本发明属于图像智能处理技术领域，涉及高分辨率遥感影像的信息提取技术，具体涉及一种基于多时相高分辨率遥感影像的设施蔬菜提取方法，用于基于高分辨率遥感影像，提取出影像中的设施蔬菜信息。
背景技术
随着我国城镇化的快速推进，对蔬菜的需求也日趋增长，集约化蔬菜生产(以设施蔬菜为代表)已经成为蔬菜生产的主要发展方向。设施蔬菜可以延长蔬菜供应周期，提高蔬菜产量，缓解供应紧张现象。目前国内常用的设施农业类型主要包括：塑料大棚(含中小拱棚)、日光温室和连栋温室。塑料大棚是指以塑料薄膜作为透光覆盖材料的单栋拱棚。在我国南方地区使用功能是冬季保温，夏季遮阳、防雨。而在北方地区使用主要具有春提早、秋延后作用，一般比露地生产科提早或延后一个月左右。由于其保温性能较差，在北方地区一般不用它做越冬生产。
日光温室是我国科技工作者在一面坡温室的基础上不断完善提高开发出来的一种具有中国特色的温室形式。它是以太阳能为主要能源，夜间采用活动保温被在前屋面保温进行越冬生产的单层面塑料薄膜温室，该类温室的东、西、北三面墙体和后屋面采用高保温建筑材料。在我国北方地区使用，正常条件下不用人工加温可保持室内外温差达到20-30℃以上，此类温室现已在北纬30-45°地区有广泛应用，是北方地区越冬生产园艺产品的主要温室形式。连栋温室是指将多个单跨的温室通过天沟连接起来的大面积生产温室，是当今世界和我国发展现代化设施农业的趋势和潮流。连栋温室根据结构形式和覆盖材料的不同分为：连栋玻璃温室、连栋塑料温室和聚碳酸酯板温室(pc温室)。上述的三种温室又可以简单的分为：“冷棚”(塑料大棚)和“暖棚”(日光温室和连栋温室)。
蔬菜设施栽培已经成为现代农业的重要组成部分之一，设施栽培成了将传统农业改造为现代农业的一种重要手段，并且在许多地区成了当地的支柱产业，极大的增加了农民的收入。另外，设施蔬菜的出现使得土地的利用率高，在一定程度上摆脱了对自然环境的依赖，具有高投入、高技术含量、高品质、高产量、高效益等特点，是最有活力的农业新产业。设施蔬菜的建设面积反映了当地的农业现代化发展水平，也反映了当地的蔬菜供应能力，对于市场上蔬菜的供求关系起到至关重要的影响，对于当地农业部门的科学管理、蔬菜种植政策制定等方面都有很重要的意义。其中，良种补贴的重要一项就是良种补贴的面积，面积的准确度关系着农民的切身利益。
在现有技术中，设施蔬菜的面积产量等信息通常是采用常规的地面调查方法或常年的统计数据，缺乏科学性，浪费大量的时间和人力，受人为主观因素影响较大，对政府的决策、管理难以提供可靠性依据，不能满足其需求。遥感作为远距离探测地物接收地物电磁波信息特性的技术，具有常规传统技术所不具备的信息真实丰富、现势性、宏观性、动态性等诸多优势。通过遥感技术快速、准确地获取设施蔬菜的面积、土地利用分布等信息，可以为合理布置菜区分布、实现集约化蔬菜生产、稳定和促进农业发展水平，实现农业资源的高效和可持续利用奠定良好基础。
遥感技术的快速发展，高分辨率遥感影像已经成为获取设施蔬菜种植面积的主要途径。如何从海量高分辨率遥感影像数据中高效、精准地提取出设施蔬菜的面积、类型等信息是高分辨率遥感影像智能解译中急需解决的关键技术之一。同时，设施蔬菜是遥感影像中典型的、很常见也很重要的地物要素类型，其信息的有效获取，在地理数据更新、农村发展规划、农业科学管理等领域具有重要的意义。
