基于最優(yōu)尺度的生產(chǎn)建設擾動圖斑識別

亢慶，姜德文，扶卿華，王曉剛

監(jiān)測在城市建設、礦山、水利工程等生產(chǎn)建設活動中，因挖損、占壓、堆棄等行為引起的地表擾動作用，對水土保持具有重要的意義。隨著對地觀測技術的進步，利用空間分辨率＜5 m的高分辨率影像對擾動地塊(影像上稱為擾動圖斑)識別和提取是遙感影像分類研究重要內(nèi)容，也是《全國水土保持信息化規(guī)劃(2013—2020年)》和《全國水土保持信息化實施方案(2014—2016年)》提出的“天地一體化”生產(chǎn)建設項目監(jiān)管思路的核心。

目前，針對生產(chǎn)建設擾動圖斑的遙感提取及識別的研究較少，可以借鑒的研究主要體現(xiàn)在對礦產(chǎn)資源開發(fā)現(xiàn)狀調(diào)查與監(jiān)測以及土地利用/覆蓋動態(tài)監(jiān)測等方面，包括人機交互方法提取礦產(chǎn)開采點、狀態(tài)等信息［1］，以及基于差值法、主成分分析法、變化矢量分析法［2］檢測土地利用/覆蓋的變化位置和范圍等，這些方法以檢測地物光譜特征為唯一切入點，在以TM/ETM+為代表的中低分辨率影像上，得到極大的發(fā)展;但是隨著影像空間分辨率的躍升，高分辨率影像可清晰表達的地物邊界、幾何形狀等空間特征不能被上述方法利用，容易出現(xiàn)“同物異譜”“同譜異物”現(xiàn)象，以及因高分辨率影像豐富的光譜信息而產(chǎn)生“椒鹽效應”，于是有了面向?qū)ο蟮姆诸惙椒ǖ陌l(fā)展［3］。該類方法以具有相同光譜、幾何形狀、紋理等特征［4］的像元集合為分類對象，理論上可以避免基于光譜特性分類方法存在的“椒鹽效應”等問題，成為現(xiàn)階段研究的重要方向。

面向?qū)ο蟮姆诸惏ㄓ跋穹指詈陀跋穹诸?個步驟。影像分割是將影像切割成若干個對象，并要求對象內(nèi)的像元具有相同的地物特征(包括光譜、幾何形狀和紋理等特征)，是整個分類過程的基礎和關鍵，決定了影像分類(對分割對象的識別)的精度［5-6］。在影像分割研究中，獲取合適的分割尺度，也［6］稱為最優(yōu)分割尺度，即分割對象滿足對象內(nèi)的光譜、幾何形狀和紋理等地物特征的同質(zhì)性和相鄰對象間的地物特征的差異性均達到最大，并且擬提取和識別的地物可以通過1個或者多個對象表達出來的條件時的分割尺度。需要說明的是，這里的尺度問題雖然仍舊屬于空間問題，但是有別于傳統(tǒng)基于像元的分類中出現(xiàn)的空間分辨率問題，主要是因為面向?qū)ο蟮姆诸愌芯康膶ο蟛辉偈窍裨?，而是具有光譜、幾何形狀和紋理相似性的對象)，是現(xiàn)階段關注的焦點，尤其是在基于多尺度分割技術的eCognition軟件出現(xiàn)之后。傳統(tǒng)的最優(yōu)尺度獲取方法以分類者的多次嘗試和主觀判斷為依據(jù)，效率低下且存在主觀不確定性［7-8］。除“試錯”法之外，還有參與方法和非參與方法［9］2類:前者根據(jù)與已知地物的吻合程度來判斷最優(yōu)尺度，需要輸入人工預先勾畫出的邊界，如矢量距離指數(shù)法［10］、面積比均值法［11］;后者不需要人工的參與，主要分析對象內(nèi)部的同質(zhì)性與對象間的異質(zhì)性，建立尺度與二者之間的函數(shù)曲線，依據(jù)對象內(nèi)同質(zhì)性最大、對象間異質(zhì)性最大的原則［8］，或者依據(jù)內(nèi)部同質(zhì)性的變化率隨尺度的變化規(guī)律，客觀地選取一個合適的尺度，代表性的方法有分割評價指數(shù)［12］、局部方差方法［3］、目標函數(shù)法［8］。從實際生產(chǎn)應用的角度而言，非參與方法更具有普適性［9］，其中，又以局部方差方法和目標函數(shù)法理論較為扎實，應用也更為廣泛。

