楊亞男，張宏鳴，3，李杭昊，楊江濤，全 凱

1.西北農(nóng)林科技大學(xué) 信息工程學(xué)院，陜西 楊陵712100

2.西北農(nóng)林科技大學(xué) 水利與建筑工程學(xué)院，陜西 楊陵712100

3.寧夏智慧農(nóng)業(yè)產(chǎn)業(yè)技術(shù)協(xié)同創(chuàng)新中心，銀川750004

梯田是在山丘坡地上沿等高線修筑的階臺(tái)式或波浪式斷面農(nóng)田，修建梯田不僅是最快捷有效的水土流失控制措施[1]，還能極大地提高坡耕地的農(nóng)業(yè)生產(chǎn)能力，因此成為黃土高原最重要的水土保持工程[2]。根據(jù)水利部發(fā)布的《全國坡耕地水土流失綜合治理“十三五”專項(xiàng)建設(shè)方案》，2016—2020 年專項(xiàng)建設(shè)490.71 萬畝坡改梯即將完成，及時(shí)、準(zhǔn)確地掌握區(qū)域梯田分布信息成為水土保持監(jiān)測和評(píng)價(jià)的重要內(nèi)容[3]。

傳統(tǒng)的梯田信息統(tǒng)計(jì)主要通過實(shí)地調(diào)查實(shí)現(xiàn)，但人工統(tǒng)計(jì)費(fèi)時(shí)費(fèi)力。隨著高分辨率影像處理技術(shù)的不斷發(fā)展，利用高分辨率遙感影像提取梯田信息成為可能[4-5]。與高分辨率衛(wèi)星遙感數(shù)據(jù)相比，利用無人機(jī)航攝系統(tǒng)獲取高分辨率遙感影像具有高效、及時(shí)、精確、低成本的優(yōu)勢[6-7]，在梯田工程的監(jiān)管和規(guī)劃等方面具有廣泛的應(yīng)用前景[8]。

無人機(jī)高分辨率遙感梯田識(shí)別研究中，張宏鳴等[9]基于改進(jìn)的Canny邊緣檢測方法通過粗輪廓提取、偽邊緣剔除和區(qū)域生長算法的結(jié)合對梯田進(jìn)行分割，但是該方法提取精度較低，分類效果一般。Eckert 等[10]采用面向?qū)ο蠓诸惖姆椒ǎY(jié)合光譜特征、紋理特征以及形狀特征通過SVM 方法對梯田進(jìn)行識(shí)別，該方法僅從區(qū)域劃分的角度識(shí)別梯田建設(shè)區(qū)域，不能對梯田田面進(jìn)行精準(zhǔn)的識(shí)別。薛牡丹等[11]采用面向?qū)ο蠖喑叨确指钆c機(jī)器學(xué)習(xí)結(jié)合的梯田提取方法，但該方法的應(yīng)用效果高度依賴于人工選擇的分割尺度，不具有普適性。以上研究方法均依賴人工進(jìn)行梯田特征的提取，效率不高，并且僅能進(jìn)行淺層學(xué)習(xí)[12]，難以適應(yīng)海量高分辨率遙感影像梯田的識(shí)別需求。

自2006 年Hinton 等[13]提出采用深度學(xué)習(xí)模型實(shí)現(xiàn)數(shù)據(jù)的分類并取得成功后，深度學(xué)習(xí)因其自動(dòng)從海量影像數(shù)據(jù)中學(xué)習(xí)最有效特征的優(yōu)勢在語義分割、圖像分類領(lǐng)域快速發(fā)展[14-15]，近年來被廣泛應(yīng)用于遙感地物識(shí)別[16-17]和遙感場景分類[18-19]中。陳鋒軍等[20]以VGG-16模型為基礎(chǔ)應(yīng)用全卷積神經(jīng)網(wǎng)絡(luò)分割圖像的算法，對無人機(jī)采集的云杉圖像進(jìn)行分割，取得了較好的識(shí)別效果。夏夢等[21]采用將卷積神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場相結(jié)合的方法，對中國廣西南寧市地區(qū)的遙感圖像進(jìn)行分類，通過模型的融合在預(yù)分類結(jié)果的基礎(chǔ)上進(jìn)一步抑制噪聲，提高了分類結(jié)果的準(zhǔn)確性。

目前，基于高分辨率無人機(jī)遙感影像梯田識(shí)別的方法研究仍然停留在面向?qū)ο蠹夹g(shù)層面，尚未有公開的研究成果將深度學(xué)習(xí)技術(shù)應(yīng)用于遙感梯田的識(shí)別。然而應(yīng)用于遙感地物識(shí)別和遙感場景分類的深度學(xué)習(xí)方法研究更側(cè)重多種地物類別的區(qū)分效果[22-23]，不適用于以精準(zhǔn)識(shí)別梯田田面為目標(biāo)的遙感梯田識(shí)別研究。

