陳 震，張?jiān)艑?shí)，陳建平，安志宏

(1.中國地質(zhì)大學(xué)(北京) 地球科學(xué)與資源學(xué)院，北京 100083；2.中國國土資源航空物探遙感中心，北京 100083)

0 引 言

20世紀(jì)90年代中國在土地整治工作中引入了遙感監(jiān)測技術(shù)，是以提高了土地整治工作的質(zhì)量和效率[1]。尤其是遙感監(jiān)測技術(shù)在土地利用和土地覆蓋監(jiān)測方面的應(yīng)用，為土地整治工作做出了積極貢獻(xiàn)[2]。遙感監(jiān)測技術(shù)能為土地利用規(guī)劃工作提供數(shù)據(jù)來源，同時為土地利用規(guī)劃的正確實(shí)施提供技術(shù)支持[3-16]。

高標(biāo)準(zhǔn)農(nóng)田是指土地平整、集中連片、設(shè)施完善、農(nóng)電配套、土壤肥沃、生態(tài)良好、抗災(zāi)能力強(qiáng)，與現(xiàn)代農(nóng)業(yè)生產(chǎn)和經(jīng)營方式相適應(yīng)的旱澇保收、高產(chǎn)穩(wěn)產(chǎn)，劃定為永久基本農(nóng)田的耕地。目前全國高標(biāo)準(zhǔn)農(nóng)田面積已經(jīng)達(dá)到5.8億畝，高標(biāo)準(zhǔn)農(nóng)田建后利用過程中出現(xiàn)了“占、毀、調(diào)、退、荒”等情況。針對這些情況，開展高標(biāo)準(zhǔn)農(nóng)田建后利用情況遙感監(jiān)測勢在必行。如何實(shí)現(xiàn)對高標(biāo)準(zhǔn)農(nóng)田建后的遙感實(shí)時、精準(zhǔn)監(jiān)測成為亟待解決的問題，迫切需要針對高標(biāo)準(zhǔn)農(nóng)田建后的遙感影像分類方法進(jìn)行研究，對國家高標(biāo)準(zhǔn)農(nóng)田實(shí)行適時監(jiān)測，為高標(biāo)準(zhǔn)農(nóng)田建成后的實(shí)時監(jiān)管提供高效、精準(zhǔn)的決策信息。

根據(jù)國土遙感的實(shí)際需求設(shè)計的高分二號，可以為我國國土土地利用調(diào)查提供基礎(chǔ)數(shù)據(jù)。高分二號衛(wèi)星影像全色波段空間分辨率達(dá)到0.81 m，多光譜波段分辨率達(dá)到3.24 m[4]。其波段和空間分辨率設(shè)置比較適合國內(nèi)國土遙感監(jiān)測，這為高標(biāo)準(zhǔn)農(nóng)田建后利用情況監(jiān)測提供了實(shí)用、可靠的數(shù)據(jù)來源。

由于監(jiān)測面積大，人工解譯不能滿足工作需求，遙感自動監(jiān)測技術(shù)最終的落腳點(diǎn)在于遙感自動分類技術(shù)。進(jìn)行遙感影像自動分類的方法有很多,如常用的監(jiān)督分類方法、非監(jiān)督分類方法。在圖像自動分割方面，由于高標(biāo)準(zhǔn)農(nóng)田具有自相似的分形分布特征，因此在本研究中采用基于分形理論的圖像分割方法比較貼合實(shí)際。在監(jiān)督分類法中，最大似然法以及BP人工神經(jīng)元網(wǎng)絡(luò)、小波變換等方法比較常用[5]。其中的BP人工神經(jīng)網(wǎng)絡(luò)方法是由大量結(jié)構(gòu)簡單的數(shù)據(jù)處理單元廣泛連接而成的復(fù)雜、龐大的網(wǎng)絡(luò)，用來模擬人腦的工作機(jī)制，自1989 年首次用于遙感圖像分類以來，陸續(xù)得到推廣應(yīng)用[6]。目前具有分析光譜特征功能的BP神經(jīng)網(wǎng)絡(luò)遙感影像分類技術(shù)是針對高分辨