綜合研究進展，筆者以生產(chǎn)建設擾動圖斑的高分辨率遙感識別為研究目標，首先對比和分析了局部方差法和目標函數(shù)法獲取生產(chǎn)建設擾動圖斑最優(yōu)分割尺度的可行性，然后采用面向?qū)ο蟮谋O(jiān)督分類對生產(chǎn)建設擾動圖斑進行了識別和提取，并依據(jù)現(xiàn)場調(diào)查和無人機航片對識別結(jié)果進行評估。

1 研究方法

1.1 面向?qū)ο蟮挠跋穹指?/h3>

影像分割方法大體上可以分為基于閾值、基于邊界和基于區(qū)域3類，其中:基于閾值的方法依賴于閾值的選擇，在復雜的遙感影像，效果較差;基于邊緣的分割方法往往難以得到閉合且連通的邊界，且容易產(chǎn)生邊界錯分的現(xiàn)象;而基于區(qū)域的方法具有原理簡單、無須預知類別數(shù)目等優(yōu)點，得到廣泛的應用，尤其是分形網(wǎng)絡演化算法(Fractal Net Evolution Approach，F(xiàn)NEA)［13］，即 eCognition 中多尺度分割技術中應用到的方法［14］。FNEA是一種區(qū)域生長的算法，基本思路是以1個像元為種子，依據(jù)光譜、形狀等多特征加權值，不斷合并周圍與種子像元有相同或者相似性質(zhì)的像元，直至滿足停止生長條件。

FNEA算法的理論基礎可表示為

式中:F為尺度參數(shù)，是判斷一個對象是否繼續(xù)生長的關鍵，F(xiàn)過小會造成分割后的對象破碎、時耗過長，屬于“過分”現(xiàn)象，F(xiàn)過大，則會造成對象內(nèi)混合了多種地物類型的像元，屬于“欠分”或“混分”現(xiàn)象;hcolor為光譜因子，由各波段的光譜值乘以相應的權重累加得到;w1為光譜因子的權重，取值為0～1;hshape為形狀因子:

式中:hcom為緊致度因子，用于優(yōu)化分割對象的緊湊程度，取值介于0～1;hsmooth為光滑度因子，用于優(yōu)化分割對象邊界的光滑程度，抑制邊緣的過度破碎，取值介于0～1;w2為緊致度的權重。

1.2 最優(yōu)分割尺度

最優(yōu)分割尺度是指分割后的對象能夠清楚地刻畫出地物的邊界，目標地物可以通過1個或者多個分割對象表達出來，分割后的圖像既不能“過分”，也不能“欠分”或“混分”。那么，獲取最優(yōu)分割尺度的原則是在保證不“欠分”或“混分”的基礎上，適合目標地物的最大尺度。

1.2.1 局部方差方法 L．DRGU爩等［3］基于對象的局部方差隨尺度F變化規(guī)律提出了一個最優(yōu)分割尺度獲取方法。其基本思路:隨著分割尺度的增加，對象內(nèi)屬于同種地物的像元增加，影像的局部方差也隨之緩慢增加，當增加到一定程度之后，對象內(nèi)會混入其他地物類型的像元，此時對象內(nèi)光譜值的方差會迅速增大，對象間的光譜異質(zhì)性降低，局部方差的變化率發(fā)生轉(zhuǎn)折。那么，局部方差變化率的轉(zhuǎn)折處就是不同地物類型的最優(yōu)分割尺度。影像的局部方差為

式中:N為圖像中對象的個數(shù);n為對象中像元的個數(shù);x為對象的光譜值;xo為對象的灰度值均值。

局部方差變化速率

式中var_L為比var小一個尺度間隔的局部方差。

1.2.2 目標函數(shù)方法 影像分割的理想結(jié)果是分割后的對象具有良好的內(nèi)部同質(zhì)性，同時相鄰對象之間具有良好的異質(zhì)性;但兩者的最大值并不一定能在同一尺度上取得，那么最優(yōu)分割尺度可能是基于二者的平衡。G．Espindola等［8］的思路首先是分別計算對象內(nèi)像元光譜值的同質(zhì)性和異質(zhì)性，并分別進行歸一化處理，之后建立目標函數(shù)，目標函數(shù)取最大值時的尺度F為最優(yōu)分割尺度。

