一种基于高分辨率遥感图像的农田边界提取方法与流程

本发明涉及模式识别与图像处理技术领域，具体地说是一种基于高分辨率遥感图像的农田边界提取方法。

背景技术：

近年来，随着农业技术的革新与农业集中化生产的推进，自动化农机的需求与日剧增。在农业部的大力推进下，我国的农业机械自动化发展进程迅速，农业机械的自动导航和各种农业智能机器人成为人们研究的热点。相对于室内机器人来讲，农业机械的机器视觉导航的工作环境和工作对象更加复杂。采用高分辨率遥感数据，可准确、细致的反映出地表特征。从高分辨率影像准确的提取出农田(即农机工作区域)，便于分析农田的空间特征和形状特征，为农机自动驾驶提供空间位置信息与形状信息。高精度遥感影像能够清晰、准确的呈现出地表的特征与细节，便于分析。可是，随之而来的影响是非目标地物噪声也越来越多，加上遥感影像中地物细节的多样性和复杂性，利用高分辨率遥感数据中提取农田的边界成为一件困难的事情。本发明的目的是提供一种结合面向对象的地物信息提取方法，来获取精准的农田边界。

技术实现要素：

本发明所要解决的技术问题是提供一种基于高分辨率遥感图像的农田边界提取方法，解决农田边界提取中同谱异物错分的现象和高分辨率影像中丰富的地物信息带来的分割精度问题。

本发明为解决上述技术问题所采用的技术方案是：一种基于高分辨率遥感图像的农田边界提取方法，包括以下步骤：

步骤一、采用无人机低空摄影，获取农机工作区域的高空间分辨率的农田原始图像；对原始图像进行预处理，将处理后的图像进行几何校正生成农田局部高精度图像，利用地面控制点对生成的农田局部高精度图像进行几何精校正；

步骤二、对步骤一处理过的图像进行多尺度分割，建立多尺度地物基元属性和关系的层次结构，引入多维特征空间向量，优化基元间的相似性度量；

步骤三、利用分类器对遥感图像中的主要的地物信息进行分类；

步骤四、采用聚类处理的方法对分类后的图像进行分类后处理，消除局部碎斑；

步骤五、对步骤四处理过的图像进行分割，分别分割出农田区域和非农田区域；

步骤六、在分割出的农田区域上，利用农田边缘的几何特性，进行边缘提取。

本发明所述步骤二中对图像进行多尺度分割处理的具体方法为：

(1)提取图像像素的rgb色度空间，将rgb色度空间转换到hsv色度空间中，结合每个像素在图像中的位置，得到每个像素在5维特征空间中的值(px,py,h,s,v)；

(2)寻找像素在5维特征空间中的值的概率密度的极大值点：采用非参数密度估计的方法，某一点x的密度估计值为：

其中，k(x)为高斯核函数，这里采用径向对称核函数k(x)＝ck,dk(||x||²)，其中ck,d为标准化函数，使得：h为核函数带宽，n为样本总数，d为特征值的维度；

从起始点开始，沿着密度估计值的梯度方向搜索极大值点，梯度方向是各个数据点的方向向量的加权平均值，当时，就到达了模点；

(3)判断是否到模点，到了就停止，将模点颜色赋给出发点，实现图像平滑；

(4)以模点为中心，采用区域生长的方法对模点进行聚类：对图像进行顺序扫描，找到第一个模点标记为(x0,y0)，以该点为中心，考虑该点的4邻域像素(x,y)，如果(x,y)满足区域生长法则，则这两个像素点就合并，将(x,y)与(x0,y0)合并在同一个区域，再从新的模点出发合并下去；

(5)提取地物基元的光谱特征、纹理特征和基元间的边界特征，构建基元的多维特征向量p＝(p1,p2,…,pn-1)(n为特征维数)，在基元特征空间中，搜索当前基元的k近邻，分析当前基元k近邻的距离和方位特性，计算基元k近邻局部空间的距离和方向参数，基元间的相似度sij为：

