干旱區(qū)水澆地提取研究

顧云志 曹月娥 趙珮珮

摘要：以新疆和田地區(qū)墨玉縣闊依其鄉(xiāng)薩達(dá)克村為研究區(qū)，利用高分二號遙感影像的紋理和光譜特征，采用閾值分割與數(shù)學(xué)形態(tài)學(xué)算法，研究出一種面向?qū)ο蟮亩嗵卣魅诤系母珊祬^(qū)水澆地地塊提取方法。結(jié)果表明，利用閾值分割算法和數(shù)學(xué)形態(tài)學(xué)算法4個幾何特征參數(shù)面積、周長、完整度、延伸率可以有效剔除細(xì)小圖斑，準(zhǔn)確提取水澆地邊界及面積。通過研究區(qū)實地核查，地塊面積提取精度為90.08%，利用隨機(jī)樣本點驗證水澆地總體分類精度達(dá)到96.33%，Kappa系數(shù)為91.72%。

關(guān)鍵詞：水澆地;地塊提取;特征融合

中圖分類號： S127 ?文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2021）10-0176-07

水澆地作為中國北方地區(qū)糧食生產(chǎn)的主要載體，掌握其使用現(xiàn)狀及面積變化，對于保證國家糧食安全和農(nóng)業(yè)可持續(xù)發(fā)展具有重要作用。以往水澆地監(jiān)測是依據(jù)地面調(diào)查方法，進(jìn)行逐級匯總，對于小范圍地域的精細(xì)化種植管理具有重要作用[1]，但這種方法消耗大量的人力、物力及財力，實施效率低下。隨著農(nóng)業(yè)現(xiàn)代化的發(fā)展，大范圍實時耕地監(jiān)測成為一種新趨勢，航空攝影、遙感衛(wèi)星提供高時空分辨率圖像已經(jīng)成為耕地監(jiān)測的主要數(shù)據(jù)源[2-3]。利用圖像通過地物的光譜、紋理、形狀特征能夠比較準(zhǔn)確地提取水澆地的分布現(xiàn)狀，能夠?qū)r(nóng)作物的播種、生長狀況進(jìn)行監(jiān)測，同時對糧食估產(chǎn)也可以提供基礎(chǔ)數(shù)據(jù)。

當(dāng)前，多光譜、高光譜和光學(xué)合成孔徑雷達(dá)（SAR）等圖像數(shù)據(jù)已經(jīng)在資源調(diào)查、環(huán)境監(jiān)測等方面廣泛應(yīng)用[4]，多光譜和高光譜數(shù)據(jù)融合成為提取土地利用的主要手段。根據(jù)研究內(nèi)容及尺度，現(xiàn)有研究數(shù)據(jù)源涉及低、中、高等3種分辨率圖像，其中MODIS[5]、NOAA等低空間分辨率的影像主要用于大尺度的植被變化監(jiān)測及生態(tài)環(huán)境變化研究，而中高空間分辨率影像Sentinel-2、LandSet TM、SPOT、QuickBird、WorldView-1等在中小尺度地物識別及土地利用類型變化監(jiān)測中應(yīng)用較多。隨著中國高分遙感系列衛(wèi)星取得重大成功，其高時空分辨率影像產(chǎn)品應(yīng)用于建筑物、河流湖泊、農(nóng)業(yè)種植等各類地物提取[6]，為土地合理利用開發(fā)提供了基礎(chǔ)數(shù)據(jù)保障。水澆地提取關(guān)鍵就是對圖像進(jìn)行分割，主要利用圖像灰度值特征[7]、紋理特征及形態(tài)學(xué)特征[8]對地塊進(jìn)行分割。圖像分割算法常用的主要有4個：基于閾值的分割方法[9-10]，利用二值化圖像灰度直方圖進(jìn)行分割[11];基于邊緣檢測的分割方法[12]，通過計算圖像局部的微分算子進(jìn)行分割[13]，主要算法包括Roberts算子、Sobel算子、Canny邊緣檢測器[14];基于區(qū)域的分割方法，依據(jù)像素的灰度級進(jìn)行分割與合并[15];形態(tài)學(xué)分水嶺算法，首先將圖像抽象化為三維，再依據(jù)圖像梯度劃定其分水嶺分割線[16]，進(jìn)而再對圖像分割?；谕粓D像高頻和低頻分量的不同，在不同地物邊緣分割時采用雙閾值和多結(jié)構(gòu)數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行[17]。深度學(xué)習(xí)蓬勃發(fā)展過程中，聚類分析、模糊集理論[18]、基因編碼、小波變換[19]等理論逐步融入到圖像分割中，使分割精度提升。如何利用圖像自身特征及適宜算法提升耕地提取精度成為農(nóng)業(yè)信息獲取的研究熱點。

