基于球面接触分布的遥感影像农作物图像分类

沙特国王大学学报基于球面接触分布的遥感影像农A.V. Kavithaa，b，poule，A.Srikrishnac，Ch.Satyanarayanada印度安得拉邦Kakinada JNTUK计算机科学系b斯里兰卡计算机科学系。A.B.R. 的政府印度安得拉邦，贡图尔（Dt），Repalle，Degreec印度安得拉邦贡图尔乔达瓦兰RVR JC工程学院信息技术系d印度安得拉邦Kakinada JNTUK计算机科学与工程系阿提奇莱因福奥文章历史记录：收到2018年2019年2月17日修订2019年2月18日接受在线预订2019年保留字：遥感图像Google Earth图像农作物图像分类数学形态学球接触分布一阶统计量A B S T R A C T基于遥感影像的土地利用/土地覆盖分类是一个长期的研究课题。它的范围从简单的分类，如映射水体到复杂的分类，如作物和森林链。作物图像分类是复杂的，因为不同的生长阶段的相同的作物，相同的光谱值的各种作物，其他众多的问题。农作物图像分类对于农业监测、农作物产量生产、全球粮食安全等都是非常重要的。本文提出了一种新的无监督分类算法--球面接触分布分类算法（SCDCA）。然后将SCDCA与线性接触分布分类算法（LCDCA）进行了比较定量分析证明了该算法的有效性，并表明SCDCA的复杂度大大低于LCDCA。©2019作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在过去的三十年里，遥感图像的土地利用或土地覆盖分类吸引了一些 研 究 人 员 的 注 意 （ Dev 等 人 ， 2010; RezaKhatami andMountrakis，2016）.土地利用或土地覆盖分类的范围从简单的分类，如绘制水体、石油泄漏、积雪、建筑区等，到更复杂的任务，如作物分类 、 森 林 带 等 （ Klemenjak 等 人 ， 2012; Li 和 Cao ， 2018; Xue 和Yang ， 2012; Kussul 等 人 ， 2017; Doraiswamy ， 2007; Hagner 和Reese ， 2007;Chen 等 人 ， 2018;Watmough 和 Palm ，2017;Chaudhuri等人，2017; Pham等人， 2017年）。农作物图像分类对于农业监测、农作物估产、协助全球粮食安全等都是非常重要的。*通讯作者：印度安得拉邦Kakinada JNTUK计算机科学系。电子邮件地址：anubrolukavitha@yahoo.com（A.V. Kavitha）。沙特国王大学负责同行审查据报道，小麦生产、杂草绘图、各种作物分类、受感染植物分区的检测、作物残留绘图等（Luo等人，2017; Mahlein等人，2012; Anys和He，1995; Kim和Yeom，2014; Vieira等人，2012; Pea-Barragan等人，2011; Kussul等人，2017; Doraiswamy，2007）。随着遥感传感器能力的不断提高，现在可以获得非常高的空间和光谱分辨率的遥感图像。许多研究已经做了农作物遥感图像分类和几种技术已在文献中报道。其中很少包括神经网络、马尔可夫随机场、Gabor小波、梯度场分布、决策树算法、图形方法和其他机器学习算法（Luo等人，2017;Anys和He，1995;Chanussot和Benediktsson，2010; Vieira等人，2012; Epifanio和Soille，2007; Ursani等人，2012;Pea-Barragan等人，2011;Kussul等人，2017年）。很少有研究报告说，两个或者已经融合了三种方法（Kim和Yeom，2014; Bai等人，2013; Ursani等人，2012）和基于对象的分类已经在一些其它研究中报道（Luo等人，2017;Pea-Barragan等人，2011; Vieira等人，2012年）。尽管如此，作物图像映射的问题并不是微不足道的，因为它有很多问题。https://doi.org/10.1016/j.jksuci.2019.02.0081319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA.V. Kavitha等人/Journal of King Saud University535一个小女孩联系我们ðÞ同一种作物在其生长的不同阶段可能具有不同的颜色，同时不同的作物可能具有相同的颜色。