朱秀芳，李石波，肖國峰

?

基于無人機遙感影像的覆膜農田面積及分布提取方法

朱秀芳1,2，李石波3，肖國峰2

（1. 北京師范大學北京市陸表遙感數(shù)據(jù)產(chǎn)品工程技術研究中心，北京 100875；2. 北京師范大學地理科學學部遙感科學與工程研究院，北京 100875； 3. 中國地質大學土地科學技術學院，北京 100083）

針對基于無人機遙感的覆膜農田識別研究甚少的現(xiàn)狀，該文以云南省昭通市魯?shù)榭h為研究區(qū)，獲取了研究區(qū)中地表類型復雜程度不同的2幅航空影像（復雜區(qū)影像和簡單區(qū)影像）作為試驗數(shù)據(jù)，利用灰度共生矩陣對原始航片影像進行紋理特征提取并選擇紋理特征最佳提取參數(shù)；然后基于隨機森林算法進行紋理特征重要性評價，優(yōu)選紋理特征，結合原始數(shù)據(jù)進行最大似然初步分類；運用眾數(shù)分析進行分類后處理；最后結合圖像形態(tài)學算法與面積閾值分割法提取出了最終的覆膜農田面積及分布。通過試驗結果發(fā)現(xiàn)，依據(jù)該文提出的方法，復雜區(qū)和簡單區(qū)覆膜農田識別的總體精度、Kappa系數(shù)、產(chǎn)品精度、用戶精度和面積誤差分別達到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。該文提出的融合監(jiān)督分類和圖像形態(tài)學算法的覆膜農田提取方法可以簡單、快速的將地膜連成塊，形成覆膜農田對象，進而通過面積閾值分割法獲取高精度的覆膜農田分布信息。該方法可以為精準覆膜農田識別算法的發(fā)展提供參考。

無人機；算法；提??；覆膜農田；紋理特征；最大似然分類；閾值分割

0 引 言

隨著農業(yè)技術的發(fā)展，農田覆膜技術因其能夠改善土壤理化性質、促進作物生長等優(yōu)點得到了廣泛應用[1]，然而大量地膜的使用勢必會給環(huán)境造成嚴重污染。覆膜農田面積和空間分布的精準獲取可為相關部門掌握農田地膜覆蓋情況、優(yōu)化耕作制度、預防地膜污染等提供管理決策重要依據(jù)。因此地膜覆蓋農田遙感監(jiān)測逐漸成為了農業(yè)土地資源遙感的熱點方向[2]。

目前，基于衛(wèi)星遙感的覆膜農田識別，從數(shù)據(jù)源的角度來說，包括基于可見光遙感影像、基于高光譜影像、基于雷達影像以及復合多源遙感數(shù)據(jù)提取的方法?；谥蟹直媛士梢姽膺b感影像的覆膜農田識別一般圍繞光譜特征、指數(shù)特征以及紋理特征組合，使用最大似然、決策樹、支持向量機等方法對影像進行分類，獲取覆膜農田信息。例如，Picuno等基于Landsat5 和Landsat7 的影像利用平行六面體分類方法進行了意大利南部瓊斯海附近的覆膜農田分布提取[3]。Lanorte等基于Landsat8影像利用支持向量機分類方法進行了意大利南部阿普利亞地區(qū)覆膜農田的提取[4]。Hasituya等[5-6]在河北冀州和寧夏固原先后使用了單時相和多時相的Landsat8進行覆膜農田監(jiān)測，指出基于多時相數(shù)據(jù)監(jiān)測的精度更高。沙先麗[7]利用Landsat TM數(shù)據(jù)，以影像光譜特征、指數(shù)特征和紋理特征為基礎，構建決策樹對新疆覆膜棉區(qū)進行提取，分類總體精度達到90%以上。李佳雨等[8]基于資源三號和Landsat衛(wèi)星融合數(shù)據(jù)，采用面向對象隨機森林分類方法對甘肅中部地區(qū)進行了地膜提取，總體分類精度和Kappa系數(shù)分別達到了90.2%和0.877。高夢婕等以GF2遙感影像為數(shù)據(jù)源，對比分析了隨機森林、CART決策樹、支持向量機3種分類器識別塑料大棚的精度，指出隨機森林法識別精度最高[9]。

基于低分辨率可見光影像的覆膜農田識別主要使用的數(shù)據(jù)源是MODIS影像。例如，杭丹維利用MODIS影像，通過亞像元制圖的方法進行了新疆維吾爾自治區(qū)天山南麓阿克蘇河流域南部的綠洲覆膜農田的提取[10]。Lu等基于時序 MODIS NDVI 數(shù)據(jù)利用閾值法成功提取了新疆地膜覆蓋的棉花空間分布[11]。此外，Levin等通過對多種覆膜材料350～2 500 nm之間光譜輻射進行測量和分析，指出白色和透明塑料膜在1 218、1 732和2 313 nm有強吸收特性，在此基礎上利用超光譜AISA-ES影像進行地膜識別試驗，進一步發(fā)現(xiàn)波長在1 732 nm附近識別效果最好，精度在90%以上[12]。張航[13]基于高光譜影像，采用支持向量機分類器對皮棉中地膜進行識別，最終識別精度達到了97.71%。王?；厶接懥宿r膜的偏振特征信息[14]。Hasituya等采用全極化Radarsat 2數(shù)據(jù)在河北冀州市和寧夏固原市開展覆膜農田遙感識別研究，發(fā)現(xiàn)單純依賴雷達數(shù)據(jù)識別精度達不到80%[15]。