新疆南疆地區(qū)土地利用狀況復(fù)雜，防風(fēng)沙林地及土地擴(kuò)張，導(dǎo)致耕地破碎化程度變高。因此，為提升耕地利用效率需要準(zhǔn)確提取耕地的邊界和面積。本研究利用GF-2遙感影像，選取新疆和田地區(qū)墨玉縣薩達(dá)克村為研究區(qū)，以薩達(dá)克村耕地（水澆地）為研究對象，綜合利用影像光譜、紋理、形狀特征，結(jié)合閾值分割、數(shù)學(xué)形態(tài)學(xué)算法，研究一種面向?qū)ο蟮亩嗵卣魅诤系乃疂驳靥崛》椒?，以期為新時期干旱區(qū)農(nóng)業(yè)發(fā)展提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

薩達(dá)克村位于新疆和田地區(qū)墨玉縣（圖1），處于喀拉喀什河沖積扇平原、塔克拉瑪干沙漠南緣，屬于暖溫帶干燥荒漠氣候，常年受風(fēng)沙侵害。薩達(dá)克村經(jīng)濟(jì)發(fā)展以第一產(chǎn)業(yè)為主，糧食作物耕種是耕地利用的主要形式，其土地利用現(xiàn)狀為耕地與居民點、交通用地、防護(hù)林交錯，造成耕地信息統(tǒng)計困難。

1.2 數(shù)據(jù)來源及預(yù)處理

本研究采用2019年12月5日國產(chǎn)高分二號（GF-2）影像數(shù)據(jù)，GF-2衛(wèi)星擁有極高的空間分辨率，對于地物類型提取擁有高精確度，其有效荷載技術(shù)指標(biāo)見表1。

基于研究目的及數(shù)據(jù)特點，利用幾何校正模型（RPC）對影像數(shù)據(jù)進(jìn)行正射校正，然后依據(jù)中國資源衛(wèi)星應(yīng)用中心公布的高分二號的定標(biāo)參數(shù)和光譜響應(yīng)函數(shù)對處理后的影像進(jìn)行輻射校正，并采用基于最小二乘法的光譜銳化（Gram-Schmidt pan sharpening，GS）影像融合方法對全色影像與多光譜影像進(jìn)行疊加融合，同時對圖像進(jìn)行去噪處理，并利用行政邊界進(jìn)行裁剪，獲取薩達(dá)克村的GF-2影像數(shù)據(jù)。