遥感平台的多样化发展，空间和光谱分辨率的提升，遥感技术在农业领域的应用变得越来越广泛。对于遥感影像进行地物类别分类主要是确定不同地物类别间的判别界面和判别准则，目前对于设施蔬菜提取方法上，很多时候都是通过以监督分类和非监督分类为算法，采用目视解译来进行修正来提高分辨率。其中，目视解译能综合利用地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等影像特征的知识，但目视解译需要解译人员对研究区比较熟悉，且分类非常费时费力。监督分类和非监督分类的方法由于过分依赖地物光谱信息，不能充分挖掘地物空间特征和其他辅助信息，难以克服影像中的“同物异谱”和“同谱异物”现象，分类精度受到一定的限制，若要达到较高的精度需要进行大量的后期修正。此外存在的方法还包括：面向对象的分类算法、人工神经网络法、支持向量机法、基于空间结构的提取方法等。目前提取设施蔬菜的结果中有建筑物、道路的存在，这在很大程度上会造成提取的精度差，混淆范围大。
此外，从数据源上，目前已有的方法多数是采用landsattm、spot5、rapideye等中低分辨率遥感影像，不能满足精细的设施蔬菜信息提取要求，部分提出的高分辨率遥感设施蔬菜的提取方法又往往受影像质量、场景复杂度的影响较大，且需要大量的人工干预，这降低了方法的普适性和自动化程度。因此要实现设施蔬菜的精准提取，就必须采用的高分辨流程遥感影像。
技术实现要素：
为了解决现有技术中存在的问题，本发明提出了一种基于高分辨率遥感影像的设施蔬菜信息提取方案，能够满足影像中设施蔬菜信息提取的需要，提高高分辨率遥感影像设施蔬菜提取的鲁棒性和普适性，实现了设施蔬菜种植面积的提取。
本发明提供了一种基于多时相高分辨率遥感影像的设施蔬菜提取方法，用于基于高分辨率遥感影像，提取出影像中的设施蔬菜信息，包括以下步骤：步骤一，对高分辨率遥感影像进行预处理，以提取出单波段图像；步骤二，对单波段图像执行图像增强处理，从而提高设施蔬菜与其他地物类别的区分能力；步骤三，选择预定观察窗口，对增强处理后的图像进行纹理分析处理，从而计算获得特征值纹理影像；步骤四，基于特征值纹理影像，创建易与设施蔬菜混淆的建筑物和道路的掩膜图像；步骤五，利用掩膜图像对原始的高分辨率遥感影像进行掩膜，从而提取出地物图斑的边缘检测线；步骤六，对边缘检测线进行数学形态学操作和细分割处理，从而生成关于设施蔬菜的灰度图像的提取结果；步骤七，对设施蔬菜的灰度图像执行二值化处理，提取出设施蔬菜的矢量图斑并进行矢量转栅格处理，从而实现对设施蔬菜信息的提取。
优选地，在本发明中，预处理至少包括：辐射定标、利用基准影像进行几何校正、图像融合、图像向前、基于规则进行区域裁剪。纹理分析处理为灰度共生矩阵的纹理统计法，并且特征值纹理影像的特征值至少包括：熵、对比度、自相关、能量、同质性。
具体地，在步骤一中执行：采用高分辨率遥感影像自带的.rpb文件对遥感影像进行正射校正操作；采用定标参数和光谱响应函数，对正射校正后的影像进行辐射定标，从而得到地表反射率影像；采用基准影像，对地表反射率影像进行几何校正；采用gs融合法，高分辨率、多光谱的全色影像进行融合处理；采用行政边界对进行影像裁剪，从而完成影像的预处理。
额外地，步骤二还可以包括：提取高分辨率遥感影像中的蓝波段，进行直方图均衡化图像增强处理。
相应地，在步骤二中执行：将高分辨率遥感影像的数据转换为double类型；将高分辨率遥感影像的数据转换为[0，1]区间的灰度图像；将高分辨率遥感影像的数据扩充到[0，255]区间；提取高分辨率遥感影像中的蓝波段进行分析；对蓝波段进行直方图均衡化图像增强处理，从而进一步提高设施蔬菜与其他地物类别的区分能力。
在步骤三中执行：灰度量级化操作；确定观察窗口；设定步距及扫描方向；计算纹理的灰度共生矩阵；计算特征值纹理影像的特征值；生成特征值纹理影像。
具体地，步骤四包括：根据特征值纹理影像，通过全局阈值分割法，创建易与设施蔬菜混淆的建筑物和道路的掩膜图像，其中，掩膜图像用于将建筑物和道路从高分辨率遥感影像中剔除出去。
在步骤四中执行：选择建筑物、道路与其他地物区分度高的纹理影像；采用全局阈值分割发，将建筑物和道路替取出来，创建掩膜图像；利用掩膜图像剔除影响中的建筑物和道路。