針對現(xiàn)有無人機(jī)遙感梯田識(shí)別方法的不足之處，本文通過無人機(jī)航空攝影獲取的高分辨率遙感梯田影像，制作一套梯田正射影像樣本集并設(shè)計(jì)構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)8s 模型（Fully Convolutional Networks-8s，F(xiàn)CN-8s）與全連接條件隨機(jī)場模型（Dense Conditional Random Field，DenseCRF）結(jié)合的梯田識(shí)別方法，實(shí)現(xiàn)了梯田特征的自動(dòng)學(xué)習(xí)，避免了傳統(tǒng)分類方法依賴人工的特征提取過程，并取得了精確的識(shí)別效果。

1 數(shù)據(jù)材料

1.1 研究區(qū)域及數(shù)據(jù)獲取

1.1.1 研究區(qū)域

中國甘肅省生態(tài)環(huán)境脆弱，水土流失嚴(yán)重，大量坡耕地既是農(nóng)業(yè)生產(chǎn)的嚴(yán)重制約，也是水土流失的主要發(fā)源地。為改善人民生產(chǎn)生活條件，甘肅省榆中地區(qū)從二十世紀(jì)六七十年代開始興修梯田，縣區(qū)內(nèi)梯田面積較大，范圍清晰[24]。

本文的研究區(qū)域是中國甘肅省榆中地區(qū)龍泉鄉(xiāng)黃土丘陵區(qū)典型旱梯田區(qū)，該區(qū)域地理坐標(biāo)范圍為東經(jīng)104°10′58″～104°19′51″，北緯35°34′4″～35°40′56″，平均海拔2 160 m，總面積84 km2，地形以山溝梁峁為主。該研究區(qū)內(nèi)梯田形態(tài)種類豐富，具有一定代表性。圖1為該地區(qū)所在位置及區(qū)域正射影像展示。

圖1 研究區(qū)域所在位置及區(qū)域正射影像展示

1.1.2 數(shù)據(jù)獲取

研究區(qū)圖像拍攝于2016 年3 月，拍攝期天氣晴朗，能見度高，風(fēng)力小于4 級(jí)。使用安翔動(dòng)力AF1000 型無人機(jī)，該機(jī)翼展開27 m，質(zhì)量14 kg，有效載荷2 kg，航高90 m 左右，搭載SONYA5100 相機(jī)，有效像素2 430 萬，單幅影像面積約340 m×500 m。飛行采用自動(dòng)起飛/規(guī)劃航線飛行/自動(dòng)降落模式，全程總計(jì)耗時(shí)約24 h。

獲取原始數(shù)據(jù)后采用Agisoft photoscan軟件，導(dǎo)入影像，控制點(diǎn)數(shù)據(jù)及POS數(shù)據(jù)，將整個(gè)區(qū)域分成25個(gè)測試區(qū)塊進(jìn)行處理，并最終拼接生成空間分辨率為0.5 m的正射影像。依據(jù)無人機(jī)影像制作的1∶500 地形圖的精度滿足《1∶500 1∶1 000 1∶2 000地形圖航空攝影測量內(nèi)業(yè)規(guī)范》[25]對1∶500平地、丘陵的成圖要求。

1.2 數(shù)據(jù)預(yù)處理

本文從研究區(qū)域截取1 塊樣本區(qū)和3 塊測試區(qū)，其正射影像如圖2 所示。樣本區(qū)（圖2（a））為10 000×10 000 像素，范圍最大，包含梯田種類全面，特征清晰，作為本實(shí)驗(yàn)正射影像樣本集來源。測試區(qū)1（圖2（b））、測試區(qū)2（圖2（c））、測試區(qū)3（圖2（d））作為本實(shí)驗(yàn)的測試集，均為1 000×1 000像素，包含了研究區(qū)內(nèi)的主要梯田類型。其中測試區(qū)1的梯田田塊形狀較短寬，位于山脊周邊，田面無覆蓋物，樣區(qū)內(nèi)包含大量山丘，部分建筑物及道路，為典型山脊區(qū)梯田。測試區(qū)2的梯田田塊形狀舒長較窄，分布密集，田塊邊緣曲線光滑，田面有部分莊稼堆積物，樣區(qū)內(nèi)包含少量建筑物，為密集水平梯田。測試區(qū)3的梯田田塊形狀蜿蜒不規(guī)則，田面有大量積雪覆蓋，樣區(qū)內(nèi)包含部分建筑物和少許道路，屬于不規(guī)則梯田。