1.3 研究方法

1.3.1 紋理特征提取 紋理信息是地表覆被類型細(xì)節(jié)的反映，不同類型地物的紋理特征表現(xiàn)形式是不同的[20]，主要通過圖像區(qū)域內(nèi)灰度變化為特征，顯示為色調(diào)作為等級函數(shù)在空間上的變化。圖像紋理特征通過交互式直方圖均衡化拉伸實現(xiàn)輻射增強(qiáng)，通過凸顯地物的內(nèi)部具體紋理構(gòu)造，對不同地物進(jìn)行細(xì)致劃分。由于影像各波段紋理特征具有同一性，因此利用單波段對影像紋理特征提取就能夠?qū)Φ匚锝Y(jié)構(gòu)、影紋等紋理基本單元進(jìn)行深度數(shù)據(jù)挖掘[21]。圖像多光譜、紋理特征兩者結(jié)合可以體現(xiàn)圖像中不同地物類型的宏觀屬性與微觀特征，有效提升整個圖像中的地物識別度及分類精度。因此，本研究利用紅波段對水澆地紋理特征進(jìn)行提取，采用灰色空間相關(guān)性矩陣（gray level co-occurrence matrix，GLCM）計算圖像紋理特征值。其中，紋理特征值是通過計算圖像中特定距離和方向計算某個像元周邊各個灰度級之間的聯(lián)合概率密度獲取該像元像素的最大概率灰度值，常用的主要紋理特征因子[22]有均值ME=∑N-1i，j=0iPi，j、方差VA=∑N-1i，j=0iPi，j（i-ME）2、對比度CO=∑N-1i，j=0iPi，j（i-j）2、同質(zhì)性HO=∑N-1i，j=0iPi，j1+（i-j）2、異質(zhì)性DI=∑N-1i，j=0iPi，j|i-j|、熵EN=∑N-1i，j=0iPi，j（-lnPi，j）、二階矩SM=∑N-1i，j=0iPi，j2、相關(guān)性CC=∑N-1i，j=0iPi，j（i-ME）（j-ME）VAiVAj。其中Pi，j=Vi，j/∑N-1i，j=0Vi，j，式中，Vi，j為窗口單元格的第i行和第j列的數(shù)值;N為行列數(shù)。

紋理信息作為空間范疇內(nèi)特征，選擇合適的觀察窗口對地物邊界提取十分重要。較小的觀察窗口利用波段紋理同一性的變化可以區(qū)分不同地物類型紋理邊界，但圖斑細(xì)碎化程度高;較大的觀察窗口在紋理同一性檢測方面效果好，能夠準(zhǔn)確識別連片地物，但紋理邊界辨別度較差，在不同地物分界線劃定時誤差率高。因此本研究采取多個像元觀察窗口（3×3、5×5、7×7、9×9）提取圖像紋理特征，然后將不同觀察窗口紋理提取結(jié)果進(jìn)行對比，確定最適宜觀察窗口，以準(zhǔn)確分離出各地類邊界。

1.3.2 閾值分割及邊緣檢測 高分二號遙感影像中，同一地物中內(nèi)部光譜紋理信息相對一致，但其中普遍存在“椒鹽”現(xiàn)象，呈現(xiàn)出由噪聲產(chǎn)生的各種形狀不一、破碎的像元，嚴(yán)重影響提取準(zhǔn)確性。通過閾值分割可以有效消除噪聲影響，但在提取過程中，水澆地與小塊建設(shè)用地、林地圖斑相似性較高，會出現(xiàn)較多相互融合像元，不易被分割，因此采用Canny邊緣檢測算子對地物邊界進(jìn)行分割提取。Canny邊緣檢測算子[23]主要分為5個步驟：利用高斯濾波器將圖像平滑及消除噪聲;計算像元區(qū)域周圍梯度強(qiáng)度和近似偏移方向;通過非極大值抑制消除像元雜散響應(yīng);利用雙閾值或多閾值探測潛在的地類邊緣;抑制孤立的像元弱邊緣，最終完成整個圖像各地類的邊緣檢測。Canny邊緣檢測算子能夠從不同視覺方向提取地物類別結(jié)構(gòu)信息，準(zhǔn)確分離每個地類的邊界，將影像細(xì)分為不同地物圖斑，對于干旱區(qū)水澆地中破碎地塊提取效果顯著。