步骤五包括：利用掩膜图像对原始的高分辨率遥感影像进行掩膜；采用迭代阈值分割法去除掉背景元素；采用边缘检测法，对设施蔬菜的边缘进行提取，从而获取边缘检测线，其中，背景元素至少包括影像土壤，边缘检测法为canny边缘检测法。
具体地，在步骤五中执行：采用迭代阈值分割法去除掉背景元素；采用高斯滤波器对遥感影像进行平滑处理；计算梯度的幅值和方向；对幅值图像进行非极大值抑制；用双阈值算法检测和连接图像边缘。
步骤六包括：对边缘检测线进行数学形态学操作，使图像像素点连接起来；用边缘检测线分割经过全局阈值分割后的图像，从而得到设施蔬菜的图斑；使用数学形态学中的开运算，去除掉图斑中的连片现象，从而获得去除图像；采用连通域显示方式，通过特征指数，对去除图像进行细分割，从而生成关于设施蔬菜的灰度图像的提取结果，其中，数学形态学操作为数学形态学的膨胀操作，特征指数包括面积、周长、圆形度、长度比、矩形比。
在步骤六中，选择大小为2的“disk”结构元素，采用结构元素执行数学形态学的膨胀操作，得到边缘检测线，利用边缘检测线分割经过全局阈值分割后的图像，得到设施蔬菜的图斑，采用数学形态学中的开运算，去除掉图斑中的连片现象，从而获得去除图像，采用连通域进行显示，计算连通域中的相关指数，并通过五个特征指数对去除图像进行细分割，生成设施蔬菜的灰度图像的提取结果。
在步骤七中执行：对设施蔬菜的灰度图像进行二值化处理；在envi软件中提取出设施蔬菜的矢量图斑并进行矢量转栅格处理；在arcgis软件中，添加提取出来的设施蔬菜的地理坐标系，从而得到最后的结果影像。
因此，与现有技术相比，采用本发明可以实现以下的有益效果：
1)采用全局阈值分割提取建筑物和道路信息，采用迭代法阈值分割去除裸土等背景信息，采用边缘检测分割算法可以保证设施蔬菜提取的精度；
2)与传统的监督分类、非监督分类相比，采用单幅影像的类物提取，更加注重对光谱和纹理信息的深入分析和挖掘，达到针对性更强、明显改善分类精度的目的；
3)采用掩膜处理、分层提取以及本地资料和专家知识的辅助，可以保证每幅影像的提取精度；
4)结合的优势保证了设施蔬菜的提取优势和精准分类的正确性；
5)相比现有的设施蔬菜信息提取方法，本发明提高了高分辨率遥感影像设施蔬菜提取的鲁棒性和普适性，实现了设施蔬菜种植面积的提取。
附图说明
图1为本发明具体实施方式所涉及的一种基于多时相高分辨率遥感影像的设施蔬菜提取方法的流程图；
图2为本发明具体实施方式所涉及的一种基于多时相高分辨率遥感影像的设施蔬菜提取具体操作的流图；
图3示出了采用某一地区经过预处理后的高分辨率遥感影像；
图4(a)、图4(b)、图4(c)、图4(d)、图4(e)分别示出了采用图1的步骤三中的灰度共生矩阵得到的五种纹理特征值影像；
图5示出了采用图1的步骤四中的掩膜处理后的影像；
图6示出了采用图1的步骤五的阈值分割和canny边缘检测算法后得到的结果影像；
图7示出了图1的步骤六所涉及的采用连通域进行图斑统计的显示结果图；
图8示出了图1的步骤六所涉及采用形状特征指数进行图斑处理的显示结果图；
图9示出了采用本发明的基于高分辨率遥感影像的设施蔬菜信息方法得到的提取结果图。
具体实施方式
应了解，在农业中，以设施蔬菜为代表的集约化蔬菜生产所占比重的不断加大，因此需对设施蔬菜信息进行科学规范的管理。针对这种需求，本发明提出了一种基于高分辨率遥感影像的设施蔬菜信息提取的方法，下面将结合附图1-9及具体实施方式对本发明进行详细说明。
如图1所示，基于高分辨率遥感影像的设施蔬菜信息提取方法包括以下步骤：
步骤一，对高分辨率遥感影像进行预处理操作；
步骤二，提取高分辨率遥感影像中的单波段，进行图像增强处理提高设施蔬菜和其他地物类别的区分能力；