圖2 樣本區(qū)及各測試區(qū)正射影像圖

本文實(shí)驗(yàn)所使用的正射影像數(shù)據(jù)空間分辨率高（0.5 m）、細(xì)節(jié)清晰、特征明顯、類別豐富，因此基于目視解譯使用圖像標(biāo)注工具labelme 軟件，制作實(shí)驗(yàn)所需要的標(biāo)簽圖像，并將梯田田面的像素值設(shè)置為1，用紅色（rgb（255，0，0））標(biāo)注，非梯田部分的像素值設(shè)置為0，用黑色（rgb（0，0，0））標(biāo)注。為防止過擬合現(xiàn)象，采用翻轉(zhuǎn)（水平、垂直和左右）和旋轉(zhuǎn)（90°、180°和270°）的方式對數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)。經(jīng)過數(shù)據(jù)增強(qiáng)后生成樣本集4 000組，其中訓(xùn)練集3 000組，驗(yàn)證集1 000組。實(shí)驗(yàn)樣本的正射影像（圖3（a））和標(biāo)簽圖像（圖3（b））一一成組對應(yīng)，如圖3所示。

圖3 實(shí)驗(yàn)樣本集圖像

2 方法設(shè)計(jì)

梯田在高分辨率遙感影像上表現(xiàn)為形狀相似且排列連續(xù)的面狀地物，梯田的田坎表現(xiàn)為臺(tái)階狀等高線條紋理特征，其邊界處常有路或溝壑[25]。不同于遙感地物識(shí)別與遙感場景分類的多目標(biāo)類別檢測，旱梯田區(qū)遙感影像的梯田部分地形特征復(fù)雜但有一定規(guī)律性，而非梯田部分均質(zhì)化程度高[27]，因此梯田識(shí)別的重點(diǎn)在于通過學(xué)習(xí)更深層次的特征實(shí)現(xiàn)梯田邊界更精細(xì)的分割和梯田田面更準(zhǔn)確的提取。

針對遙感影像梯田識(shí)別的特殊性，本文方法首先制作正射影像樣本集，構(gòu)造并訓(xùn)練FCN-8s模型，然后將測試集輸入FCN-8s 模型進(jìn)行預(yù)識(shí)別，輸出的梯田預(yù)識(shí)別結(jié)果作為DenseCRF 模型的一階勢函數(shù)，然后利用高斯核函數(shù)的線性組合定義DenseCRF 模型的二階勢函數(shù)，通過平均近似場方法求解模型，得到最終的梯田識(shí)別結(jié)果，最后進(jìn)行精度評(píng)價(jià)，如圖4。

圖4 本文方法流程圖

方法流程如下：

（1）數(shù)據(jù)預(yù)處理。利用無人機(jī)拍攝的高分遙感梯田樣本區(qū)正射影像，生成圖片大小為224×224像素的正射影像數(shù)據(jù)集，并標(biāo)注每個(gè)實(shí)驗(yàn)樣本的標(biāo)簽圖像，實(shí)驗(yàn)樣本的標(biāo)簽圖像與原始正射影像數(shù)據(jù)一一成組對應(yīng)。經(jīng)數(shù)據(jù)增強(qiáng)處理后分為訓(xùn)練集和驗(yàn)證集。

（2）構(gòu)建FCN-8s模型。根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)原理，在VGG-19（Visual Geometry Group，VGG）網(wǎng)絡(luò)模型的基礎(chǔ)上構(gòu)建FCN-8s模型。

（3）訓(xùn)練FCN-8s 模型。同時(shí)將訓(xùn)練集和驗(yàn)證集放入構(gòu)建好的模型進(jìn)行訓(xùn)練及驗(yàn)證，通過參數(shù)對比調(diào)優(yōu)，完成模型的訓(xùn)練。

（4）FCN-8s 模型預(yù)識(shí)別。將測試集輸入訓(xùn)練好的模型，經(jīng)計(jì)算后輸出FCN-8s梯田影像預(yù)識(shí)別結(jié)果。

（5）DenseCRF 模型。輸入梯田預(yù)識(shí)別結(jié)果，構(gòu)造DenseCRF 模型二階勢函數(shù)，計(jì)算后輸出本文方法的最終識(shí)別結(jié)果。

（6）精度評(píng)價(jià)。對比各測試區(qū)的真值圖，對本文方法的實(shí)驗(yàn)結(jié)果計(jì)算總體精度、F1分?jǐn)?shù)和Kappa系數(shù)進(jìn)行精度評(píng)價(jià)。