1.3.3 數(shù)學(xué)形態(tài)學(xué)算法 地理環(huán)境因素條件下，干旱區(qū)水澆地四周環(huán)繞著大片林地，因此在閾值分割和邊緣檢測之后還需要利用數(shù)學(xué)形態(tài)學(xué)算法對地類與已定義的目標(biāo)結(jié)構(gòu)元素進(jìn)行特定運算，以得到水澆地的具體形態(tài)邊界，實現(xiàn)地塊識別與分類[24]。形態(tài)學(xué)是基于特定目標(biāo)形狀的一種算法，體現(xiàn)為圖像中每個像元的分類結(jié)果值取決于鄰近區(qū)域的像元像素值及整體目標(biāo)的形態(tài)。數(shù)學(xué)形態(tài)學(xué)運算中，主要是利用結(jié)構(gòu)采集獲取圖像的信息，通過自身所擁有的灰度、形狀特征，在移動過程中對其所經(jīng)過的區(qū)域進(jìn)行邏輯運算，并將運算的結(jié)果保留在原始的像元點上[25]。目標(biāo)結(jié)構(gòu)元素中形狀特征的類型主要有任意型、線型、方型、矩型、菱型、碟型等。對于干旱區(qū)水澆地而言，其呈現(xiàn)為不規(guī)則形狀，存在顯著的向異性特點，因此選用任意型結(jié)構(gòu)元素。任意型結(jié)構(gòu)能夠有效地去除不同尺度下的噪聲和與目標(biāo)不相關(guān)的圖像像元，最終留下水澆地的圖斑信息。

數(shù)學(xué)形態(tài)學(xué)基本運算包括膨脹、腐蝕、開運算、閉運算等[26]。膨脹運算能夠?qū)⒛繕?biāo)地類背景融合，填充目標(biāo)中所存在的孔隙;腐蝕運算使目標(biāo)縮小，可以消除圖像中小于結(jié)構(gòu)元素的像元;開運算在膨脹和腐蝕運算的基礎(chǔ)上，突出圖像明亮細(xì)節(jié)及平滑圖像的較大地類的邊緣;閉運算基于膨脹及腐蝕運算突出圖像中較暗的細(xì)節(jié)，并使地類的位置及面積保持不變?；跀?shù)學(xué)形態(tài)學(xué)運算類型特征，為準(zhǔn)確獲取水澆地的邊界及面積信息，本研究采取開運算與閉運算相結(jié)合的混合算法提取水澆地信息。

1.3.4 混淆矩陣精度驗證 水澆地提取精度結(jié)果利用圖像分類常用的混淆矩陣進(jìn)行驗證。通過將實地調(diào)查結(jié)果與提取結(jié)果進(jìn)行混淆矩陣運算，論證多特征融合算法的準(zhǔn)確性與可靠性。混淆矩陣的精度驗證一般考慮總體分類精度和Kappa系數(shù)（K）[27]，兩者數(shù)值越高，則表明采用的分類方法越好，分類效果越顯著。

總體分類精度=（TP+TN）/（TP+FN+FP+TN）;K=N∑xk-∑xkk∑x∑kN2-∑xkk∑x∑k

式中：TP為正確分類到水澆地的像元數(shù)，為真正類;TN為準(zhǔn)確分到非水澆地的像元數(shù)，為真負(fù)類;FN為水澆地誤分到其他類別中的像元數(shù)，為假負(fù)類;FP為其他類誤分到水澆地像元數(shù)，為假正類。N=TP+FN+FP+TN，代表像元總數(shù);x為類別數(shù)目，k為對角線上的數(shù)目，∑xkk為混淆矩陣對角線上的和，∑xkk∑x∑k為某一類別中真實參考像元總數(shù)與該類別中被分類的像元總數(shù)之積對所有類別求和的結(jié)果。