步骤三，对于增强后的图像选择适当的观察窗口进行纹理分析，计算特征值纹理影像；
步骤四，根据特征值纹理影像创建易于设施蔬菜混淆的建筑物、道路的掩膜图像；
步骤五，利用上一步制作出来的掩膜图像对原图像进行掩膜，再次采用阈值分割方法将背景去除。采用边缘检测将设施蔬菜的边缘进行提取获取边缘检测线；
步骤六，对边缘检测线进行数学形态学操作，将其中的“连片”现象尽可能地去除，然后采用连通域显示，通过形状特征指数对图像进行细分割，生成设施蔬菜灰度图像提取结果；
步骤七，对设施蔬菜灰度图像进行二值化处理，提取设施蔬菜矢量图斑，进行矢量转栅格处理，实现设施蔬菜信息的提取；
具体地，步骤一～步骤七具体的技术流程如图2所示。
步骤一，遥感影像读取后进行辐射定标、利用基准影像进行几何校正、图像融合、图像镶嵌、基于规则进行研究区裁剪等过程完成影像的预处理操作。
步骤二，提取高分辨率遥感影像中的蓝波段，进行直方图均衡化图像增强处理提高设施蔬菜和其他地物类别的区分能力。
步骤三，对于增强后的图像选择适当观察窗口，采用灰度共生矩阵的纹理统计方法计算纹理特征值影像，其中的特征值包括：熵(entropy，ent)、对比度(contrast，con)、自相关(correlation，cor)、能量(energy，ene)、同质性(homogemeity，hom)等。
步骤四，根据特征值纹理影像通过全局阈值分割的方法，来创建易于设施蔬菜混淆的建筑物、道路的掩膜图像，通过掩膜图像可以将建筑物和道路从高分辨率遥感影像中进行剔除。
步骤五，掩膜后的高分辨率遥感影像，此时就可以采用迭代法阈值分割的方法将影像中的土壤等背景元素进行去除，然后进行canny边缘检测，获取地物图斑的边缘检测线。
步骤六，对边缘检测线进行数学形态学的膨胀操作，使像素点连接起来，然后用边缘线分割步骤四阈值分割后的图像，得到设施蔬菜的图斑。继续使用形态学中的开运算，将其中的“连片”现象尽可能地去除，然后采用连通域显示，通过ar(面积)、perimeter(周长)、metric(圆形度)、pwl(长宽比)、pr(矩形比)这五个特征指数对图像进行细分割，生成设施蔬菜灰度图像提取结果。
步骤七，对设施蔬菜灰度图像进行二值化处理，然后在envi软件中提取出设施蔬菜矢量图斑，进行矢量转栅格处理，在arcgis软件中添加提取出来的设施蔬菜地理坐标系，得到最后的结果影像。
进一步地，所述步骤三具体包括以下步骤：
灰度级量化
在步骤二结束后得到的单波段灰度图像的基础上进行纹理分析，采用灰度共生矩阵进行纹理信息统计，由于图像的灰度级为256级，造成计算量非常大耗时比较长。因此在计算灰度共生矩阵的之前对图像进行直方图均衡化，然后在不影像纹理特征的前提下先将原影像的灰度级进行压缩，一般取8级或16级，从而减小共生矩阵的尺寸，减少计算量和计算时间。
确定观察窗口
窗口的设定非常重要，这是能否提取准确纹理信息的关键。但是对于窗口的选择上有一定的矛盾性。如果针对纹理是一个区域概念，必须通过空间上的一致性体现的原则，则观察窗口取得越大，能检测出来同一性的能力就越强，反之就越弱，这就造成在每类的边界区域误识率较大，并且窗口大的话计算量也会变大。如果从不同纹理的边界对应与区域纹理同一性的跃变以及为了准确定位边界的角度考虑，就需要要求观察窗口取得小一点为好。这样造成的困难就是窗口太小，则会在同一种纹理内部出现误分割。一般而言，当图像大小确定后，计算窗口就随之确定。
设定步距及扫描方向
灰度共生矩阵在精细纹理中随距离而快速变化，而在粗糙纹理中随距离则变化缓慢，一般而言，对于平滑纹理用较大的距离，对于粗糙纹理用较小的距离会取得较好的效果。在高分辨率遥感影像中，步距d取1，扫描方向θ取0°，45°，90°，135°。
计算纹理的灰度共生矩阵