近幾年，無人機遙感憑借機動性強、速度快和經(jīng)濟等特點已經(jīng)成為熱門研究課題[16]，無人機遙感逐漸從理論研究層面轉化到了實際應用[17-21]。然而，基于無人機遙感的覆膜農田識別研究甚少。孫鈺等[22]提出了一種基于深度學習的大棚及覆膜農田無人機航拍監(jiān)測方法，對于測試區(qū)域的整體正確率達到了97%，但基于深度學習的地物覆蓋類型識別方法在使用前需要大量數(shù)據(jù)進行訓練，導致了前期工作量增大。本文基于高分辨率的RGB航空影像，提出了一種融合監(jiān)督分類和圖像形態(tài)學算法的覆膜農田提取方法，并以云南省昭通市魯?shù)榭h為研究區(qū)進行了算法的應用和驗證，為小區(qū)域、精準覆膜農田識別算法的發(fā)展提供參考。

1 研究區(qū)及數(shù)據(jù)準備

1.1 研究區(qū)概況

本文的研究區(qū)位于云南省昭通市下轄的魯?shù)榭h，是優(yōu)質烤煙主產(chǎn)縣。年均氣溫12.1 ℃，年無霜期220 d，年均降水量900 mm。其中山區(qū)占總面積的87.9%。主要作物包括冬小麥、春玉米、夏玉米、中稻和烤煙。

1.2 數(shù)據(jù)獲取與預處理

試驗數(shù)據(jù)為2018年5月4日進行航拍獲取的無人機影像，航拍地點為云南省昭通市魯?shù)榭h大水塘村，覆蓋面積約為18.5 km2。所使用的無人機為DM-150經(jīng)典無人機，該機空機質量10 kg，最大飛行速度為150 km/h，正常巡航速度為110 km/h，巡邏速度80 km/h，最大任務載荷為6 kg，續(xù)航時間為3 h，升限5 000 m，航程最大300 km。搭載的相機為索尼ILCE-7R，傳感器型號為Exmor CMOS，傳感器尺寸為35.9 mm×24 mm（35mm全畫幅），鏡頭型號為索尼 Sonnar T*FE 35 mm F2.8 ZA（SEL35F28Z），有效像素為3 640萬，影像尺寸7 360× 4 912，像元尺寸4.9m×4.9m，等效焦距為35 m。航拍時高度為1 285 m，旁向重疊率30%，航向重疊率70%，所獲得影像地面分辨率為0.15 m。影像處理的主要內容是對無人機獲取的影像進行后期的處理，包括數(shù)據(jù)質量檢查、影像特征點提取、影像匹配、空中三角測量與區(qū)域網(wǎng)平差、生成數(shù)字高程模型（digital elevation model，DEM）、正射校正生成數(shù)字正射影像（digital orthophoto map，DOM）和影像拼接等。

研究區(qū)內的地物類型主要包含植被、不透水層（建筑物與硬化道路）、裸地和地膜。覆膜的作物主要有烤煙和春玉米，所覆蓋的地膜有白色和黑色2種。白色的地膜容易和淺色的不透水層（如白色的房頂）混分，而黑色的地膜容易和深色的不透水層（如黑灰色的房頂）混分。裸地主要是暫時沒有播種的農田，其中部分裸地中有往年的地膜殘留物，容易和當年的地膜混分。為了測試本文所提出方法的適用性，特從研究區(qū)中選取了2幅影像進行測試（圖1）。2幅影像中地物的復雜程度不同，為方便后文的稱述，本文簡單的稱其為復雜區(qū)影像和簡單區(qū)影像。復雜區(qū)影像中地物類型主要包括植被、不透水層（建筑物與硬化道路），地膜（以黑膜為主，間有少量白膜），裸地（大部分含有往年的地膜殘留）；簡單區(qū)影像中的地物類型和復雜區(qū)一致，但是簡單區(qū)的地膜只有黑膜，裸地中無殘膜。完整黑色地膜和完整白色地膜呈條狀，而殘膜在地塊中呈破碎狀，并且在地塊中密度較小。白色殘膜和黑色殘膜與完整白色地膜和完整黑色地膜灰度值（digital number，DN）特征相似，白膜DN值均高于黑膜DN值。

注：復雜區(qū)影像中地物類型包括植被、不透水層、地膜、裸地；簡單區(qū)影像中地物類型和復雜區(qū)一致，但是簡單區(qū)的地膜只有黑膜，裸地中無殘膜。

2 技術路線與研究方法

2.1 研究方案

本文旨在提取覆膜農田，即當季覆蓋了地膜的農田。覆膜農田的面積是地塊中地膜和裸地的面積的總和，而不僅僅是地膜的面積，而且不包含以往生長季殘留的地膜。針對該研究目標，本文設計了如圖2所示的技術路線，主要包括如下步驟：1）計算原始RGB航片影像灰度共生矩陣，得到了24個紋理特征；2）基于隨機森林算法進行紋理特征重要性評價，優(yōu)選紋理特征，結合原始數(shù)據(jù)進行最大似然分類，得到地膜的初步分類結果；3）運用Majority分析進行分類后處理，去掉殘膜等噪聲圖斑；4）通過圖像形態(tài)學算法將條狀地膜連成片，得到覆膜農田，提取圖像上的圖斑對象，設定圖斑面積閾值提取出覆膜農田空間分布；5）結合原始航片影像并進行目視比對，進行二次形態(tài)學算法處理，獲取最終的覆膜農田空間分布；6）通過誤差矩陣和面積誤差對覆膜農田識別結果進行精度驗證。