其中，c1,c2,…,cn表示不同特征值的权重；

(6)依据距离和方位参数，自适应调整模型特征系数，优化基元间的相似性度量，将包含像素点少于m的区域与和它最相似的区域合并。

本发明的有益效果是：本发明通过对农机工作区域的高分辨率遥感图像进行分层次的分割、聚类后再进行精准的边缘提取，解决了农田边缘提取中同谱异物错分的现象和高分辨率影像中丰富的地物信息带来的分割精度问题，能够准确的从遥感图像中提取出农田边界，用来指导农机自动导航。

附图说明

图1为本发明农田边界提取方法的流程图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式(实施例)进行描述，使本领域的技术人员能够更好地理解本发明。

步骤一：农田局部高精度地图的获取，具体实施流程如下：

1.1、设计无人机飞行航线，使航线旁向重叠度在30％到40％之间，航向重叠度在60％到70％之间，相邻像片航高差小于20cm，最高处与最低处航高差小于30cm。无人机按照设计的航线飞行，获取高空间分辨率的低空遥感图像。

1.2、对步骤1.1得到的遥感图像预处理，对图像进行去云雾、匀色、裁边等处理，并通过一系列数学模型来消除原始遥感影像上的几何误差。进行几何精校正的做法是：利用具有大地坐标和投影信息的地面控制点数据确定一个模拟几何畸变的数学模型，以此来建立原始图像与标准空间的某种对应关系，然后利用这种对应关系，把畸变图像空间中的全部像素变换到标准空间中，从而实现图像的几何精校正。

1.3、采用差分gps获取农田地面的控制点坐标，结合gps，将图像转化为一个点状的矢量图层，采用三次多项式法对遥感图像进行点、线、面精度分析，加以拟合纠正，再通过最邻近法进行重采样，获得纠正后的图像。

1.4、利用sift算法结合最小二乘法对纠正后的图像进行图像的匹配和拼接。

步骤二：对步骤一处理过的图像进行多尺度分割，建立多尺度地物基元属性和关系的层次结构，引入多维特征空间向量，优化基元间的相似性度量。具体方法为：

2.1、提取图像像素的rgb色度空间，将rgb色度空间转换到hsv色度空间中，结合每个像素在图像中的位置，得到每个像素在5维特征空间中的值(px,py,h,s,v)；

2.2、寻找像素在5维特征空间中的值的概率密度的极大值点：采用非参数密度估计的方法，某一点x的密度估计值为：

其中，k(x)为高斯核函数，这里采用径向对称核函数k(x)＝ck,dk(||x||²)，其中ck,d为标准化函数，使得：h为核函数带宽，n为样本总数，d为特征值的维度；

从起始点开始，沿着密度估计值的梯度方向搜索极大值点，梯度方向是各个数据点的方向向量的加权平均值，当时，就到达了模点；

2.3、判断是否到模点，到了就停止，将模点颜色赋给出发点，实现图像平滑；

2.4、以模点为中心，采用区域生长的方法对模点进行聚类：对图像进行顺序扫描，找到第一个模点标记为(x0,y0)，以该点为中心，考虑该点的4邻域像素(x,y)，如果(x,y)满足区域生长法则，则这两个像素点就合并，将(x,y)与(x0,y0)合并在同一个区域，再从新的模点出发合并下去；

2.5、提取地物基元的光谱特征、纹理特征和基元间的边界特征，构建基元的多维特征向量p＝(p1,p2,…,pn-1)(n为特征维数)，在基元特征空间中，搜索当前基元的k近邻，分析当前基元k近邻的距离和方位特性，计算基元k近邻局部空间的距离和方向参数，基元间的相似度sij为：

其中，c1,c2,…,cn表示不同特征值的权重；

2.6、依据距离和方位参数，自适应调整模型特征系数，优化基元间的相似性度量，将包含像素点少于m的区域与和它最相似的区域合并。

步骤三：利用分类器对遥感图像中的主要的地物信息进行分类，具体方法为：根据试点农田的特点，需要划分的类别包括以下几类：农田、建筑、道路、水体、林木五类。而在无人机高分辨率影像中，地物纹理复杂、光谱多样，房屋、道路、水体、树木和耕地混杂，而耕地中还包含了有农作物覆盖的耕地和无农作物覆盖的耕地。水在近红外和中红外区的两个水吸收带的影像十分明显，不管哪一个波段，水体的图像都是呈深色，与周围地物相比色调反差很大，可以利用光谱之间的差异，较容易的提取出影像上的水体。而在植被覆盖区，noaa数据能为现存地表的覆盖提供现实可靠的度量标准，植被指数ndvi可以用来衡量土地利用和土地覆盖。而建筑则属于人工演绎的地面目标，有别于自然物质目标，建筑区往往具备丰富而明显的角点，可使用harris角点检测算法来进行角点探测。