1)對象內(nèi)同質(zhì)性。

式中:V為表征對象內(nèi)同質(zhì)性參量;Si和σi分別為第i個對象的面積和光譜值標準差。

2)對象間的異質(zhì)性。

使用Moran's I指數(shù)來衡量分割對象之間的異質(zhì)性［15］:

式中:M為Morna's I指數(shù);wij為空間關系權重，如果對象i和對象j相接，wij=1，否則 wij=0;為整幅影像的光譜平均值。

3)目標函數(shù)F(x)。

依據(jù)V和M在不同尺度下的最大最小值，分別將二者歸一化處理，得到Vnorm和Mnorm目標函數(shù)

式中:Vnorm為歸一化處理后的對象內(nèi)同質(zhì)性 V;Mnorm為歸一化處理后的Moran's I指數(shù)。

1.3 擾動圖斑的識別

計算出最優(yōu)分割尺度之后，還需要對分割后的影像進行識別。識別算法采用eCognition中的面向?qū)ο蟮谋O(jiān)督分類法，該方法能夠?qū)庾V、幾何形狀、紋理等特征描述及計算。整個識別工作包括:首先，依據(jù)現(xiàn)場調(diào)研、無人機航片以及前期獲取的其他統(tǒng)計資料，為生產(chǎn)建設擾動圖斑建立解譯標志，并依據(jù)解譯標志的光譜特征和幾何特征為監(jiān)督分類建立訓練樣本;其次，用最鄰近法對生產(chǎn)建設擾動圖斑識別;最后，利用現(xiàn)場調(diào)研和無人機航片對分類結(jié)果進行校驗，如果識別精度滿足要求，則直接導出生產(chǎn)建設擾動圖斑，否則，則挑選出混分、漏分的像元，并建立相應的數(shù)據(jù)庫，之后再次回歸監(jiān)督分類步驟，直至識別精度達標。

綜合上述思路，本研究的基本流程見圖1。

圖1 生產(chǎn)建設擾動圖斑識別流程圖Fig．1 Procedure for automatically identifying construction disturbance patches

2 研究區(qū)及解譯標志的建立

2.1 研究區(qū)域及數(shù)據(jù)預處理

選用2016年廣東省生產(chǎn)建設項目水土保持監(jiān)管示范縣內(nèi)一塊典型樣區(qū)(圖2)，結(jié)合高分1號(GF-1)影像展開研究。如圖2所示，研究區(qū)內(nèi)地物類型復雜且破碎，包括零星分散的小型居民點(圖中呈不規(guī)則分布的灰色部分)、大片的林草地、夾在居民點和林草地之間的小塊農(nóng)田、道路、水塘、生產(chǎn)建設擾動地塊(包括未完成的建筑，以及取土、堆放建筑渣料等造成的裸露地塊)，區(qū)內(nèi)圖像尺寸為2 249像元×2 465像元。

圖2 研究區(qū)GF-1標準假彩色合成影像Fig．2 Standard false color composite of GF-1 image of the study area

2.2 解譯標志的建立與分析

根據(jù)地面實地調(diào)查及無人機航拍所掌握的背景知識，針對生產(chǎn)建設項目的建設時期，建立用于識別生產(chǎn)建設擾動圖斑的解譯標志，解譯標志的建立參考現(xiàn)場調(diào)查照片、影像以及光譜特征、光譜頻率和形狀特征等影像特征(表1)。

由表1可以看出，生產(chǎn)建設擾動圖斑內(nèi)的光譜亮度范圍較大，并且隨著生產(chǎn)建設的進展逐步擴大，3個不同時期的值依次為946、1 089.2和1 486.5。與光譜亮度范圍呈同樣變化規(guī)律的還有擾動圖斑的亮度標準差，分別為136.0、145.9和211，相反，擾動圖斑的光譜亮度均值則隨著生產(chǎn)建設的進展逐漸減小。

3 結(jié)果及討論

3.1 影像分割

影像分割在eCognition環(huán)境下進行，分割尺度F的變化范圍為30～400，步長為10，F(xiàn)NEA分割方法涉及到的其他因子(光譜因子、形狀因子、波段比重)在多次的分割過程中均保持一致，即光譜因子和緊致度因子分別設為0.6和0.5，波段權重為1∶1∶1∶1。