2.1 FCN-8s模型

本文方法中的FCN-8s 模型以VGG-19 作為特征提取器，采用FCN-8s架構(gòu)進(jìn)行構(gòu)建。FCN-8s網(wǎng)絡(luò)架構(gòu)是FCN架構(gòu)[28]中分割結(jié)果最細(xì)致最準(zhǔn)確的網(wǎng)絡(luò)架構(gòu)，能夠精確預(yù)測遙感影像中每個(gè)像素的分割結(jié)果[29]。VGG[30]是基于Alexnet網(wǎng)絡(luò)[31]對深度神經(jīng)網(wǎng)絡(luò)在深度和寬度上做了改進(jìn)后形成的具備更強(qiáng)表達(dá)能力的卷積網(wǎng)絡(luò)模型，去掉了Alexnet的局部響應(yīng)歸一化方法（Local Response Normalization，LRN），并采用了更小的3×3 的卷積核、2×2的池化核以及步長為1，因此參數(shù)量更少。VGG-19是最深的VGG 網(wǎng)絡(luò)[32]，由16 個(gè)卷積層和3 個(gè)全連接層構(gòu)成，能夠更精準(zhǔn)有效地提取特征對圖像進(jìn)行分類并得到輸入圖像的類別概率值。

根據(jù)全卷積神經(jīng)網(wǎng)絡(luò)的原理，將VGG-19卷積層之后的3 個(gè)全連接層轉(zhuǎn)化成3 個(gè)卷積層（其中前2 個(gè)卷積層卷積核大小為4 096×1×1，第3 個(gè)卷積核大小為1 000×1×1）并添加反卷積操作，對特征提取步驟的最后一個(gè)卷積層特征圖像進(jìn)行8倍上采樣，實(shí)現(xiàn)無人機(jī)遙感梯田影像的端到端、像素到像素級(jí)別的分類，并得到與輸入圖像大小相同的語義分割結(jié)果圖。

2.1.1 特征提取

深度學(xué)習(xí)網(wǎng)絡(luò)模型的特征提取通過卷積層實(shí)現(xiàn)，卷積層利用卷積核計(jì)算降維提取圖像不同頻段的特征。卷積核即濾波器filter，帶有一組固定權(quán)重的神經(jīng)元，多個(gè)卷積核疊加形成卷積層。卷積層常用的激活函數(shù)有tanh、sigmoid 和Relu 函數(shù)。但是sigmoid 和tanh 函數(shù)都要對輸入進(jìn)行歸一化，而Relu函數(shù)則不需要，并且Relu函數(shù)可以去除數(shù)據(jù)中的冗余[33]，最大限度地保留數(shù)據(jù)的特征，因此本文方法中的FCN-8s 模型特征提取器每一層卷積都選用Relu 函數(shù)作為激活函數(shù)。Relu 函數(shù)的數(shù)學(xué)表達(dá)式為：

該特征提取器采用逐層訓(xùn)練的方式，16個(gè)卷積層的卷積核均為3×3，每層特征提取的特征圖示例如圖5。

2.1.2 池化

圖5 卷積層特征提取圖

池化的目的是對輸入的特征圖進(jìn)行壓縮，同時(shí)改善結(jié)果防止過擬合現(xiàn)象的發(fā)生。下采樣是池化層的主要操作，通過下采樣的壓縮簡化了網(wǎng)絡(luò)計(jì)算的復(fù)雜度并在壓縮過程中再一次提取特征圖的主要特征。池化操作一般有Avy Pooling 和Max Pooling，本文方法FCN-8s模型的池化層采用Max Pooling，池化核是2×2，步長為2，池化操作如圖6所示。模型共有5個(gè)池化層，pool1在Conv1-1～1-2 后面，pool2 在Conv2-1～2-2 后面，pool3 在Conv3-1～3-4 后面，pool4 在Conv4-1～4-2 后面，pool5 在Conv5-1～5-4后面。

圖6 池化圖

2.1.3 反卷積

反卷積通過上采樣操作從最后一個(gè)卷積層得到的特征圖恢復(fù)到輸入圖像的原始尺寸，并通過卷積+補(bǔ)位的操作還原多出的空白像素點(diǎn)。本文方法中FCN-8s模型反卷積操作采用轉(zhuǎn)置卷積的方式并添加crop 操作輔助反卷積，最后使用softmax 函數(shù)作為分類器對每個(gè)像素進(jìn)行分類，softmax函數(shù)的數(shù)學(xué)表達(dá)式為：