作物易受季节变化的影响，因此为了应对这种情况，涉及多时间图像的技术（Vieira等人，2012; Anys和He，1995）并利用来自各种来源的图像。但是，f的体积分数由下式给出：VF ¼A/V1000V协方差函数由下式给出：多个特征导致高计算复杂度。本文提出了一种新的tAe0;t/Ae0;tWð2Þ变量数少，取得了较好的分类效果。SCDCA使用数学形态学，球形接触分布，线段为“t”且方向为“h”的线性接触分布由下式给出统计量（SCD）和一阶统计量（FOS）来描述纹理t;hAesth/c：AW;图像的特征。 简单的k-means聚类算法用于对特征向量进行聚类，最后H2O-1-A-1W图像已被分类。将该算法应用于农作物图像Google Earth，取得了可喜的成果。SCDCA还与线性接触分布分类算法（LCDCA）进行了比较，并观察到所提出的算法的复杂性其中，est;h表示用结构元素“S t ; h”对“W”的侵蚀类似地，球面接触分布的估计量由下式给出：与LCDCA算法相比，AeBt0/c：AW;算法论文组织如下。第2节涉及H2O-1-A-1W相关的工作，第3节介绍了方法，第4节介绍了实验装置，第5节介绍了结果和讨论，最后第6节结束了对未来范围的讨论。2. 相关工作HAnys和DongChenHe（1995）利用纹理和多极化雷达特征对作物图像进行分类，区分了玉米、小麦、大豆、牧草和苜蓿5种作物类型。Jose M.Pena Barragan等人，已经在多个植被指数和纹理特征的帮助下使用了基于对象的作物识别方法（Pea-Barragan等人， 2011年）。Asnor Jur- aiza Ishak等人，已经将Gabor小波和梯度场分布用于杂草图像分类（Ishak等人，2009年）。Mathews Alves Vieira等人，已经使用基于对象的图像分析和数据挖掘技术从遥感陆地卫星图像绘制甘蔗地图（Vieira等人， 2012年）。查尔斯·迈克尔Duro，Steven E等人，他说基于像素的分类利用更少的变量，实现类似的分类精度，并且比基于对象的分类需要更少的时间来产生（Duro等人，2012年）。在文献中很少有研究报告使用多时相图像，因为作物易受海洋气候变化的影响（Vieira等人， 2012; Anys和He，1995）。它可以从文献中可以观察到，对于大多数成功的作物图像处理技术，纹理特征形成特征向量的重要部分，尽管所使用的技术是基于对象的分析或基于像素的分析，并且应用于单个图像或多时间图像。因此，本文提出了一种新的基于像素的特征提取方法，该方法利用数学形态学和球面接触分布，具有较少的变量。任何二进制图像或灰度图像都可以表示为随机闭集的形式。用一元随机闭集表示二值图像，用多元随机闭集表示灰度图像。二值图像的任何子集也可以表示为随机闭集，文献中给出了许多描述符来描述这些子集。如果如果在窗口“W”中的像素集合具有值接触分布有两种类型，即线性接触分布和球形接触分布。Irene Epifanio和Guillermo Ayala使用了这些描述符用于识别纹理（Epifanio和Ayala，2002年）。他们已经在合成纹理数据库上实现了它们，并证明了接触分布比其他纹理描述器如灰度共生矩阵和马尔可夫随机场更有效。他们还推导出，球形接触分布和线性接触分布在某些数据库中表现良好，与球形接触分布相比，线性接触分布在某些其他数据库中表现良好。后来，Irene Epifanio和Peirre Soille使用LCD提取纹理特征，用于遥感图像的分割（Epifanio和Soille，2007年）。他们提出了监督和无监督的方法。由于遥感图像具有真实的纹理特征，纹理描述子的实现比较困难。本文利用SCD的概念提取纹理特征，对GoogleEarth中的农作物图像进行分类。算法中引入了数学形态学、球面接触离散和一阶统计量的概念。3. 方法方法学的第一步是从给定图像的每个像素提取纹理特征。因此，提取的纹理特征必须能够区分图像中的各种类别，同时必须允许类内的一些可变性。由于本文的目标是对农作物图像进行分类，因此所提取的纹理特征必须能够对各种类型的农作物进行分类，同时，必须能够将同一生长作物的不同阶段划分为一个类别。由于同一作物的颜色也不断变化，纹理描述符必须能够将它们分类为单一作物。