圖2 技術路線圖

2.2 特征生成

2.2.1 灰度共生矩陣紋理特征提取

灰度共生矩陣[23]是通過計算圖像灰度級之間條件概率密度函數(shù)來提取紋理特征的一種統(tǒng)計分析方法（下文簡稱為GLCM）。本文選取了應用較廣泛的均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關度8種紋理測度進行紋理特征分析，并分別從3×3、5×5、7×7、9×9、11×11、13×13、15×15共7個窗口，0、45°、90°、135°4個方向，1、2、3共3個步長，合計84種不同參數(shù)組合對原始影像提取了84組不同的紋理特征，討論不同參數(shù)組合對分類結果的影響，選取最佳提取參數(shù)。最終基于紋理特征最佳提取參數(shù)對原始航片影像進行紋理特征提取。由于原始航片數(shù)據(jù)有R、G、B 3種圖像灰度信息，因此每組紋理特征中包含24個波段信息。

2.2.2 最佳紋理組合選取

紋理特征生成之后需要對8種紋理特征進行篩選，識別出對分類結果影響較大的紋理特征。本文利用隨機森林算法進行紋理特征重要性評價，并逐一添加對分類結果影響大的特征進行精度驗證，選擇分類精度最高時對應的波段組合作為最佳波段組合。隨機森林特征重要性評價的基本原理為基于已創(chuàng)建樣本庫進行隨機森林決策樹的建立，每一棵決策樹對應一個袋外數(shù)據(jù)誤差，然后隨機向袋外樣本數(shù)據(jù)中某一特征變量添加噪聲，并計算加入噪聲后對應的袋外數(shù)據(jù)誤差。若某個特征變量加入噪聲后導致袋外的準確率大大降低，則說明該特征變量對樣本分類結果影像較大，即該特征變量重要性較高。

2.3 最大似然分類與分類后處理

將基于隨機森林算法選取的波段組合結合原始航片影像進行最大似然分類（地物類型包括：植被、不透水層，地膜和裸地）得到初步分類結果，然后進行分類后處理（Majority分析），對分類結果中面積很小的斑塊進行剔除或重分類。Majority分析先定義一個變換核尺寸，用變換核中占主要地位（像元素最多）的像元類別代替中心像元的類別。

2.4 基于圖像形態(tài)學算法和面積閾值分割法的覆膜農田空間分布提取

采用圖像形態(tài)學算法（腐蝕、膨脹、開運算和閉運算）對初步分類結果進行處理，將條狀地膜連成片，得到覆膜農田對象，同時將偽地膜信息與覆膜農田分離開來，然后基于面積閾值分割法將破碎狀殘膜與偽地膜信息剔除，獲取覆膜農田空間分布。

2.5 二次形態(tài)學算法處理

由于提取覆膜農田空間分布時采用了圖像形態(tài)學算法（腐蝕運算和膨脹運算），導致了提取出來的覆膜農田大小與實際覆膜農田面積大小并不一致，故本文采用二次形態(tài)學算法處理方法。二次形態(tài)學算法處理是指通過使用膨脹運算或閉運算將覆膜農田形成完整塊狀對象，再使用腐蝕運算結合目視比對原始影像的方法，將覆膜農田恢復至實際覆膜農田大小。

2.6 精度驗證

參考已有文獻[24-25]，本文選取了總體精度、Kappa系數(shù)、產(chǎn)品精度、用戶精度和面積誤差5個指標對識別的覆膜農田進行比較和分析。其中總體精度、Kappa系數(shù)反映了識別出的覆膜農田空間分布位置的準確度；產(chǎn)品精度反映了覆膜農田漏分程度；用戶精度反映了覆膜農田錯分程度；面積誤差是指覆膜農田提取面積與真實覆膜農田面積差值的絕對值和真實覆膜農田面積的比值，反映了最終提取的覆膜農田面積相比真實覆膜農田面積的誤差大小。精度驗證的參考數(shù)據(jù)為人工目視數(shù)字化的覆膜農田空間分布數(shù)據(jù)。

3 研究結果

3.1 GLCM最佳參數(shù)選取

本文基于復雜區(qū)分別從不同窗口、方向、步長對原始航片影像提取了84個不同的紋理特征組合。84種不同紋理特征組合分別結合原始航片影像進行最大似然分類，并從總體精度、地膜用戶精度和地膜制圖精度進行分析（圖3）。由圖3可知，地膜制圖精度在不同紋理特征提取參數(shù)下均能夠保持較高水平（90%以上），總體精度和地膜用戶精度隨著窗口大小的增加呈上升趨勢，總體精度約從80%上升至90%以上，地膜用戶精度約從40%上升至90%以上。為了同時兼顧地膜的分類精度和影像初步分類的總體精度，本文將總體精度、地膜用戶精度和地膜制圖精度之和最大對應的紋理特征提取參數(shù)作為最佳提取參數(shù)，最終確定紋理特征最佳提取參數(shù)是：窗口大小為15×15，方向為0，步長為2。由于本試驗中簡單區(qū)和復雜區(qū)紋理特征十分相似，因此同樣將窗口大小15×15，方向0，步長2作為簡單區(qū)紋理特征最佳提取參數(shù)。