率影像的比較實(shí)用的分類技術(shù)[7]。

本文以廣東省東莞地區(qū)為研究區(qū)，選取2017年2 月15 日高分二號遙感數(shù)據(jù)作為數(shù)據(jù)源。首先對影像進(jìn)行人工解譯，然后實(shí)地驗(yàn)證；選取部分驗(yàn)證樣本作為測試樣本，利用分形理論分割圖像，采用MATALAB 2016a軟件自動選取訓(xùn)練樣本；最后利用BP神經(jīng)網(wǎng)絡(luò)對遙感影像進(jìn)行自動分類。本文的研究結(jié)果證明，分形圖像分割結(jié)合BP神經(jīng)網(wǎng)絡(luò)遙感分類方法精度較高，能較好地滿足高標(biāo)準(zhǔn)農(nóng)田建后利用情況遙感監(jiān)測的工作需求。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

廣東省東莞市位于中國華南地區(qū)，廣東省的南端，位于珠江口東岸、東江下游的珠江三角洲。地勢東南較高、西北較低。地貌以東南丘陵臺地、西北沖積平原為主。東南部多山，尤以東部為最，山體面積龐大，切割強(qiáng)烈，集中成片，起伏較大；西北部是東江下游沖積而成的三角洲平原，是地勢平坦、河網(wǎng)縱橫的圍田區(qū)；西南部為濱臨珠江口的沖積平原，地勢平緩而略低陷，是受海水潮汐影響較大的沙咸田地區(qū)。該地區(qū)屬熱帶季風(fēng)氣候，雨量充足，光照充分，氣候暖和，風(fēng)景宜人，適宜熱帶農(nóng)作物生長。研究區(qū)地理位置如圖1所示。

1.2 數(shù)據(jù)來源

本研究選用國產(chǎn)高分二號衛(wèi)星遙感數(shù)據(jù)。數(shù)據(jù)參數(shù)為：全色波段，0.45～0.90 μm。多光譜波段，波段1，0.45～0.52 μm；波段 2，0.52～0.59 μm；波段 3，0.63～0.69 μm；波段4，0.77～0.89 μm?？臻g分辨率：全色，1 m；多光譜，4 m。重訪周期(側(cè)擺時)5天。覆蓋周期(不側(cè)擺)69天。幅寬為45 km。

圖1 研究區(qū)地理位置圖Fig.1 Location of the study area

東莞地區(qū)每年3月到11月陰雨天氣較多，云層較多、較厚，不便于遙感監(jiān)測，所以本研究選擇2017年2月15日的高分二號遙感影像作為數(shù)據(jù)源。

2 遙感數(shù)據(jù)預(yù)處理

采用高斯—克呂格投影，3°分帶，平面坐標(biāo)系統(tǒng)采用1980西安坐標(biāo)系；高程系統(tǒng)采用1985國家高程基準(zhǔn)，IUG1975橢球體。

本研究遙感數(shù)據(jù)預(yù)處理總體流程：所有處理都在ENVI5.3軟件環(huán)境下進(jìn)行；經(jīng)過大氣校正、正射校正、幾何校正、圖像增強(qiáng)、融合、坐標(biāo)變換等預(yù)處理工作，消除了大氣散射、幾何畸變等誤差；采用Gram-Schmidt融合方法，坐標(biāo)系從WGS84坐標(biāo)系轉(zhuǎn)換成了西安1980坐標(biāo)系；最后增加了NDVI植被指數(shù)、K-Means非監(jiān)督分類結(jié)果兩個波段，增加了數(shù)據(jù)的維度，有利于提高高標(biāo)準(zhǔn)農(nóng)田建后利用分類的精度。

在圖像增強(qiáng)處理中，彩色合成是通過高分二號數(shù)據(jù)各波段相關(guān)性分析將其各波段分組劃分，高分二號(多光譜)各波段間相關(guān)系數(shù)矩陣如表1所示；然后按照劃分結(jié)果進(jìn)行波段組合，波段組合方案及OIF值如表2所示。

在對高分二號數(shù)據(jù)相關(guān)性分析的基礎(chǔ)上，計算3組波段組合的最佳指數(shù)，可知波段1/3/4組合最佳指數(shù)最大。選取這3個波段組合作為人工解譯信息提取的最佳波段組合，該組合包含最大的信息量。而在高分二號波段3、4、1彩色合成影像上，水體、植被與建筑物的界線明顯，為人工解譯、提取測試、驗(yàn)證樣本提供了方便，進(jìn)而為遙感自動分類奠定基礎(chǔ)。