因此，在本文中，纹理特征的提取是在第二步中，对提取的特征向量进行分类以显示分类后的图像。为了进行分类，进行了两种类型的实验。一种是监督分类，其中识别一些训练集，并且使用简单的最近邻算法基于训练集对所有像素进行分类。进行的另一个实验是无监督分类，其中不需要训练集。对于该实验，除了从球形接触分布获得的特征向量之外，还考虑了借助于一阶统计量获得的一些更多的特征向量。然后对这些特征向量进行聚类，最后生成分类图像。整个过程的流程在图1和图2的流程图中说明。 1和2.不稳定性Bt;0536A.V. Kavitha等人/Journal of King Saud UniversityFig. 1. 方法流程-3.1. 纹理特征最初，使用数学形态学从给定的Google Earth图像“I”生成四个二进制图像B1、B2、B3和B4，以增强图像的纹理属性。生成二值图像的过程详细如下。1. 将原始Google Earth图像2. 根据灰度图像“G”，估计两种类型的阈值“t1”和“t2”（Kavitha等人， 2018年）。3. 为了获得A.V. Kavitha等人/Journal of King Saud University537674523图二. 方法流程-方法，然后乘以最大强度值。4. 为了估计阈值为此，借助于结构元素[1，1，1; 1，1，1; 1，1，1]来扩张图像现在外部梯度图像阈值‘t2’ is then obtained first by estimating the threshold valuefrom image ‘E’, with the help of OTSU (5. 考虑到所有小于“t1”的值，现在从图像“G”生成保留的二进制图像6. 通过借助于以下变换来扩张图像“G”，从图像“G”形成四个扩张图像(a) 半径为6的圆盘。(b) 半径为3的圆盘。(c) 与边11成正方形。(d) 5号臂交叉上述变换是根据经验选择的，因为作物具有高梯度值的圆形纹理7. 通过分别从“DG1”、“DG2”、“DG3 "和”DG4“图像中减去图像”G“来生成四个外部梯度图像8. 阈值“t2”用于从梯度图像“E1 "、”E2“、”E3"和“E4”获得阈值化的外部二值图像“TE 1 "、" TE 2 "、”TE 3"和“TE 4 "。所有大于“t2”的值被认为是从梯度图像获得阈值化梯度图像。9. 通过将阈值化的二值图像“TB”分别与四个阈值化的外部梯度图像“TE 1”、“TE 2”、“TE 3”和“TE 4”相交来获得四个阈值化图像10. 最终二值图像图3显示了整个过程的中间结果。图3a是示出两种作物图案的Google地球图像，图3b是从图3a生成的灰度图像，并且是对其应用了算法SCDCA的图像，图3c是阈值化的二进制图像，图3d是外部梯度图像之一，图3e是最终二进制图像之一，最后图3f是分类图像。在获得必要的二值图像B1、B2、B3和B4之后，针对每个像素计算纹理特征。窗口“W”被认为是在所考虑的像素周围。球面接触分布是使用等式“W”来估计的。 （4）具有以下结构要素。01 0S1 ¼11 101 0使用四个二值图像，对于每个像素，使用SCD计算四个特征。3.2. 特征向量3.2.1. 实验1这是一种有监督的方法，其中通过手动解释图像来选择训练集。每个类别中的三个像素已从给定的Google Earth图像中手动选择。根据第3.1节中提到的程序，为所有这三个像素计算包含四个特征的特征向量。接下来，生成所有这三个像素的平均特征向量。类似地，生成所有类的平均特征向量。现在，图像中每个像素的特征向量与所有平均特征向量进行比较，无论哪个更接近，该像素都被分配到该特定类别。因此，所有的像素被分类，并且每个类被赋予特定的颜色，并且显示最终分类的图像。例如，考虑Fig. 四、 图 4 a是一个谷歌地球图像，图. 4 b是应用该算法的灰度图像，538A.V. Kavitha等人/Journal of King Saud University×图3.第三章。所提出的算法SCDCA的中间分类结果（a）真彩色图像（b）灰度图像（c）二进制图像（d）外部梯度图像(e)最终二值图像和（f）最终分类图像。图4c是地面实况，图4d是使用实验1获得的分类图像。在该实验中，首先计算训练集的特征向量。训练集由来自每个作物的三个像素组成。