其中，yi是softmax 輸出的分類結(jié)果也稱為預(yù)測結(jié)果，Zi是該網(wǎng)絡(luò)層的第i個(gè)輸出，wij是第i個(gè)神經(jīng)元的第j個(gè)權(quán)重，bj是其bias值。

softmax的交叉熵?fù)p失函數(shù)表達(dá)式為：

本文方法中的FCN-8s 模型結(jié)構(gòu)圖如圖7 所示。輸入樣本圖像首先在Conv1-1～1-2 卷積后在pool1 層第一次下采樣尺寸縮小為原圖像的1/2，接著再經(jīng)過Conv2-1～2-2、pool2 縮小為原圖像的1/4，之后從第三組卷積層開始每組4 次卷積，Conv3-1～3-4、pool3，此時(shí)縮小為原圖像的1/8，并儲(chǔ)存pool3 的feature map，繼續(xù)卷積Conv4-1～4-2、pool4，并儲(chǔ)存pool4 的feature map，此時(shí)圖像已縮小為原圖像的1/16，最后進(jìn)行Conv5-1～5-4 四層卷積，并將pool5 池化后縮小為原圖像大小的1/32的圖像改稱為heat map。Heat map 繼續(xù)進(jìn)行conv6、conv7、conv8三層卷積，完成全卷積過程。

完成全卷積的heat map 經(jīng)過soaftmax 像素級(jí)分類生成預(yù)測結(jié)果圖，此時(shí)的heat map是原圖像大小的1/32，其預(yù)測結(jié)果圖也是原圖像大小的1/32。對該結(jié)果圖進(jìn)行第一次反卷積2倍上采樣恢復(fù)到原圖像大小的1/16，并與pool4的feature map生成的預(yù)測結(jié)果疊加，將此結(jié)果進(jìn)行第二次反卷積，經(jīng)2倍上采樣恢復(fù)到原圖像大小的1/8，再與pool3 的feature map 預(yù)測結(jié)果疊加后進(jìn)行最后一次反卷積8倍上采樣，最終得到與輸入梯田影像大小相同的梯田預(yù)識(shí)別結(jié)果圖。

2.2 FCN-8s模型的訓(xùn)練

本文方法的FCN-8s 模型在Ubuntu 16.04.5LTS 系統(tǒng)，Python2.7 環(huán)境下，采用TensorFlow1.13 版本進(jìn)行訓(xùn)練，將訓(xùn)練集和驗(yàn)證集輸入網(wǎng)絡(luò)，設(shè)置Batch Size 值為2，一次輸入所有數(shù)據(jù)，設(shè)置學(xué)習(xí)率為0.000 1，訓(xùn)練次數(shù)為66 000次，訓(xùn)練過程的交叉熵?fù)p失函數(shù)值曲線圖如圖8 所示，其橫軸為訓(xùn)練次數(shù)，縱軸為損失函數(shù)值。前5 000 次迭代過程中損失函數(shù)值快速減小，經(jīng)過30 000次迭代已基本收斂，雖然仍有波動(dòng)出現(xiàn)，但隨著迭代次數(shù)的不斷增加，波動(dòng)的幅度和頻率都逐漸下降，66 000次的交叉熵?fù)p失函數(shù)值穩(wěn)定在6.236 51×10-4。

2.3 DenseCRF模型

圖7 FCN-8s模型結(jié)構(gòu)圖

圖8 交叉熵?fù)p失函數(shù)曲線

條件隨機(jī)場（Conditional Random Field，CRF）[34]是圖模型的一種特定類型，通過最小化用戶定義的能量函數(shù)實(shí)現(xiàn)模型預(yù)測結(jié)果的后驗(yàn)分布估計(jì)，使圖像分割結(jié)果更加精準(zhǔn)。與由一階勢函數(shù)和相鄰元素構(gòu)成的勢函數(shù)所組成的基本條件隨機(jī)場（Basic Conditional Random Field，BasicCRF）模型不同，DenseCRF 模型的二階勢函數(shù)描述的是每一個(gè)像素與其他所有像素的關(guān)系，使用該模型在圖像中的所有像素對上建立點(diǎn)對勢能從而實(shí)現(xiàn)極大地細(xì)化和分割。

本文方法將FCN-8s模型的預(yù)識(shí)別結(jié)果作為一階勢函數(shù)構(gòu)建DenseCRF 模型，針對全卷積神經(jīng)網(wǎng)絡(luò)不能充分考慮全局上下文信息，忽略了空間正則化（Spatial Regularization，SR）步驟，缺乏空間一致性的缺點(diǎn)，通過將每個(gè)像素點(diǎn)與其他所有像素點(diǎn)均構(gòu)成一條邊的稠密全連接模型，進(jìn)一步提高梯田識(shí)別結(jié)果。