表1高分二號(多光譜)各波段間相關(guān)系數(shù)矩陣

Table1MatrixofcorrelationcoefficientsamongmultispectralbandsfromGF-2satelliteimagery

波段波段1波段2波段3波段4波段11.000 0000.950 8180.904 3730.336 042波段20.950 8181.000 0000.966 9290.430 137波段30.904 3730.963 9291.000 0000.408 729波段40.336 0420.430 1370.408 7291.000 000

表2 波段組合方案及OIF值

3 研究方法

本研究首先對高分二號數(shù)據(jù)進(jìn)行了大氣校正、正射校正、幾何校正、圖像增強(qiáng)、融合、坐標(biāo)變換等預(yù)處理工作，在此基礎(chǔ)上進(jìn)行人工解譯，對疑似圖斑進(jìn)行實(shí)地驗(yàn)證，選取部分驗(yàn)證樣本作為測試樣本，然后利用MATALAB 2016a軟件編程實(shí)現(xiàn)分形圖像分割、自動選取訓(xùn)練樣本，結(jié)合BP神經(jīng)網(wǎng)絡(luò)對遙感影像進(jìn)行自動分類。根據(jù)人工解譯工作的經(jīng)驗(yàn)，正常生長的農(nóng)作物在遙感影像上一般呈均勻的淺綠色、綠色、深綠色、墨綠色等色調(diào)特征，并顯示出條帶狀、斑雜狀、片狀等形狀特征。而雜草在遙感影像上一般呈色調(diào)不均勻的綠色、淺綠色，片狀且紋理粗糙。樹木則呈深綠色或墨綠色色調(diào)特征以及斑點(diǎn)狀紋理特征。農(nóng)村房屋一般為規(guī)則的長方形，在遙感影像上一般呈邊界齊整藍(lán)色或紅色的長方形。該地區(qū)土壤在遙感影像上一般呈土黃色，色調(diào)均勻，線狀紋理。水泥道路在遙感影像上一般呈灰白色色調(diào)特征和線狀特征。沙石堆在遙感影像上一般呈白色、灰白色和灰色色調(diào)特征，斑點(diǎn)狀紋理，斑點(diǎn)大小不均勻。裸地在遙感影像上一般呈白色色調(diào)，耀眼，和相鄰地塊的反差強(qiáng)烈。

高標(biāo)準(zhǔn)農(nóng)田監(jiān)測工作中發(fā)現(xiàn)違規(guī)情況有“建設(shè)占用(占)、調(diào)整用途(調(diào))、荒蕪(荒)”三種情況。“占、調(diào)、荒”三種情況中，“占”和“調(diào)”兩種情況較難區(qū)分，根據(jù)“三調(diào)”項(xiàng)目新規(guī)定，耕作層被破壞的判定為“占”，耕作層沒被破壞且不為農(nóng)田的地塊判定為調(diào)整用途地塊。該地區(qū)解譯標(biāo)志和實(shí)地驗(yàn)證照片如表3所示。

3.1 基于分形特征的圖像分割

圖像分形分割法是根據(jù)圖像的特征(如灰度特征、顏色特征、紋理特征或形狀特征等)將圖像空間分割成不同的區(qū)域。本研究應(yīng)用的算法優(yōu)點(diǎn)是充分應(yīng)用了圖像的空間位置、排列信息，分割后的圖像是連續(xù)的。這類方法有很多種，如區(qū)域生長算法、分裂和合并算法、聚類法等。除了以上傳統(tǒng)的分割算法外，還有一些基于數(shù)學(xué)形態(tài)學(xué)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、小波分析和變化等的分割方法等。分形理論是在非線性數(shù)學(xué)領(lǐng)域發(fā)展起來的一門數(shù)理統(tǒng)計學(xué)科，它在圖像分割領(lǐng)域中也獲得了較好的分類效果[8]。