在人工解释图像之后，选择像素（279，92）、（348，331）和（251，113）作为裁剪1的训练集，并且选择像素（46，309）、（165，428）和（42，171）作为裁剪2的训练集。获得作物1的平均特征向量和作物2的平均特征向量。接着，将原始图像中每个像素的特征向量与crop1和crop2的平均特征向量进行比较，并将像素分配到距离较小的组3.2.2. 实验2这是一种无监督的方法。根据第3.1节中提到的程序为每个像素计算的特征向量，对于大多数图像，不自动收敛于任何聚类算法。因此，使用一阶统计量（FOS）为每个像素计算另外四个特征。它们是均值、熵、平滑指数和能量。文献中使用了使用FOS以及其他方法（如GLCM）计算的特征（Sulaiman和Anupaman，2017）。因此，每个像素将有八个特征向量中的特征。这些特征向量现在可以使用任何聚类算法（如k-means）进行聚类。图4e示出了使用图4的实验2获得的分类图像。凌晨44. 实验装置该算法已成功地在从Google Earth（Google Earth，2018）获取的印度安得拉邦Guntur（Dt）各个地区的图像上实现图像包含各种类别的作物，如玉米，棉花，香蕉种植园，柠檬园，辣椒作物等。谷歌地球获得的图像已被裁剪成各种大小，以应用此算法。该算法已在'Matlab'中的核心i7处理器上实现考虑了不同大小的窗口，最终选择了51 - 51窗口，因为它可以更有效地表示作物图像。如果为窗口大小选择非常小的值，则像素的空间上下文可能不足以识别图案。类似地，如果为窗口大小选择非常大的值，则像素也可以聚集相邻图案。地面实况已经通过人工解释彩色图像获得，在更密切地观察相同的图像之后，图四、分类结果提出的算法SCDCA使用实验1。（a）真彩色图像（b）灰度图像（c）地面实况图像（d）在实验1的帮助下使用SCDCA的分类图像（e）在实验2的帮助下使用SCDCA的分类图像A.V. Kavitha等人/Journal of King Saud University539谷歌地球。同时，进行实地调查，以确定图像的每个片段的作物的名称对本文中的大部分图像进行了实地调查农作物位置已根据从Google Earth收集的纬度和经度位置确定，并在Google地图的帮助下到达相应的由于本文中使用的Google Earth图像是在前一年获得的，即使在现在也可以看到柠檬园，Sapota果园，茉莉花花园等长期作物在本年度，很少有玉米、辣椒等作物在同一块地里重新生长。但是，在一些田地里，图像中发现的作物现在已经看不到了，因为其他一些新作物已经种植。因此，不仅通过在田地中观察作物，而且通过询问当地农民，已经注意识别每个图像的每个片段的纹理的作物的正确名称。4.1. 数据集1. 谷歌地球图片的昆昌帕里地区的安得拉邦与纬度1 6o2 705 3：2 300和经度80o37010：5200。眼睛高度为741英尺，于2018年8月1日获得（谷歌地球，2018年）。2. 谷歌地球图片的Pedavadlapudi地区的安得拉邦与纬度1 6o2 5010：4 500和经度80o36050：6500。眼睛高度为1099英尺，于2018年8月2日获得（谷歌地球，2018年）。3. 谷歌地球图片的Pedavadlapudi地区的安得拉邦与纬度1 6o2 4007：2 100和经度80o35043：6300。眼睛高度为1132英尺，于2018年8月2日获得（谷歌地球，2018年）。4. 谷歌地球图片的Sattenapalli地区的安得拉邦与纬度1 6o2 303 2：1400和经度80o07042：9700。眼睛高度为1798英尺，于2018年1月7日获得（谷歌地球，2018年）。5. 谷歌地球图片的Sattenapalli地区的安得拉邦与纬度1 6o3004 7：1200和经度80o01056：1900。眼睛高度为1199英尺，于2018年1月7日获得（谷歌地球，2018年）。6. 喀拉拉邦地区的谷歌地球图像，纬度1 0o1 302 6：0200，经度77o0301 3：8 50 0 。Eyealt位于7251英尺，于2017年10月19日获得（Google Earth，2018）。7. 谷歌地球图片的Chiluvuru地区的安得拉邦与纬度1 6o202 6：3 400和经度8 0o3 700 1：7 90 0。Eyealt位于985英尺，于2018年6月18日获得（Google Earth，2018）。