表1 生產(chǎn)建設項目解譯標志Tab．1 Interpretation mark of construction project

3.2 獲取最優(yōu)分割尺度

當分割尺度F為310時(圖3a)，生產(chǎn)建設擾動圖斑像元混入了一些小型居民地和綠色植被，屬于分割尺度F過大造成的“欠分”或“混分”現(xiàn)象，沒能對生產(chǎn)建設項目進行有效分割，不利于提高后續(xù)信息的識別和提取。當分割尺度F為300時(圖3b)，分割對象內(nèi)的像元較為純凈，其邊界能較清晰地刻畫出生產(chǎn)建設擾動圖斑的邊界;因此，尺度300是最適宜分割尺度。其作為真值用于檢驗目標函數(shù)法和局部方差方法獲取的最優(yōu)分割尺度該尺度作為生產(chǎn)建設擾動圖斑的最優(yōu)分割尺度真值，可用于驗證目標函數(shù)方法和局部方差方法計算的最優(yōu)分割尺度。

圖3 不同尺度F的分割效果(a:F為310;b:F為300)Fig．3 Segmentation results of different segmentation scales(a:310;b:300)

如圖4所示，研究區(qū)內(nèi)的對象個數(shù)在30～140的尺度范圍內(nèi)由48 140個迅速減少到3 130個，之后緩慢減少，而對象的平均面積則是隨著尺度F的增加而呈近似線性增加，二者線性相關的確定系數(shù)R2=0.95。

圖4 分割尺度與對象個數(shù)、平均面積的關系Fig．4 Relationship between segmentation scales and number of objects/average size of objects

隨著對象個數(shù)的減少和對象平均面積的增加，對象內(nèi)包含的像元個數(shù)增加，光譜亮度變化范圍增加，導致對象的局部方差增大(圖5)。依據(jù)局部方差方法的思路，合適的分割尺度通常發(fā)生在局部方差的變化率式(4))由增加到減小的轉(zhuǎn)折處，符合條件的分割尺度有240、270、310，由圖2和表1所示的生產(chǎn)建設擾動圖斑解譯標志可以發(fā)現(xiàn)，擾動圖斑內(nèi)光譜亮度值變化較大，且形狀多屬于不規(guī)則，在此背景條件下，適合擾動圖斑的分割尺度則相對較大，可推斷出310是基于局部方差方法得到的最優(yōu)分割尺度，略微大于真值。

隨著F的增加，對象的個數(shù)減少，對象內(nèi)部的同質(zhì)性V(式(5))增加，歸一化后的 Vnorm減小(圖6)。對象間的異質(zhì)性M數(shù)則隨尺度增大而呈下降趨勢，與 G．Espindola等［8］和殷瑞娟等［16］的研究結(jié)果相似，而歸一化后的異質(zhì)性Mnorm呈增加的趨勢(圖6)。平衡了對象內(nèi)同質(zhì)性和對象間異質(zhì)性的目標函數(shù)F(x)隨F的變化規(guī)律整體上呈下降趨勢，線性斜率為－0.007;但是在F為300時刻取得最大值1.2，依據(jù)目標函數(shù)確定最優(yōu)分割尺度的原理，尺度300為最優(yōu)分割尺度，與真值一致。

圖5 對象局部方差和方差變化率隨尺度F的變化規(guī)律Fig．5 Changes in local variance and change rate of LV with segmentation scale increasing

圖6 V norm、M norm和目標函數(shù)F(x)隨尺度F的變化規(guī)律Fig．6 Changes in V norm，M norm and object function F(x)with segmentation scale increasing

3.3 生產(chǎn)建設擾動圖斑的識別

基于最優(yōu)分割尺度得到的分割影像，利用野外調(diào)查、無人機航片得到解譯標志(表1)，為面向?qū)ο蟮谋O(jiān)督分類建立訓練樣本，樣本的選擇綜合考慮了光譜、紋理及形狀等特性信息。利用面向?qū)ο蟮谋O(jiān)督分類中的最鄰近方法實現(xiàn)對生產(chǎn)建設擾動圖斑的識別(圖7中紅色部分)。同時，為了更好地說明最優(yōu)分割尺度與識別精度的一致性，計算了其他分割尺度下的生產(chǎn)建設擾動圖斑，但考慮到分割尺度低于150時，區(qū)域內(nèi)圖斑個數(shù)超過3 000，圖像分割過于破碎，使得地物類型弱化、甚至丟失了紋理和形狀特征，不利于面向?qū)ο蠓诸悓嵤?，必然會造成識別精度的降低，因此本文只對≥150分割尺度生產(chǎn)建設擾動圖斑進行了識別。