因此可采用人工神经网络的分类方式对分割出的基元进行分类。主要分为两个阶段，第一阶段是网络对样本数据进行自学习，第二阶段是利用学习结果对整个图像数据进行分类。并将分类结果保存为专题图像。神经网络分类的流程如下：

具体做法：

3.1、根据实验区土地使用类型，选择7类分类样本，包括：建筑物、水体、林木、道路、裸地、有作物覆盖的耕地、无作物覆盖的耕地，通过计算混淆矩阵求总体分类精度。

3.2、选取训练样本，可以将矢量文件转成10*10像素的感兴趣区文件并对训练样本进行归一化处理。通过人工解译和实地考察对选取的测试样本进行精度评价，确定每一个地物类型的测试样本。随机选取一个输入样本机对应期望输出。假设有k个学习样本，在第p(p＝1,2,…,k)个样本有输入(xp1，xp2，…xpn)和期望输出(tp1,tp2,…tpn)。

3.3、目前遥感图像分类，大多是直接利用光谱特征来进行，但由于实验区地物信息复杂，存在着同谱异物的问题，单纯利用光谱特征很难将其区分开，可采用纹理特征对图像进行分类。可建立基于纹理知识的特征模型，纹理模型采用共生矩阵的局部平稳(hom)以及差异均值(dmea)，其表达式分别为：

局部平稳(hom)：

差异均值(dmea)：

其中，v(i)是用过将共生矩阵中平行于主对角线的元素加载一起所得到的灰阶差异向量的元素。其主对角线的差异为零，近邻主对角线的差异为1，以此类推。

3.4、采用svm分类器对基元进行分类，对于线性可分的集合，可以找到一条可以将数据集分割开的直线即分隔超平面。首先，我们要定义我们的超平面h(x)(w为权重向量，b为偏移量)：

h(x)＝w^tx+b；

而对于线性不可分的数据集，则需要核函数将数据从输入空间的非线性转变到特征空间，使得数据在特征空间中被转换成线性可分的。常用的核函数有多项式核、傅里叶核、高斯径向基核。高斯径向基核是一种采用向量作为自变量的函数，能够基于向量距离输出一个标量，具体数学公式为：σ是用户定义的用于确定到达率或者说是函数值跌落到0的速度函数。这个高斯核函数将数据从其特征空间映射到更高维的空间。

3.5、训练整个样本数据集，得到整个分类器模型，最后应用该模型对整个实验区进行分类。

3.6、计算全局误差。

3.7、输出分类结果，保存为专题图像。

步骤四：引入专题图像，先分割出特征比较明显的水体、建筑区、林木区、道路、裸地这些非农田区域，根据空间关系，合并有相邻边界的有作物覆盖的农田区域和无植被覆盖的农田区域。

步骤五：分类后处理：采用聚类处理的方法对分类后的图像进行分类后处理，对图像进行膨胀处理然后用变换核对图像进行腐蚀操作消除局部碎斑。

步骤六：对农田区域图像进行小波分析，提取农田边界。对农田景物图像来说，平面中重要结构的边界往往具有明显的几何特征相关特性，边界点通常位于平滑的曲线上。因此沿边沿方向的小波变换的模的幅值、角度、位置都不会有显著的变化，二噪声在图像平面上产生堆积分布的边界点一般不会产生平滑的奇异曲线，噪声产生的极大值点在幅度、角度和位置上都是不规则变化的。农田景物边缘、噪声所具有的不同特性是小波变换检测边缘的主要依据，而小波边缘检测的性能与小波函数的特性紧密相关。可采用多尺度小波边缘检测算法提取农田的边缘。多尺度边缘检测的基本方法就是沿梯度方向，分别用几个不同尺度的边缘检测算子在相应点上检测模极大值的变换情况，并通过对阈值的选取，在不同尺度上进行综合得到最终边缘图像，可以较好的解决噪音和定位精度之间的矛盾，从而准确的提取出农田边界。