2.3.1 一階勢

DenseCRF 作為一種判別式模型，可以在給定觀測場的條件下，對標(biāo)記場的后驗(yàn)概率直接建模。一階勢函數(shù)對單像素點(diǎn)的預(yù)測信息和相應(yīng)的標(biāo)簽之間的關(guān)系進(jìn)行建模，計(jì)算每個(gè)像素點(diǎn)的類別概率。

隨機(jī)場的Gibbs分布定義如下：

標(biāo)簽值x對應(yīng)的Gibbs能量表示為：

這里，P(xi=li)為FCN-8s模型預(yù)識(shí)別結(jié)果中，像素i的標(biāo)簽。

2.3.2 二階勢

式中，μ(xi,xj)=[xi≠xj]為標(biāo)簽兼容函數(shù)，用來懲罰相鄰相似的像素被標(biāo)記成不同類型，ω(m)為每個(gè)高斯核對應(yīng)的權(quán)重，fi、fj分別表示像素i和像素j具有的特征向量，k(m)為高斯核，公式為：

其中，pi，pj是像素點(diǎn)i，j的位置，θα，θγ是接近度和相似度。

2.3.3 平均近似場算法

本文的DenseCRF 模型使用平均場近似方法[35]求解，計(jì)算復(fù)雜度為O(N2)，該目標(biāo)函數(shù)的表達(dá)式為：

式中，向量fi、fj是像素點(diǎn)i、j的特征向量，ω(m)是線性組合權(quán)重，μ是標(biāo)簽兼容性函數(shù)，

推斷算法如下：

（2）迭代更新：

（3）當(dāng)算法收斂時(shí)，停止迭代。

2.4 精度評(píng)價(jià)

精度評(píng)價(jià)是指比較實(shí)際數(shù)據(jù)與方法結(jié)果以確定該方法的準(zhǔn)確性。本文通過目視解譯，在arcmap10.5中繪制接近于實(shí)際梯田的真值圖作為評(píng)價(jià)樣本。為了做出有效的評(píng)估，實(shí)驗(yàn)使用總體精度（Overall Accuracy，OA）、F1分?jǐn)?shù)和Kappa系數(shù)[36]對本文方法的實(shí)驗(yàn)結(jié)果進(jìn)行量化評(píng)價(jià)[37]，三種精度的計(jì)算方法為：

式中，TP（True Positive）為分類正確的梯田像素點(diǎn)；TN（True Negative）為分類正確的非梯田像素點(diǎn)；FN（False Negative）為分類錯(cuò)誤的非梯田像素點(diǎn)；FP（False Positive）為分類錯(cuò)誤的梯田像素點(diǎn)。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文方法的有效性，分別選取山脊區(qū)梯田、密集水平梯田和不規(guī)則梯田正射影像作為測試樣區(qū)，并在使用相同樣本集的基礎(chǔ)上將本文方法的最終實(shí)驗(yàn)結(jié)果分別與FCN-8s梯田影像預(yù)識(shí)別結(jié)果，SegNet、DeepLab方法結(jié)果進(jìn)行對比。圖9 為三個(gè)測試區(qū)梯田識(shí)別結(jié)果對比圖。

圖中第一行是測試區(qū)1 山脊區(qū)梯田的識(shí)別結(jié)果對比圖，識(shí)別的誤差主要出現(xiàn)在以紅框1為例的不平整梯田田面和藍(lán)框2、黃框3 為例的鄰山脊處梯田。其中DeepLab方法在紅框1處斷裂點(diǎn)最多，識(shí)別效果最差，藍(lán)框2、黃框3 處，由于緊挨山脊，紋理特征和顏色與其他部分田面有所不同，均錯(cuò)分為非梯田。SegNet方法在紅框1處識(shí)別效果相對于DeepLab方法有所提升，但依然有明顯斷裂，并且在藍(lán)框2 和黃框3 處也出現(xiàn)錯(cuò)分情況。以上兩種方法對于梯田遙感影像的紋理顏色特征容錯(cuò)性較差，在山脊區(qū)梯田識(shí)別中表現(xiàn)不佳。FCN-8s預(yù)識(shí)別結(jié)果圖中，紅框1處不平整田面部分識(shí)別效果明顯提升，藍(lán)框2、黃框3 處略有提升，部分田塊邊緣像素點(diǎn)識(shí)別正確，但未能識(shí)別整塊田面；在本文方法的最終實(shí)驗(yàn)結(jié)果圖中，紅框1處和FCN-8s識(shí)別效果相當(dāng)，藍(lán)框2、黃框3 處識(shí)別效果明顯提升，可以正確識(shí)別整塊田面，識(shí)別效果較好。