依據(jù)現(xiàn)場調(diào)查的圖片、空間分辨率低于0.1 m的無人機航片和其它前期獲取的統(tǒng)計資料，人工繪制了研究區(qū)域內(nèi)生產(chǎn)建設擾動范圍(圖7藍色方框標注范圍)，并以此為真值，對計算機識別的生產(chǎn)建設擾動圖斑進行了精度檢驗，精度檢驗采用用戶精度(用戶精度=Sr/Sa×100，式中:Sr為被正確識別出的面積;Sa為真實面積(圖7藍色方框內(nèi)的面積))和制圖精度(制圖精度=Sr/Si×100，式中Si為被計算機識別出的面積)。

精度檢驗結(jié)果見表2，生產(chǎn)建設擾動圖斑的制圖精度和用戶精度均是在最優(yōu)分割尺度下取得極大值，分別為86.3%和84.2%，說明最優(yōu)分割尺度與識別精度存在一致性。對比最優(yōu)分割尺度與其他較小分割尺度，可以發(fā)現(xiàn)影像分割尺度并非越小越好，當分割尺度很小時，雖然對象內(nèi)部光譜無差異，但是同類地物不同對象之間的光譜差異就會明顯的表現(xiàn)出來，同時對象的形狀幾何信息也會在一定程度上丟失，會造成地物識別的精度明顯偏低。

圖7 最優(yōu)分割尺度下的生產(chǎn)建設擾動圖斑識別結(jié)果Fig．7 Identified result of construction disturbance patches based on optimal segmentation scale

表2 各分割尺度下的生產(chǎn)建設擾動圖斑識別精度Tab．2 Accuracies of construction disturbance patches on different segmental scales%

最優(yōu)分割尺度下用戶精度略小于制圖精度，即被計算機識別出的生產(chǎn)建設擾動圖斑面積大于實際面積，說明識別結(jié)果中出現(xiàn)了其他類型地物被錯分為生產(chǎn)建設擾動圖斑，與圖7所示的最優(yōu)分割尺度下的生產(chǎn)建設擾動圖斑識別結(jié)果較為一致，且這些錯分部分多出現(xiàn)在道路以及小型居民點的周圍，主要原因是施工中的生產(chǎn)建設項目與其相毗鄰的道路或者小型居民點的光譜差異較小，同時地表復雜且不規(guī)則的格局加大了識別難度。此外，在生產(chǎn)建設項目內(nèi)部，一些輕度擾動的地塊，因為與自然地物光譜特征差異較小，容易漏分。對于生產(chǎn)建設擾動圖斑識別中出現(xiàn)的錯分/漏分圖斑，建立了錯分/漏分數(shù)據(jù)庫，為研究區(qū)域及以外的其它地區(qū)提高分類精度提供參考依據(jù)。

4 結(jié)論

1)基于目標函數(shù)方法獲取的最優(yōu)分割尺度與實際結(jié)果一致，而基于局部方差方法計算得到的最優(yōu)分割尺度略微偏大，偏大3.3%。

2)最優(yōu)分割尺度與識別精度存在一致性?；诿嫦?qū)ο蟮谋O(jiān)督分類方法，在最優(yōu)分割尺度下的生產(chǎn)建設擾動圖斑識別精度較其他分割尺度較高，制圖精度和用戶精度分別達到86.3%和84.2%。

筆者結(jié)合目標函數(shù)方法和局部方差方法計算了生產(chǎn)建設擾動圖斑最優(yōu)分割尺度。值得指出的是，本文計算出的最優(yōu)分割尺度在不同的遙感影像源、不同地表覆蓋特征下可能會存在差異，但是獲取生產(chǎn)建設擾動圖斑最優(yōu)分割尺度的過程和思路具有普適性。今后會針對不同特征的地表覆蓋對生產(chǎn)建設擾動圖斑的最優(yōu)分割尺度做進一步的研究。