2 結(jié)果與分析

2.1 影像紋理特征提取最優(yōu)窗口選擇

本研究基于ENVI中的Co-occurrence 度量工具，采用3×3、5×5、7×7、9×9等4種不同觀察窗口確定最優(yōu)窗口。利用最優(yōu)觀察窗口初步劃分水澆地與其他地類的邊界，同時弱化其他用地對水澆地提取的影響。通過卷積濾波中高通濾波器消除特定空間頻率，將圖像做增強(qiáng)處理，使其能夠保持圖像的高頻信息，銳化地塊紋理、邊緣信息。通過基于GLCM的主要紋理特征因子組合得出紋理信息，對不同觀察窗口進(jìn)行分析。各個觀察窗口紋理特征顯示及提取結(jié)果見圖2。結(jié)果表明，3×3像元的觀察窗口較小，會使圖斑細(xì)碎化程度變高，水澆地邊緣區(qū)域像元被誤分到道路、房屋等建設(shè)用地中，同時還造成水澆地邊緣過于曲折;隨著觀察窗口變大，7×7、9×9像元觀察窗口中圖像紋理特征值計算量變大和計算時間延長，使得較小的農(nóng)業(yè)設(shè)施及道路被同化到水澆地中，體現(xiàn)為水澆地邊界向外延伸，突破固有水澆地的形狀，提取效果變差。從整個圖像紋理信息提取效果來看，隨著像元窗口增大，光譜反射率高的建筑用地信息更加完整，而反射率較低的林地、水澆地信息則比較破碎。通過分析不同地類內(nèi)部紋理特征，分布散亂的林地信息及形狀規(guī)則的水澆地信息被從整個圖像中分離出來，形成單獨的紋理圖層。經(jīng)過平衡地類誤分割概率、計算時間及計算量，最終選取5×5觀察窗口作為最優(yōu)觀察窗口提取地物信息。

2.2 紋理與光譜特征結(jié)合

利用圖像紅波段的光譜特征提取水澆地信息，分類結(jié)果顯示其與建設(shè)用地分離程度明顯，但水澆地與林地仍存在較多像元混合的現(xiàn)象（圖3）。從整個過程來看，紋理信息特征展現(xiàn)了地類內(nèi)部細(xì)節(jié)特點，而光譜特征依據(jù)每個地類的光譜響應(yīng)曲線能夠判定其具體屬性，將圖像2個特征疊加后提取的水澆地結(jié)果見圖4。結(jié)果顯示，單波段提取水澆地過程中，水澆地與成片建設(shè)用地可以分離，但會出現(xiàn)與小面積建筑物、道路相互混淆的情況，而且地塊完整度較低，誤分概率大。但通過紋理與光譜信息結(jié)合則可以剔除細(xì)碎建筑用地及分散林地的干擾，提高水澆地地塊完整度，更好地凸顯水澆地邊緣信息。

2.3 閾值分割與形態(tài)學(xué)算法提取水澆地

基于紋理及光譜特征信息提取的結(jié)果，通過ENVI中基于特征提取的分割（segment only feature extraction workflow）工具對分割閾值進(jìn)行優(yōu)化調(diào)整，基于IDL平臺利用Canny邊緣檢測算法對水澆地邊界信息進(jìn)行提取（圖5），主要代碼如下。結(jié)果顯示，建設(shè)用地周邊的破碎地塊與林地仍存在部分像元相連，需要進(jìn)一步分割。

;Read a greyscale image

image=READ_TIFF（FILEPATH（‘Area_clip55_canny.tif，$ SUBDIRECTORY=[‘examples，‘data]））

;Resize the image

image=REBIN（image，505，605）

image=reverse（image，2）;數(shù)組x;水平翻轉(zhuǎn)：reverse（x，1）;垂直翻轉(zhuǎn)：reverse（x，2）

;Perform edge detection using defaults

filtered=CANNY（image）

;Create a window

WINDOW，XSIZE=758，YSIZE=605;

