基于改进Mean Shift的无人机农业应用遥感影像地块边界提取

郑明雪，罗治情，陈娉婷，官 波，马海荣

（湖北省农业科学院农业经济技术研究所/湖北省农业科技创新中心农业经济技术研究分中心/湖北省乡村振兴研究院，武汉 430064）

目前中国农业正向集约化、精准化方向发展。随着这种生产模式的转变，对快速准确获取大范围农作物空间信息在农业生产应用过程中占据越来越重要的位置。及时了解农作物空间分布信息，对于实现农田科学管理、作物面积监测和作物产量预测等具有重要意义［1-3］。因获取高分辨率遥感影像的成本低、效率高，且设备灵活便于携带，无人机遥感系统在农业大面积遥感影像数据获取方面具有独特优势［4-6］。地块是农户生产经营的最小单位，对地块边界提取的研究是准确把握农田作物变化的前提。本研究在对农作物遥感处理的精度和效率两方面都有很大优势，为探索大规模农作物空间信息提供了更直接的证据［7，8］。

当前基于无人机遥感影像的农田地块边界提取技术主要包括矢量化和影像分割［9-12］。前者获取地块边界的精度高，但对工作人员的地图解译能力要求高，人力物力成本很大，不适合应用于大范围的地块边界获取。后者是依据减小类间距离，增大类内距离原则来获取地块边界，很好地提高了地块边界获取的效率，但该类方法仅考虑农作物的常见农学特征，没有从农作物本身及其所处地理环境两个角度联合考虑，且精确率大多差于人工解译结果。并且，对于分辨率要求高、细节丰富的无人机遥感影像，这两种技术都容易造成过分割现象。Mean Shift［13，14］作为一种非参数的密度估计方法，不需要假设样本的分布模型，也不需要实现确定类别数目，可同时考虑影像的位置空间和值域空间信息，正广泛用于遥感影像分割。Mean Shift 对带宽设置的要求较大，需灵活调整宽带值便于获取影像的局部特征。基于此，本研究提出了一种基于改进Mean Shift的无人机农业应用遥感影像地块边界自动化提取流程，既充分考虑地块的位置信息以及地块内农作物的颜色特性，又根据农作物空间分布特点自适应地确定带宽大小。然后，使用超像素技术根据像素对的连接关系对分割结果构造连通域。对于试验过程中产生的过分割现象，考虑了3 种区域合并方法来合并分割后区域，得到最终的分割结果。

1 试验区和影像数据

试验区位于湖北省荆州市江陵县郝穴镇颜闸村，地形为平原，其中心地点位于东经112°，北纬30°附近，辖区面积3.7 km2。使用数据为2020 年采用无人机拍摄的无人机遥感影像，如图1 所示。图1红色框内为农田地块边缘提取试验的感兴趣区域。从影像中可看到农田区域的地块相对规整，边界大多呈直线状，但区域面积大小不一，地块形状也不统一，且同一地块内作物分布不均，易产生过分割。

图1 试验区中感兴趣区域

2 地块边界自动化提取流程

本研究提出一种基于改进Mean Shift的无人机农业应用遥感影像地块边界自动化提取流程，如图2 所示，主要包括影像预处理、改进的MS 分割、后处理和区域合并。

图2 地块边界自动化提取流程

2.1 预处理

由于UAV 遥感影像覆盖范围较大，在进行试验之前通常需要将其裁剪成小样本影像，使得试验数据满足计算机的运行上限。

2.2 改进的MS 算法

2.2.1 传统的MS 算法 传统Mean Shift 是一种非参数密度梯度估计过程，基本原理表述为：给定d维空间Rd中的n个样本点xi，i=1，…，n，在x点的Mean Shift向量的基本形式定义为式（1）。

