóng)田地塊，小聯(lián)通區(qū)域?qū)?yīng)的則是噪點(diǎn)，計(jì)算出各聯(lián)通區(qū)域的面積（像素個(gè)數(shù)），將像素點(diǎn)不足75的區(qū)域認(rèn)為是噪點(diǎn)，圖5為標(biāo)記的某處連通區(qū)域。

針對(duì)道路兩旁樹(shù)木的問(wèn)題，不難看出該區(qū)域都是以帶狀形式存在，因此可以通過(guò)判斷各聯(lián)通區(qū)域的最小矩形的長(zhǎng)寬比來(lái)斷定該聯(lián)通區(qū)域是否為道路樹(shù)木，本研究將長(zhǎng)寬比大于50的區(qū)域認(rèn)為是識(shí)別的道路兩旁的樹(shù)木，如圖6所示，首先通過(guò)cvBoundingRect函數(shù)計(jì)算各聯(lián)通區(qū)域最小矩形的長(zhǎng)寬比，將長(zhǎng)寬比大于50的聯(lián)通區(qū)域刪除，剔除二值化圖像中道路樹(shù)木的干擾。針對(duì)田塊內(nèi)存在的孔洞問(wèn)題，若直接使用膨脹運(yùn)算，雖然可以填充孔洞，但邊界范圍也會(huì)擴(kuò)大，降低農(nóng)田邊界識(shí)別的準(zhǔn)確率，因此本研究采用孔洞填充函數(shù)imfill實(shí)現(xiàn)農(nóng)田內(nèi)部圖像缺失區(qū)域的填充。flood fill算法是從邊緣處開(kāi)始尋找，如果有多余2處的非邊緣閉合區(qū)域，則進(jìn)行填充，因此對(duì)邊緣處的區(qū)域不進(jìn)行填充，對(duì)內(nèi)部空缺的小區(qū)域進(jìn)行填充，處理后二值化提取效果如圖7所示。從圖7可以看出，無(wú)論是被道路間隔開(kāi)的農(nóng)田還是被田埂間隔開(kāi)的農(nóng)田均實(shí)現(xiàn)了有效分割。

為實(shí)現(xiàn)對(duì)農(nóng)田邊界信息的提取，還需對(duì)二值化圖像進(jìn)行邊緣檢測(cè)，常用的邊緣檢測(cè)算子有Roberts算子、Sobel算子、Marr-Hildreth算法和Canny算子。Roberts算子通過(guò)計(jì)算對(duì)角線方向相鄰2個(gè)像素的差值進(jìn)行邊緣檢測(cè)，該算子定位較準(zhǔn)確，但對(duì)噪聲比較敏感，檢測(cè)水平和豎直邊緣效果好于斜向邊緣。Sobel算子通過(guò)判斷像素點(diǎn)上下、左右鄰點(diǎn)灰度值加權(quán)差進(jìn)行邊緣檢測(cè)，該算子對(duì)噪聲有較好的平滑作業(yè)，但邊緣定位精度不高。Marr-Hildreth算法即拉普拉斯算子，該算子屬于二階微分算子，首先采用高斯低通濾波對(duì)圖像進(jìn)行濾波處理，再采用拉普拉斯模板對(duì)其進(jìn)行卷積，利用邊緣處二階導(dǎo)函數(shù)出現(xiàn)零交叉的原理檢測(cè)圖像的邊緣，但該方法對(duì)噪聲較敏感。Canny邊緣檢測(cè)算法可以分為以下幾個(gè)步驟：首先用高斯濾波器對(duì)圖像進(jìn)行平滑處理，然后計(jì)算各梯度幅值圖像和角度圖像，并對(duì)梯度幅值圖像進(jìn)行非最大抑制，最后用雙閾值處理和連接分析檢測(cè)并連接邊緣。Canny算子在邊緣檢測(cè)中效果較好，且去噪能力強(qiáng)，但計(jì)算復(fù)雜，檢測(cè)時(shí)間較長(zhǎng)。為保證檢測(cè)結(jié)果，使用Canny算法對(duì)農(nóng)田二值化圖像進(jìn)行邊緣檢測(cè)，效果見(jiàn)圖8。