灰度共生矩阵定义为像素对的联合概率分布，是一个对称矩阵，不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。在图像中任意取一点(x，y)及偏离它的一点(x+a，y+b)(其中a，b为整数，人为定义)构成点对。设该点对的灰度值为(f1，f2)，再令点(x，y)在整幅图像上移动，则会得到不同的(f1，f2)值。设图像的最大灰度级为l，则f1与f2的组合共有l*l种。对于整幅图像，统计出每种(f1，f2)值出现的次数，然后排列成一个方阵，再用(f1，f2)出现的总次数将其归一化为出现的概率p(f1，f2)，由此产生的矩阵就是灰度共生矩阵。其中，灰度共生矩阵的计算如下所示：
其中，d表示像素间隔，(k，1)和(m，n)分别为元像素和偏移后的像素坐标，其中k，m为纵坐标，d为图像范围。
计算纹理特征值：熵(entropy，ent)、对比度(contrast，con)、自相关(correlation，cor)、能量(energy，ene)、同质性(homogemeity，hom)。
根据灰度共生矩阵可以计算下面5特征值，公式如下所示：
熵(entropy，ent)：
对比度(contrast，con)：
其中：|i-j|＝n。
自相关(correlation，cor′)：
其中：μx，μy和δx，δy分别为mx，my的均值和标准差，mx是矩阵p中每行元素之和；my是矩阵p中每列元素之和。
能量(energy，ene′)：
同质性(homogemeity，hom)：
上述的5个式子中p(i，j)表示glcm中的元素值。
生成纹理特征影像
纹理特征影像生成的主要思想是：用每一个观察窗口形成的子影像，通过纹理特征计算程序计算观察窗口影像灰度共生矩阵和纹理的特征值后，然后将代表这个窗口纹理特征值赋给窗口的中心点，这就完成了一个观察窗口的纹理特征值计算。然后窗口移动一个像素形成另一个观察窗口影像，再重复计算新共生矩阵和纹理特征值。依次类推，这样整个图像就会形成一个由纹理特征值做成的一个纹理特征值矩阵，然后在matlab中将这个纹理特征值矩阵转换成纹理特征影像，进而显示出来。
进一步地，所述步骤五具体包括以下步骤：
采用迭代法阈值分割的方法将影像中裸土等背景元素去除
迭代法是采用基于逼近的思想，其步骤如下：
求出图像的最大灰度值和最小灰度值，分别记为zmax和zmin，令初始阈值t＝(zmax+zmin)/2；
根据阈值t将图像分割为前景和背景，分别求出两者的平均灰度值zo和zb；
求出新阈值t＝(zo+zb)/2；
若两个平均灰度值zo和zb不再变化(或t不再变化)，则t即为阈值；否则转2)迭代计算。一直计算然后将裸土等背景元素进行去除。
采用高斯滤波器对高分辨率遥感影像进行平滑处理
采用i[i，j]表示原始图像中像素(行号为i，列号为j)的像素值，使用可分离滤波方法求图像与高斯平滑滤波器卷积，得到的结果是一个已平滑数据阵列，公式如下：
s[i，j]＝g[σ]*i[i，j]
其中s[i，j]表示平滑后像素值；g[σ]是高斯函数；σ是散步函数，它控制着平滑程度。
计算梯度的幅值和方向
已平滑数据阵列s[i，j]的梯度可以使用2*2一阶有限差分近似式来计算x与y偏导数的两个阵列p[i，j]和q[i，j]，公式如下所示：
p[i，j]≈(s[i，j+1]-s[i，j]+s[i+1，j+1]-s[i+1，j])/2
q[i，j]≈(s[i，j]-s[i+1，j]+s[i，j+1]-s[i+1，j+1])/2
在这个2*2正方形内求有限差分的均值，以便在图像中的同一点计算x和y的偏导数梯度。幅值m[i，j]和方位角θ[i，j]可用直角坐标到极坐标的坐标转化公式来计算，公式如下所示：
θ[i，j]＝arctan(q[i，j]/p[i，j])