圖中第二行是測試區(qū)2 密集水平梯田的識(shí)別結(jié)果對比圖，識(shí)別的誤差主要出現(xiàn)在以紅框4為例的建筑物群和藍(lán)框5、黃框6為例的土坎陡坡地形處。其中Deep-Lab 方法在紅框4 處將大部分建筑物錯(cuò)分為梯田，在藍(lán)框5 和黃框6 處將土坎陡坡也錯(cuò)分為梯田。而SegNet方法在紅框1 處識(shí)別效果略有提升，錯(cuò)分情況有所好轉(zhuǎn)，但是在藍(lán)框5 土坎陡坡處也將土坎陡坡錯(cuò)分為梯田，并且將藍(lán)框5 左側(cè)的非梯田部分錯(cuò)分為梯田，在黃框6 處土坎陡坡錯(cuò)分為梯田的部分相對DeepLab 方法有所減少，但還是明顯存在。FCN-8s 預(yù)識(shí)別結(jié)果圖中紅框4 處建筑物群基本都能正確識(shí)別為非梯田，藍(lán)框5和黃框6 的土坎陡坡也正確識(shí)別為非梯田，但是藍(lán)框5和黃框6之間的梯田區(qū)域都錯(cuò)分為了非梯田；本文方法的最終實(shí)驗(yàn)結(jié)果圖中，紅框4處建筑物群基本能正確識(shí)別為非梯田，藍(lán)框5 和黃框6 處大部分土坎陡坡正確識(shí)別為非梯田，兩處之間的梯田區(qū)域錯(cuò)分情況也有所減輕，相比于前三種方法，取得了最好的識(shí)別效果。

圖中第三行是測試區(qū)3 不規(guī)則梯田的識(shí)別結(jié)果對比圖，由于該樣區(qū)內(nèi)梯田田面有積雪覆蓋，積雪覆蓋區(qū)域紋理平整，顏色接近，識(shí)別效果誤差較大，誤差主要出現(xiàn)在以紅框7 為例的斷崖下的梯田，藍(lán)框8 為例的積雪未完全消融的濕土梯田田面，黃框9為例的紋理多樣的不規(guī)則小塊梯田區(qū)。其中DeepLab 方法和SegNet 方法在紅框7處、藍(lán)框8處均出現(xiàn)錯(cuò)分情況，在黃框9處，Seg-Net 方法的識(shí)別效果比DeepLab 方法略好，但識(shí)別效果依然不夠理想。FCN-8s 預(yù)識(shí)別結(jié)果圖中紅框7 處依然沒有能正確識(shí)別斷崖下梯田，藍(lán)框8 處和黃框9 處田面的識(shí)別效果相比于DeepLab和SegNet方法有所提升，但是比較粗糙；本文方法的最終實(shí)驗(yàn)結(jié)果圖中，紅框7 處能夠正確識(shí)別出斷崖下梯田，但是斷崖部分也一并識(shí)別為梯田，由于該影像來自于俯視航拍，近于垂直的斷崖不能拍攝到完整斷崖面特征，而拍到的斷崖頂顏色紋理和斷崖下梯田相似，從影像上難以區(qū)分。藍(lán)框8處和黃框9 處基本能正確識(shí)別，其中藍(lán)框8 積雪未完全消融的濕土田面識(shí)別效果較為精準(zhǔn)，黃框9處多塊不規(guī)則小塊梯田由于紋理顏色各異，識(shí)別效果不夠精準(zhǔn)，有待進(jìn)一步提升。

從實(shí)驗(yàn)結(jié)果圖中可以看出，本文方法的識(shí)別結(jié)果最接近于人工標(biāo)記的真值圖像，Deeplab 方法和SegNet方法在測試區(qū)1、2、3的識(shí)別中錯(cuò)分和漏分現(xiàn)象明顯，效果難以令人滿意。FCN-8s 模型預(yù)識(shí)別效果在測試區(qū)1的識(shí)別中表現(xiàn)良好，而測試區(qū)2 和測試區(qū)3 的識(shí)別結(jié)果相對較為粗糙，結(jié)合DenseCRF 模型優(yōu)化處理的最終結(jié)果在3個(gè)測試區(qū)的識(shí)別結(jié)果更細(xì)致準(zhǔn)確，具有良好的魯棒性。