3.2 最優(yōu)紋理特征組合

基于紋理特征最佳提取參數(shù)對簡單區(qū)和復雜區(qū)進行紋理特征提取后，利用隨機森林算法分別對2組紋理特征建立模型并進行重要性評價，按照重要性排序并逐一添加重要性大的特征進行精度驗證。默認參數(shù)下，復雜區(qū)和簡單區(qū)2個模型的袋外分數(shù)分別達到了0.979 4和0.973 3。由于默認參數(shù)下，2個袋外分數(shù)已經(jīng)較高，因此本文在默認參數(shù)下建立隨機森林模型并對2組紋理特征進行重要性評價（圖4a和圖4b）。從圖4中可以看出，復雜區(qū)和簡單區(qū)重要性最高的前3個特征波段均為b17（藍色均值）、b1（紅色均值）和b9（綠色均值），3個波段重要性之和分別達到了0.527 0，0.536 6。逐一添加特征進行精度驗證的結果如圖5a和圖5b所示。由圖5可知，從結果中可以看出，復雜區(qū)和簡單區(qū)地膜產(chǎn)品精度變化波動較小并且精度均保持在90%以上。地膜用戶精度變化波動較大，隨著特征數(shù)量的增加，復雜區(qū)和簡單區(qū)地膜用戶精度顯著增加，復雜區(qū)特征數(shù)量為9時，簡單區(qū)特征數(shù)量為6時，地膜用戶精度基本趨于平穩(wěn)，并且基本平穩(wěn)時地膜用戶精度均達到了90%以上。為了獲取地膜分類精度最高的初步分類結果，本文選取地膜用戶精度與地膜產(chǎn)品精度之和最大對應的紋理特征組合最為最佳紋理特征組合。最終確定復雜區(qū)前21個特征為最佳特征組合，簡單區(qū)前7個特征為最佳特征組合。

圖3不同紋理特征組合下的地膜識別精度

注：復雜區(qū)和簡單區(qū)波段號b1至b24分別為紅色均值、紅色方差、紅色協(xié)同性、紅色對比度、紅色相異性、紅色信息熵、紅色二階矩、紅色相關度、綠色均值、綠色方差、綠色協(xié)同性、綠色對比度、綠色相異性、綠色信息熵、綠色二階矩、綠色相關度、藍色均值、藍色方差、藍色協(xié)同性、藍色對比度、藍色相異性、藍色信息熵、藍色二階矩、藍色相關度。

圖5 兩試驗區(qū)逐一加入特征后精度驗證結果

3.3 最大似然初分類結果

分別將復雜區(qū)和簡單區(qū)優(yōu)選紋理特征與原始航片影像結合進行最大似然分類，并進行分類后處理——Majority分析，變換核尺寸為5×5，中心像元權重為1，結果如圖6a所示。初步分類后處理能夠將大部分地膜（包括殘膜）提取出來，并且剔除了面積較小的偽地膜斑塊。從結果中能看出，不管是復雜區(qū)還是簡單區(qū)，不透水層（建筑物與硬化道路）易與地膜混淆，尤其是建筑物與硬化道路邊界。在復雜區(qū)中，大部分地膜能夠提取出來，但是錯分像元仍然較多，不透水層（建筑物與硬化道路）與地膜混淆，被歸為一類,重新編碼為1，其他類型被重新編碼為0；在簡單區(qū)中，同樣大部分地膜提取出來，有少量不透水層（建筑物與硬化道路）與地膜混淆，被歸為一類，重新編碼為1，其他類型被重新編碼為0。

3.4 基于圖像形態(tài)學算法和面積閾值分割法的覆膜農田空間分布提取

對于2個試驗區(qū)域，初步分類后的結果仍然有許多錯分和漏分的地膜像元。為了能夠剔除大量錯分像元，同時考慮正常地膜具有條狀特征，殘膜具有破碎狀特征，本文在初步分類的基礎上利用圖像形態(tài)學算法（包括膨脹和腐蝕）將條狀地膜連成覆膜農田對象，然后采用面積閾值分割法剔除偽覆膜農田對象和殘膜對象。

經(jīng)過試驗，復雜區(qū)進行膨脹運算（變換核尺寸5×5、濾波重復次數(shù)1），能夠得到最佳覆膜農田提取效果；簡單區(qū)進行膨脹運算（變換核尺寸3×3、濾波重復次數(shù)3）能夠得到最佳覆膜農田提取效果（圖6b）。最佳農田提取效果指的是通過腐蝕和膨脹運算盡可能地將大部分地膜信息保留，打通地膜與非地膜圖斑間縫隙的同時，去除噪聲圖斑并將地膜連結成覆膜農田對象。接著對形態(tài)學算法處理后的影像進行基于面積閾值的覆膜農田提取，剔除偽地膜圖斑和殘膜圖斑，圖斑面積在閾值之上的認定為覆膜農田，復雜區(qū)和簡單區(qū)的面積閾值分別設定為35和500 m2，覆膜農田提取結果如圖6c所示。

經(jīng)過上述處理后提取的覆膜農田與實際覆膜農田大小不一致，結合原始航片影像比對的方法，進行二次形態(tài)學算法處理，使最終提取結果與原始航片影像中塊狀覆膜農田大小保持一致。經(jīng)過目視比對和參數(shù)調整，復雜區(qū)采用閉運算（變換核尺寸為9×9、濾波重復次數(shù)為1）能得到最佳匹配效果；簡單區(qū)先采用膨脹運算（變換核尺寸為5×5、濾波重復次數(shù)為1），再采用腐蝕運算（變換核尺寸為3×3、濾波重復次數(shù)為1）能得到最佳匹配效果。兩試驗區(qū)最終提取結果如圖6d所示。