其中反正切函数包含了两个参量，它表示一个角度，其取值范围是整个圆周范围。
对幅值图像进行非极大值抑制
非极大值抑制的目的是剔除上一步计算出来的结果图像中的大部分非边缘点。原理就是通过像素的八邻域来判断是否将这个像素置为边缘点还是背景色。
用双阈值算法检测和连接图像边缘
对非极大值抑制产生的图像，为了减少假边缘的数量，采用双阈值算法进行检测边缘，一般需要设置一个高阈值th和一个低阈值tl，一般高阈值与低阈值比在2∶1到3∶1之间。如果某一像素位置的梯度幅值超过高阈值，则像素被保留为边缘像素；如果某一像素位置的梯度幅值小于低阈值，则像素被排除；如果某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留。双阈值算法可以将候选像素点拼接成轮廓，轮廓的形成时对这些像素运用滞后性阈值算法。
进一步地，所述步骤六具体包括以下步骤：
选择大小为4的“disk”结构元素
结构元素可以看做是一张小图像，通常用于图像的形态学运算中的膨胀、腐蚀、开闭运算等。在运用数学形态学对影像进行滤波时，最重要的就是在于结构元素的选择，一般对于结构元素而言，需要确定结构元素的类型(形状)、大小(尺度)。一般对于结构元素中的类型(形状)而言，分为：’arbitrary’、’pair’、’line’、’square’、’rectangle’、diamond’、’disk’等。其中在结构元素的选择上面，高分辨率影像中地类细节信息丰富，对于设施蔬菜大棚而言，该地类形状规则，不存在显著的各向异性特点。disk(圆形)元素具有各项同性的特征，此外该结构元素可以有选择的去除影像中制定尺度的噪声和不相关的影像目标而保留其他有用的信息，因此圆形结构元素在处理高分辨遥感影像中具有很大的优势。
采用结构元素执行形态学的膨胀操作，得到边缘线
采用canny算法边缘检测完后，其中的一些边缘存在着没有连接在一起的问题，所以采用形态学中的膨胀算法将这些地方进行连接。膨胀(imdilate)运算定义：
其中：式中的a为输入图像，b为结构元素，x为运算窗口移动的距离。膨胀运算可以将与物体接触的所有背景点合并到物体中，使目标增大，可添补目标中的空洞。具体操作为：用一个结构元素扫描图像中的每一个像素，用结构元素中的每一像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1。
利用边缘线分割步骤五阈值分割后的图像，得到设施蔬菜图斑
将步骤五阈值分割后的图像与掩膜过的图像进行相与操作，使一些与设施蔬菜相连的混淆物进行删除以及将其中一些连着的设施蔬菜进行分离，尽可能地得到设施蔬菜的图斑。
采用形态学中开运算，将其中“连片”现象尽可能去除
采用形态学中的开运算可以减轻设施蔬菜的“连片”现象。开(imopen)运算定义：
开运算为依次通过腐蚀和膨胀运算，平滑图像中明亮的细节特征，可以把比定义的结构元素小的毛刺滤掉，平滑较大物体的边界，切断细长搭接而起到分离作用，同时并不明显改变其面积。
采用连通域显示
经过处理后既含有设施蔬菜又含有“噪声”的图像，可以通过标记将它们区分开来。标记分割后图像中各区域的简单而有效的方法就是检查各像素与其相邻像素的连通性。在进行上述步骤的处理后，图像的背景区像素值为0，目标区域的像素值为1。在算法设定为对一幅图像进行从左到右，从上向下进行扫描，对于要标记的图斑就需要标记当前正被扫描的像素与在它之前被扫描到的若干个近邻像素的连通性。采用4连通的算法进行像素扫描。
若当前像素值为0，就移动到下一个扫描的位置。若当前像素值为1，检查左边和上边的两个邻接像素(因为这两个像素会在当前像素之前被扫描到)。这两个像素值和标记的组合就会出现四种情况需要进行考虑。