3 結(jié)果與分析

為驗(yàn)證分割效果，引用以下2個(gè)公式進(jìn)行驗(yàn)證：

PA=TPTP+FN×100%;（3）

CA=TPTP+FP×100%。（4）

式中：PA表示分割出來(lái)的地塊占原地塊的比例;CA為分割出來(lái)的地塊中正確的比例;TP為分割地塊被正確分割的像素?cái)?shù);FN為分割地塊未被分割的像素?cái)?shù);FP為分割到的非分割地塊的像素?cái)?shù)。

運(yùn)用上述公式，對(duì)每塊農(nóng)田依次進(jìn)行驗(yàn)證，最后將各塊農(nóng)田的平均值作為本研究算法的準(zhǔn)確率。該圖像中共有21塊農(nóng)田，算法識(shí)別結(jié)果為21塊，由表2可知，在21塊農(nóng)田中，PA最大值為97.7%，最小值為86.6%;CA最大值為98.4%，最小值為85.5%。本研究算法對(duì)目標(biāo)地塊識(shí)別的準(zhǔn)確率達(dá)95%以上，識(shí)別效果基本符合實(shí)際情況。在農(nóng)田識(shí)別效果中，楊亞男等設(shè)計(jì)的基于FCN-8s模型與DeseCRF模型結(jié)合的梯田識(shí)別方法準(zhǔn)確率達(dá)86.85%;吳晗等的研究在最優(yōu)分割尺度下地塊邊界識(shí)別的準(zhǔn)確率達(dá)90%;張宏鳴等基于多尺度分割的方法，對(duì)梯田的提取精度達(dá)84.9%。本研究結(jié)合多光譜數(shù)據(jù)，基于NDVI實(shí)現(xiàn)對(duì)農(nóng)田的準(zhǔn)確識(shí)別，識(shí)別準(zhǔn)確率達(dá)95%以上，均高于RGB影像的識(shí)別效果，因此本研究算法可以有效實(shí)現(xiàn)農(nóng)田識(shí)別提取，為智能農(nóng)機(jī)作業(yè)提供數(shù)據(jù)支撐。

4 結(jié)論

針對(duì)農(nóng)田邊界提取問(wèn)題，本研究基于歸一化植被指數(shù)，結(jié)合大津閾值法實(shí)現(xiàn)農(nóng)田的有效識(shí)別，研究結(jié)果表明，利用歸一化植被指數(shù)對(duì)綠色植物敏感的特性，根據(jù)不同區(qū)域輸出的NDVI值的差異，實(shí)現(xiàn)農(nóng)田分割。對(duì)于樹(shù)木、雜草等背景信息的干擾，為保證農(nóng)田區(qū)域識(shí)別的準(zhǔn)確率，本研究通過(guò)計(jì)算聯(lián)通區(qū)域的大小與長(zhǎng)寬比，去除較小聯(lián)通區(qū)域和長(zhǎng)寬比較大的聯(lián)通區(qū)域以減少其他干擾信息對(duì)農(nóng)田識(shí)別的影響。通過(guò)驗(yàn)證，本研究算法對(duì)農(nóng)田識(shí)別的準(zhǔn)確達(dá)95%以上，可用于指導(dǎo)智能農(nóng)機(jī)作業(yè)。

參考文獻(xiàn)：

[1]曹光喬，李亦白，南 風(fēng)，等. 植保無(wú)人機(jī)飛控系統(tǒng)與航線規(guī)劃研究進(jìn)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（8）：1-16.

[2]周志艷，明 銳，臧 禹，等. 中國(guó)農(nóng)業(yè)航空發(fā)展現(xiàn)狀及對(duì)策建議[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（20）：1-13.

[3]晏 磊，廖小罕，周成虎，等. 中國(guó)無(wú)人機(jī)遙感技術(shù)突破與產(chǎn)業(yè)發(fā)展綜述[J]. 地球信息科學(xué)學(xué)報(bào)，2019，21（4）：476-495.