圖6 基于圖像形態(tài)學算法和面積閾值分割法的數(shù)據(jù)處理結果

Fig.6. Data processing results based on image morphology and area threshold segmentation

3.5 精度驗證

3.5.1 位置精度分析

表1是復雜區(qū)和簡單區(qū)利用混淆矩陣計算得到的總體像元精度、Kappa系數(shù)和覆膜農田的產(chǎn)品精度與用戶精度。從表1可以看出，復雜區(qū)總體像元精度、覆膜農田的用戶精度和產(chǎn)品精度均達到92%以上；簡單區(qū)總體像元精度和覆膜農田的產(chǎn)品精度、用戶精度則均在94%以上。復雜區(qū)Kappa系數(shù)為0.89；簡單區(qū)Kappa系數(shù)為0.93?？v向觀察表1可以看到，無論是總體像元精度、Kappa系數(shù)還是覆膜農田的產(chǎn)品精度、用戶精度，簡單區(qū)均高于復雜區(qū)。這可能由于復雜區(qū)中除了不透水層（建筑物與硬化道路）、植被、正常地膜以外，還有大量包含殘膜的裸地，給基于面積閾值法提取覆膜農田帶來了干擾。另外，由于復雜區(qū)地膜信息包括黑膜和少量白膜，白膜與不透水層更易混淆，一定程度上影響了分類結果。簡單區(qū)中各種地物分布比較均勻、完整，沒有易于淺色不透水層混淆的白膜和大量殘膜信息的干擾。

表1 兩試驗區(qū)覆膜農田精度指標統(tǒng)計

3.5.2 面積誤差分析

表2是復雜區(qū)和簡單區(qū)2個試驗區(qū)覆膜農田面積誤差統(tǒng)計結果。從表2可以看出，簡單區(qū)覆膜農田像元約為復雜區(qū)覆膜農田像元總數(shù)的2倍，復雜區(qū)和簡單區(qū)覆膜農田真實像元數(shù)分別為178 644和374 639，覆膜農田提取像元數(shù)分別為177 970和367 349。由于航拍影像分辨率為0.15 m，故復雜區(qū)和簡單區(qū)覆膜農田真實面積分別為4 019.49 和8 429.377 5 m2，復雜區(qū)和簡單區(qū)覆膜農田提取面積分別為4 004.325和8 265.352 5 m2。簡單區(qū)面積誤差為1.95%，復雜區(qū)面積誤差為0.38%，復雜區(qū)面積精度高于簡單區(qū)面積精度。就像元位置精度來分析，復雜區(qū)產(chǎn)品精度、用戶精度和總體像元精度均低于簡單區(qū)（表1）。用戶精度對應錯分誤差，產(chǎn)品精度對應漏分誤差，就整個研究區(qū)來說錯入錯出會相互抵消，用戶精度和產(chǎn)品精度接近時的地物的總量精度高于用戶精度和產(chǎn)品精度差異大的地物的總量精度。本研究中復雜區(qū)覆膜農田產(chǎn)品精度與覆膜農田用戶精度之差的絕對值小于簡單區(qū)覆膜農田產(chǎn)品精度與覆膜農田用戶精度之差的絕對值，錯漏相抵，使得復雜區(qū)面積精度優(yōu)于簡單區(qū)面積精度。

表2 兩試驗區(qū)覆膜農田面積誤差統(tǒng)計

4 討 論

本文針對無人機遙感影像的特點，充分結合了圖像光譜信息和紋理特征以及圖像形態(tài)學算法和面向對象特征提取方法，提出了一種基于無人機航片影像快速提取覆膜農田的方法和流程。該方法在無人機農業(yè)遙感應用中有一定的參考價值。分析本文提取覆膜農田的方法流程和結果，總結了以下幾個影響覆膜農田識別精度的因素：

1）GLCM不同參數(shù)提取紋理特征對地膜識別精度的影響。不同的紋理窗口、方向和步長共組成84種不同提取紋理特征的方案。從本文3.1節(jié)統(tǒng)計結果可以看出，不同的組合方案對地膜的識別精度差異較大，地膜用戶精度最低為38.75%，最高能達到95%以上。因此，在進行紋理特征提取時要考慮提取參數(shù)的選擇對識別精度的影響。

2）紋理特征優(yōu)選對識別精度的影響。本文首先基于隨機森林算法對紋理特征進行重要性評價，然后逐一加入重要性高的特征進行精度驗證，選取精度最高對應的特征數(shù)作為最優(yōu)特征組合。紋理特征篩選能夠減少數(shù)據(jù)維度，提高處理效率，并且能夠提高分類精度。但并不是紋理特征加的越多越好，已有研究表明加入不恰當?shù)募y理特征不但不能提高分類精度反而可能降低分類精度[26]，分類前進行特征優(yōu)選工作是非常有必要的。

3）“同譜異物”像元混分問題。本文研究的2個試驗區(qū)中，地膜信息包括黑膜和白膜。黑膜易與不透水層中黑色建筑物混分；白膜易與白色建筑物或硬化道路混分?！巴V異物”很大程度上影響覆膜農田的最終提取結果。本文通過面積閾值的方式有效減輕了不透水層的干擾，可以為相關研究提供借鑒。