1)若它们的像素值都为0，此时给该像素一个新的标记(表示一个新的连通域的开始)。
2)若它们之间只有一个像素值为1，此时当前像素标记为1的像素值的标记。
3)若它们的像素值都为1且标记相同，此时当前像素的标记就等于该标记。
4)若它们的像素值为1且标记不同，将其中的较小的值赋给当前像素，之后从另一边回溯到区域的开始像素为止，其中的每次回溯需要在进行上述的四个判断。
这样就可以保证所有的连通域都被标记出来，然后再通过对不同的标记赋予不同的颜色或将其加上边框即可完成标记。
计算连通域中的相关指数，通过ar(面积)、perimeter(周长)、metric(圆形度)、pwl(长宽比)、pr(矩形比)这五个特征指数对图像进行细分割，生成设施蔬菜灰度图像提取结果
将所有的连通域都标记出来后就可以计算相关的指数，利用这些相关特征指数对图像进行细分割，生成设施蔬菜的灰度图像提取结果。
在经过形态学运算后，可以将图像分割后的设施蔬菜大棚的提取精度提高，但是仍然还是会有一些道路与建筑物等地物相混淆的误分现象。通过分析，其中的一些建筑物与设施蔬菜大棚的相比，建筑物一般表现为长宽比比较小的方形，因此可以采用矩形比pr、长宽比pwl和圆形度metric来进行分割；其中的一些面积小的形状不规则的图斑可以利用面积ar和周长perimeter两个参数进行去除。
1.圆形度metric：
其中s表示图斑区域面积，p为图斑区域周长。0＜i≤1，i越大，则区域越接近圆形。
2.长宽比pwl：
其中，a为图斑区域的长边长度，b为图斑区域的短边长度。
3.矩形比pr：
其中，s为图斑区域面积，表示区域最小外接矩形面积。
图斑区域面积和图斑区域最小外接矩形面积之比。可以度量一个区域矩形的相似程度，反映了一个图斑在其外接矩形中的充满程度。取值范围为：[0，1]，矩形度越大表示区域越接近矩形。
注意，本发明在cpu为core(tm)i5-45903.30ghz、内存4gb、windows8专业版系统上使用matlabr2016a软件上进行编程实现仿真。本发明的各个具体实施方式中，选择一个含有4个地物类别的某一地区经过预处理后的高分辨率遥感影像，如图3所示。经过步骤二中的直方图均衡化图像增强的处理后，采用步骤三的纹理影像提取步骤将灰度共生矩阵中的特征值进行统计生成得到的五种特征值纹理影像，如图4所示。然后步骤四种通过将特征纹理图像进行处理，创建相应的建筑物和道路的掩膜图像，其中经过掩膜后的图像如图5所示。然后步骤五在掩膜后的图像中采用阈值分割和canny边缘检测算法后得到的结果影像，如图6所示。在具体实施的步骤六中，采用4邻域的方式进行连通域图斑统计的结果影像如图7所示，然后通过形状特征指数将其中的“噪声”图斑进行去除得到处理后的显示结果图，如图8所示。最后本发明的基于高分辨率遥感影像的设施蔬菜信息最红提取结果，如图9所示。这种提取的结果和人工目视解译的结果可以达到90％以上的精度，证明了本发明设计方法具有优异的提取效果。
综上所述，本发明采用全局阈值分割提取建筑物和道路信息，采用迭代法阈值分割去除裸土等背景信息，采用边缘检测分割算法可以保证设施蔬菜提取的精度。
另外，本发明采用单幅影像的类物提取，与传统的监督分类、非监督分类相比更加注重对光谱和纹理信息的深入分析和挖掘，达到针对性更强、明显改善分类精度的目的。再加上掩膜处理、分层提取，以及本地资料和专家知识的辅助，可以保证每幅影像的提取精度。再结合的优势保证了设施蔬菜的提取优势和精准分类的正确性。相比现有的设施蔬菜信息提取方法，本发明的鲁棒性和普适性更好。
以上所述只是本发明的最基础的具体实施方式，对于本技术领域的人员而言，在不脱离本发明原理的前提下，还可以做出若干改进和润色，这些改进和润色也被视为本发明的保护范围。本发明中未说明部分属于本领域的公知技术。