分形理論進(jìn)行圖像分割的原理是用圖像的灰度值分布的分形維數(shù)特征進(jìn)行分割[9]。分形維數(shù)直觀上與農(nóng)田的紋理相關(guān)聯(lián)，因此可用分形維數(shù)作為區(qū)分不同類別農(nóng)田地物的有效因子。計算圖像維度數(shù)的常用算法有Keller的盒維數(shù)算法、差分盒維數(shù)算法、Peleg的ε-毯子算法等[10]。分形維數(shù)可以用來描述自然界的自相似性。本研究利用高標(biāo)準(zhǔn)農(nóng)田自身的分形維數(shù)特性，來實(shí)現(xiàn)對高標(biāo)準(zhǔn)農(nóng)田遙感圖像的分割。

表3高標(biāo)準(zhǔn)農(nóng)田建后利用情況監(jiān)測遙感解譯標(biāo)志

Table3Remotesensinginterpretationsignsabouthighstandardfarmland

本研究圖像分形分割采用Peleg的ε-毯子方法，在此方法中，采用Richardson定律來估計分形維數(shù)[12]：

M(ε)=Kεd-D

(1)

式中：ε=1，2，3，…，為尺度因子；M(ε)是當(dāng)尺度為ε時的度量特征值；K是分形系數(shù)；D是分形維數(shù)；d是拓?fù)渚S數(shù)。

對于二維灰度圖像，M(ε)的取值就是圖像的表面積測度A(ε)：

A(ε)=Kε2-D

(2)

如果把遙感圖像的灰度值看成高程值，那么遙感圖像就是由灰度值形成的山丘，這個曲面的上、下兩個ε構(gòu)成厚度為2ε的“毯子”。對于取值不同的ε，可以用“毯子”的體積除以2ε獲得“毯子”的表面積，即圖像的表面積A(ε)。

具體算法如下：(1)在需處理的遙感影像中，截取多個M×M尺寸的窗口作為處理單元，從圖像左上角起始點(diǎn)開始，按照“ε-毯子”法依次計算處理各個窗口幾何中心像素的分形特征，從而將圖像灰度空間映射轉(zhuǎn)換到分形特征K空間；(2)用自適應(yīng)門限二值化K空間。找出分形特征K空間中最大值maxK，并選取合適的系數(shù)a(0

3.2 BP神經(jīng)網(wǎng)絡(luò)方法

圖2 計算分形特征K的流程圖Fig.2 The flow chart for K calculation

20世紀(jì)80年代中期，David等分別開發(fā)了誤差反向傳播算法(BP神經(jīng)網(wǎng)絡(luò)算法)，系統(tǒng)地解決了多層神經(jīng)網(wǎng)絡(luò)隱含層變更連接權(quán)的學(xué)習(xí)問題，并給出了數(shù)學(xué)上的完整推導(dǎo)。以這種誤差反向傳播算法進(jìn)行誤差校正的多層前饋網(wǎng)絡(luò)被稱為BP神經(jīng)網(wǎng)絡(luò)[8]。BP神經(jīng)網(wǎng)絡(luò)不需要事先確定輸入輸出之間映射關(guān)系的數(shù)學(xué)方程式，它把線性方程組的權(quán)值通過對樣本的訓(xùn)練進(jìn)行調(diào)整，從而學(xué)習(xí)分類規(guī)則，在給定輸入值時得到最接近期望值的輸出結(jié)果。具有隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 具有隱藏層的神經(jīng)網(wǎng)絡(luò)Fig.3 Neural network with hidden layers

圖3中相應(yīng)的數(shù)學(xué)公式如下所示：

(3)

(4)

(5)

(6)

式中：xi為各個變量；Wij為神經(jīng)元的權(quán)值；ai為輸入向量的各個分量；bi為偏置量；hw,b(x)為輸出層變量。

圖4 東莞地區(qū)高標(biāo)準(zhǔn)農(nóng)田的BP神經(jīng)網(wǎng)絡(luò)分類效果圖Fig.4 BP neural network classification of the high-standard farmland in Dongguan

基本BP神經(jīng)網(wǎng)絡(luò)算法包括訓(xùn)練樣本信息的前向傳播以及誤差的反向傳播兩個過程。算法中信號經(jīng)過分量運(yùn)算后正向傳播時，輸入信號通過了隱含層并對輸出節(jié)點(diǎn)產(chǎn)生作用，經(jīng)過非線性變換，生成輸出信號(向量)，輸出信號(向量)與期望向量做交叉熵，交叉熵值(Loss)轉(zhuǎn)入誤差的網(wǎng)絡(luò)反向傳播過程。BP神經(jīng)網(wǎng)絡(luò)的誤差反傳是將交叉熵值通過隱含層向前面的輸入層逐層反傳，在反傳過程中調(diào)整各神經(jīng)元的權(quán)值。誤差反饋過程中通

