（传统方法）AgriculturalFieldExtractionfromAerialImagesUsingaRegionCompetitionAlgorithm（InternationalArchivesofPhotogrammetryandRemoteSensing）
摘要
在大多数地理信息系统中，在航拍图像上分割农田仍然是一项手工活动，需要重复、冗长和耗时的工作。在本文中，我们解决了通过集成区域生长和可变形模型的区域竞争技术对农业区域的半自动分割的问题。可变形模型从粗糙的种子开始动态调整它们的轮廓，并在能量最小化框架中分析均匀的包裹。该算法集成到一个版本菜单中，还允许从头开始绘制包裹，并设置在已经提取的包裹之间应用的操作。为了实现最佳的图像分割，我们研究了不同的方面：用户交互、参数化和收敛标准。
（传统方法）IntegratedMethodforBoundaryDelineationofAgriculturalFieldsinMultispectralSatelliteImages（TGRS）
摘要
大多数农业统计数据是在每个领域计算的，众所周知，对同质对象的分类程序比每个像素的分类产生更好的结果。本研究提出了一种自动描绘遥感图像中农业场边界的多光谱分割方法。将来自梯度边缘检测器的边缘信息与分割算法相结合。多光谱边缘检测器通过使用所有可用的多光谱信息，添加从边缘检测得到的边缘的大小和方向在单波段。添加按边缘方向加权，以消除“噪声”，增强主要方向。将从边缘检测算法得到的边缘与基于简单的等数据算法的分割方法相结合，其中初始质心由从边缘检测步骤到边缘的距离决定。从这个过程中，区域的数量很可能超过图像中实际地块数量，并执行区域的合并。通过计算相邻区域像素的均值和协方差矩阵，将合并具有高广义似然比检验量的区域。通过这种方式，来自几个光谱带（和/或不同日期）的信息可以用于描述具有不同特征的场边界。与以前使用的区域增长程序相比，引入等数据分类器提高了输出。将一些结果与手工提取的场边界进行了比较。
(传统方法)Automatedcropfieldextractionfrommulti-temporalWebEnabledLandsatData（RemoteSensingofEnvironment）
摘要
提出了一种从30mWeb启用的陆地卫星数据(WELD)时间序列中提取农田的自动计算方法。介绍了德克萨斯州、加利福尼亚州和南达科他州三块×公里的焊接瓷砖，包括矩形、圆形（中心枢轴灌溉）和不规则形状的农田，并与独立的美国农业部(USDA)国家农业统计服务(NASS)农田数据层(CDL)分类进行了比较。与CDL分类相比，提取视觉上明显的相干字段，遗漏或委托的明显误差相对较有限。这是由于以下几个因素。首先，使用多时间陆地卫星数据，而不是单一陆地卫星数据，使作物旋转和植被状态的年际变化，并为无云、不缺失、大气未受污染的表面观测提供更多的机会。其次，采用基于对象的方法，即基于变分区域的几何活动轮廓方法，只需要少量参数进行鲁棒分割，不需要训练数据。第三，利用分水岭算法将属于多个场的连接段分解为相干孤立场段，利用基于几何的算法检测并将圆形场的部分关联在一起。提出了初步验证，以获得定量洞察现场提取精度，并原型验证协议，包括新的几何测量，量化单个场对象的精度。讨论了对未来研究和大领域应用的影响和建议。
（传统方法）Amachinelearningapproachforagriculturalparceldelineationthroughagglomerativesegmentation（InternationalJournalofremotesensing）
摘要
正确描述农业地块是任何基于地块的应用的主要要求，如估计农业补贴。目前，高分辨率的遥感图像提供了有用的空间信息来描绘包裹；然而，它们的手工处理却非常耗时。因此，有必要创建允许自动执行此任务的方法。在这项工作中，使用机器学习算法来描述农业地块通过一种新的方法。该方法结合了超像素和监督分类，以确定哪些相邻的超像素应该被合并，将分割问题转化为机器学习问题。对应用于农业景观高分辨率卫星图像的结果的视觉评价表明，使用机器学习算法完成这项任务是很有前途的。
（深度学习）DeepLearningforInstanceSegmentationofAgriculturalFields
code:
转载请注明：http://www.0431gb208.com/sjszlfa/426.html