［1］ 張焜，馬世斌，劉麗萍．基于SPOT5數(shù)據(jù)的鹽湖礦產(chǎn)開發(fā)及礦山環(huán)境遙感監(jiān)測［J］．國土資源遙感，2012，24(3):146．ZHANG Kun，MA Shibin，LIU Liping．Remotesensing monitoring of the mineral resources exploration and mining environment of the Salt Lake based on SPOT5 Data［J］．Remote Sensing For Land ＆ Resources，2012，24(3):146．

［2］ 王麗云，李艷，汪禹芹．基于對象變化矢量分析的土地利用變化檢測方法研究［J］．地球信息科學學報，2014，16(2):307．WANG Liyun，LI Yan，WANG Yuqin．Research onland use change detection based on an object-oriented change vector analysis method［J］．Journal of Geo-information Science，2014，16(2):307．

［3］ DRGU爩L，TIEDE D，LEVICK SR．ESP:a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data［J］．International Journal of Geographical Information Science，2010，24(6):859．

［4］ RYHERD S，WOODCOCK C．Combining spectral and texture data in the segmentation of remotely sensed images［J］．Photogrammetric Engineering and Remote Sensing，1996，62(2):181．

［5］ GAO Y，MAS J F，KERLE N，et al．Optimal region growing segmentation and its effect on classification accuracy［J］．International Journal of Remote Sensing，2011，32(13):3747．

［6］ KIM M，WARNER T A，MADDEN M，et al．Multi-scale GEOBIA with very high spatial resolution digital aerial imagery:scale，texture and image objects［J］．International Journal of Remote Sensing，2011，32(10):2825．

［7］ WHITESIDE T G，BOGGSG S，MAIER SW．Comparing object-based and pixel-based classifications for mapping savannas［J］．International Journal of Applied Earth Observation and Geoinformation，2011，13(6):884．

［8］ ESPINDOLA G，CMARA G，REISI，et al．Parameter selection for region-growing image segmentation algorithms using spatial autocorrelation［J］．International Journal of Remote Sensing，2006，27(14):3035．

［9］ ZHANG H，F(xiàn)RITTS J E，GOLDMAN S A．Image segmentation evaluation:a survey of unsupervised methods［J］．Computer Vision and Image Understanding，2008，110(2):260．

［10］ 于歡，張樹清，孔博，等．面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究［J］．中國圖象圖形學報，2010(2):352．YU Huan，ZHANG Shuqing，KONG Bo，et al．Optimal segmentation scale selection for object-oriented remote sensing image classification［J］．Journal of Image and Graphics，2010(2):352．

［11］ 汪求來．面向?qū)ο筮b感影像分類方法及其應用研究［D］．南京:南京林業(yè)大學，2008．WANG Qiulai．Study on object-oriented remote sensing image classification and its application-taking urban vegetation extraction in Futian Shenzhen city as example［D］．Nanjing:Nanjing Forestry University，2008．

［12］ 陳春雷，武剛．面向?qū)ο蟮倪b感影像最優(yōu)分割尺度評價［J］．遙感技術與應用，2011，26(1):96．CHEN Chunlei，WU Gang．Evaluation of optimal segmentation scale with object-oriented method in remote sensing［J］．Remote Sensing Technology and Application，2011，26(1):96．

［13］ BAATZ M，SCHPE A．Object-oriented and multiscale image analysis in semantic networks［C］．Proceedings of the 2nd international symposium:operationalization of remote sensing，1999．August 16th–20th，Enschede．ITC，Enschede，The Netherlands．7 －13．

［14］ DURO D C，F(xiàn)RANKLIN SE，DUBM G．A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery ［J］．Remote Sensing of Environment，2012，118:259．

［15］ JOHNSON B，XIE Z．Unsupervised image segmentation evaluation and refinement using a multi-scale approach［J］．ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(4):473．

［16］ 殷瑞娟，施潤和，李鏡堯．一種高分辨率遙感影像的最優(yōu)分割尺度自動選取方法［J］．地球信息科學學報，2013，15(6):902．YIN Ruijuan，SHI Runhe，LI Jingyao．Automatic selection of optimal segmentation scale of high-resolution remote sensing images［J］．Journal of Geo-information Science，2013，15(6):902．