過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度(權(quán)值)和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的聯(lián)接強(qiáng)度(權(quán)值)以及相應(yīng)閾值，使誤差沿一定的梯度下降，經(jīng)過反復(fù)對訓(xùn)練樣本的學(xué)習(xí)訓(xùn)練，網(wǎng)絡(luò)各層神經(jīng)元的權(quán)值大小趨于穩(wěn)定，如果沒有出現(xiàn)過擬合現(xiàn)象，訓(xùn)練即可停止。這樣得到的神經(jīng)網(wǎng)絡(luò)中各權(quán)值已經(jīng)確定，非線性方程組模型已經(jīng)形成，它能對相似的樣本自行處理并輸出交叉熵最小的非線性轉(zhuǎn)換后的分類信息。

3.3 分形圖像分割與BP神經(jīng)網(wǎng)絡(luò)的關(guān)系

根據(jù)圖像像元的DN值，通過分形理論把圖像矩陣分成不同維度的區(qū)域，實(shí)現(xiàn)對圖像的分割，然后在不同的分割區(qū)域中選取32×32像元尺寸大小的矩陣作為訓(xùn)練樣本，再把訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得出訓(xùn)練模型用于對待測的樣本進(jìn)行識別，最后得到分類效果圖。本研究在實(shí)地驗(yàn)證的圖斑中截取32×32像元尺寸大小的矩陣作為BP神經(jīng)網(wǎng)絡(luò)的測試樣本，這樣做對保障精度評價的準(zhǔn)確性具有較好的作用。

4 結(jié)果與分析

在對圖像進(jìn)行了分形分割后，再利用BP神經(jīng)網(wǎng)絡(luò)對遙感圖像自動分類，并結(jié)合人工解譯和實(shí)地驗(yàn)證，獲得了適合東莞地區(qū)高標(biāo)準(zhǔn)農(nóng)田的遙感影像自動分類方法。

分形理論考慮了自然界的自相似特點(diǎn)，所以基于分形特征的圖像分割算法也是一種比較接近自然，且較為實(shí)用的圖像分割方法。本研究中分形維數(shù)特征已成為農(nóng)田分類的一個重要特征。采用“ε-毯子”法(MATLAB2016a軟件編程實(shí)現(xiàn))來獲取高標(biāo)準(zhǔn)農(nóng)田圖像的分形維數(shù)，維度為5，分別對應(yīng)農(nóng)田、水體、調(diào)整用途、占用、荒蕪這5類地物。

利用上述方法對東莞地區(qū)的農(nóng)田進(jìn)行分類，結(jié)果如圖4所示。首先，對東莞地區(qū)遙感影像(圖4(a))進(jìn)行分形處理，識別出農(nóng)田、水體、調(diào)整用途、占用、荒蕪這5類地物的分布情況(圖4(b)—(f))，為下一步的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試樣本的選取提供基本信息，這樣樣本的選取就具有了很大的針對性。截取32×32像元尺寸的標(biāo)準(zhǔn)圖像矩陣作為樣本矩陣，分割出的農(nóng)田、水體以及荒蕪與周邊的地物區(qū)別明顯。占用和調(diào)整用途由于情況復(fù)雜，類型較多?？偟膩砜?，分類效果明顯。

把所有地物類型的分類效果圖疊加就形成總分類圖，如圖4(g)所示。最后提取所有類型的矢量邊界如圖4(h)所示，這樣就大大提高了人工解譯的效率。

表4 BP神經(jīng)網(wǎng)絡(luò)分類方法的混淆矩陣

由于綜合考慮了圖像的分形特征，并結(jié)合了人工解譯和實(shí)地驗(yàn)證，使輸入BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本以及測試樣本的總體質(zhì)量得到提高。該分類方法的總體精度為80.112 2%，Kappa系數(shù)為0.761 1，混淆矩陣如表4所示。

綜上所述，分形圖像分割結(jié)合BP神經(jīng)網(wǎng)絡(luò)遙感分類方法的精度較高，能較好地滿足研究區(qū)高標(biāo)準(zhǔn)農(nóng)田建后利用情況遙感監(jiān)測的工作需求。