4）殘膜的存在會影響覆膜農田空間分布最終提取的精度。初步分類后處理得到的影像中地膜包含了當季的條狀地膜和往季的破碎狀殘膜，如果研究區(qū)內包含了大量殘膜，并且條狀地膜之間的裸土間隔大于殘膜與條狀地膜間隔的話，通過進行圖像形態(tài)學算法處理會導致殘膜與條狀地膜共同形成覆膜農田斑塊，影響最終覆膜農田提取精度。

另外，本文還存在一些待改進之處。本文基于隨機森林算法對特征進行重要性評價，優(yōu)選紋理特征并結合原始航片影像得到的初步分類結果中覆膜農田與不透水層混淆仍然存在錯分和漏分，導致最終覆膜農田提取結果精度下降。未來可以考慮通過增加色彩空間轉換和基于RGB航片影像顏色指數(shù)（例如過綠指數(shù)或植被指數(shù)）等特征來提高初步分類精度。另外，本文首次使用圖像形態(tài)學算法處理初步分類結果，使地膜連結成覆膜農田，并將非地膜信息與地膜信息分離的過程中，沒有形成一套規(guī)則的算法參數(shù)設置方案，導致數(shù)據(jù)處理效率減低。作者考慮將在后續(xù)的研究中把地膜與非地膜信息間距和地膜間距考慮在內，通過優(yōu)化算法參數(shù)設置方案來提高數(shù)據(jù)處理效率。

5 結 論

本文通過討論紋理特征提取窗口、方向和步長選擇紋理特征最佳提取參數(shù)，使用最佳參數(shù)提取影像紋理特征，利用隨機森林對特征變量進行重要性評估，選取重要性高的波段，進行最大似然初分類，并充分結合圖像形態(tài)學算法和基于面積閾值的面向對象提取方法，獲得了基于無人機RGB影像的云南省昭通市魯?shù)榭h兩試驗區(qū)覆膜農田分布，得到的結論主要如下：

1）選擇紋理特征最佳提取參數(shù)能夠大幅度提高影像分類精度。分析結果顯示在無人機高分辨率影像基礎上，窗口的大小相比于步長和方向對分類精度的影響更大，隨著窗口增大，分類精度逐漸提高并趨于平穩(wěn)。在實際應用中建議提取大窗口下的紋理特征進行覆膜農田提取。

2）基于灰度共生矩陣對無人機可見光影像進行紋理特征提取，并基于隨機森林算法進行特征變量重要性評價，選擇重要性高的紋理特征組合參與分類，在提高分類精度的同時，也縮減了建立模型時的特征數(shù)，提高了數(shù)據(jù)處理效率。另外，目前特征重要性評價方法有很多種，用隨機森林算法進行特征重要性評價并優(yōu)選紋理特征，對于影像分類比較有針對性。本文研究顯示就均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關度八種紋理測度中均值對提取地膜的貢獻最大，復雜區(qū)和簡單區(qū)重要性最高的前3個特征波段均為藍色均值、紅色均值和綠色均值。

3）覆膜農田中的地膜呈條狀，圖像形態(tài)學算法與面向對象特征提取相結合對于覆膜農田提取有很大適用性，它可以簡單、快速的將條狀地膜連成片，得到覆膜農田，不需要過多考慮地膜與地膜間裸土的影響，進而通過面積閾值分割法獲取覆膜農田分布信息。通過試驗結果發(fā)現(xiàn)，依據(jù)該文提出的方法，復雜區(qū)和簡單區(qū)覆膜農田識別的總體精度、Kappa系數(shù)、產(chǎn)品精度、用戶精度和面積誤差分別達到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。

[1] 哈斯圖亞. 基于多源數(shù)據(jù)的地膜覆蓋農田遙感識別研究[D]. 北京:中國農業(yè)科學院，2017.

Hasituya. Mapping Plastic-mulched Farmland with Multi-Source Remote Sensing Data[D]. Beijing：Chinese Academy of Agricultural Sciences, 2017. (in Chinese with English abstract)

[2] 陳仲新，任建強，唐華俊，等. 農業(yè)遙感研究應用進展與展望[J]. 遙感學報，2016，20(5)：748－767.

Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016，20(5): 748－767. (in Chinese with English abstract)

[3] Picuno P, Tortora A, Capobianco R L. Analysis of plasticulture landscapes in Southern Italy through remote sensing and solid modelling techniques[J]. Landscape and Urban Planning, 2011, 100(1/2): 1－56.

[4] Lanorte A, Santis F D, Gabriele Nolè, et al. Agricultural plastic waste spatial estimation by Landsat 8 satellite images[J]. Computers & Electronics in Agriculture, 2017, 141: 35－45.

[5] Hasituya, Chen Z, Wang L, et al. Monitoring plastic-mulched farmland by landsat-8 OLI imagery using spectral and textural features[J]. Remote Sensing, 2016, 8(4): 353.

[6] Hasituya, Chen Z. Mapping plastic-mulched farmland with multi-temporal Landsat-8 data[J]. Remote Sensing, 2017, 9(6): 557.

[7] 沙先麗. 地膜農田遙感信息提取及覆膜地表溫度反演[D]. 杭州：浙江大學，2012.