;Display the original and filtered images

TVSCL，image，0

TVSCL，filtered，1

對于水澆地中破碎地塊與分散林地像元混合的現(xiàn)象，采用數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行細(xì)分割。通過對閾值分割后的影像進(jìn)行數(shù)學(xué)形態(tài)學(xué)開運算和閉運算，銳化水澆地邊緣信息和建設(shè)用地周邊地物的細(xì)節(jié)信息，再利用水澆地固有的幾何特征（面積Area、周長Perimeter、完整度Solidity、延伸率Elongation）去除非水澆地圖斑。經(jīng)過多次幾何特征參數(shù)調(diào)整，使水澆地提取達(dá)到良好效果。本研究采用的幾何特征參數(shù)為：Ar<40，去除孤立的細(xì)碎圖斑;Ar>40、Per<30去除規(guī)則的細(xì)小圖斑;Sol>0.25、El<1去除其他不規(guī)則圖斑。通過上述算法及幾何特征運算，水澆地最終提取結(jié)果見圖6。

2.4 精度驗證

通過ArcGIS將水澆地提取結(jié)果轉(zhuǎn)換成矢量數(shù)據(jù)，并對圖層進(jìn)行投影坐標(biāo)轉(zhuǎn)換，利用獲取的水澆地分布狀況，統(tǒng)計水澆地面積。采用混淆矩陣中總體分類精度及Kappa系數(shù)對分類精度進(jìn)行評價。為保證精度準(zhǔn)確性，通過在區(qū)域內(nèi)隨機(jī)生成300個樣本點（圖7），獲取樣本點落在水澆地（圖8）及其他用地類型上的數(shù)量，進(jìn)而得到TP、TN、FP、FN數(shù)據(jù)，制作混淆矩陣（表2）?；诙嗵卣魅诤纤惴ㄌ崛〗Y(jié)果與實地調(diào)查結(jié)果匯總比較，得到最終分析結(jié)果。精度評價結(jié)果顯示，面向?qū)ο蟮亩嗵卣魅诤纤惴ㄌ崛∷疂驳孛娣e為97.29 hm2，而實地核查統(tǒng)計面積為108.00 hm2，自動提取精度達(dá)到90.08%，能夠準(zhǔn)確提取出水澆地空間位置分布及其現(xiàn)有面積。通過隨機(jī)生成的樣本點評價分類精度，結(jié)果顯示水澆地總體分類精度達(dá)到96.33%，Kappa系數(shù)為91.72%，證明面向?qū)ο蟮亩嗵卣魅诤纤惴軌蛴行M足水澆地提取需求，能夠為干旱區(qū)農(nóng)業(yè)可持續(xù)發(fā)展提供基礎(chǔ)耕地信息支持。

3 結(jié)論與討論

本研究利用GF-2影像的紋理、光譜、幾何特征，結(jié)合閾值分割、數(shù)學(xué)形態(tài)學(xué)算法，研究一種面向?qū)ο蟮亩嗵卣魅诤系母珊祬^(qū)水澆地提取方法。通過驗證該算法能夠準(zhǔn)確地提取干旱區(qū)水澆地邊界及面積，經(jīng)過與實地核查水澆地面積數(shù)據(jù)對比，提取精度達(dá)到90.08%。通過隨機(jī)樣本點驗證，結(jié)果顯示水澆地總體分類精度達(dá)到96.33%，Kappa系數(shù)為91.72%，地塊提取精度較高。在以往研究中，對于耕地提取主要是利用影像時相特征并結(jié)合光譜、紋理特征進(jìn)行[28-29];研究區(qū)域主要集中在農(nóng)業(yè)發(fā)展條件良好、耕地平整地區(qū);提取方法主要集中在圖像物理分割的算法方面[30]。而本研究依據(jù)已有研究成果，將幾個方面有機(jī)融合，提出一種基于多特征融合的水澆地提取方法，為準(zhǔn)確提取水澆地邊界及面積作出參考。此提取方法能夠有效發(fā)現(xiàn)耕地的變更狀況，準(zhǔn)確了解水澆地的分布狀況，為新時期干旱區(qū)農(nóng)業(yè)發(fā)展提供基礎(chǔ)耕地利用數(shù)據(jù)。