式中，k表示落在高维球区域内的样本点的个数，Sh是一个半径为h的高维球区域，满足式（2）关系的y点的集合：

在式（1）中，（xi-x）可理解为样本点xi相对于点x的偏移向量，式（1）中Mh(x)是对落入区域Sh中的k个样本点相对于点x的偏移向量求和然后再平均。

设数据点x处的多变量核密度估计函数为式（3）。

式中，h为带宽，d为空间维度，K(x)为核函数。取

其中ck,d为常量参数，则式（3）变为：

设该点x经过迭代收敛的过程中，依次经过的点为y0，y1，…，yk，…，yc，其中y0=x，收敛的点为yc，则

收敛停止的条件是‖yk+1-yk‖≤thr，其中thr是给定允许误差（阈值）。

2.2.2 改进的MS 算法

1）带宽的设置。带宽设置影响着Mean Shift 分割结果的好坏。为了获取影像的全局特征和局部特征，带宽值必须灵活调整。空间带宽决定了对点x的密度梯度估计矩形区域的大小。面向农业的各类地物的尺度各异，空间带宽扮演着分割尺度的角色。如果选择的空间带宽与某类地物的分辨率大小一致，就可完整地将该类地物分割出来。否则容易造成过分割和欠分割。

本研究遵循空间带宽决定了算法迭代过程中计算数据量的大小这一原则，灵活设置带宽。空间带宽大，参与迭代的数据量大，速度慢；反之，参与迭代的数据量小，速度快。

2）多维特征组合。本研究考虑了像素点位置信息和影像颜色信息两类特征的组合。

Mean Shift 可同时考虑影像的位置空间和值域空间信息，因此针对本研究使用的面向农业应用的无人机遥感影像，式（5）中的x由二维位置向量xs和三维颜色向量xr组合而成，对应地块的位置信息以及地块内农作物的颜色特性。则式（5）变为：

式中，hs为二维位置空间的空间带宽，hr为三维颜色空间的值域带宽。

3）区域合并。区域合并用于处理过分割现象，主要考虑以下三方面。①区域重心最小距离法：设定区域内最小像素数阈值为N。当某区域的像素数小于该阈值时，计算该区域与其所有邻近区域的重心点距离，将其合并到重心距离最短的区域中，如图3 中的绿色区域。②区域包含法：若区域A 被区域B包含，则将区域A 内所有像素点全部赋予B，如图4中的绿色区域A。③邻域投票法：将以像素p 为中心的区域A 内次数出现最多的类别赋予像素p。图5，区域中心p 类别为1，经统计其周边8 个像素点位置的类别，将类别2 赋予像素p。

图3 区域重心最小距离法

图4 区域包含法

图5 邻域投票法

2.3 后处理

后处理主要包括二值化和尺寸合并。评价地块边界提取结果前，需对影像数据做二值化处理，将影像中所提取的边界像素分离出来作为前景像素，非边界像素部分作为背景像素。尺寸合并指将所有二值化子图像合并成一张完整的二值化影像。

3 结果与分析

本研究试验结果评价为定性评价，是针对基于改进MS的影像分割后边界提取结果。试验中，空间带宽hs和值域带宽hr均取值8，区域内最小像素数N阈值取500，邻域是边长为3 像素的矩形。图6是试验区域的地块边界提取结果。图6a 为试验区域原图；经过改进的MS 算法分割，并利用区域重心最小距离法和区域包含法处理后，得到图6b的第一次区域合并结果；经过邻域投票法处理后，得到图6c的第二次区域合并结果；最后，通过后处理得到图6d的田块边界提取结果。从图6 可以看出，该方法可以很好地将各田块边界提取出来。以序号1～9为例，序号3 显示3 个小面积田块的边界被成功提取。序号7 表明该方法对形状不规则地块边界的提取效果明显。序号8 和9 表明形状不规则且特征存在干扰时，该方法仍能取得较好结果。从图6 也可以看出，部分田块边界未被成功提取，如序号-1 和-3 将多个田块划分为同一区域，而序号-2 提取的田块区域缺失明显。在后续工作中，将引入多时序多特征组合用于改进边界提取效果。

图6 地块边界提取结果

4 小结

以UAV 遥感影像作为数据源，提出了一种基于改进Mean Shift的无人机农业应用遥感影像地块边界自动化提取，试验证明该方法可快速准确地提取地块边界，对形状不规则和特征存在干扰的情形仍具有边界提取优势，可为其他学者开展农田地块边界研究提供支持和启发。