Sha Xianli. Extraction of Plastic-Mulched Landcover Information and on Retrieval of Mulched Land Surface Temperature[D]. Hangzhou: Zhejiang University, 2012. (in Chinese with English abstract)

[8] 李佳雨，王華斌，王光輝，等. 多源衛(wèi)星數(shù)據(jù)的農用地膜信息提取[J]. 測繪通報，2018(7)：78－82.

Li Jiayu, Wang Huabin, Wang Guanghui, et al. Plastic-mulched farmland extraction with multi-source satellite data[J]. Bulletin of Surveying and Mapping, 2018(7): 78－82. (in Chinese with English abstract)

[9] 高夢婕，姜群鷗，趙一陽，等. 基于GF-2遙感影像的塑料大棚提取方法對比[J]. 中國農業(yè)大學學報，2018，23(8)：125－134.

Gao Mengjie, Jiang Qunou, Zhao Yiyang, et al. Comparison of plastic greenhouse extraction method based on GF-2 remote-sensing imagery[J]. Journal of China Agricultural University, 2018, 23(8): 125－134. (in Chinese with English abstract)

[10] 杭丹維. 南疆覆膜農田亞像元制圖及熱環(huán)境效應定量測算[D]. 杭州：浙江大學，2016.

Hang Danwei. Mapping Subpixel of Plastic Mulched Landcover and Measuring the Heat Effect Mulching: A Case of Study Southern Xinjiang[D]. Hangzhou: Zhejiang University, 2016. (in Chinese with English abstract)

[11] Lu L, Hang D, Di L. Threshold model for detecting transparent plastic-mulched landcover using moderate- resolution imaging spectroradiometer time series data: A case study in southern Xinjiang, China[J]. Journal of Applied Remote Sensing, 2015, 9(1): 097094.

[12] Levin N, Lugassi R, Ramon U, et al. Remote sensing as a tool for monitoring plasticulture in agricultural landscapes[J]. International Journal of Remote Sensing, 2007, 28(1): 183－202.

[13] 張航. 基于高光譜成像技術的皮棉中地膜識別方法研究[D]. 北京：中國農業(yè)大學，2016.

Zhang Hang. Identification of Plastic Films in Ginned Cotton based on Hyperspectral Imaging Technique[D]. Beijing: China Agricultural University, 2016. (in Chinese with English abstract)

[14] 王?；? 農膜的偏振反射特征研究[D]. 長春：東北師范大學，2007.

Wang Haihui. Study on the Polarized Reflectance Characteristics of Agricultural Thin Membrane[D]. Changchun: Northeast Normal University, 2007. (in Chinese with English abstract)

[15] Hasituya, Zhongxin C, Fei L, et al. Mapping plastic-mulched farmland with C-Band full polarization SAR remote sensing data[J]. Remote Sensing, 2017, 9(12): 1264.

[16] Xiang H, Tian L. Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle (UAV)[J]. Biosystems Engineering, 2011, 108(2): 174－190.

[17] 汪小欽，王苗苗，王紹強，等.基于可見光波段無人機遙感的植被信息提取[J]. 農業(yè)工程學報，2015，31(5)：152－159.

Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152－159. (in Chinese with English abstract)

[18] 李明，黃愉淇，李緒孟，等. 基于無人機遙感影像的水稻種植信息提取[J]. 農業(yè)工程學報，2018，34(4)：108－114.

Li Ming, Huang Yuqi, Li Xumeng, et al. Extraction of rice planting information based on remote sensing image from UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(4): 108－114. (in Chinese with English abstract)

[19] 楊文攀，李長春，楊浩，等. 基于無人機熱紅外與數(shù)碼影像的玉米冠層溫度監(jiān)測[J]. 農業(yè)工程學報，2018，34(17)：68－75.

Yang Wenpan, Li Changchun, Yang Hao, et al. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2018,34(17):68－75.

[20] 戴建國，張國順，郭鵬，等. 基于無人機遙感可見光影像的北疆主要農作物分類方法[J]. 農業(yè)工程學報，2018，34(18)：122－129.

Dai Jianguo, Zhang Guoshun, Guo Peng, et al. Classification method of main crops in northern Xinjiang based on UAV visible waveband images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 122－129. (in Chinese with English abstract)

[21] 于東海，馮仲科. 基于無人機傾斜航空影像的樹冠體積測算方法[J]. 農業(yè)工程學報，2019，35(1)：90－97.

Yu Donghai, Feng Zhongke. Tree crown volume measurement method based on oblique aerial images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 90－97. (in Chinese with English abstract)

[22] 孫鈺，韓京冶，陳志泊，等. 基于深度學習的大棚及地膜農田無人機航拍監(jiān)測方法[J]. 農業(yè)機械學報，2018，49(2)：133－140.

Sun Jue, Han Jingye, Chen Zhibo, et al. Monitoring method for UAV image of greenhouse and plastic-mulched landcover based on deep learning[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 133－140. (in Chinese with English abstract)

[23] Haralick R M. Statistical and structural approaches to texture[J]. Proceeding of the IEEE, 1979, 67(5): 786－804.

[24] 朱秀芳，潘耀忠，張錦水，等. 訓練樣本對TM尺度小麥種植面積測量精度影響研究(Ⅰ)：訓練樣本與分類方法間分類精度響應關系研究[J]. 遙感學報，2007，11(6)：826－837.