8. 谷歌地球图片的努塔基地区的安得拉邦与纬度1 6o2 404 1：5 700和经度8 0o4 001 9：1 10 0。Eyealt位于697英尺，于2018年10月12日获得（Google Earth，2018）。5. 结果和讨论第3节中解释的程序已在各种大小的Google Earth图像上实施。图5-13给出了一些结果。使用实验1和实验2的程序获得的结果被呈现为少数图像，如图1A和1B。图5 -8以及之后使用实验2的程序获得的结果。算法SCDCA（使用实验2中的过程）与LCDCA算法进行了比较。IreneEpifanio和Pierre Soille提到（Epifanio和Soille，2007）使用线性接触分布获得的纹理特征比其他标准广泛使用的纹理特征（如马尔可夫随机场、灰度共生矩阵和Gabor卷积能量）提供了更好的结果。并将SCDCA的结果与LCDCA的结果进行了比较算法LCDCA工程计算线性接触分布在所有主方向上的线段长度为3和功能提取与FOS也被认为是。图图5 -9给出了各种类型作物如玉米、柠檬园、茉莉花园、香蕉园、人心果园等的分类结果。图5a、图6a、图7a、图8a和图9a是来自谷歌地球的裁剪图像，图5a、图6a、图7a、图8a和图9a是来自谷歌地球的裁剪图像。5b、6b、7b、8b和9b分别是它们的基本事实。图图5c、6c、7c和8c表示使用SCDCA与实验1的结果。 图图5d、6d、7d、8d和9c呈现了使用SCDCA与实验2的结果，其中如图5a和5b所示。5e、6e、7e、8e和9d给出了使用LCDCA的结果。当观察实验1和实验2的SCDCA的结果时，可以发现实验2的SCDCA产生图五、Kunchanpalli剪辑：SCDCA和LCD分类结果的比较（a）原始图像（b）地面真实图像，S1-香蕉种植园和S2-空（c）在实验1的帮助下使用SCDCA分类图像（d）在实验2的帮助下使用SCDCA分类图像（d）使用LCDCA分类图像。540A.V. Kavitha等人/Journal of King Saud University图六、Pedacadlapudi clip 1：SCDCA和LCD的分类结果的比较（a）原始图像（b）地面实况图像，S1-柠檬幼苗园和S2-柠檬幼苗园与香蕉内作物（c）分类图像使用SCDCA与实验1（d）分类图像使用SCDCA与实验2（e）分类图像与LCDCA。见图7。Pedavadlapudi clip2：SCDCA和LCD的分类结果的比较（a）原始图像（b）地面实况图像，S1-玉米和S2-茉莉花作物（c）使用SCDCA与实验1的分类图像（d）使用SCDCA与实验2的分类图像（e）使用LCDCA的分类图像。见图8。Pedavadlapudi Clip3：SCDCA和LCD的分类结果的比较（a）原始图像（b）地面真实图像，S1-玉米和S2-Sapota果园（c）使用SCDCA与实验1的分类图像（d）使用SCDCA与实验2的分类图像（e）使用LCDCA的分类图像。更好的结果。这是因为，在实验1中，每个作物类别中只有三个像素被考虑用于训练集还考虑了这三个像素的特征向量的平均值，本实验对每个作物类别考虑更多的像素数，并考虑特征向量的中心点而不是特征向量的平均值，可以改善结果A.V. Kavitha等人/Journal of King Saud University541图9.第九条。Chiluvuru剪辑：SCDCA和LCD的分类结果比较（a）原始图像（b）地面实况图像，S1-玉米和S2-柠檬树花园（c）SCDCA分类图像（d）LCDCA分类图像。见图10。Kerala剪辑：SCDCA和LCD的分类结果比较（a）原始图像（b）地面实况图像，S1-森林和S2-空（c）SCDCA分类图像（d）LCDCA分类图像。图12个。Sattenapalli clip1：SCDCA和LCD分类结果的比较(a)原始图像（b）地面实况图像，S1-柠檬幼苗园，S2-辣椒作物和S3-空（c）用具有3个聚类的SCDCA分类的图像（d）用具有3个聚类的LCDCA分类的图像（e）用具有4个聚类的SCDCA分类的图像(f)用4类LCDCA分类图像图13岁Nutakki剪辑：SCDCA和LCD的分类结果比较（a）原始图像（b）地面实况图像，S1-玉米，S2-香蕉种植园和S3-空（c）使用具有3个聚类的SCDCA分类图像（d）使用具有3个聚类的LCDCA分类图像。