[4]李德仁，李 明. 無(wú)人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2014，39（5）：505-513，540. [5]宋建濤，李大軍，郭丙軒. 基于遙感影像的地塊邊界半自動(dòng)提取[J]. 北京測(cè)繪，2019，33（10）：1171-1175.

[6]何 磊，李玉霞，彭 博，等. 基于生成對(duì)抗網(wǎng)絡(luò)的無(wú)人機(jī)圖像道路提取[J]. 電子科技大學(xué)學(xué)報(bào)，2019，48（4）：580-585.

[7]祝思君.? 基于深度學(xué)習(xí)的無(wú)人機(jī)遙感圖像目標(biāo)識(shí)別方法研究[D]. 北京：北京建筑大學(xué)，2018.

[8]王小娟. 無(wú)人機(jī)在國(guó)土資源調(diào)查監(jiān)測(cè)方面的應(yīng)用及研究[J]. 工程建設(shè)與設(shè)計(jì)，2017（8）：209-211.

[9]莫 玲，林 維，姚 屏，等. 基于機(jī)器視覺(jué)的道路邊界識(shí)別算法研究[J]. 廣東技術(shù)師范大學(xué)學(xué)報(bào)，2020，41（3）：28-32，55.

[10]楊亞男，張宏鳴，李杭昊，等. 結(jié)合FCN和DenseCRF模型的無(wú)人機(jī)梯田識(shí)別方法研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2021，57（3）：222-230.

[11]陳伊哲，湯修映，彭彥昆，等. 農(nóng)田地塊圖像分割技術(shù)研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（增刊）：253-256.

[12]張宏鳴，全 凱，楊亞男，等. 基于深層殘差網(wǎng)絡(luò)的山區(qū)DEM超分辨率重構(gòu)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（1）：178-184.

[13]吳 晗，林曉龍，李曦嶸，等. 面向農(nóng)業(yè)應(yīng)用的無(wú)人機(jī)遙感影像地塊邊界提取[J]. 計(jì)算機(jī)應(yīng)用，2019，39（1）：298-304.

[14]王正興，劉 闖，Huete A. 植被指數(shù)研究進(jìn)展：從AVHRR-NDVI到MODIS-EVI[J]. 生態(tài)學(xué)報(bào)，2003，23（5）：979-987.

[15]汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見(jiàn)光波段無(wú)人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：152-159.

[16]孫 剛，黃文江，陳鵬飛，等. 輕小型無(wú)人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（3）：1-17.

[17]張智韜，魏廣飛，姚志華，等. 基于無(wú)人機(jī)多光譜遙感的土壤含鹽量反演模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（12）：151-160.

[18]趙學(xué)鵬，王媛媛，盧龍輝. 基于生態(tài)系統(tǒng)服務(wù)價(jià)值的艾比湖流域綠洲生態(tài)用地安全格局構(gòu)建——以博爾塔拉蒙古自治州為例[J]. 江蘇農(nóng)業(yè)科學(xué)，2021，49（14）：213-219.

[19]姜慧研，司岳鵬，雒興剛. 基于改進(jìn)的大津方法與區(qū)域生長(zhǎng)的醫(yī)學(xué)圖像分割[J]. 東北大學(xué)學(xué)報(bào)，2006，27（4）：398-401.

[20]李了了，鄧善熙，丁興號(hào). 基于大津法的圖像分塊二值化算法[J]. 微計(jì)算機(jī)信息，2005（14）：76-77.

[21]段瑞玲，李慶祥，李玉和. 圖像邊緣檢測(cè)方法研究綜述[J]. 光學(xué)技術(shù)，2005（3）：415-419.

[22]徐天成，吳 敏，賀冬仙，等. 機(jī)器視覺(jué)在農(nóng)業(yè)工程中的應(yīng)用[J]. 農(nóng)業(yè)工程，2021，11（8）：40-48.