Zhu Xiufang, Pan Yaozhong, Zhang Jinshui, et al. The effects of training samples on the wheat planting area measure accuracy in TM scale (I): The accuracy Response of different classifiers to training samples[J]. Journal of Remote Sensing, 2007, 11(6): 826－837. (in Chinese with English abstract)

[25] 朱秀芳，潘耀忠，王雙，等. 訓練樣本對TM尺度小麥種植面積測量精度影響研究(Ⅱ)：樣本質量對小麥測量精度的影響分析[J]. 測繪科學，2009，34(5)：132－135.

Zhu Xiufang, Pan Yaozhong, Wang Shuang, et al. The effects of training samples on the wheat planting area surveying accuracy in TM scale (II): The accuracy response of different classifiers to samples quality[J]. Science of Surveying and Mapping, 2009, 34(5): 132－135. (in Chinese with English abstract)

[26] 朱秀芳，賈斌，潘耀忠，等. 不同特征信息對TM尺度冬小麥面積測量精度影響研究[J]. 農業(yè)工程學報，2007，23(9)：122－129.

Zhu Xiufang, Jia Bin, Pan Yaozhong, et al. Effects of various feature information on the accuracy of winter wheat planting area measurement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(9): 122－129. (in Chinese with English abstract)

Method on extraction of area and distribution of plastic-mulched farmland based on UAV images

Zhu Xiufang1,2, Li Shibo3, Xiao Guofeng2

(1.100875,; 2.100875,; 3.,100083,)

Identification of plastic-mulched farmland using UAV image is quite few. This paper proposes a method of combining with texture features, image morphology algorithm and threshold segmentation algorithm to extract plastic-mulched farmland using UAV Red-Green-Blue (RGB) images. In order to test the performance of this method, this paper took Ludian County of Zhaotong City, Yunnan Province as the research area, and obtained 2 images in the research area as experimental data. The complexity of land cover type in the 2 images was different. In complex area, the main land cover types included vegetation, impervious layer (building and road), plastic-mulched farmland (mainly black plastic mulch with a small amount of white plastic mulch), and bare soil (containing the plastic residues of a previous year). In simple area, the land cover types were similar with those in complex area; however, all plastic-mulched farmland was covered by black plastic mulch and there were no plastic residues in bare soil. Firstly, we calculated the gray level co-occurrence matrix of 2 images in different window sizes (3×3, 5×5, 7×7, 9×9, 11×11, 13×13, 15×15), directions (0, 45°, 90° and 135°) and steps (1, 2 and 3) and extracted 8 texture features from each band of RGB images including mean, variance, synergy, contrast, dissimilarity, information entropy, second moment and correlation. Secondly, we combined the original RGB image with different texture features to make maximum likelihood classification and determined the best extraction parameters of the texture features by comparing the overall pixel accuracy, user accuracy and product accuracy of the plastic mulch in complex area. The best extraction parameters of texture features were the window size of 15×15, the direction of 0, and the step of 2, which were also used to extract texture features of the image in simple area. Thirdly, we selected the optimal texture combination based on importance evaluation of texture features using Random Forest Algorithm and combined them with original UAV RGB image to make maximum likelihood and get preliminary classification maps in both complex area and simple area. Fourthly, we recoded the preliminary classification maps into binary maps (1 refers to plastic mulch and 0 refers to the other land cover types) and made majority filtering to remove noises (such as the plastic residues of a previous year). Then, we used image morphology algorithms to convert the strip plastic mulch into the plastic-mulched farmland and set area threshold to extract plastic-mulched farmland distribution. The area thresholds were 35 m2in complex area and 500 m2in simple area. Finally, taking the digitized mulched farmland as references (ground truth data), the accuracy of the recognition results of mulched farmland was assessed by error matrix and area error. The results showed that the texture features extracted by the optimal parameters could greatly improve the classification accuracy. The image morphology algorithm and the threshold segmentation method could effectively extract the block-shaped plastic-mulched farmland. The overall accuracy, Kappa coefficient, product accuracy, user accuracy and area error were 94.84%, 0.89, 92.48%, 93.39%, 0.38% in complex area, and 96.74%, 0.93, 97.39%, 94.63%, 1.95% in simple area, respectively. Compared with step and direction, the size of window had greater influence on plastic mulch classification accuracy. Among 8 texture features, mean contributed most to extracting plastic mulch. The method of extracting plastic-mulched farmland based on the fusion of supervised classification and image morphology algorithm proposed in this paper can provide reference for the development of identification algorithm about plastic-mulched farmland.

unmanned aerial vehicle; algorithms; extraction; plastic-mulched farmland; textural features; maximum likelihood classification; threshold segmentation

朱秀芳，李石波，肖國峰. 基于無人機遙感影像的覆膜農田面積及分布提取方法[J]. 農業(yè)工程學報，2019，35(4)：106－113. doi：10.11975/j.issn.1002-6819.2019.04.013 http://www.tcsae.org

Zhu Xiufang, Li Shibo, Xiao Guofeng. Method on extraction of area and distribution of plastic-mulched farmland based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 106－113. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.04.013 http://www.tcsae.org

2018-10-11

2019-02-14

北京市陸表遙感數(shù)據(jù)產(chǎn)品工程技術研究中心資助項目；國家“高分辨率對地觀測系統(tǒng)”重大專項資助項目。

朱秀芳，副教授，博士生導師，主要從事遙感應用相關研究。 Email：zhuxiufang@bnu.edu.cn

10.11975/j.issn.1002-6819.2019.04.013

TP7

A

1002-6819(2019)-04-0106-08