图十一岁Sattenapalli clip2：SCDCA和LCD分类结果的比较(a)原始图像（b）地面实况图像，S1-棉花作物和S2-空（c）用SCDCA分类的图像（d）用LCDCA分类的图像。实验1。此外，三个像素的训练集的选择也很大程度上影响结果。如果将实验2的SCDCA和 LCDCA的结果进行比较，两者都能正确地对图像进行分类，并且得到几乎相同的结果。如果观察图10 此外，如果观察图11，则可以看出，SCDCA在对图像11 a进行分类时表现良好。SCDCA能够将同一组作物（棉花）分类，即使它们具有不同的颜色，因此处于不同的生长阶段。在图像的底部，人们可以观察到相同的作物，右侧是深色和中等颜色。但是，SCDCA并不擅长在作物很小的时候就将其分类到正确的类别中。它542A.V. Kavitha等人/Journal of King Saud University¼ ð Þ¼能够将裸土组和具有早期作物的组分割，但不能将早期作物组划分到正确的作物类别。SCDCA和LCDCA对该图像也给出了几乎相同的结果各种作物模式可在图1和图2所示的图像中获得。12和13图图12a和图13a是Google Earth图像，图12b和图13c是Google Earth图像。图12b和13b是地面实况图像。图图12c和13c是在具有三个聚类的SCDCA的帮助下分类的图像。图12d和13d是LCDCA分类后的图像。如果观察图12，在图像的左侧，可以发现相同的作物（辣椒作物）存在于不同的方向上。SCDCA能够对不同方向的作物进行分类。当用四个类别分类时，获得图像12 e和12 f如果仔细观察，人们可以发现，在图像中，存在一些裁剪，并且在图像底部的中间部分存在空白空间。因此无花果。12e和12f能够对它们进行分类。如果观察图13，可以发现SCDCA能够正确地对作物（玉米和香蕉种植园）和空区域的所有区段进行在图像的右下方，为了分类段S2，SCDCA将具有更高密度的作物正确地分类为段S2，但将具有非常低密度的相同作物分类为空区域。LCDCA也产生了几乎相同的分类。在该图中还可以观察到由于窗口引起的边界效应。主观分析表明，SCDCA和LCDCA对作物的分类效果相近，且均较好。5.1.定量分析表1和2给出了所述过程的定量分析。表1给出了SCDCA和LCDFOS程序的Dice系数和Jaccard系数值。如果“X”和“Y”分别是地面实况和分类图像，则Dice系数由下式给出（Dice，1945; Simon等人，（2004年第10期）并且Jaccard系数值的范围从0到1。如果该值趋向于1，则结果被称为好，如果该值趋向于0，则结果被称为差。表1示出了所有图像的所有片段的Dice系数值大于0.80，并且对于它们中的大多数，其大于0.95。这证明了算法的有效性。类似地，大多数分段的Jaccard系数值大于0.85.当比较SCDCA和LCDCA两种算法时，Dice系数和Jaccard系数值对它们呈现几乎相同的结果。精度和分割准确度也是评估分类效率的其他方法（Fleiss等人，1981年）。正预测值可以称为精确度，正确分类实例的百分比可以称为分割准确度。精确度和分割准确度可以由以下公式给出。精密度真阳性7真阳性<$假阳性分割精度¼真阳性<$真阴性真阳性<$真阴性<$假阳性<$假阴性ð8Þ表2给出了使用精确度和分割准确度的算法SCDCA和LCDCA的分类效率的结果。使用SCDCA的大多数段的精度值大于0.90。所有图像的所有片段的分割精度大于0.75，并且对于其中的大多数，对于SCDCA，大于0.80。两种算法的精度和分割精度值几乎相似。但SCDCA的分割精度略高于LCDCA。骰子系数2 ω<$X\Y<$jX j jY jð5Þ5.2. SCDCA和LCDCA的比较主观和定量分析都表明，类似地，Jaccard系数由Duda和Peter（1973）给出。算法SCDCA和LCDCA表现良好，并产生Jaccard 系数X\Y几乎相似的结果。但是，SCDCA的执行时间非常短，6¼X[Y]轴Zijdenbos等人（1994）提出，如果Dice系数值大于0.700，则分割值良好。Dice系数与LCDCA相比少得多为了实现LCDCA，四个主方向的线段被用于方程中。3完成球体。因此，使用了以下四个结构元素。表1绩效评价采用Dice系数和Jaccard系数。S. 