研究發(fā)現(xiàn)，水澆地與林地混交在道路及居民點附近，是造成水澆地提取困難、影響提取精度的主要因素。這種現(xiàn)象廣泛分布于中西部干旱區(qū)，主要是由于以耐旱樹種為代表的林地具有重要的生態(tài)作用，林地為保障以耕地及建設(shè)用地為代表的生產(chǎn)生活用地正常運轉(zhuǎn)被種植在其周邊區(qū)域。農(nóng)林混交種植一直被看作農(nóng)業(yè)信息提取精度提高的最大阻礙，隨著高分辨率影像作為數(shù)據(jù)源，并結(jié)合高程、蒸散發(fā)等多源數(shù)據(jù)和差值、土壤調(diào)節(jié)、比值等植被指數(shù)[22]，耕地信息提取精度才得到極大提高。未來耕地信息獲取必將以多源數(shù)據(jù)為基礎(chǔ)，依據(jù)長時間序列的圖像光譜、紋理、幾何特征，并結(jié)合多種算法及模型進(jìn)行。

本研究基于圖像紋理特征和光譜特征，運用閾值分割及數(shù)學(xué)形態(tài)學(xué)算法，并結(jié)合水澆地幾何特征的面積、周長、完整度、延伸率等4個參數(shù)對圖像細(xì)分割，最終自動提取獲得水澆地邊界及面積。在研究過程中，閾值分割及幾何特征中參數(shù)設(shè)置都是基于過往經(jīng)驗及經(jīng)過人為因素多次調(diào)試獲得，以尋求最佳參數(shù)值，獲取最優(yōu)提取結(jié)果。最優(yōu)參數(shù)值獲取需要在干旱區(qū)采集大量樣本進(jìn)行樣本數(shù)據(jù)集訓(xùn)練，運用大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)進(jìn)行擬合，通過仿真模擬，選取符合區(qū)域特點的參數(shù)特征值，提高提取精度，在這方面未來會進(jìn)行更加深入研究。

參考文獻(xiàn)：

[1]周 霞，劉彥文，姜宇榕，等. Landsat-8與GF-1遙感影像土地利用數(shù)據(jù)提取比較——以咸寧市為例[J]. 安徽農(nóng)業(yè)科學(xué)，2017，45（31）：213-215，237.

[2]龐新華，朱文泉，潘耀忠，等. 基于高分辨率遙感影像的耕地地塊提取方法研究[J]. 測繪科學(xué)，2009，34（1）：48-49.

[3]李 敏，崔世勇，李成名，等. 面向?qū)ο蟮母叻直媛蔬b感影像信息提取——以耕地提取為例[J]. 遙感信息，2008（6）：63-66，89.

[4]董彥芳，龐 勇，許麗娜，等. 高光譜遙感影像與機(jī)載 LiDAR 數(shù)據(jù)融合的地物提取方法研究[J]. 遙感信息，2014，29（6）：73-76，83.

[5]董婷婷，左麗君，張增祥. MODIS數(shù)據(jù)的水澆地提取[J]. 遙感學(xué)報，2009，13（3）：522-534.

[6]張銀輝. 農(nóng)用土地區(qū)衛(wèi)星遙感耕地信息提取及其動態(tài)監(jiān)測技術(shù)研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2002.

[7]白金婷，史園莉. 基于高分影像的面向?qū)ο笸恋乩米兓瘷z測方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46（增刊1）：297-303.

[8]覃 能. 基于高分辨率遙感影像耕地地塊提取方法研究[J]. 測繪標(biāo)準(zhǔn)化，2019，35（2）：29-32.

[9]雍萬鈴. 基于面向?qū)ο蠖喑叨确指畹哪繕?biāo)信息提取研究[D]. 蘭州：蘭州交通大學(xué)，2016：9-16.