5 結(jié) 論

本文采用分形圖像分割結(jié)合BP神經(jīng)網(wǎng)絡(luò)的遙感圖像自動分類方法，對廣東東莞高標(biāo)準(zhǔn)農(nóng)田建后利用情況進(jìn)行分類識別，評價結(jié)果的總體精度為 80.112 2%，Kappa 系數(shù)為0.761 1，總體精度較高，較好地滿足了研究區(qū)高標(biāo)準(zhǔn)農(nóng)田建后利用情況遙感監(jiān)測的需求。該方法充分考慮高標(biāo)準(zhǔn)農(nóng)田地物的自相似分形特征以及光譜特征，能充分反映高標(biāo)準(zhǔn)農(nóng)田的關(guān)鍵信息，是一種比較適合于農(nóng)田遙感監(jiān)測的自動分類方法。本文的成果能以點(diǎn)帶面在全國推廣，為全國高標(biāo)準(zhǔn)農(nóng)田建后利用情況的實(shí)時監(jiān)管提供高效、精準(zhǔn)的決策信息，為國家耕地保護(hù)、糧食安全提供技術(shù)支撐。

參考文獻(xiàn)：

[1] 孫丹峰，楊冀紅，劉順喜. 高分辨率遙感衛(wèi)星影像在土地利用分類及其變化監(jiān)測的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報，2002，18(2)：160-164.

[2] 郭文娟,張佳華. 利用ASTER遙感資料提取南京城郊土地利用信息的研究[J].農(nóng)業(yè)工程學(xué)報，2005，21(9)：62-66.

[3] 張超，李智曉，李鵬山，等. 基于高分辨率遙感影像分類的城鎮(zhèn)土地利用規(guī)劃監(jiān)測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015, 46(11)：323-328.

[4] 陳凱，羅兆楠，王小松，等. 特高壓工程施工利用高分二號遙感影像進(jìn)行水土保持遠(yuǎn)程監(jiān)測研究[J].地理信息世界，2016，23(3)：108-113.

[5] 吳洪濤,劉晶東. 幾種基于高分辨率遙感影像分類技術(shù)的分析與探討[J]. 測繪與空間地理信息，2008，31(2)：47-51.

[6] 石麗. 基于BP 神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的遙感圖像分類試驗(yàn)[J]. 科技信息，2014 (13)：74-75.

[7] 陳啟浩,劉志敏,劉修國，等. 面向基元的高空間分辨率礦區(qū)遙感影像土地利用分類[J].地球科學(xué)，2010，35(3)：453-458.

[8] 王華.基于分形理論的路面裂縫檢測技術(shù)的研究[D].哈爾濱：哈爾濱工業(yè)大學(xué),2004.

[9] 陳永強(qiáng)，陸安生，胡漢平.基于分形的圖像分析方法綜述[J].計算機(jī)工程與設(shè)計, 2005(7):1781-1783.

[10] KELLER J M,CHEN S,CROWNOVER R M. Texture description and segmentation through fractal geometry[J]. Graphical Models and Image Processing,1989,45:150-166.

[11] 聞新，張興旺，朱亞萍，等.智能故障診斷技術(shù)：MATLAB應(yīng)用[M].北京: 北京航空航天大學(xué)出版社，2015:9.

[12] 張坤華,王敬儒,張啟衡.基于分形特征的圖像邊緣檢測方法[J].光電工程,2001(6)：52-55.

[13] 肖錦成，歐維新，符海月. 基于BP神經(jīng)網(wǎng)絡(luò)與ETM+遙感數(shù)據(jù)的鹽城濱海自然濕地覆被分類[J]. 生態(tài)學(xué)報，2013,33(23)：7496-7504.

[14] 陳啟浩,劉志敏,劉修國. 面向基元的高空間分辨率礦區(qū)遙感影像土地利用分類[J].地球科學(xué),2010,35(3):453-458.

[15] 紀(jì)仰慧，李國春，關(guān)宏強(qiáng). 土地利用覆蓋遙感分類研究綜述[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2005(8):36-38.

[16] 費(fèi)鮮蕓, 高祥偉. 土地利用/土地覆蓋遙感分類研究綜述[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報，2002,33(3):391-394.