没有图像标题段Dice系数Jaccard系数SCDCALCDCASCDCALCDCA1Kunchanpalli夹S10.97650.97980.94610.9513S20.96190.96750.9161 0.92042Pedavadlapudi clip1S10.99470.99670.98400.9789S20.99950.99890.99270.99213pedavadlapudi clip2S10.99680.99510.9829 0.9810S20.99560.99960.9850 0.98504Pedavadlapudi clip3S10.97660.97960.93060.9264S20.98380.98160.94440.92965奇卢武鲁夹S10.97810.98170.93650.9323S20.96070.95800.8917 0.88606喀拉拉邦剪辑S10.95110.96560.87560.8775S20.94820.94810.8629 0.85707Sattenapalli clip2S10.97510.97980.93940.9493S20.82260.86160.66110.68858Sattenapalli clip1S10.85220.84540.7122 0.7044S20.96940.96190.9142 0.9120S30.89800.86820.75830.75669Nutakki夹S10.93210.93060.83070.8352S20.80210.79610.6221 0.6100S30.89800.86820.86680.8542A.V. Kavitha等人/Journal of King Saud University5432502 3 2 3 234表2使用精度和分割精度进行性能评估。S. 没有图像标题段精度分割精度SCDCALCDCASCDCALCDCA1Kunchanpalli夹S10.99170.99180.81090.8100S20.91610.92040.83940.83822Pedavadlapudi clip1S10.98460.97930.83570.8096S20.99750.99810.83590.80773pedavadlapudi clip2S10.98650.98290.84230.8289S20.99220.99290.79770.77944Pedavadlapudi clip3S10.99820.99820.81650.7901S20.94480.93000.80920.78545Chiluvuru夹S10.93660.93240.75790.7473S20.99990.99980.82800.79946喀拉拉邦剪辑S10.97350.97130.76760.7149S20.87230.86600.79640.76247Sattenapalli clip2S10.99110.99000.71640.7204S20.77460.70300.89040.89748Sattenapalli clip1S10.73340.72240.91190.9119S20.98000.98310.91180.9118S30.85810.85940.94470.94369Nutakki夹S10.91830.92070.73140.7411S20.71660.70620.77100.7642S30.68630.66630.90270.9009表3各种图像的SCDCA和LCDCA的执行时间S. 否图像名称图像大小像素数执行时间（秒）SCDCA LCDCA1 Kunchanpalli夹470×451 2，11，970 2704 52162 Pedavadlapudi clip1 417×189 78，813 1013 19713 Pedavadlapudi clip2 443×344 1，52，392 2065 38414 Pedavadlapudi clip3 498×294 1，46，412 1926 35965 Chiluvuru clip 390×271 1，05，690 1553 28806喀拉拉邦剪辑559×362 2，02，358 2634 50147 Sattenapalli clip1 564×350 1，97，400 2602 50088 Sattenapalli clip2 756×519 3，92，364 5558 965510 Nutakki夹子588×398 2，34，024 3102 6024图十四岁显示SCDCA执行时间效率的图表（a）每个映像的SCDCA和LCDCA执行时间（b）执行时间与映像大小的关系0 0 0 0 1 0 00 1沪ICP备15004445号-1105SE 3¼4 0105因此，对于每个二进制图像的每个像素，所有这些结构元素都将应用于等式2中。