[10]徐 軍. 多尺度分割與案例推理的高分辨率遙感影像信息提取方法[D]. 武漢：武漢大學(xué)，2017.

[11]Gang L，Xue X. Fusing texture，edge and line features for smoke recognition[J]. The Institution of Engineering and Technology，2019，13（14）：2805-2812.

[12]Hagara M，Kubinec P. About edge detection in digital images[J]. Radioengineering，2018，27（4）：919-929.

[13]曾建華，黃時杰. 典型圖像邊緣檢測算子的比較與分析[J]. 河北師范大學(xué)學(xué)報（自然科學(xué)版），2020，44（4）：295-301.

[14]Zhou C，Wang G，Huang H，et al. Edge detection based on joint iteration ghost imaging[J]. Optics Express，2019，27（19）：295-307.

[15]張 巖，趙玉濤，李光旭，等. 圖像的邊緣檢測技術(shù)研究進(jìn)展[J]. 計算機(jī)與數(shù)字工程，2020，48（5）：1176-1184，1232.

[16]張紫萍，程小凱，李景文. 基于分水嶺和多尺度分割方法的耕地信息提取[J]. 地理空間信息，2012，10（3）：51-53.

[17]崔麗群，張 月，田 鑫. 融合雙閾值和改進(jìn)形態(tài)學(xué)的邊緣檢測[J]. 計算機(jī)工程與應(yīng)用，2017，53（9）：190-194，200.

[18]王志波，高志海，王琫瑜，等. 基于面向?qū)ο蠓椒ǖ纳郴恋剡b感信息提取技術(shù)研究[J]. 遙感技術(shù)與應(yīng)用，2012，27（5）：770-777.

[19]宋 滸，張 利，許夢晗，等. 基于形態(tài)學(xué)和小波變換的圖像邊緣檢測方法[J]. 西南大學(xué)學(xué)報（自然科學(xué)版），2020，42（4）：105-111.

[20]吳艷雙，張曉麗. 結(jié)合多尺度紋理特征的高光譜影像面向?qū)ο髽浞N分類[J]. 北京林業(yè)大學(xué)學(xué)報，2020，42（6）：91-101.

[22]嚴(yán)宇宸. 基于紋理特征提取的圖像識別方法研究[J]. 電子元器件與信息技術(shù)，2019，3（11）：78-79.

[23]高凱旋，焦海明，王新闖. 融合影像紋理、光譜與地形特征的森林冠頂高反演模型[J]. 國土資源遙感，2020，32（3）：63-70.

[24]Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（6）：79-98.

[25]張金波. 灰度圖像的邊緣檢測算法研究[D]. 南京：東南大學(xué)，2019：23-30.

[26]馬 鵬. 基于形態(tài)學(xué)的遙感圖像地表水體分割與監(jiān)測方法研究[D]. 蘭州：蘭州交通大學(xué)，2018：7-10.

[27]張海東，田 婷，張 青，等. 基于GF-1影像的耕地地塊破碎區(qū)水稻遙感提取[J]. 遙感技術(shù)與應(yīng)用，2019，34（4）：785-792.

[28]黃啟廳，曾志康，謝國雪，等. 基于高時空分辨率遙感數(shù)據(jù)協(xié)同的作物種植結(jié)構(gòu)調(diào)查[J]. 南方農(nóng)業(yè)學(xué)報，2017，48（3）：552-560.

[29]王晶晶，孫 玲，王志明，等. 基于GF-2影像的江蘇耕地破碎地區(qū)景觀格局空間粒度效應(yīng)分析[J]. 江蘇農(nóng)業(yè)學(xué)報，2020，36（3）：606-612.

[30]舒 寧. 衛(wèi)星遙感影像紋理分析與分形分維方法[J]. 武漢測繪科技大學(xué)學(xué)報，1998（4）：91-94.