圖9 測試區(qū)梯田識(shí)別結(jié)果對比圖

表1 測試區(qū)梯田識(shí)別結(jié)果精度評(píng)價(jià)%

此外，根據(jù)測試區(qū)正射影像圖分析本文方法的誤差，測試區(qū)1中緊挨山脊處的梯田田面顏色與山脊相近且與非鄰近山脊的其他梯田差異較大，容易被錯(cuò)識(shí)別為非梯田；測試區(qū)2 中土坎陡坡處顏色、紋理和輪廓特征與鄰近的梯田田面十分接近，只是因?yàn)槠露茸兓笄移缕矫孑^窄不利于作物種植所以一般不在土坎陡坡處修建梯田，目視解譯時(shí)憑借人工經(jīng)驗(yàn)將此處劃分為非梯田，如何進(jìn)一步解決梯田識(shí)別中這種典型的同譜異物現(xiàn)象有待在今后的研究中改進(jìn)。測試區(qū)3 由于受田面積雪覆蓋影響，梯田田面之間顏色和紋理等特征相差較大，進(jìn)一步提升田面有覆蓋物情況下的梯田識(shí)別也要在之后的研究中進(jìn)行探索。

表1為測試區(qū)梯田識(shí)別結(jié)果精度評(píng)價(jià)表。從表1可以看出，相比于本文方法，Deeplab 方法和SegNet 方法在總體精度、F1分?jǐn)?shù)和Kappa系數(shù)三種精度的表現(xiàn)都比較差。

與FCN-8s 梯田影像預(yù)識(shí)別結(jié)果相比，本文方法將FCN-8s與DenseCRF模型結(jié)合后，三個(gè)測試區(qū)在總體精度、F1 分?jǐn)?shù)和Kappa 系數(shù)表現(xiàn)上平均分別提高了5.41、7.29、10.07個(gè)百分點(diǎn)。

結(jié)果表明，本文方法在三項(xiàng)精度指標(biāo)上表現(xiàn)最佳，平均總體精度達(dá)到86.85%，平均F1 分?jǐn)?shù)達(dá)到87.28%，平均Kappa系數(shù)值達(dá)到80.41%，取得了較好的識(shí)別效果。

4 結(jié)束語

本文針對無人機(jī)高分辨率遙感梯田識(shí)別研究中無法進(jìn)行梯田特征自動(dòng)學(xué)習(xí)的問題，根據(jù)梯田識(shí)別的特點(diǎn)，制作一套梯田正射影像樣本集，提出一種FCN-8s與DenseCRF模型結(jié)合的深度學(xué)習(xí)識(shí)別方法。

該方法首先在TensorFlow 深度學(xué)習(xí)框架上搭建FCN-8s網(wǎng)絡(luò)架構(gòu)，以VGG-19深度神經(jīng)網(wǎng)絡(luò)模型作為特征選擇器對梯田影像進(jìn)行預(yù)識(shí)別，通過模型中的卷積層在梯田正射影像樣本集上完成梯田特征的自動(dòng)學(xué)習(xí)，避免了傳統(tǒng)提取方法中復(fù)雜的人工處理過程。該步驟將FCN全卷積網(wǎng)絡(luò)中分割最細(xì)致的8s架構(gòu)與VGG系列最深的網(wǎng)絡(luò)結(jié)合進(jìn)行特征提取與預(yù)識(shí)別，充分利用VGG-19深層學(xué)習(xí)特征的優(yōu)勢以進(jìn)行梯田影像二分類的精準(zhǔn)區(qū)分。然后以預(yù)識(shí)別的分類結(jié)果定義每個(gè)像素點(diǎn)一階勢函數(shù)，用兩種高斯核函數(shù)的線性組合定義二階勢函數(shù)，利用全連接條件隨機(jī)場考慮豐富的空間上下文信息的特點(diǎn)，抑制更多的分類噪聲，進(jìn)一步提高梯田識(shí)別精度。實(shí)驗(yàn)結(jié)果表明，該方法取得了較好的梯田識(shí)別效果，推動(dòng)了深度學(xué)習(xí)技術(shù)應(yīng)用于無人機(jī)遙感梯田識(shí)別方法研究領(lǐng)域。

本文仍有可以改進(jìn)之處，后續(xù)的研究將從以下幾個(gè)方面進(jìn)行嘗試：（1）能否改進(jìn)模型以適應(yīng)多源數(shù)據(jù)的輸入和學(xué)習(xí)，通過將梯田的地形因子數(shù)據(jù)與影像數(shù)據(jù)結(jié)合學(xué)習(xí)提高識(shí)別精度。（2）能否將集成學(xué)習(xí)與深度學(xué)習(xí)方法結(jié)合，通過集成學(xué)習(xí)的投票技術(shù)進(jìn)一步優(yōu)化梯田識(shí)別結(jié)果。（3）在深度學(xué)習(xí)技術(shù)之外，能否采用半監(jiān)督學(xué)習(xí)方式進(jìn)行無人機(jī)遙感梯田的識(shí)別有待進(jìn)一步探索。