（3），从而产生16个特征。01 0SE4¼ 0101 010 0但是SCDCA已经用单个结构化元素实现。为了表示球体，在裁剪图像上成功地实现了以下结构元素。31000100544A.V. Kavitha等人/Journal of King Saud University672345图15.示出SCDCA和LCDCA的性能效率的图（a）基于骰子系数值的SCDCA和LCDCA的性能效率（b）基于骰子系数值的SCDCA和LCDCA的性能效率。01 0S1 ¼11 101 0在SCDCA的帮助下，对于图像中的每个像素，仅从四个二值图像中提取四个特征，从而在很大程度上减少了执行时间。表3给出了算法SCDCA和LCDCA的执行时间统计。图图14a和14 b呈现了表示SCDCA和LCDCA的执行时间复杂度的图。从表3和图14a可以看出，SCDCA的执行时间几乎是LCDCA的执行时间的一半。从图14 b可以观察到，随着图像尺寸的增加，SCDCA的效率也增加。图图15 a和15 b给出了使用Dice系数和分割精度的算法的性能效率。给出的图形清楚地表明，即使 两种算 法的性能 精度相 似， SCDCA 的执 行复杂 度远远低 于LCDCA。SCDCA的执行时间几乎比LCDCA少50%。6. 结论提出了一种新的无监督农作物图像分类算法SCDCA该算法能够有效地对各种类型的作物模式进行分类。定量分析表明，所有图像的所有片段的骰子系数值都大于0.80，其中大多数是0.95。几乎所有区段的Jaccard系数值都大于0.85。所有段的精度值几乎都大于0.85，所有段的分割精度都大于0.75，其中大部分段的分割精度都大于0.80。这证明了算法的有效性。其次，将SCDCA与LCDCA进行了比较这两种算法的分类性能几乎相同，但SCDCA的执行时间远远优于LCDCA。结果表明，SCDCA比LCDCA快近50%。定量分析表明，随着图像大小的增加，SCDCA的效率随执行时间的增加而增加。图5证明该算法也适用于低对比度图像。未来的工作范围可能是在其他结构元素的帮助下处理其他图像，如建筑区域，水等。主观分析表明，该算法能有效地对各种作物模式进行分类.还可以观察到，该方法随着类别数量的增加和/或更复杂的几何结构，即使定量分析产生了参数的良好值。未来的工作范围也可能涉及通过使用两种或更多种尺寸的结构元件来解决这个问题。此外，由于作物的纹理随着作物内部的变化而变化，并且由于非常早期的作物的纹理不同于后期的作物，因此还需要进一步的研究来提取所述特征以及纹理特征。利益申报一个也没有。引用德夫，V.，Zang，Y.，中国科学院，Zhong，M.，2010.遥感图像分割技术综述。摄影测量和遥感学会技术委员会第七次专题讨论会，第31-42页。Khatami，Reza，Mountrakis，G.，Stehman，S.V.，2016.基于监督像素的土地覆盖图像分类过程的遥感研究的元分析：从业人员和未来研究的一般准则。遥感环境。177，89-100. https://doi.org/10.1016/j.rse.2016.02.028网站。Klemenjak，S.，Waske，B.，Valero，S.，Chanussot，J.，2012.高分辨率sar数据中河流的自动检测。IEEE J. Selected Topics Appl. EarthObservations Remote Sensing5（2），1-9.Li，R.，Cao，F.，2018.基于同质性和形状特征的高分辨率遥感影像道路网提取。J.Indian Soc. RemoteSensing 46（1），51-58.Xue，L.，杨，X.，例如，2012.基于形态属性剖面的sar图像建筑物提取。施普林格通讯社信号处理。系统202页，13-21。Kussul，N.，Lavreniuk，M.，Skakun，S.，Shelestov，A.，2017年。利用遥感